微软研究院近日开源了 Agensh，这是一套面向大规模编码智能体团队的去中心化编排框架。与当前主流的多智能体系统不同，Agensh 不设置负责规划、分配和合并工作的主导智能体，而是让每一个工作智能体自行认领子任务、共享发现并将代码合并到同一个 Git 仓库。研究团队在 ProgramBench 基准上把该配置从 1 个智能体一路扩展到 1,024 个智能体。
该项目针对的是所谓“编排器天花板”问题。在编排器—工作器架构中，一个主导智能体要负责全部规划、分配与合并工作，随着智能体数量增加，这一中心节点会成为瓶颈。研究论文将 Claude Code 的 agent teams、Codex 的子智能体、Copilot fleet 以及 Kimi Agent Swarm 列为此类设计的代表。Agensh 的思路是把协调职责下放给工作智能体本身。
每个工作智能体并发且异步地运行同一套五步循环：先收集上下文，包括目标、同伴进展、消息与发现；随后发布 CLAIM 认领子任务，并通过直接消息解决重叠冲突；接着在本地使用工具执行操作，并尽早发布有用发现；然后对照子任务的验收标准验证结果；最后合并进共享仓库、发布更新并重复循环。值得注意的是，这套循环写在提示词中而非运行时代码里，除 ID 不同外，每个工作智能体收到的提示词完全一致。
三个服务负责连接各工作智能体：Gitea 承载共享工作区，处理分支、PR 与合并冲突；Mattermost 提供团队频道和用于紧急冲突的直接消息；一个改编自 DeLM 的共享上下文看板则存储带类型标注的笔记，包括 OBSERVED、FACT、FAIL、CLAIM 和 PATCH_SUMMARY。Agensh 构建在单智能体框架之上，实验中使用了 GitHub Copilot CLI，论文指出可通过轻量适配器接入 Claude Code 等其他框架。
在资源配置方面，每次运行需要 Linux 环境并搭配 Docker Compose。默认单节点运行 8 个工作智能体，每个工作智能体拥有 64 GiB 内存上限，输入 token 上限为 272,000、输出上限为 128,000。1,024 智能体的实验使用了 16 个节点、每节点 64 个智能体，每个任务的预算为 6 小时。
性能测试选取了 ProgramBench 中五个最困难的任务：FFmpeg、gromacs、pandoc、PHP-src 和 ctags。智能体需要根据观察到的行为重建每个程序，在离线状态下限时完成，参考仓库规模从 pandoc 的 2,767 个文件到 PHP-src 的 26,266 个文件不等。在 GPT-5.6-sol 高推理强度下，五任务平均最终测试通过率随规模变化为：1 个智能体 19.31%、8 个 20.68%、32 个 26.52%、128 个 28.78%，相当于提升 9.47 个百分点、相对提升约 49%。其中从 1 个增至 8 个智能体仅带来 1.37 个百分点的增益。
单看 pandoc，得分为 33.89%（1 个）、41.75%（8 个）、43.11%（32 个）、50.94%（128 个）和 55.06%（1,024 个）。速度同样有改善：在 pandoc 上，128 个智能体在 30 分钟检查点即突破 30%，而 32 个和 8 个智能体分别需要 60 分钟和 90 分钟。README 还补充了更新模型的结果：使用 GPT-6.1-sol 时，pandoc 从 1 个智能体的 56.19% 升至 32 个智能体的 79.59%，相对提升 41.64%。这些 GPT-6.1-sol 数据并未出现在 v1 论文中。
随着团队规模扩大，一些行为自发涌现。在 8 个智能体时，同伴之间会就接口达成一致并自行解决认领重叠；32 个时，同伴会审查共享工作，曾有一次在收到反例后撤回批准；128 个时，工作智能体开始复用可信赖的审查者并标准化集成协议；到 1,024 个时，若干工作智能体充当集成者角色，同伴还能恢复失败的工作。这些角色均非硬编码。
与其他方案相比，Agensh 的差异体现在协调方式、共享状态、消息机制和模型无关性上。它没有编排器，工作智能体自行认领任务；共享状态由 Gitea 仓库与上下文看板构成；消息通过 Mattermost 频道与直接消息传递；模型方面保持无关，实验测试了 GPT-5.6-sol 与 GPT-6.1-sol。相比之下，Claude Code 的 agent teams 由固定主导会话协调队友，Kimi Agent Swarm 由编排器分解任务并支持最多 100 个子智能体，Copilot CLI /fleet 则由 Copilot 向子智能体分配任务。
发布内容包含单节点 Docker Compose 团队配置和单智能体基线，两者均使用原生 Copilot ACP 会话。运行环境要求 Linux、Docker Engine、Compose v2、systemd、cgroup v2 及 Python 3.11 以上版本，还需要 ProgramBench（已验证 v1.2.5）与模型 API token。默认配置为 8 个工作智能体、每任务 6 小时、gpt-5.6-sol 高推理强度，完整步骤见复现指南。
需要留意的是，该项目以 MIT 许可证开源，但并未披露 token 成本，而 1,024 个智能体、每智能体数十万 token 的预算意味着实际使用开销可能相当可观。