1024个AI、零个指挥官:微软Agensh把“自组织协作”跑通了

一群AI一起干活,要不要派个总调度?微软研究院的一篇技术报告给出了否定答案。他们做了个叫 Agensh 的系统,让 1024 个智能体在没有中央调度者的情况下协作,从零重建了多个真实软件。智能体从 1 个加到 128 个,五个高难任务的平均通过率从 19.31% 涨到 28.78%,相对提升约 49%;在 pandoc 任务上加到 1024 个,通过率从 33.89% 干到 55.06%。更意思的是,团队变大之后,这些 AI 自己长出了分工、评审流程和“专家角色”,没人教过它们。

这篇拆解它的组织设计、作业细节和实验数据。代码已开源在 github.com/microsoft/Agensh,想自己搭多智能体系统的读者,后半部分的操作细节值得逐条看。

“

配图建议:开放式办公区或施工现场的俯拍图,暗示“没有指挥中心也能协作的团队”。来源:Unsplash

单个AI干大活,到底慢在哪?

先说答案:一份记忆、一条执行线,所有事只能排队。

报告对单智能体系统的定义很直白:让大模型感知上下文、调用工具、更新状态、朝目标迭代。这套玩法在小任务上没问题,但能力上限被三个“一”锁死了。一个上下文窗口,一次能“看见”的内容有限;一条动作流,活儿只能一件一件干;一条记忆流,干过的事只记一份。任务一旦复杂起来,串行执行就是漫长的等待。

解法似乎显而易见:多开几个AI,并行干活。报告也点名了一批已经支持多智能体的框架,Codex 的 sub-agent、Claude Code 的 sub-agent 和 agent teams、Copilot fleet、Kimi Agent Swarm。

但这里有个绕不开的坎。

多智能体协作,为什么总卡在“总指挥”身上?

答案一句话:拆任务、派活、收成果,全都要过调度者一个人的手,他忙不过来,全队跟着堵。

上面这些框架,几乎都采用 orchestrator-worker 结构。主智能体负责规划、把任务拆小、派给并发的工人、统一管理。这套结构能跑,但报告指出了两个问题:它通常需要一个“训练过的”调度者,才能把任务拆得像样;而整个系统的规模,从根本上受限于调度者的容量,管多少工人、整合多少贡献,都卡在他身上。

拿人类团队类比就懂了。项目组里如果只有一个人懂全局,所有需求由他拆、所有进度向他汇报、所有成果靠他合,那么团队从五个人扩到五十个人,瓶颈还是他。人数加得再多,产线上不去。

Agensh 要解决的就是这个。它的做法不是找一个更强的调度者,而是把调度者直接删掉。

没有老板,1024个AI靠什么协作?

答案是三件公共设施:一个共享工作区、一个消息接口、一块共享上下文看板。所有工人智能体并发且异步地运行,各自干活,靠这三件设施共享状态、同步进展。

第一件是共享工作区,本质是个文件系统,装着组织的全部工作,包括正在开发的和已整合的结果。Agensh 用 Git 平台实现:工人各自在自己的分支上改代码,往 main 分支合并。Git 负责记录改动来源、暴露合并冲突,issue 和 PR 也托管在上面。冲突不用谁裁决,Git 机制自己会把它顶出来,谁合并谁处理。

第二件是消息接口,用 Mattermost 实现。一个公共频道承载团队公告,私信处理紧急的一对一沟通。投递分了优先级:低优先级的频道消息,等每轮循环开始时再送达;高优先级的私信,在每次基础设施工具调用结束时立刻送达。设计意图很清楚,工人能及时协调撞车、协商依赖、求援,同时同伴们不被打断。

第三件是共享上下文,一块只增不删的发现看板,思路来自 DeLM。工人往上面发布带类型的条目,服务端用只增不删的数据库保存近期记忆,还配了全文检索工具。新条目会被当作高优先级更新,在下一次工人的工具调用返回时转发出去。同伴刚确认的事实,几乎立刻出现在所有人的视野里。

报告里有句总结值得记下来:这三个机制把每个工人的局部活动,连到了组织的共享状态上。

每个AI每天在跑的循环,长什么样?

