微软重磅发布Agensh，最新多智能体研究！

文章主旨：

文章介绍微软研究院 Agensh 实验：在受控软件重建任务中，取消中心智能体、让大量 AI 通过共享代码仓库、通信工具和上下文看板自主协商分工，可在相同底层模型下提升团队测试通过率并缩短达标时间，但规模收益不同步，实际适用性仍待验证。

关键要点：

• 实验设置与结果：微软研究院让 1024 个 AI 在断网、限时 6 小时的条件下从零复现 pandoc 的行为，最终隐藏测试通过率为 55.06%，单个智能体为 33.89%；实验尚未完整重建 pandoc。
• 协作机制：Agensh 不设统一派活的主管，每个智能体遵循五步协作循环——收集上下文、认领子任务、执行并分享发现、验证结果、合并进展，并通过 Gitea、Mattermost 和共享上下文看板实现异步自组织。
• 规模效应：在五项最难任务中，智能体从 1 个增至 128 个，平均最终隐藏测试通过率由 19.31% 提升至 28.78%，增加 9.47 个百分点，相对提升约 49%；pandoc 任务中 1 个、128 个、1024 个智能体的通过率分别为 33.89%、50.94%、55.06%，更大团队也更早达到一定成绩。
• 自组织现象：8 个智能体已会协商技术接口；32 个出现共同审查和整合，并可在发现反例后撤回认可；128 个会按经验选择审查者、复用合作关系与流程；1024 个出现专门承担代码整合工作的成员。自组织仍建立在预设的协作循环、通信工具、任务认领方式和验证要求之上。
• 结论与待解问题：受控任务中，使用相同底层模型，调整协作方式并增加参与者，可提高时限内测试成绩并缩短达标时间；但人数增长与成绩增长不同步，能否用于更广泛任务、资源投入与维护成本、责任归属等仍需验证。

内容结构：

引言与实验概览

文章以微软研究院实验开篇：拿掉负责统筹的中心智能体，让 1024 个 AI 自主认领任务、协商分工、编写和审查代码；在断网、限时 6 小时内从零复现文档转换工具 pandoc 的行为，最终通过 55.06% 的隐藏测试，单智能体成绩为 33.89%。实验尚未完整重建 pandoc，但展示了相同底层模型下调整协作方式与增加参与者对团队成绩和工作完成量的影响。

一、AI 团队的上限，可能卡在层级管理上

单个智能体开发大型软件需依次完成阅读材料、调用工具、编写代码和验证结果，任务越复杂耗时越长；多智能体可并行部分工作，但会带来任务归属、代码冲突和模块整合等协调问题。常见方案是由主智能体规划任务再交给其他智能体执行，分工明确，但随着参与者增加，主智能体的任务安排、进度更新和整合工作增多，团队规模可能受主管协调能力限制。Agensh 尝试将这些工作分散给成员共同承担。

二、AI 团队从“主管派活”，转向“协商自治”

Agensh 把任务选择、分工协调和成果整合交给成员共同完成。每个智能体遵循同一套五步协作循环：收集上下文、认领子任务、执行并分享发现、验证结果、合并进展；开始前查看共同目标、现有代码和其他成员进度，在共享看板发布认领声明，认领重叠时直接发消息协商，完成后验证、合入共享代码并发布变更说明，整个过程异步推进。支撑协作的是三类基础设施：代码仓库 Gitea 用于分支开发、合并与冲突暴露；即时通讯工具 Mattermost 用于公共公告和直接协商，并按不同优先级送达消息；共享上下文看板记录已观察行为、确认事实、失败方案、正在处理的任务和完成的修改，支持读取近期更新和搜索历史记录。协作循环写入每个智能体的提示词，除身份编号外操作说明相同；Agensh 负责组织层面的通信与协作，底层单智能体框架负责调用模型、执行工具和维持工作过程。

三、组织规模，也成了 AI 能力的一个变量

研究团队选择 ProgramBench 中最难的五项任务，包括 FFmpeg、pandoc 和 PHP-src 等大型开源软件，要求智能体在无法联网获取原始实现的条件下从零编写程序、复现参考软件行为；实验统一使用 GPT-5.6-sol（high），底层单智能体框架为 Copilot，总时限 6 小时。智能体从 1 个增加到 128 个，五项任务平均最终隐藏测试通过率由 19.31% 提升至 28.78%，增加 9.47 个百分点，相对提升约 49%。pandoc 任务中，单个智能体最终通过率为 33.89%，128 个为 50.94%，1024 个为 55.06%；128 个智能体在第 30 分钟检查点已超过 30% 通过率，32 个和 8 个分别到第 60 分钟、第 90 分钟才超过该水平，单智能体在前两小时内始终未达到。

四、岗位不必预先设定，专业分工也能自行形成

运行记录显示：8 个智能体时，成员会协商技术接口后分头实现模块，任务重叠时沟通调整范围；32 个时，多个成员共同参与同一项代码贡献的审查和整合，PHP-src 任务中一项修改起初获认可，随后另一名成员发现反例，认可被撤回，作者修复后再次接受审查；128 个时，成员按相关经验选择审查者并复用合作关系，pandoc 任务中部分成员约定更新分支、测试、交给同伴验证和合并的流程，其他成员沿用并调整；1024 个时，出现多名专门承担代码整合工作的成员，开发者可联系候选整合者移交代码，失败后具备相关经验的成员接续。文章同时指出，自组织仍建立在预设条件之上：研究者已提供协作循环、通信工具、任务认领方式和验证要求，成员自主形成的是更具体的合作关系、专业角色和整合流程。

写在最后

Agensh 实验说明，在这些受控的软件重建任务中，使用相同底层模型，让更多智能体通过共享代码、消息和记录协作，可以提高时限内测试成绩，也能缩短达到一定成绩所需的时间。规模扩大收益值得继续观察：pandoc 上从 128 个增至 1024 个智能体，最终通过率由 50.94% 提升至 55.06%，但人数增长与成绩增长不同步。接下来需回答这套方式能否用于更广泛任务，以及获得进步需要付出多少资源；进入实际开发后，团队还需判断需求、维护代码、追踪错误并明确谁对最终结果负责。

文章总结：

文章肯定 Agensh 展示的多智能体自组织协作潜力，同时强调其仍处于受控实验阶段，规模化收益、资源成本与实际开发适用性有待进一步验证。