AIKraft Agents
Главная/Блог/Аналитика/Agensh от Microsoft: 1024 агента без…
Аналитика10 мин чтения · 25 октября 2026 г.

Agensh от Microsoft: 1024 агента без главного координатора

Microsoft Research открыла Agensh — децентрализованную систему для координации тысяч AI-агентов. Разбираем, как работает архитектура без оркестратора и почему это меняет правила игры в мультиагентном программировании.

Agensh от Microsoft: 1024 агента без главного координатора

Представьте себе команду из тысячи программистов, которым нужно за несколько часов переписать сложный проект с нуля, не имея единого менеджера, который бы раздавал задачи. В традиционной парадигме разработки это звучит как хаос: каждый делает что хочет, код конфликтует, а интеграция превращается в кошмар. Однако Microsoft Research предлагает радикально иной подход. Они представили Agensh — децентрализованную платформу (harness) для координации больших команд кодовых агентов, которая полностью отказывается от центрального оркестратора. В этой системе нет «главного» агента, который планирует и распределяет работу. Вместо этого каждый участник (агент) самостоятельно выбирает подзадачу, обменивается находками с коллегами и сливает код в общий репозиторий Git. Это не просто теоретическая конструкция: команда исследователей успешно протестировала архитектуру, масштабируя её от одного агента до 1024 одновременно работающих экземпляров.

Почему это важно? Потому что большинство современных мультиагентных фреймворков упираются в так называемый «потолок оркестратора». Когда один большой LLM-агент (или даже отдельная модель) управляет всеми рабочими процессами, он становится узким горлышком. Он тратит огромное количество токенов на планирование, теряет контекст при масштабировании и становится единой точкой отказа. Agensh переносит логику координации на уровень самих рабочих агентов. Это позволяет системе расти линейно и эффективно использовать вычислительные ресурсы, что открывает двери для решения задач невероятной сложности, недоступных для одиночных моделей или небольших команд.

01Что такое Agensh и в чем проблема «оркестраторного потолка»?

Agensh — это не просто еще один фреймворк для запуска LLM. Это архитектурный сдвиг. Исследователи из Microsoft Research определили ключевую проблему существующих решений, таких как команды Claude Code, подагенты Codex, флот Copilot или рой Kimi Agent Swarm. Во всех этих системах есть центральный узел: либо это сессия, которая координирует участников, либо оркестратор, который декомпозирует задачи, либо назначенный агент, который управляет подчиненными.

Такая архитектура имеет фундаментальные ограничения. Центральный оркестратор быстро перегружается контекстом. Когда вы пытаетесь управлять сотнями агентов, один агент-координатор не может эффективно отслеживать состояние каждого из них, не теряя нить повествования. Кроме того, это создает сингл-поинт-оф-фэйл (SPOF): если оркестратор «зависает» или выдает ошибку, вся система встает. Agensh решает эту проблему, делая координацию распределенной. Рабочие агенты (workers) сами договариваются о том, кто над чем работает, используя внешние сервисы коммуникации и хранения состояния. Это напоминает работу в открытой open-source команде, где разработчики сами берут задачи из бэклога, но в данном случае бэклог динамически формируется самими агентами в реальном времени.

💡
Ключевая идея. Agensh не программирует логику взаимодействия жестко в коде. Вся логика координации «зашита» в промпт (prompt), который получает каждый агент. Единственное, что отличается у агентов — это их уникальный ID. Это делает систему невероятно гибкой: вы можете менять модели или логику поведения, просто обновляя промпт, не переписывая ядро системы.

02Как работает цикл сотрудничества: 5 шагов к автономии

Сердце Agensh — это асинхронный цикл из пяти шагов, который выполняет каждый агент. Этот цикл работает параллельно для всех участников. Давайте разберем, как агент принимает решения и взаимодействует с миром.

  1. Сбор контекста (Gather context): Агент начинает с анализа текущей ситуации. Он читает общую цель проекта, смотрит на прогресс коллег, изучает сообщения в чате и находит записи в общей доске контекста. Это позволяет агенту понять, что уже сделано, а что еще предстоит, избегая дублирования работы.
  2. Заявка на подзадачу (Claim a sub-task): Увидев возможность, агент публикует сообщение CLAIM (заявку) в общий канал. Если несколько агентов заявляют права на одну и ту же задачу, они решают конфликт напрямую, через личные сообщения (direct messages). Это децентрализованный способ распределения нагрузки.
  3. Действие (Take action): Получив задачу, агент работает локально, используя доступные инструменты (написание кода, запуск тестов, чтение документации). Важная особенность: агенты публикуют полезные находки и промежуточные результаты рано, чтобы другие могли использовать эту информацию, не дожидаясь завершения всей задачи.
  4. Проверка результатов (Verify results): Перед тем как считать задачу выполненной, агент проверяет свою работу против критериев приемки (acceptance criteria), заданных для этой конкретной подзадачи. Это встроенный механизм контроля качества.
  5. Слияние прогресса (Merge progress): Агент создает pull request (PR) в общий Git-репозиторий, публикует обновление в чат и переходит к следующему шагу цикла. Если возникают конфликты слияния, они разрешаются в рамках того же цикла.

