Agensh：让 1,024 个智能体摆脱中央调度，自组织协作

导语

多智能体系统的吸引力并不只是“让更多模型一起工作”，更在于把复杂任务拆开并行处理，从而缩短完成时间。然而，传统架构往往依赖一个中央编排器：它负责分配任务、跟踪进度、协调冲突，也因此可能成为系统规模继续扩大的瓶颈。Agensh 的思路是取消这个中心节点，让智能体组织自行运转。

核心机制：把协作规则放进基础设施

Agensh 并没有为每个智能体预设固定分工，而是让并发工作者反复执行一套协作循环：获取当前上下文，寻找或认领子任务，自行决定行动，发布发现，验证已有结果，最后将有效进展合并回整体工作。这个过程是异步的，智能体不必等待某个总调度器逐一发令。

其组织基础设施包含三部分：

• 共享工作区：记录待提出、进行中和已完成的工作，使智能体能够发现可接手的任务。
• 消息接口：支持工作者交换信息、报告进展和共享结果。
• 共享上下文：保存可复用的发现与工作意图，减少重复探索，并帮助后来加入的智能体理解项目状态。

这种设计的重点不在于增加一个更复杂的管理层，而在于提供足够透明的公共状态，让协作行为从局部决策中逐步形成。

实验结果：规模扩大带来更快、更高的完成率

论文使用 GPT-5.6-sol（high）在五项最困难的 ProgramBench 任务上评估 Agensh。智能体数量从 1 个增加到 128 个时，平均最终测试通过率从 19.31% 上升到 28.78%，相对提升约 49%。研究还观察到，更大的组织往往能更早达到与小规模组织相近的测试通过率，说明并发执行可能同时改善效率和最终表现。

在 pandoc 任务上，规模扩展更加明显：从单个智能体增加到 1,024 个时，最终测试通过率由 33.89% 提升至 55.06%。工作轨迹还显示，随着组织扩大，智能体之间会逐渐出现并趋于稳定的自组织协作方式。

意义与边界

Agensh 提供了一个重要方向：多智能体系统的扩展不一定要依靠更强的中央控制器，也可以依靠共享状态、通信机制和局部自治来形成组织能力。对长流程编程和其他可拆分任务而言，这种架构有望减少调度中心的压力，并让更多工作并行展开。

不过，现有结果主要来自特定的编程基准和模型配置，不能直接推导到所有任务。智能体数量增加也意味着更多通信、状态管理与结果验证需求。如何控制重复劳动、冲突信息和运行成本，将决定这类自组织系统能否从实验规模走向实际部署。

来源：Hugging Face Daily Papers