微軟研究院近日開源了 Agensh，這是一套面向大規模編碼智能體團隊的去中心化編排框架。與當前主流的多智能體系統不同，Agensh 不設置負責規劃、分配和合並工作的主導智能體，而是讓每一個工作智能體自行認領子任務、共享發現並將代碼合併到同一個 Git 倉庫。研究團隊在 ProgramBench 基準上把該配置從 1 個智能體一路擴展到 1,024 個智能體。
該項目針對的是所謂“編排器天花板”問題。在編排器—工作器架構中，一個主導智能體要負責全部規劃、分配與合併工作，隨着智能體數量增加，這一中心節點會成為瓶頸。研究論文將 Claude Code 的 agent teams、Codex 的子智能體、Copilot fleet 以及 Kimi Agent Swarm 列為此類設計的代表。Agensh 的思路是把協調職責下放給工作智能體本身。
每個工作智能體併發且異步地運行同一套五步循環：先收集上下文，包括目標、同伴進展、消息與發現；隨後發佈 CLAIM 認領子任務，並通過直接消息解決重疊衝突；接着在本地使用工具執行操作，並儘早發佈有用發現；然後對照子任務的驗收標準驗證結果；最後合併進共享倉庫、發佈更新並重復循環。值得注意的是，這套循環寫在提示詞中而非運行時代碼裏，除 ID 不同外，每個工作智能體收到的提示詞完全一致。
三個服務負責連接各工作智能體：Gitea 承載共享工作區，處理分支、PR 與合併衝突；Mattermost 提供團隊頻道和用於緊急衝突的直接消息；一個改編自 DeLM 的共享上下文看板則存儲帶類型標註的筆記，包括 OBSERVED、FACT、FAIL、CLAIM 和 PATCH_SUMMARY。Agensh 構建在單智能體框架之上，實驗中使用了 GitHub Copilot CLI，論文指出可通過輕量適配器接入 Claude Code 等其他框架。
在資源配置方面，每次運行需要 Linux 環境並搭配 Docker Compose。默認單節點運行 8 個工作智能體，每個工作智能體擁有 64 GiB 內存上限，輸入 token 上限為 272,000、輸出上限為 128,000。1,024 智能體的實驗使用了 16 個節點、每節點 64 個智能體，每個任務的預算為 6 小時。
性能測試選取了 ProgramBench 中五個最困難的任務：FFmpeg、gromacs、pandoc、PHP-src 和 ctags。智能體需要根據觀察到的行為重建每個程序，在離線狀態下限時完成，參考倉庫規模從 pandoc 的 2,767 個文件到 PHP-src 的 26,266 個文件不等。在 GPT-5.6-sol 高推理強度下，五任務平均最終測試通過率隨規模變化為：1 個智能體 19.31%、8 個 20.68%、32 個 26.52%、128 個 28.78%，相當於提升 9.47 個百分點、相對提升約 49%。其中從 1 個增至 8 個智能體僅帶來 1.37 個百分點的增益。
單看 pandoc，得分為 33.89%（1 個）、41.75%（8 個）、43.11%（32 個）、50.94%（128 個）和 55.06%（1,024 個）。速度同樣有改善：在 pandoc 上，128 個智能體在 30 分鐘檢查點即突破 30%，而 32 個和 8 個智能體分別需要 60 分鐘和 90 分鐘。README 還補充了更新模型的結果：使用 GPT-6.1-sol 時，pandoc 從 1 個智能體的 56.19% 升至 32 個智能體的 79.59%，相對提升 41.64%。這些 GPT-6.1-sol 數據並未出現在 v1 論文中。
隨着團隊規模擴大，一些行為自發湧現。在 8 個智能體時，同伴之間會就接口達成一致並自行解決認領重疊；32 個時，同伴會審查共享工作，曾有一次在收到反例後撤回批准；128 個時，工作智能體開始複用可信賴的審查者並標準化集成協議；到 1,024 個時，若干工作智能體充當集成者角色，同伴還能恢復失敗的工作。這些角色均非硬編碼。
與其他方案相比，Agensh 的差異體現在協調方式、共享狀態、消息機制和模型無關性上。它沒有編排器，工作智能體自行認領任務；共享狀態由 Gitea 倉庫與上下文看板構成；消息通過 Mattermost 頻道與直接消息傳遞；模型方面保持無關，實驗測試了 GPT-5.6-sol 與 GPT-6.1-sol。相比之下，Claude Code 的 agent teams 由固定主導會話協調隊友，Kimi Agent Swarm 由編排器分解任務並支持最多 100 個子智能體，Copilot CLI /fleet 則由 Copilot 向子智能體分配任務。
發佈內容包含單節點 Docker Compose 團隊配置和單智能體基線，兩者均使用原生 Copilot ACP 會話。運行環境要求 Linux、Docker Engine、Compose v2、systemd、cgroup v2 及 Python 3.11 以上版本，還需要 ProgramBench（已驗證 v1.2.5）與模型 API token。默認配置為 8 個工作智能體、每任務 6 小時、gpt-5.6-sol 高推理強度，完整步驟見覆現指南。
需要留意的是，該項目以 MIT 許可證開源，但並未披露 token 成本，而 1,024 個智能體、每智能體數十萬 token 的預算意味着實際使用開銷可能相當可觀。