Для обеспечения этого взаимодействия используются три ключевых сервиса, интегрированных в платформу:

  • Gitea: Хостит общее рабочее пространство. Именно здесь хранится код, ветки, PR и разрешаются конфликты слияния. Это единый источник истины для кода.
  • Mattermost: Обеспечивает коммуникацию. Есть общий канал команды для широких объявлений и личные сообщения для срочных коллизий (например, когда два агента пытаются изменить один и тот же файл).
  • Shared Context Board: Общая доска заметок, адаптированная из проекта DeLM. Здесь хранятся структурированные данные: OBSERVED (наблюдения), FACT (факты), FAIL (ошибки), CLAIM (заявки) и PATCH_SUMMARY (сводки изменений). Это позволяет агентам обмениваться не только кодом, но и семантической информацией.
Agensh от Microsoft: 1024 агента без главного координатора

03Масштабирование на ProgramBench: от 1 до 1024 агентов

Теория — это хорошо, но как это работает на практике? Microsoft Research протестировала Agensh на ProgramBench — наборе из пяти самых сложных задач, требующих восстановления программ с нуля на основе их наблюдаемого поведения. Задачи включали FFmpeg, gromacs, pandoc, PHP-src и ctags. Агентам давалось 6 часов на работу, и они должны были работать автономно, без вмешательства человека.

Размер репозиториев был впечатляющим: от 2 767 файлов в pandoc до 26 266 файлов в PHP-src. Это настоящие промышленные проекты, а не учебные примеры. Результаты масштабирования показали четкую корреляцию между количеством агентов и качеством результата.

Используя модель GPT-5.6-sol с высоким уровнем рассуждений (high reasoning effort), команда зафиксировала следующие средние показатели прохождения тестов (pass rate) для пяти задач:

  • 1 агент: 19.31%
  • 8 агентов: 20.68%
  • 32 агента: 26.52%
  • 128 агентов: 28.78%

Это прирост в 9.47 процентных пункта, что составляет около 49% относительного улучшения. Но самое интересное произошло с задачей pandoc. Здесь результаты были еще более драматичными:

  • 1 агент: 33.89%
  • 8 агентов: 41.75%
  • 32 агента: 43.11%
  • 128 агентов: 50.94%
  • 1024 агента: 55.06%

Обратите внимание: даже при 1024 агентах средний показатель по всем пяти задачам составил лишь 28.78% (при 128 агентах). Это подчеркивает, что задача крайне сложная, и добавление агентов не дает мгновенного волшебства, но стабильно улучшает результат. Более того, скорость работы также выросла. На задаче pandoc 128 агентов достигли порога в 30% прохождения уже через 30 минут, тогда как 32 и 8 агентам требовалось 60 и 90 минут соответственно. Это критически важно для коммерческого применения: чем больше агентов, тем быстрее вы получаете результат.

Agensh от Microsoft: 1024 агента без главного координатора
⚠️
Важный нюанс. В README проекта указаны данные для более новой модели GPT-6.1-sol. С ней результат на pandoc вырос с 56.19% (1 агент) до 79.59% (32 агента). Это относительный прирост в 41.64%. Эти цифры не входят в основной исследовательский документ v1, но показывают огромный потенциал платформы при использовании более мощных базовых моделей.

04Эмерджентное поведение: как рождается команда

Один из самых захватывающих аспектов Agensh — это то, как агенты развивают социальные роли по мере роста команды. Исследователи отслеживали траектории работы агентов на разных масштабах и заметили естественное возникновение специализации, которое не было запрограммировано заранее.

  • 8 агентов: Коллеги начали соглашать интерфейсы и самостоятельно разрешать перекрывающиеся заявки. Они учились слушать друг друга.
  • 32 агента: Появилась практика ревью. Агенты начали проверять работу друг друга. В одном случае одна из заявок была отозвана после того, как другой агент нашел контрпример, опровергающий решение.
  • 128 агентов: Агенты начали повторно использовать проверенных ревьюеров и стандартизировали протокол интеграции. Они выработали доверие к определенным «экспертам» в системе.
  • 1024 агента: Некоторые агенты начали действовать как интеграторы (integrators), а коллеги начали восстанавливать работу, если какой-то агент терпел неудачу. Система стала устойчивой к сбоям отдельных узлов.

Никакие из этих ролей не были жестко закодированы. Они возникли как эмерджентное свойство простой системы правил и общего контекста. Это доказывает, что децентрализованные подходы могут порождать сложную, организованную работу, аналогичную человеческим командам.

05Сравнение с другими мультиагентными решениями

Чтобы понять место Agensh на рынке, давайте сравним его с ключевыми конкурентами. Основные различия кроются в архитектуре координации и доступности.

