Microsoft เปิดซอร์ส Agensh ระบบรันเอเจนต์ 1,024 ตัวไร้ตัวคุมกลาง

Microsoft Research ได้เปิดซอร์ส Agensh ซึ่งเป็น harness แบบกระจายศูนย์สำหรับทีมเอเจนต์เขียนโค้ดขนาดใหญ่ โดย Agensh multi-agent harness ได้ตัดระบบควบคุมกลาง (central orchestrator) ที่เฟรมเวิร์กส่วนใหญ่ต้องพึ่งพาออกไป เพื่อให้ worker ทุกตัวสามารถเลือกงานย่อยของตัวเอง แชร์สิ่งที่ค้นพบ และผสานโค้ด (merge) ลงใน Git repo ส่วนกลางได้โดยตรง

ในการทดสอบบน ProgramBench ทีมวิจัยได้ขยายขนาดการตั้งค่าตั้งแต่ 1 เอเจนต์ไปจนถึง 1,024 เอเจนต์ เพื่อพิสูจน์ศักยภาพในการทำงานร่วมกันของ AI ในระดับที่ซับซ้อนขึ้น

TL;DR

• A Harness: ผ่านการทดสอบตั้งแต่ 1 ถึง 1,024 เอเจนต์ โดย worker แต่ละตัวมีขีดจำกัด input 272,000 token และ output 128,000 token

• Runs on: ทำงานบน Linux ด้วย Docker Compose โดยค่าเริ่มต้นคือโหนดเดี่ยว (8 worker) ส่วนการทดสอบ 1,024 เอเจนต์ใช้ 16 โหนด โหนดละ 64 เอเจนต์ โดย worker มีเพดานหน่วยความจำที่ 64 GiB

• Performance: การเพิ่มจำนวนเอเจนต์ช่วยยกระดับคะแนนใน 5 งานที่ยากที่สุดของ ProgramBench และบรรลุผลสำเร็จได้เร็วขึ้น

• Best: อัตราการผ่าน (pass rate) ของ pandoc สูงสุดที่ 79.59% โดยใช้ 32 เอเจนต์บน GPT-6.1-sol ส่วน GPT-5.6-sol ทำได้ 55.06% ด้วย 1,024 เอเจนต์

• Worst: ค่าเฉลี่ย 5 งานทำได้เพียง 28.78% ที่ 128 เอเจนต์ โดยการเพิ่มจาก 1 เป็น 8 เอเจนต์ช่วยเพิ่มคะแนนเพียง 1.37 จุด

Agensh คืออะไร?

Agensh คือ multi-agent harness จาก Microsoft Research ที่เน้นการประสานงานเอเจนต์ LLM จำนวนมากโดยไม่ต้องมีเอเจนต์ผู้นำ เพื่อแก้ปัญหา "เพดานของตัวควบคุม" (orchestrator ceiling) ซึ่งมักพบในการออกแบบแบบ orchestrator-worker ทั่วไป

ในระบบเดิม เอเจนต์ผู้นำจะต้องวางแผน มอบหมาย และผสานงานทั้งหมด เช่นในทีมเอเจนต์ Claude Code, Codex sub-agents, Copilot fleet และ Kimi Agent Swarm แต่สำหรับ Agensh ระบบจะปล่อยให้ worker ทำการประสานงานเหล่านั้นด้วยตัวเองทั้งหมด

ลูปความร่วมมือของ Agensh ทำงานอย่างไร?

worker แต่ละตัวจะรันลูป 5 ขั้นตอนแบบเดียวกัน ทั้งในรูปแบบพร้อมกันและไม่พร้อมกัน (concurrently and asynchronously) ดังนี้:

1. Gather context: อ่านเป้าหมาย, ความคืบหน้าของเพื่อนร่วมงาน, ข้อความ และสิ่งที่ค้นพบ

2. Claim a sub-task: โพสต์ CLAIM จากนั้นจัดการการทับซ้อนของงานผ่านข้อความโดยตรง (direct message)

3. Take action: ทำงานในเครื่อง (locally) ด้วยเครื่องมือต่างๆ และโพสต์สิ่งที่ค้นพบที่มีประโยชน์ตั้งแต่เนิ่นๆ

4. Verify results: ตรวจสอบงานเทียบกับเกณฑ์การยอมรับ (acceptance criteria) ของงานย่อย

5. Merge progress: ผสานงานเข้ากับ repo ส่วนกลาง โพสต์อัปเดต แล้วทำซ้ำ

ระบบนี้เชื่อมต่อ worker ผ่าน 3 บริการหลัก คือ Gitea สำหรับโฮสต์พื้นที่ทำงานร่วมกัน, Mattermost สำหรับการสื่อสารและจัดการการชนกันของงานที่เร่งด่วน และบอร์ดบริบทส่วนกลาง (shared context board) ที่ดัดแปลงมาจาก DeLM เพื่อเก็บโน้ตประเภท OBSERVED, FACT, FAIL, CLAIM และ PATCH_SUMMARY

ที่น่าสนใจคือลูปการทำงานนี้ถูกกำหนดอยู่ใน prompt ไม่ใช่ในโค้ดรันไทม์ โดย worker ทุกตัวจะได้รับ prompt เดียวกันยกเว้น ID ประจำตัว Agensh ถูกสร้างขึ้นบน single-agent harness ซึ่งในการทดสอบใช้ GitHub Copilot CLI แต่ทีมวิจัยระบุว่าสามารถใช้ adapter ขนาดเล็กเพื่อเชื่อมต่อกับ harness อื่นๆ เช่น Claude Code ได้เช่นกัน

Agensh ขยายขนาดบน ProgramBench ได้ดีแค่ไหน?

