Agensh：将组织智能扩展至 1,024 个智能体 Agensh: Scaling Organizational Intelligence to 1,024 Agents
无中央编排器的自组织多智能体框架，千级智能体协作显著提升软件重建质量
前置知识
编排器-工作者（Orchestrator-Worker）架构
多智能体系统的主流组织方式：一个主控智能体（编排器）负责理解目标、把大任务分解为子任务、派发给多个并发工作者，并收集、整合它们的结果。Claude Code sub-agent、Codex sub-agent、Copilot fleet、Kimi Agent Swarm 等框架都采用这种结构，协作质量高度依赖编排器模型的规划与整合能力。
本文的问题起点正是这种架构的容量瓶颈：工作器一多，编排器就成为单点瓶颈。理解它才能理解 Agensh 去中心化设计的动机。
智能体循环（Agentic Loop）
单个 LLM 智能体的基本运行方式：模型感知上下文，通过工具采取行动，工具结果更新状态，再进入下一轮迭代，逐步逼近目标。它受限于一个上下文窗口、一条动作流和一条记忆流，串行执行使复杂长任务延迟很高。论文把实现这一循环的框架称为单智能体 harness。
Agensh 是叠在单智能体 harness（如 Copilot、Claude Code）之上的组织层，分清这两层循环才能准确理解其系统架构。
ProgramBench
一个极具挑战性的智能体软件工程基准，包含 200 个任务实例，要求智能体在断网、6 小时预算内从零重建参考软件的行为，以最终测试通过率计分。本文选取其中最难的五个任务：FFmpeg、gromacs、pandoc、PHP-src、ctags，它们的参考仓库有数千文件、数十万到数百万行代码。
论文所有 scaling 实验都在该基准上进行，指标含义直接决定结果解读，五难任务的体量也解释了为什么需要大规模协作。
共享上下文与外部记忆（DeLM）
把智能体的可复用发现（观察、确认事实、失败尝试、工作认领）以类型化条目写入一个 append-only 的共享数据库，供所有工作者异步读写，从而避免每次更新都要经过中央控制器。Agensh 的共享上下文沿用 DeLM 思想，并新增 context grep 工具以检索超出近期记忆的全部历史。
共享上下文是 Agensh 三件套基础设施中最核心的一件，了解 DeLM 思想才能把握其设计来源与扩展点。
Git 分支与 Pull Request 工作流
Git 允许每个人在私有分支上独立修改代码，再通过 Pull Request 把改动合入主分支；若同一处文本被多人修改会产生合并冲突，需要解决后才能合并。开源社区正是靠这套机制实现了大规模、无中心的协作开发。
Agensh 的共享工作区直接用 Git 平台（Gitea）实现，PR 审查与合并冲突正是 worker 之间整合成果、暴露分歧的核心机制。
研究动机
主流多智能体框架（Codex sub-agent、Claude Code sub-agent 与 agent teams、Copilot fleet、Kimi Agent Swarm）几乎都采用编排器-工作者结构：一个主智能体负责规划、分解任务、把子任务派发给并发工作者并整合结果。这种结构有两个硬伤：其一，单智能体自身受限于一个上下文窗口、一条动作流和一条记忆流，串行执行使复杂任务延迟极高；其二，整个系统的规模上限被中央编排器管理、协调工作者和整合贡献的容量锁死，Kimi Agent Swarm 甚至需要专门训练编排器。现实任务有多难？论文在 ProgramBench 上选的五个最难关卡，参考仓库动辄上千文件：FFmpeg 有 10,090 个文件、约 155 万行代码、75.51 MB；PHP-src 更达 26,266 个文件、281 万行代码、119.76 MB。要求在 6 小时预算内、断网条件下从零重建这些软件的行为，单智能体和受编排器瓶颈约束的小规模多智能体都力不从心。