五个步骤:收集上下文、认领子任务、动手干活、验证结果、合并进展。所有人并发且异步地跑这套循环,跑完第五步回到第一步。

逐步拆开看。

收集上下文。工人读取共享目标、当前状态、同伴的进展和消息、积累的发现,搞清楚哪些已经完成、哪些没人做,然后规划自己下一步。这步的道理很朴素:不看别人干了什么,必然重复劳动。在千人大组织里,重复劳动烧的是所有人的预算。

认领子任务。工人自己提议一个子任务,把范围作为 CLAIM 发到共享上下文。认领重叠或冲突时,鼓励双方用私信直接解决。注意,这里没有任何人派活,任务是自己发现、自己认领的,这就是“自组织”的含义。

动手干活。用可用的工具在本地解决自己认领的子任务,期间一旦有了可能帮到别人的发现,随时更新到看板。

验证结果。把自己的进展和子任务的验收标准对一遍,不达标就改,直到达标。

合并进展。把成果合进共享工作区,同时发布一条更新:改了什么、思路是什么、验证证据是什么。合并被冲突挡住,就把同伴最新的进展并进来,解决冲突,再合一次。

整个循环是异步的,每个工人不用等同伴完成一轮才继续。大家的发现和经过验证的贡献,就这样通过基础设施一点点累积起来。

那块共享上下文看板,实际怎么用?

核心是五种带类型的条目,外加两个查询工具和几条纪律。这块看板是整套设计里信息密度最高的部分,值得单独讲。

五种条目各有用途:OBSERVED 记观察到的值得注意的行为,FACT 记已确认的事实,FAIL 记尝试过但失败的方法,CLAIM 记正在进行的认领,PATCH_SUMMARY 记已完成的改动摘要。

我个人觉得,FAIL 可能是这里最划算的一条。报告原话说它是价值最高的条目,因为它能让同伴不再把预算花在同一条死路上。一群 AI 并行试错时,最贵的浪费不是干错活,是很多人同时干同一件错活。一条 FAIL 能把这笔钱全省下来。

使用规则也很具体。条目有长度限制,普通条目 100 字符,PATCH_SUMMARY 可以到 300;长版本放 detail 字段,同伴用 board_unfold 展开。查询有两个工具:board_read 返回最近的完整看板,截断到最新 2000 条;board_grep 按关键词搜全部历史,支持组合语法:

a&b,c&d   意思是(a 且 b)或(c 且 d)

逗号是“或”,& 是“且”,不区分大小写。

三条纪律写进了作业指导:不要重新推导同伴已发过的 FACT;不要重试任何记为 FAIL 的东西;只有当你的信息会大幅影响别人的工作时,才动用协调工具。最后这条我特别认同, coordination 本身有成本,什么事都广播,等于把所有人的上下文窗口都塞满噪音。

想复现这套实验,作业指导书里写了什么?

报告附录 A 完整公开了 1024 智能体配置下的工人 prompt,除了 ID 不同,每个人的 prompt 一字不差。这是全文最“实操”的部分。

任务设定是这样的:每个容器里挂载一个预编译好的参考程序,路径 /opt/pbench/executable。任务是重建一个完整代码库,复现它的行为,能编译、能通过隐藏测试。工人唯一的信息来源是运行这个程序、观察行为,跑 –help,喂各种输入看输出,比边界情况。有一条红线:这个文件权限是 root:root 0111,用 cat、od、objdump 都读不了字节。prompt 写得很明白,这是规则不是故障,试图反编译就是作弊。

三条铁律,违反任何一条整个任务作废:

  1. 完全自主。整个团队自己定需求、自己拆解、自己决策、自己完成,没有外部输入。不许问“下一步干什么”,答案永远是“推进重建”。
  2. 无网络。整个集群离线,git clone 原项目、pip install、npm i 全部会失败。只有容器里已装好的工具链可用。
  3. 硬性交付约束。仓库根目录必须有可执行的 compile.sh,运行它必须在根目录生成名为 ./executable 的可执行文件。

