Agensh完全解析:微软开源自组织多智能体框架,让1024个AI Agent协同编程
Agensh完全解析:微软开源自组织多智能体框架,让1024个AI Agent协同编程
Agensh 是微软开源的自组织多智能体框架(Multiagent Harness),无需中央调度器,最多可扩展到 1,024 个 AI Agent 协同编程:Agent 自主发现并认领子任务、共享发现、验证结果并异步合并进度。本文带你快速看懂它的原理、架构与本地运行方法。
一、Agensh 是什么:没有"指挥中心"的多智能体编程框架
传统多智能体系统通常由一个"编排器(Orchestrator)"分派任务,而 Agensh 走的是去中心化自组织路线:
- 🧩 自主认领:Agent 通过共享上下文发现待办子任务,自己"抢单"
- 💬 异步协作:所有 Worker 并发推进,进度通过基础设施共享,互不阻塞
- ✅ 自验证合并:每个 Agent 验证自己的结果,再与团队进度合并
- 🏗️ 基础设施三件套:Gitea 提供共享工作区、Mattermost 提供消息界面、共享上下文(设计借鉴 DeLM)沉淀团队知识
团队越大,涌现现象越明显:论文观察到同伴协调、多 Worker 集成、标准化工作流、专业化角色会随着团队规模逐级出现。
二、1024 个 Agent 协同编程:效果提升多少?📈
官方在 ProgramBench 的 5 个最难任务上做了实验(GPT-5.6-sol 高推理强度、6 小时预算、无联网):
| 场景 | 1 Agent | 128 Agents | 1,024 Agents |
|---|---|---|---|
| 5 任务平均通过率 | 19.31% | 28.78%(相对提升约 49%) | 更快达到相近水平 |
| Pandoc 单任务通过率 | 33.89% | 50.94% | 55.06% |
换用 GPT-6.1-sol 后,Pandoc 任务 6 小时通过率从 1 Agent 的 56.19% 提升到 32 Agents 的 79.59%(相对提升 41.64%)。
结论很直白:团队更大不仅做得更多,还完成得更快。🚀
三、工作原理:五步协同循环
Agensh 定义了多智能体协同循环(cooperation loop):
收集上下文 → 认领子任务 → 采取行动 → 验证结果 → 合并进度 → 循环重复,直到用户目标达成。
每一步都会异步读取组织基础设施(共享工作区、消息界面、共享上下文),并并发写入进度:
四、眼见为实:1,024 个 Agent 协作演示 🎬
下面这段动图完整回放了一场 1,024 Agent 通过 Gitea、Mattermost 与共享上下文协作的"大型工地":
五、架构拆解:仓库里的核心模块
Agensh 采用 Docker Compose 组织,各模块职责清晰:
| 模块 | 职责 | 关键文件 |
|---|---|---|
agent/ |
Worker 运行时镜像,封装 Copilot ACP 会话 | agent/acp-bridge.py、agent/entrypoint.sh |
board-service/ |
共享上下文服务(FACT/OBSERVED/FAIL/CLAIM 等发现与工作认领) | board-service/shared_lessons.py、board-service/mcp.cjs |
mini-router/ |
每 Worker 一个的 TypeScript 事件路由器,把 Gitea/Mattermost 活动串行化为 ACP 回合 | mini-router/src/dispatcher.ts、mini-router/src/acp_socket_channel.ts |
secret-service/ |
内网令牌服务,向路由器签发 Gitea/Mattermost 凭证 | secret-service/main.py |
docker/ |
Compose 编排、一次性引导(bootstrap)与 Nginx 边缘路由 | docker/docker-compose.pbench.yml |
prompts/ |
协同循环的提示词模板(身份、启动、截止提醒) | prompts/agents.txt、prompts/kickoff.txt |
scripts/ |
实验启动、评估与恢复脚本 | scripts/launch_single_node.sh、scripts/launch_single_agent.py |
几个值得细看的机制 🔍:
- 事件投递状态机:消息经历
pending → sending → sent,失败进入failed再retrying,重启自动恢复中断的sending行(见 mini-router/src/state.ts) - 认领过期:工作认领(CLAIM)默认 1 小时后从实时视图中隐藏,避免"僵尸占单"(见 board-service/shared_lessons.py)
- 关闭归档校验:Worker 退出时封存 HOME 与完整工作区为
state.tar.gz,清单校验通过才允许清理(见 agent/archive.py)
六、本地运行 Agensh:三步快速上手
1️⃣ 克隆仓库
git clone https://gitcode.com/gh_mirrors/ag/Agensh
cd Agensh
2️⃣ 准备环境:Linux + Docker Engine + Compose v2 + systemd + cgroup v2,另需 Python 3.11+、Make、jq、uv 等主机工具;模型网关凭证保存在 ~/.pbench-upstream.env(完整清单见 REPRODUCE.md)。
3️⃣ 生成配置并启动团队栈
# 选择任务并生成私密配置
export TASKS='jgm__pandoc.5caad90'
export WORKERS=8 HOURS=6
bash scripts/pbench_gen_env.sh
# 预检 + 启动(PROFILE 取生成文件中的值)
PREFLIGHT_ONLY=1 bash scripts/launch_single_node.sh
bash scripts/launch_single_node.sh
日常运维可直接用 Makefile 中的命令:make up / make logs / make down(保留数据)/ make clean(删除该 profile 数据,谨慎使用)。
💡 默认配置为 8 个 Worker、每任务 6 小时、高推理强度、272k token 提示窗口;若要跑更大团队(如 32/128/1,024),只需调大 WORKERS 并按 REPRODUCE.md 中"并发运行"一节隔离端口与子网。
七、总结
Agensh 证明了"去中心化自组织"在多智能体编程中真实可用:
- ✅ 无需中央编排器,1,024 个 Agent 靠共享工作区 + 消息 + 共享上下文自发协作
- ✅ 在 ProgramBench 最难任务上,通过率随团队规模显著上升
- ✅ 完整开源了 Harness、实验脚本与复现指南,单节点即可用 Docker Compose 起步
如果你正在探索多智能体系统的规模化组织问题,Agensh 的协同循环与涌现角色分工非常值得借鉴。🎯