Функция Agensh Claude Code agent teams Kimi Agent Swarm Copilot CLI / fleet
Координация Нет оркестратора; агенты сами берут задачи Фиксированная сессия координирует команду Оркестратор декомпозирует задачи Copilot назначает части подагентам
Количество агентов Тестировалось до 1024 Нет жесткого лимита (рекомендуют 3-5) До 100 подагентов Не раскрывается
Общее состояние Репозиторий Gitea + доска контекста Общий список задач с блокировкой файлов Не раскрывается План из режима plan mode
Сообщения Канал Mattermost + личные сообщения Сообщения в почтовом ящике между участниками Не раскрывается Не раскрывается
Модели Модель-агностик; тестировалось на GPT-5.6-sol, GPT-6.1-sol Модели Claude Kimi K2.5 Не раскрывается
Скорость 30% на pandoc за 30 мин (128 агентов) Не раскрывается В 4.5 раза быстрее последовательного выполнения (по заявлению) Не раскрывается
Доступность Open Source, лицензия MIT В Claude Code; экспериментально, отключено по умолчанию Подписчики Top-tier, исследовательский превью В Copilot CLI

Как видно из таблицы, Agensh выделяется своей открытостью и модель-агностичностью. В то время как Claude и Kimi привязаны к своим экосистемам, Agensh позволяет использовать любые модели, поддерживающие интерфейс ACP (Agent Communication Protocol), что делает его универсальным инструментом для исследователей и энтузиастов.

06Как запустить Agensh локально

Для тех, кто хочет попробовать Agensh в действии, Microsoft подготовила подробное руководство. Платформа работает на Linux и требует Docker Compose. По умолчанию развертывается команда из 8 рабочих агентов на одном узле. Для запуска 1024 агентов потребуется кластер из 16 узлов, по 64 агента на каждый. Каждый рабочий агент имеет лимит памяти в 64 ГБ, что является значительным требованием к инфраструктуре.

Для запуска вам понадобятся:

Agensh от Microsoft: 1024 агента без главного координатора
  • Linux с Docker Engine, Compose v2, systemd, cgroup v2.
  • Python 3.11 или выше.
  • Программа ProgramBench (версия v1.2.5 была проверена).
  • API-токен для выбранной модели (например, OpenAI).

По умолчанию система использует 8 рабочих агентов, 6 часов на задачу и модель gpt-5.6-sol с высоким уровнем усилий. Полный процесс настройки описан в руководстве по воспроизведению (reproduction guide) в репозитории GitHub. Код распространяется под лицензией MIT, что позволяет свободно использовать его в коммерческих и исследовательских целях. Однако важно помнить, что стоимость токенов для вызова моделей не включена в лицензию и оплачивается пользователем отдельно.

07Что это значит на практике

Открытие Agensh знаменует собой переход от «агентов-одиночек» к «агентным коллективам». Для разработчиков и компаний это означает несколько важных вещей. Во-первых, сложность задач, которые можно решить с помощью AI, теперь ограничена не мощностью одной модели, а способностью системы координировать множество моделей. Если одна модель не может справиться с огромным кодовой базой, 1000 моделей, работающих согласованно, могут это сделать.

Во-вторых, децентрализованная архитектура снижает риски. Нет единой точки отказа. Если один агент ошибается или «сходит с ума», другие агенты могут обнаружить это через доску контекста или ревью кода и исправить ситуацию. Это делает систему более надежной для критически важных задач.

В-третьих, открытость Agensh создает новую экосистему. Разработчики могут создавать «тонкие адаптеры» для подключения других фреймворков, таких как Claude Code, к этой распределенной сети. Это может привести к появлению гибридных систем, где разные модели, каждая из которых сильна в своей области, работают вместе над общей задачей.

Однако есть и вызовы. Стоимость вычислений при запуске 1024 агентов будет высокой. Также требуется тщательная настройка промптов, чтобы избежать конфликтов и дублирования. Но потенциал огромен: от автоматизации рефакторинга гигантских легаси-проектов до ускоренной разработки новых программных продуктов. Agensh показывает, что будущее AI — не в одном умном роботе, а в умной команде роботов, которые умеют договариваться.

📌
Резюме. Agensh — это прорыв в области мультиагентного программирования. Он доказывает, что отказ от центрального оркестратора в пользу самоорганизующихся агентов, связанных через Git и чаты, позволяет масштабировать AI-разработку до тысяч участников, повышая качество и скорость решения сложных задач. Это инструмент для тех, кто готов выйти за рамки одиночных LLM-запросов.

Исследователи продолжают работу над улучшением производительности и снижением затрат. Следите за обновлениями в репозитории GitHub и на странице проекта. Если вы работаете с большими кодовыми базами или сложными системами, Agensh может стать вашим новым лучшим другом (или, скорее, лучшим коллективом друзей).

Источник: MarkTechPost ↗