Microsoft otwiera Agensh: 1024 agentów koduje bez centralnego orkiestratora
Microsoft Research opublikował Agensh, otwartoźródłowy system koordynujący duże zespoły agentów kodujących bez agenta-szefa. Jak opisuje MarkTechPost, każdy agent sam wybiera podzadanie, dzieli się ustaleniami i scala kod do wspólnego repozytorium Git. Autorzy testowali układ od jednego do 1024 agentów.
Punktem wyjścia jest ograniczenie klasycznych architektur, w których główny agent planuje, rozdziela i scala całą pracę. Jako przykłady takich rozwiązań artykuł naukowy wymienia zespoły agentów w Claude Code, subagentów Codexa, flotę Copilota i Kimi Agent Swarm. Agensh próbuje osiągnąć dużą skalę współpracy bez centralnego planisty.
Jak agenci się organizują
Każdy agent wykonuje równolegle i asynchronicznie tę samą pętlę: zbiera kontekst (cel, postępy innych, wiadomości), zgłasza podzadanie wpisem CLAIM, pracuje lokalnie, weryfikuje wynik według kryteriów akceptacji i scala zmiany do wspólnego repozytorium. Konflikty w zgłoszeniach agenci rozstrzygają bezpośrednimi wiadomościami.
Infrastrukturę tworzą trzy usługi: Gitea (gałęzie, pull requesty, konflikty scalania), Mattermost (kanał zespołu i wiadomości prywatne) oraz wspólna tablica kontekstu z typowanymi notatkami: OBSERVED, FACT, FAIL, CLAIM i PATCH_SUMMARY. Pętla jest zapisana w prompcie, nie w kodzie uruchomieniowym, a wszyscy agenci dostają identyczną instrukcję, różniącą się tylko identyfikatorem. W eksperymentach pod spodem działał GitHub Copilot CLI. Według artykułu inne narzędzia, np. Claude Code, można podłączyć cienkimi adapterami.
Wyniki: rośnie, ale nierówno
Test objął pięć najtrudniejszych zadań z ProgramBench: FFmpeg, gromacs, pandoc, PHP-src i ctags. Agenci odtwarzają program na podstawie jego zachowania, offline, w sześć godzin. Sam benchmark jest bardzo wymagający: według abstraktu żaden z dziewięciu ocenianych modeli nie rozwiązał w pełni żadnego z 200 zadań.
Średni odsetek zdanych testów dla GPT-5.6-sol (wysoki poziom rozumowania) wyglądał tak:
- 1 agent: 19,31%
- 8 agentów: 20,68%
- 32 agentów: 26,52%
- 128 agentów: 28,78%
Przejście z jednego agenta na ośmiu dało więc zaledwie 1,37 punktu procentowego. Na samym pandoc wyniki to 33,89% (1 agent), 41,75% (8), 43,11% (32), 50,94% (128) i 55,06% (1024). Ośmiokrotny wzrost liczby agentów między 128 a 1024 przyniósł około 4 punktów. Zespół zyskuje też na tempie: na pandoc 128 agentów przekroczyło 30% po 30 minutach, a 32 i 8 agentów potrzebowało na to odpowiednio 60 i 90 minut.
Najlepszy wynik pochodzi z README repozytorium, nie z artykułu: GPT-6.1-sol z 32 agentami osiągnął na pandoc 79,59%, wobec 56,19% dla jednego agenta (względny wzrost o 41,64%).
Role, których nikt nie zaprogramował
Autorzy przeanalizowali trajektorie pracy na każdej skali. Przy 8 agentach uzgadniali oni interfejsy i sami rozwiązywali nakładające się zgłoszenia. Przy 32 recenzowali wzajemnie swoją pracę, a jedna akceptacja została wycofana po znalezieniu kontrprzykładu. Przy 128 wracali do zaufanych recenzentów i ujednolicili protokół integracji. Przy 1024 część agentów zaczęła pełnić funkcję integratorów, a inni odzyskiwali nieudaną pracę. Żadna z tych ról nie była zapisana na sztywno.
Zastrzeżenia
Wyniki są raportowane przez samych autorów. Eksperymenty miały limit sześciu godzin i odbywały się bez internetu. Skalę 1024 agentów sprawdzono tylko na pandoc (16 węzłów po 64 agentów), a koszt tokenów nie został ujawniony, choć każdy agent miał limit 272 tys. tokenów wejścia i 128 tys. wyjścia. Przy tak dużych zespołach to kluczowa niewiadoma. Warto pamiętać o niej także w kontekście dyskusji o kosztach koordynacji w rojach agentów.
Kod jest na licencji MIT. Domyślna konfiguracja to jeden węzeł z ośmioma agentami, sześć godzin na zadanie i gpt-5.6-sol. Wymagany jest Linux z Docker Engine, Compose v2, systemd, cgroup v2 i Pythonem 3.11+, a także ProgramBench i token API modelu. Szczegóły opisuje instrukcja odtworzenia wyników. Według strony wydań repozytorium Agensh pierwsze wydanie v1.0 ukazało się 23 października.