第三条里藏着一个大坑。评测流程是:

打包仓库 HEAD → 解包 → 删除任何已提交的 ./executable
→ 运行 ./compile.sh → 用新生成的 ./executable 跑隐藏测试

看清楚了吗?你提交的可执行文件会先被删掉。compile.sh 必须“生成”这个文件,只对已有文件做 chmod 等于交白卷。根目录没有 compile.sh,直接零分。这个细节我第一次读时差点滑过去,prompt 特意用加粗提醒了,说明踩过坑的不会少。

prompt 里的标准六步工作循环是:

  1. 运行参考程序,观察还没被探索的区域;
  2. 把认领的区域作为 CLAIM 发到看板;
  3. 在 ulimit -v 67108864 的内存约束下,基于当前 main 写代码,复现观察到的行为。实现期间不需要和任何人同步;
  4. 用相同输入分别跑参考程序和自己的构建,比较输出;
  5. 推送、开 PR、合并到 main。合并被拒,就把最新 main 合进自己分支,重新对照参考程序检查,再推;
  6. 用 PATCH_SUMMARY(files= | idea= | evidence= 格式)在看板上说明完成了什么,回到第 1 步。

仓库协作还有几条细规矩。Gitea 里 issue #1 是总任务,认领哪块就开对应 issue,工作靠 PR 承载;合并前先和最新 main 同步;构建需要的一切都要提交进仓库,评分者从 main 的全新克隆开始构建,数据路径得用 dirname(realpath(argv[0])) 这样的方式解析,不能写死。

还有个容器网络的坑:Gitea 返回的 clone_url 是容器外地址,从容器里够不着,见到就替换成 http://gitea:3000。私信能插进对方正在进行的回合,解决撞车最快,但会打断对方,所以规则是:两个人马上要改同一个东西时发私信,其余一律走频道。

上千个工人并发跑,系统靠什么不乱套?

靠事件驱动加持久队列,再配两道保险丝。附录 B 交代了运行时,这部分对工程实现最有参考价值。

每个工人由事件驱动,不按中央排好的步骤走。每个工人配一个 router 监听两路消息:Gitea 的仓库活动和 Mattermost 的消息。Gitea 那边,服务器推送事件触发一次抓取,取回比上次处理过的更新的通知;Mattermost 用长连接实时收,断线重连后还补拉错过的部分。新活动一到,写进工人的持久队列,唤醒分发器。每个事件带唯一 ID 去重。

事件长这样:

[event]
event_id=...
source=...        <- gitea / mattermost / ...
kind=...
observed_at=...
summary: ...      <- 发生了什么、去哪看

它只报告事实,怎么处理由工人自己决定。分发器每次醒来,把排队事件排序、组合进下一条 prompt,投给工人的持久会话;回合完成时标记已发送。回合中途到达的事件继续排队。投递失败按逐渐加长的间隔重试,router 重启后未完成的事件回队列,会话尽量恢复。

两道保险丝是:工人空闲满 10 分钟,空闲检测器发 prompt 让它继续干活;一个回合结束没产生任何看板条目,跟进提醒它发布有用的发现。共享上下文有两条投递路径,回合开始时追加进 prompt,回合进行中则挂在工具调用的返回结果上一起送达,不打断正在跑的进程。

人数加上去,成绩真的会涨吗?

