突破中心化瓶頸！Agensh 框架將多 Agent 協作無縫擴展至 1,024 個智慧體
Agensh: Scaling Multi-Agent Collaboration to 1,024 Agents Without a Central Orchestrator
傳統多 Agent 系統常因「中央協調器」的分配與協調能力而面臨擴展瓶頸。微軟等研究團隊推出 Agensh 框架，移除了中央協調器，改由 Agent 自行執行「獲取上下文、自主認領任務、執行並共享成果、驗證與合併進度」的非同步自組織循環。在 GPT-5.6-sol (high) 的支援下，Agensh 在 ProgramBench 與 pandoc 任務中，成功將 Agent 數量擴展至 1,024 個，大幅提升了測試通過率，驗證了「Agent 數量」可作為提升通用智慧的新擴展維度。
核心重點
去中心化自組織
移除中央協調器，改由 Agent 執行非同步的自我任務認領與成果合併循環，徹底解決分配瓶頸。
三大基礎設施支撐
透過共享工作空間（管理工作狀態）、訊息介面（通訊）與共享上下文（保留意圖與發現）來支援大規模協作。
強大的規模擴展效能
在 pandoc 程式設計任務中，將 Agent 數量擴展至 1,024 個時，測試通過率從 33.89% 大幅躍升至 55.06%。
協作模式的自發湧現
隨著組織規模擴大，Agent 之間會自發湧現並標準化出多種高效的自組織協同合作模式。
技術圖解
為什麼重要
這項研究為 AI 效能擴展（Scaling）開啟了新維度：除了模型參數與訓練資料外，「Agent 組織規模」也能有效拓寬通用智慧的邊界。在嚴格的時間與延遲限制下，Agensh 證明了藉由大量 Agent 的平行非同步協作，能快速且高品質地解決複雜工程問題，為企業級的大規模 AI 協作提供實用藍圖。
對誰有影響
- AI 開發者
- AI 研究人員
- 企業決策者
- 產品經理
可以怎麼使用
- 1大規模軟體開發與自動化代碼庫重構
- 2高時效限制下的複雜任務並行分散式處理
限制與注意事項
- 缺乏適當引導時，自組織可能導致任務衝突或重疊重複勞動
- 大量 Agent 連續讀寫共享上下文，會帶來極高昂的 Token 與 API 成本
延伸閱讀
別撐大脈絡，改建構程式框架：Growing Harness 透過「失敗導向學習」自動生成高效能 Agent
Grow the Harness, Not the Context: Building Low-Cost Specialist Agents via Failure-Guided Code Synthesis
Growing Harness 是一種新型的 Agent 訓練範式，它不依賴大模型在 context 中重複進行控制決策，而是透過失敗導向的程式碼生成與修復，將重複的控制邏輯固化為可執行的程式碼框架，使 4B 小模型也能發揮媲美大模型的效果，並降低高達 98% 的推論成本。