Agensh、中央オーケストレーターなしで1,024エージェントを協調

導入

マルチエージェントシステムの価値は、単に複数のモデルを同時に動かすことではない。複雑な作業を分割し、並列に進めることで、完了までの時間を短縮できる点にある。一方、従来の構成では中央オーケストレーターがタスク配分、進捗管理、競合調整を担うことが多い。参加するエージェントが増えるほど、この中央ノード自体がボトルネックになる可能性がある。Agenshは、この役割をなくし、エージェントの組織を自律的に動かす方向を示す。

協調を支える3つの仕組み

Agenshは、各エージェントに固定された役割を割り当てるのではなく、並行して動くワーカーに協調ループを実行させる。ワーカーは現在の文脈を集め、取り組むサブタスクを見つけて取得し、行動し、発見を共有する。その後、結果を検証し、有効な進展を全体に統合する。この流れは非同期で進むため、全員が中央管理役から順番に指示を受ける必要がない。

基盤となる要素は次の3つだ。

• 共有ワークスペース：提案済み、進行中、完了済みの作業を記録し、次に扱うべき仕事を見つけやすくする。
• メッセージインターフェース：発見、判断、進捗をワーカー間で伝える。
• 共有コンテキスト：再利用できる知見や作業意図を保持し、重複した探索を抑える。

重要なのは、中央に複雑な管理層を追加することではなく、プロジェクトの状態を十分に見えるようにして、局所的な判断から協調を生み出す点にある。

評価で確認されたスケール効果

論文では、GPT-5.6-sol（high）を使い、ProgramBenchの最も難しい5タスクでAgenshを評価した。エージェント数を1から128へ増やすと、平均最終テスト通過率は19.31%から28.78%へ上昇し、相対的に約49%改善した。また、大きな組織ほど同程度の通過率へ早く到達する傾向も報告されている。

pandocでは、1エージェントから1,024エージェントへ拡張すると、最終テスト通過率が33.89%から55.06%になった。ワーカーの軌跡からは、組織が大きくなるにつれて、複数の自己組織化された協調パターンが現れ、次第に定着する様子も観察された。

意義と課題

Agenshは、エージェントシステムの拡張において、より強力な中央プランナーだけが答えではないことを示す。共有状態、通信、局所的な自律性を組み合わせれば、組織的な知能を形成できる可能性がある。長時間のコーディングや分割可能な課題では、中央調整役への負荷を下げ、並列作業の余地を広げられる。

ただし、結果は特定のプログラミングベンチマークとモデル設定に基づく。あらゆるタスクへそのまま一般化することはできない。エージェントが増えれば、通信、状態管理、検証の負担も増加する。重複作業、矛盾する情報、運用コストをどう抑えるかが、実用化に向けた重要な論点になる。

出典：Hugging Face Daily Papers