本文的目标是本文的目标是构建一个没有中央编排器的可扩展多智能体组织框架 Agensh，让任意数量的工作者（worker）并发、异步地自组织：自己发现子任务、认领工作、协调依赖、互相沟通并整合成果，从而使组织智能随智能体数量持续增长而非受制于某个主控节点的容量。作者进一步想把智能体数量确立为继模型参数、算力、数据之后的一个新 scaling 维度：在固定底层模型（GPT-5.6-sol (high)）、固定单智能体 harness（Copilot）和固定 6 小时预算的条件下，仅靠把智能体从 1 个扩展到 128 个乃至 1,024 个，就能同时提高复杂软件重建的最终质量，并缩短达到同等性能水平所需的时延。
与已有工作不同的是，已有工作的协作组织方式大致三类，都留有空白：Claude Code agent teams 仍围绕固定的 lead 会话展开，由它生成子代理、管理共享任务；Codex 把并行工作者结果路由回父代理汇总；Kimi Agent Swarm 靠训练编排器来分解和调度，本质仍是编排器-工作者方案。去中心化方向上，Carlini 的 16 个 Claude 智能体编译器实验虽用 Git 仓库和任务锁文件实现无编排器协作，但规模小、机制原始。本文的独特切入是：把组织能力从编排器的智能下沉为轻量的组织基础设施加一套统一协作循环——每个 worker 收到除 worker ID 外完全相同的提示词，任务发现、分工、流程标准化、角色分化全部交由大规模交互自发涌现，并把规模首次推到 1,024 个智能体，系统观察协作形态如何随规模逐级演化。
核心方法
直觉上，Agensh 把多智能体协作组织得像一个小型开源社区：没有项目经理逐人派活，所有成员遵守同一套协作协议，在共享的代码仓库、聊天频道和经验库上自行分工。技术上它是两层结构：底层是现成的单智能体 harness（如 Copilot 或 Claude Code），负责维护对话状态、调用模型、执行工具、产出回复；上层是 Agensh 的组织层，通过提示词中的工作流指令（而非硬编码进运行时）让每个 worker 并发、异步地执行五步协作循环——收集上下文、认领子任务、行动、验证、合并进度。循环依赖三件套基础设施：用 Gitea 搭建的共享工作区，以 Git 分支和 PR 承载并行开发、版本历史与合并冲突；用 Mattermost 实现的消息接口，共享任务频道承载全组织公告，直达消息处理紧急一对一协调；以及借鉴 DeLM 的共享上下文，一个 append-only 数据库，条目分为 OBSERVED、FACT、FAIL、CLAIM、PATCH_SUMMARY 五种类型，并提供 context grep 工具检索全部历史。每个 worker 的提示词完全相同，只有 worker ID 不同。
核心创新是把组织能力从中央编排器的智能下沉为协议加基础设施。以往框架里，任务分解与分配的质量取决于编排器模型的能力，工作者数量一多，编排器就成为吞吐和可靠性的单点瓶颈。Agensh 则让每个 worker 通过向共享上下文追加 CLAIM 来提出并自我分配子任务；当两个 worker 的认领重叠或冲突时，靠直达消息点对点协商解决；成果通过 Git PR 合并进主分支，并广播 PATCH_SUMMARY 供同伴复用接力。任务发现、依赖协调、质量把关、冲突解决全部分摊到对等节点上，系统没有单点瓶颈，因此有效组织规模可以随 worker 数量扩展。用复杂度的话说，协调开销从受 $O(\text{编排器容量})$ 约束的集中式过程，转化为可在对等节点间并行分摊的分布式过程，这正是它能把组织推到 1,024 个智能体的根本原因。
方法步骤详情
