结论
微软研究院团队在 Asia/Shanghai 9月23日公开预印本Agensh，提出无中心编排的可扩展多智能体组织框架。在ProgramBench最难5项软件复现任务上，作者报告1个智能体扩展至128个智能体时，平均最终测试通过率从19.31%升至28.78%，相对提升约49%；在pandoc单项上扩展至1024个智能体时，从33.89%升至55.06%。以上为作者在受控基准中的结论，未经同行评审，也未经本站独立验证，不应视为普遍生产结论。
方法与评估条件
Agensh取消中央编排器，每个工作智能体异步执行五步协作循环：收集上下文、自主认领子任务、本地行动并共享发现、按验收标准自验证、合并至共享工作区后进入下一轮。支撑设施包括三部分：以Git管理的共享工作区、以频道加直连消息实现的消息接口、保留OBSERVED、FACT、FAIL、CLAIM和PATCH_SUMMARY等类型化条目的共享上下文。论文称协作循环主要通过工作者提示词实现，底层单智能体循环可适配Copilot、Claude Code等底座，本次实验底座为Copilot，共享工作区基于Gitea、消息基于Mattermost实现。
评估严格限定在ProgramBench中按现有最强模型平均通过率选出的5个最难任务：FFmpeg、gromacs、pandoc、PHP-src和ctags，参考仓库均为数千文件、数十万至数百万行代码量级。评估条件为6小时预算、无互联网访问、从零复现参考软件行为，智能体模型固定为GPT-5.6-sol（high）。论文同时列出提交时间为2026年9月22日17时56分UTC，对应北京时间2026年9月23日1时56分，并收录于arXiv 9月23日公告批次，满足当日首次公开门槛。
主要结果
同一模型、底座和预算下，5任务均分随规模单调提升：1、8、32、128智能体分别对应19.31%、20.68%、26.52%和28.78%，1至128智能体绝对增益9.47个百分点。时延方面，更大规模更早达到同等分数，例如pandoc上128智能体在30分钟检查点即超30%，32智能体需60分钟，8智能体需90分钟，单智能体在前两小时始终未达标。将pandoc单独扩展至1024智能体时，最终通过率为1智能体33.89%、128智能体50.94%、1024智能体55.06%，千级规模较128智能体再高4.12个百分点。作者据此提出智能体数量是新的扩展维度，并描述协作形态随规模从对等协调，扩展为多工作者集成、标准化流程，直至组织级角色分化，该部分主要基于轨迹定性观察。
- 1至128智能体5任务均分19.31%升至28.78%，相对提升约49%；pandoc上1至1024智能体33.89%升至55.06%，其中128智能体为50.94%；更大组织在相同时限内更早达到同等分数，时延同步下降；协作分工随规模涌现，但属作者轨迹分析而非独立验证结论。
局限与适用边界
本研究为13页预印本，未经同行评审，所有数字限于上述受控条件，不得推广为通用生产效率或任意任务的因果保证。任务仅覆盖ProgramBench最难5项，1024智能体仅在pandoc单项验证，其他任务未做千级验证。模型仅验证GPT-5.6-sol（high）一种配置，底座仅验证Copilot，未验证其他模型与底座组合。6小时无网、从零复现的设置与真实联网开发差异较大，成本、通信开销、合并冲突处理与长时间稳定性未充分量化。自组织协作涌现的描述依赖作者对工作轨迹的解读，缺乏独立编码评估。引用中涉及的第三方框架与基准能力应以其各自当日官方材料为准。
是否同行评审与潜在意义
截至核验时，该工作状态为预印本，页面明确为v1版本，无会议或期刊接收信息，编辑将其归为预印本而非已获同行认可的事实。若后续能被独立复现，其意义在于为强时延约束下的复杂软件工程任务提供一种去中心化组织方案，并提示通过增加并发工作者数量改善质量与速度的可能性；实际采用仍需结合任务类型、预算、底座兼容性与运维成本另行评估。中国读者在参考时应注意ProgramBench任务均为英文开源软件复现，与国内业务系统的迁移性尚未验证。