会,而且质量和速度一起涨。这是报告实验部分的核心结论。

测试用的是 ProgramBench,智能体软件工程领域相当难的基准:要求一个智能体组织在 6 小时预算内、断网条件下,从零复现参考软件的行为。报告从 200 个实例里按最先进模型的平均通过率挑了五个最难的:FFmpeg、gromacs、pandoc、PHP-src、ctags。体量感受一下:

任务 文件数 代码行数 代码大小
FFmpeg 10,090 1,549,005 75.51 MB
gromacs 8,982 815,539 47.30 MB
pandoc 2,767 104,336 4.86 MB
PHP-src 26,266 2,812,757 119.76 MB
ctags 7,313 246,228 9.15 MB

实验控制得很干净:同一个模型(gpt-5.6-sol,high 推理档)、同一个底层 harness(Copilot)、同样的 6 小时预算、同样的评测配置。唯一变量是智能体数量。

智能体数 五任务平均通过率
1 19.31%
8 20.68%
32 26.52%
128 28.78%

从 1 到 128,涨了 9.47 个百分点,相对提升约 49%。五个任务上分数总体都随组织变大而上升。

速度同样受益。以 pandoc 的前两小时为例,128 个智能体在 30 分钟检查点就越过了 30% 通过率这条线,32 个和 8 个分别要等到 60 分钟、90 分钟,单智能体前两小时始终没碰到这条线。换句话说,增加人数不光抬高最终分数,还缩短了达到同样水平所需的时间。

规模还能继续推。pandoc 上从 1 到 1024 个智能体,通过率从 33.89% 到 50.94%(128 个)再到 55.06%。部署细节也值得记:1024 个工人分布在 16 个节点上,每节点 64 个;启动是错峰的,第一小时每 30 秒起一个,之后每 3 秒起一个,目的是减少范围争抢。收尾有两次全组织提醒,截止前 45 分钟发第一条,停止派发新特性,确保根构建能跑、已有工作已合并,PR 落地不了的就说一声然后继续;截止前 5 分钟发第二条,把就绪的都合并然后停工,确认 bash compile.sh && ./executable 在默认分支上能跑通,发布最终状态。

这两条提醒在我看来是整套实验里最“懂项目管理”的细节。大团队作业最怕最后关头还在开新摊子,提前 45 分钟锁定范围、提前 5 分钟验收交付物,和人头无关,是纪律问题。

团队变大之后,AI自己长出了什么?

四个台阶:同伴协调、多人整合、流程标准化、角色专精。所有工人跑同一个循环、读同一份 prompt,但不同规模下涌现的协作形态完全不同。

8 个智能体时,出现的是协调实现。工人们能就一个技术接口达成一致,然后各自独立实现符合它的组件。gromacs 任务里,有工人宣布了一个模块接口,其他人独立实现遵循它的命令模块。它们也能自己发现认领重叠,FFmpeg 任务里,一个工人和同伴讨论后主动改变范围,去做互补的活。

32 个时,出现了跨多人的整合管理。PHP-src 任务里,几个同伴最初批准了一个贡献,另一个工人找到具体反例,早先的批准被撤回,作者修复问题,同伴重新评审,最后由一个同伴完成合并。批准、否决、修复、复审、合并,一套完整的代码评审流程,没人设计过它。

128 个时,出现了专精和流程标准化。工人按过往经验挑选评审者,并随时间复用这些评审关系。pandoc 任务里,两个工人确立了标准化整合协议:作者更新并测试分支,把 commit 哈希发给同伴验证与合并;协议后来被其他工人复用。出现失败后,他们还修订了协议,同意让同伴执行完整的更新、测试、检查、合并循环。

1024 个时,是组织级的角色专精。多个工人担任同样的专门角色,pandoc 里多个工人充当整合者,一个工人可以同时联系几个候选整合者,选第一个有效响应的,取消其他请求,然后把代码交出去。同一领域的专精工人还能在别人失败后接管恢复工作,报告说这增强了组织鲁棒性,让它不依赖任何单个工人。

报告特别强调:这些形态完全是自组织的,工人们自己挑协作者、自己划分责任、通过同伴互动建立并修订工作流程。我第一遍读报告时,最意外的不是分数,是这部分。分数说明方案有效,涌现的协作形态则说明“组织”这个东西,可能真的可以在一套简单的公共设施之上自己长出来。

想搭一套自己的,有哪些设计可以直接搬?