每个 worker 反复执行五步循环，全程与他人异步并发。第一步收集上下文：输入是共享的用户目标、工作区当前状态、同伴进度与消息以及累积发现，worker 由此判断哪些工作已完成、还剩什么，并与环境交互规划下一步。第二步认领子任务：worker 自己提出一个子任务，把包含范围的 CLAIM 追加到共享上下文向全组织宣布；若与他人认领重叠或冲突，通过直达消息协商（低优先级频道消息在每次迭代开始时投递，高优先级直达消息在每次基础设施工具调用返回时立即投递）。第三步行动：worker 在私有检出和分支上用可用工具本地解决子任务，期间一旦得到可能帮到同伴的发现，随时以 OBSERVED/FACT/FAIL 等类型写入共享上下文，新条目会在其他所有 worker 下一次工具调用返回时转发。第四步验证：将本地进度与该子任务的验收标准逐条对照，不满足则修改方案直至达标。第五步合并进度：把贡献合并进共享工作区主分支，发布说明改动内容、设计动机和验证证据的更新；若被合并冲突阻塞，先纳入同伴最新进度、解决冲突后再次合并。随后回到第一步，基于最新集成成果规划下一个子任务。
技术新颖性
技术新颖性体现在四点。第一，组织协议完全对称：所有 worker 收到除 ID 外完全相同的提示词，分工、流程、角色不是预先编程的，而是在规模增长中涌现——这是与需要训练编排器的 Kimi Agent Swarm、围绕固定 lead 会话的 Claude Code agent teams 的本质区别。第二，三类基础设施的组合设计各司其职：Git 工作区解决成果如何积累、冲突如何暴露；消息接口用分级投递时机解决协调信息何时到达；共享上下文用类型化条目加 context grep 解决经验如何跨长时程复用。第三，把共享上下文从 DeLM 式的近期记忆扩展到可 grep 的全历史，适配千级智能体、6 小时的长时程协作。第四，适配层极简：协作循环只存在于提示词中，通过轻量的 harness 专属适配器即可插到 Copilot、Claude Code 等不同底座上，组织层与智能体层彻底解耦，可插拔、可迁移。
实验结果
核心结果有三。其一，规模提升质量：在五个最难的 ProgramBench 任务上（FFmpeg、gromacs、pandoc、PHP-src、ctags），固定 GPT-5.6-sol (high)、Copilot 底座与 6 小时预算，平均最终测试通过率从单智能体的 19.31% 升至 8、32、128 个智能体时的 20.68%、26.52%、28.78%，净增 9.47 个百分点，相对提升约 $49\%$。其二，规模降低时延：pandoc 上 128 个智能体在 30 分钟即突破 30% 通过率，32 和 8 个智能体分别要 60 和 90 分钟，单智能体前 2 小时始终未达标。其三，千级规模：pandoc 最终通过率从 1 个智能体的 33.89% 升至 128 个的 50.94%、1,024 个的 55.06%，比单智能体高 21.17 个百分点。协作形态随规模涌现：8 个智能体协商接口、解决范围重叠；32 个时多人整合与撤回复审（PHP-src）；128 个时标准化工作流与专业化涌现；1,024 个时组织级角色专业化，多个 integrator 先到先得、专家接管失败工作。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| ProgramBench 五难任务均值（FFmpeg/gromacs/pandoc/PHP-src/ctags） | 最终测试通过率（6h 预算，断网） | 28.78%（128 个智能体） | 19.31%（1 个智能体，同模型同底座） | +9.47 个百分点（约 49% 相对提升） |
| pandoc 从零软件重建 | 最终测试通过率（6h 预算） | 55.06%（1,024 个智能体） | 33.89%（1 个智能体） | +21.17 个百分点；较 128 智能体的 50.94% 再增 4.12 个百分点 |
| pandoc 重建时延（达到 30% 通过率） | 首次超过 30% 通过率的检查点时间 | 30 分钟（128 个智能体） | 8 个智能体 90 分钟；单智能体前 2 小时未达到 | 较 8 智能体提前 60 分钟，较单智能体提前至少 90 分钟 |
局限与改进
