Конец эпохи центрального оркестратора
Microsoft Research представила Agensh — систему для управления большими командами AI-агентов, которая отказывается от классической архитектуры «оркестратор-работник». В традиционных подходах (как в Claude Code или Copilot Fleet) один ведущий агент планирует задачи и сводит результаты. Agensh заменяет это самосборкой: каждый воркер самостоятельно заявляет о подзадаче, координируется с коллегами через чаты и сливает код в общий Git-репозиторий.
Архитектура построена на трех сервисах: Gitea для управления кодом и конфликтами слияния, Mattermost для коммуникации (командные каналы и личные сообщения для срочных коллизий) и общая доска контекста (на базе DeLM) для фиксации фактов, наблюдений и патчей.
Масштабирование до 1024 агентов
Команда протестировала систему на 5 самых сложных задачах ProgramBench (восстановление FFmpeg, gromacs, pandoc, PHP-src, ctags). Эксперименты проводились на Linux с Docker Compose. По умолчанию узел запускает 8 воркеров, но для рекордного теста использовалось 16 узлов по 64 агента каждый. У каждого воркера лимит памяти — 64 GiB, входной контекст — 272 000 токенов, выходной — 128 000 токенов.
Ключевой вывод: добавление агентов линейно улучшает качество и скорость решения сложных задач. На модели GPT-5.6-sol средний результат по 5 задачам вырос с 19.31% (1 агент) до 28.78% (128 агентов), что дает прирост в 49% относительно базовой линии.
Результаты бенчмарков
Наиболее впечатляющие результаты показаны на задаче с компилятором pandoc. Использование более новой модели GPT-6.1-sol позволило достичь 79.59% успешности при использовании всего 32 агентов. Ниже приведена сравнительная таблица эффективности масштабирования на базе GPT-5.6-sol:
| Количество агентов | Средний % прохода (5 задач) | % прохода Pandoc | Примечание |
|---|---|---|---|
| 1 | 19.31% | 33.89% | Базовая линия |
| 8 | 20.68% | 41.75% | +1.37 п. к среднему |
| 32 | 26.52% | 43.11% | — |
| 128 | 28.78% | 50.94% | — |
| 1,024 | — | 55.06% | Рекорд масштаба |
Также зафиксирован рост скорости: на задаче pandoc 128 агентов достигли порога в 30% успешности за 30 минут, тогда как 32 и 8 агентам требовалось 60 и 90 минут соответственно.
Эмерджентное поведение команд
Исследователи отметили, что роли в команде формируются спонтанно, без жесткого программирования:
- 8 агентов: коллеги самостоятельно согласовывают интерфейсы и разрешают конфликты заявок.
- 32 агента: появляется практика ревью кода; один из агентов отозвал одобрение после нахождения контрпримера.
- 128 агентов: агенты начинают доверять проверенным ревьюерам и стандартизируют протокол интеграции.
- 1,024 агента: выделяются агенты-интеграторы, а остальные восстанавливают упавшие задачи.
Сравнение с конкурентами
Agensh выделяется отсутствием хардкорных ограничений на количество участников (в отличие от Kimi Agent Swarm с лимитом ~100 агентов) и открытостью. Код распространяется под лицензией MIT. Для запуска требуется Linux, Docker Engine, Compose v2, systemd, cgroup v2 и Python 3.11+. Система совместима с GitHub Copilot CLI, но теоретически поддерживает и другие harness через тонкие адаптеры.
Бенчмарки
| Бенчмарк | GPT-5.6-sol (1 agent) | GPT-5.6-sol (1,024 agents) | GPT-5.6-sol (128 agents) | GPT-5.6-sol (32 agents) | GPT-5.6-sol (8 agents) | GPT-6.1-sol (1 agent) | GPT-6.1-sol (32 agents) |
|---|---|---|---|---|---|---|---|
| ProgramBench Mean (5 hardest tasks) | 19.31% | — | 28.78% | 26.52% | 20.68% | — | — |
| ProgramBench pandoc | 33.89% | — | 50.94% | 43.11% | 41.75% | — | — |
| ProgramBench pandoc | — | 55.06% | — | — | — | 56.19% | 79.59% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