四条可以直接搬的架构决策,外加一份避坑清单。

分层而不是替换。Agensh 架在单智能体 harness 之上,底下那层管一个工人怎么思考和行动(维护会话、调模型、执行工具),Agensh 管组织层的事(多少工人收事件、怎么共享状态、怎么协调)。接口做得极小、即插即用:协作循环写在工人 prompt 里,不硬编码进运行时,所以能通过轻量适配器接不同的底层框架,报告里提到了 Claude Code 和 Copilot。

把调度问题转化为基础设施问题。发现任务、认领任务、同步进展,全部下放给工人,建设精力集中到三件设施上:带版本管理和冲突暴露的共享工作区、分级投递的消息接口、带类型条目和全文检索的共享看板。

运行时细节别省。事件唯一 ID 去重、持久队列、失败重试、重启后会话恢复、空闲检测、无产出提醒。上千个并发工人不丢消息不乱序,靠的就是这些不起眼的零件。

收尾纪律前置设计。错峰启动、提前锁范围的两级提醒、对单智能体基线的保活钩子(实践里单个智能体很难撑满 6 小时,报告给它加了 stop hook,提示它总会有新活,把 6 小时用满)。

避坑清单照抄自报告各处:认领必须发出去,撞车用私信解决;合并前先同步 main;compile.sh 要生成文件而不是改权限;路径不能写死;断网是规则不是故障;FAIL 不要重试,FACT 不要重推;私信是打断式工具,留给“马上要改同一个东西”这种级别的事。

“

配图建议:一张白板或看板的照片,对应共享上下文的意象。来源:Pexels

实用摘要与操作清单

  • 单智能体的天花板是一份记忆、一条执行线,复杂任务要并行就得加人。
  • 中央调度者是规模瓶颈,解法是把任务发现和分配下放给工人自己。
  • 三件基础设施撑起自组织:Git 工作区、分级消息接口、类型化共享看板。
  • 工人循环五步:收集上下文、认领、干活、验证、合并,异步执行不等人。
  • 看板条目五类型,FAIL 最值钱,防止同伴在死路上重复烧预算。
  • 交付类任务要明确“脚本必须生成产物”而不是改权限,评测会删掉已提交的产物。
  • 工程底座四件套:事件去重、持久队列、重试恢复、空闲检测。
  • 人数是新的扩展维度:128 人平均提约 49%,1024 人在 pandoc 上到 55.06%。

一页速览

Agensh 是微软研究院发布的无中央调度者的多智能体协作系统,代码开源。工人们并发异步地跑同一套五步循环,靠共享工作区、消息接口、共享上下文三件设施协作。实验在 ProgramBench 五个最难任务上进行,6 小时断网预算,从零重建 FFmpeg、gromacs、pandoc、PHP-src、ctags。智能体从 1 到 128,平均通过率 19.31% 升到 28.78%;pandoc 上到 1024 个,从 33.89% 升到 55.06%。更大的组织更快达到同等水平,并自发出协调、整合、标准化、专精四层协作形态。

FAQ

Agensh 需要训练专门的调度模型吗?
不需要。它没有调度者,协作循环通过工人 prompt 里的工作流指令实现。

能换底层智能体框架吗?
可以。接口刻意做小,报告提到可经轻量适配器接入 Claude Code 和 Copilot,不改协作循环和共享服务。

实验期间能联网吗?
不能。整个集群离线,尝试拉取原项目源码既不可能也算作弊。

看板条目有长度限制吗?
普通条目 100 字符,PATCH_SUMMARY 300 字符,长内容放 detail 字段用 board_unfold 展开。

合并冲突谁来处理?
谁的合并被挡,谁把同伴最新进展并进来、解决冲突后再合并一次。

工人摸鱼了怎么办?
空闲 10 分钟触发空闲检测器,发 prompt 让它继续干活。

1024 个工人怎么部署?
16 个节点、每节点 64 个,第一小时每 30 秒启动一个,之后每 3 秒一个。

代码在哪里可以获取?
github.com/microsoft/Agensh,项目页 aka.ms/Agensh。