作者承认的局限：评估仅覆盖 ProgramBench 的五个最难软件重建任务，任务域集中在 agentic software engineering；结果绑定特定组合——GPT-5.6-sol (high)、Copilot 底座、6 小时预算，未展示其他模型、底座、预算下的 scaling 行为。我自己的观察还有几点：其一，即便 1,024 个智能体，pandoc 通过率也只有 55.06%，离重建成功仍很远，且论文未报告每个设置的运行次数与方差，9.47 个百分点的提升缺乏显著性检验，单次运行的噪声不可忽视；其二，全文没有成本核算，1,024 个智能体 6 小时的 token 消耗和 Gitea/Mattermost 基础设施开销可能非常高；其三，涌现协作的论据是轶事式的轨迹案例，缺乏量化的协作指标；其四，随规模增长，共享上下文与消息频道的信息噪声、CLAIM 冲突和合并冲突的管理成本如何控制，论文着墨很少。
独立分析的弱点
独立分析三个弱点。第一，单一基准、单一模型使结论外推性存疑：约 49% 的相对提升可能在工具更丰富或任务结构更松散的场景中缩水，改进方向是补齐多模型、多底座、多任务域（如科研分析、网页构建）的 scaling 曲线。第二，缺少消融实验：三件套基础设施（Git 工作区、消息接口、共享上下文）各自的贡献没有拆分，读者无法判断去掉 Mattermost 或 context grep 后性能会掉多少，改进方向是逐一移除组件做控制实验，并测量消息量与上下文条目数随规模的增长曲线。第三，成本收益不透明且边际递减：从 128 到 1,024 个智能体，通过率只多 4.12 个百分点，智能体数量却翻了 8 倍，说明存在通信与协调的规模不经济，改进方向是引入分层组织或弹性增减 worker 的机制，只在预期收益大于边际成本时扩容。另一个隐忧是验证以自我验证加同伴评审为主，错误贡献一旦通过评审就可能污染主分支，长期运行需要更强的独立验证与回滚机制。
未来方向
作者指出的方向是把智能体数量作为新的 scaling 维度，用以扩展通用智能的边界，并服务硬时延约束或严格时间预算下的复杂任务。在此基础上可以延伸：其一，联合 scaling law——刻画模型能力、单智能体 harness 质量、智能体数量三者的交互关系，找出给定预算下的最优配比，论文中 128 到 1,024 只增 4.12 个百分点正是值得建模的饱和信号；其二，组织结构的自动演化，让角色、协作协议甚至组织拓扑由智能体随任务动态发明与修订（论文已观察到 128 智能体时自修订整合协议的雏形）；其三，跨任务持久化组织记忆，把一个组织积累的 FACT、协议、角色经验迁移到下一个任务；其四，人机混合组织，把人类 reviewer 插入 PR 评审与消息协调回路；其五，面向通信瓶颈的分层自组织（组内协调、组间联邦），测试千级以上规模是否仍能继续获益。
复现评估
复现难度中等偏高。有利条件：代码已在 GitHub 开源（github.com/microsoft/Agensh），项目页为 aka.ms/Agensh；附录 A 公开了与线上完全一致的 worker 提示词（各 worker 仅 ID 不同）；基础设施选型 Gitea 和 Mattermost 均为可自建的开源软件；共享上下文的条目类型（OBSERVED/FACT/FAIL/CLAIM/PATCH_SUMMARY）与消息投递时机也有明确描述。不利条件：主实验依赖 GPT-5.6-sol (high) 与 Copilot 底座的访问权限；1,024 个智能体运行 6 小时意味着巨大的 API 开销，千级规模单次实验的成本对个人研究者不现实；论文未披露运行次数、方差、总 token 消耗，以及编排上千个进程/容器的工程细节；ProgramBench 的断网沙箱也需额外搭建。务实的路径是先复现 1 到 32 个智能体的 scaling 趋势验证方向，完整复现 1,024 智能体实验则需机构级预算。
论文图表
对比图：左侧是以往工作——工作者之间的协作受中央编排器容量约束；右侧是 Agensh——自组织 worker 通过轻量组织基础设施共享状态、同步进度，没有中央节点。
直观呈现本文与既有编排器-工作者框架的结构性差异，是理解问题动机与方案定位的钥匙。