ทีม Microsoft ทดสอบ 5 งานที่ยากที่สุดของ ProgramBench ได้แก่ FFmpeg, gromacs, pandoc, PHP-src และ ctags โดยให้เอเจนต์สร้างโปรแกรมขึ้นมาใหม่จากพฤติกรรมที่สังเกตได้ภายใต้เวลา 6 ชั่วโมง ซึ่งไฟล์ใน Reference repo มีจำนวนมหาศาลตั้งแต่ 2,767 ไฟล์ไปจนถึง 26,266 ไฟล์

เมื่อใช้ GPT-5.6-sol ในระดับการใช้เหตุผลสูง (high reasoning effort) อัตราการผ่านการทดสอบเฉลี่ยมีการเปลี่ยนแปลงดังนี้:

• 1 เอเจนต์: 19.31%
• 8 เอเจนต์: 20.68%
• 32 เอเจนต์: 26.52%
• 128 เอเจนต์: 28.78%

คิดเป็นการเพิ่มขึ้น 9.47 จุด หรือราว 49% ในเชิงสัมพัทธ์ โดยเฉพาะงาน pandoc เพียงอย่างเดียว คะแนนพุ่งไปถึง 55.06% เมื่อใช้ 1,024 เอเจนต์ นอกจากนี้ความเร็วยังเพิ่มขึ้นอย่างเห็นได้ชัด โดยเอเจนต์ 128 ตัวสามารถผ่านการทดสอบ 30% ของงาน pandoc ได้ในเวลาเพียง 30 นาที

นอกจากนี้ ข้อมูลล่าสุดในไฟล์ README ระบุว่าเมื่อใช้โมเดลใหม่อย่าง GPT-6.1-sol งาน pandoc มีคะแนนเพิ่มขึ้นจาก 56.19% (1 เอเจนต์) เป็น 79.59% (32 เอเจนต์) ซึ่งเป็นประสิทธิภาพที่สูงกว่าข้อมูลในเอกสารวิจัยเวอร์ชันแรก

พฤติกรรมที่ปรากฏเมื่อทีมขยายขนาด

ทีมวิจัยสังเกตเห็นพฤติกรรมที่น่าสนใจจากการทำงานร่วมกันของ worker ในแต่ละระดับสเกล:

• 8 เอเจนต์: เริ่มตกลงเรื่อง interface และจัดการการเคลมงานที่ทับซ้อนกันได้เอง
• 32 เอเจนต์: มีการตรวจสอบงานระหว่างกัน และมีการถอนการอนุมัติเมื่อพบข้อผิดพลาด
• 128 เอเจนต์: มีการเลือกใช้ผู้ตรวจสอบที่ไว้วางใจซ้ำ และสร้างมาตรฐานโปรโตคอลการรวมงาน (integration protocol)
• 1,024 เอเจนต์: ปรากฏบทบาท "ผู้รวมงาน" (integrator) และมีการช่วยกู้งานที่ล้มเหลวกลับมา

พฤติกรรมเหล่านี้เกิดขึ้นเองโดยไม่มีการเขียนโค้ดกำหนดบทบาทล่วงหน้า (hard-coded) แต่อย่างใด

Agensh เปรียบเทียบกับ multi-agent harness อื่นๆ

วิธีการรัน Agensh

ผู้ที่สนใจสามารถรัน Agensh ผ่าน Docker Compose แบบโหนดเดี่ยว โดยต้องใช้ Linux ที่รองรับ Docker Engine, Compose v2, systemd, cgroup v2 และ Python 3.11 ขึ้นไป ค่าเริ่มต้นถูกตั้งไว้ที่ 8 worker ทำงาน 6 ชั่วโมงต่องาน โดยต้องใช้ ProgramBench (v1.2.5 ขึ้นไป) และ API token ของโมเดลประกอบการใช้งาน

สรุปสาระสำคัญ

• Agensh ประสานงานเอเจนต์ได้สูงสุด 1,024 ตัวโดยไม่มีตัวควบคุมกลาง
• worker เคลมงานเองผ่าน Gitea, Mattermost และบอร์ดแสดงผลการค้นหาแบบแชร์
• 128 เอเจนต์ช่วยเพิ่มค่าเฉลี่ย 5 งานของ ProgramBench จาก 19.31% เป็น 28.78%
• GPT-6.1-sol พร้อม 32 เอเจนต์ ทำคะแนนได้ 79.59% บน pandoc
• โค้ดได้รับลิขสิทธิ์แบบ MIT แต่ไม่มีการเปิดเผยค่าใช้จ่าย token