知识卡片：Agensh：将组织智能扩展至 1,024 个智能体

一句话结论：Agensh 是一个无中心编排者的自组织多智能体 harness，通过并发 worker 的异步合作循环与共享组织基础设施，将“智能体数量”作为可扩展维度；材料报告其在 ProgramBench 与 pandoc 上随智能体增多提高最终测试通过率。

事件概述或研究问题：

• 研究问题：多智能体系统可并发执行复杂任务以降低延迟，但现有 multi-agent harness 的可扩展性常受 central orchestrator 分配任务与协调 worker 的能力限制。
• 论文提出 Agensh：一个 scalable self-organized multi-agent harness without a central orchestrator。
• 元数据：arXiv:2609.26781v1；cs.CL / cs.MA；作者 Zhihao Zhan, Ting Song, Li Dong, Shaohan Huang, Jianxun Lian, Yan Xia, Furu Wei；Published/Updated: 2026-09-22T17:56:25Z。

方法/产品要点：

• 并发 worker 执行 multi-agent cooperation loop，异步完成：持续 gathering context、claiming and self-assigning sub-tasks、taking action and sharing findings、verifying results、merging progress。
• agentic organization infrastructure 包含三组件：
  • shared workspace：保存 proposed、ongoing、completed work。
  • message interface：让 workers 通信。
  • shared context：保留 reusable findings and work intentions。
• 评测设置：ProgramBench 五个最难任务，以及 pandoc；使用 GPT-5.6-sol (high)。

主要结果或产业意义：

• 在 ProgramBench 五个最难任务上，从 1 个扩展到 128 个 agents，mean final test-pass rate 从 19.31% 升至 28.78%，约 49% relative improvement。
• 更大的组织更早达到可比的 test-pass rates。
• 在 pandoc 上，从 1 个扩展到 1,024 个 agents，final test-pass rate 从 33.89% 升至 55.06%。
• Worker trajectories 显示，不同形式的自组织合作随组织增长逐渐涌现并标准化。
• 产业意义：为硬延迟约束（hard latency constraints）或时间预算（time budgets）下的复杂任务提供实用方案；将智能体数量视为 multi-agent organizations 的新 scaling dimension，以扩展通用智能前沿。

为什么重要：

• 本条增量在于：把扩展从模型规模、单智能体推理时计算等方向，转向“多智能体组织规模”和“无中心编排者的自组织协调”。与已有相关卡片中具身视频 MoE、本地 CUA 推理时扩展、数字孪生提案等不同，本卡关注的是 multi-agent harness 的架构与 agent 数量的扩展曲线。
• 若结果可复现，可能影响多智能体系统设计：用共享工作区、消息接口和共享上下文替代强中央编排者。
• 对组织智能、群体协作和复杂任务并行求解的讨论提供一个可引用的实验数据点。

局限与不确定性：

• 目前仅依据 arXiv 摘要与元数据，未获取全文；实现细节、消融实验、统计显著性、资源消耗、延迟与成本待核实。
• 评测仅覆盖 ProgramBench 五个最难任务和 pandoc，且使用 GPT-5.6-sol (high) 单一模型配置；跨任务、跨模型泛化性待核实。
• 1,024 agents 的实际并行资源、费用、同步/异步开销与可复现性待核实。
• “自组织合作涌现并标准化”的定义、量化方式与轨迹分析细节待核实。
• 同行评审状态、正式英文关键词待核实。

可用于图书/PPT/简报的角度：

• 从“更大模型”到“更多智能体组织”：多智能体扩展新维度。
• 去中心化编排三件套：shared workspace、message interface、shared context。
• 异步合作循环：claim/self-assign → act/share → verify → merge。
• 关键数字：19.31%→28.78%（1→128 agents）；33.89%→55.06%（1→1,024 agents）。
• 适用场景：硬延迟约束或时间预算下的复杂任务。
• 与既有脉络：不是单智能体推理时扩展，而是组织规模扩展；不是中心调度，而是自组织协作。

原始材料：

• 英文标题：Agensh: Scaling Organizational Intelligence to 1,024 Agents
• 英文关键词：原始材料未单列关键词字段；以下英文术语直接取自摘要/元数据/用户提供字段，正式关键词待核实：multi-agent system; self-organized multi-agent harness; central orchestrator; agentic organization infrastructure; ProgramBench; pandoc; GPT-5.6-sol (high); scaling dimension; foundation-model（用户提供 Topics）。
• 原始来源：https://arxiv.org/abs/2609.26781v1
• PDF：https://arxiv.org/pdf/2609.26781v1
• arXiv ID：2609.26781v1
• Authors：Zhihao Zhan, Ting Song, Li Dong, Shaohan Huang, Jianxun Lian, Yan Xia, Furu Wei
• Published：2026-09-22T17:56:25Z
• Updated：2026-09-22T17:56:25Z
• Primary category：cs.CL
• Categories：cs.CL, cs.MA