微软研究展示千级无中心多智能体协作编程
Banger paper from Microsoft Research.
展示了无中心架构在多智能体协作中的可扩展性，数据详实且提供了具体的性能提升对比，对 Agent 系统架构设计有参考价值。
Banger paper from Microsoft Research.
来自微软研究院的 Banger 论文。
(bookmark it)
（收藏此链接）
They run 1K+ coding agents at once to test a scalable self-organized multi-agent harness.
它们同时运行 1000 多个编码代理，以测试可扩展的自我组织多代理框架。
This is an interesting test because most multi-agent systems today have some hierarchy or structure.
这是一个有趣的测试，因为当今大多数多代理系统都具有一定的层级或结构。
Agensh has no central orchestrator.
Agensh 没有中央协调器。
It coordinates parallel coding agents through a shared state instead of a central orchestrator.
它通过共享状态而非中央协调器来协调并行编码代理。
Each agent gathers context, claims a sub-task, does the work, shares what it found, verifies the result, and merges it, all asynchronously through a shared workspace and a message channel.
每个代理收集上下文、认领子任务、执行工作、分享发现结果、验证结果并合并，所有这些操作都通过共享工作区和消息通道异步进行。
On the five hardest ProgramBench tasks with GPT-5.6-sol, increasing agents from 1 to 128 raises the mean final test-pass rate from 19.31% to 28.78%.
在 GPT-5.6-sol 模型下，针对 ProgramBench 中最难的五个任务，将代理数量从 1 增加到 128，最终测试通过率均值从 19.31% 提升至 28.78%。
Larger teams also reach a given pass rate sooner.
更大的团队也能更早达到给定的通过率。
On pandoc, 1,024 agents take the test-pass rate from 33.89% to 55.06%.
在 pandoc 任务中，1,024 个代理将测试通过率从 33.89% 提升至 55.06%。
The authors also report forms of cooperation that the agents start on their own and that become standard practice as the team grows.
作者还报告了代理自发开始的合作形式，随着团队规模扩大，这些合作形式成为标准做法。
Paper: https://arxiv.org/abs/2609.26781
论文：https://arxiv.org/abs/2609.26781
Chat with Paper: https://academy.dair.ai/papers/agensh-scaling-organizational-intelligence-to-1-024-agents-2609.26781
与论文对话：https://academy.dair.ai/papers/agensh-scaling-organizational-intelligence-to-1-024-agents-2609.26781
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力