128 agentes de IA sem chefe passaram em 49% mais testes do que um só

Pesquisadores da Microsoft Research testaram o que acontece quando um grande grupo de agentes de IA recebe a mesma tarefa sem que ninguém seja nomeado líder. No preprint Agensh, até 1024 cópias de um mesmo modelo de linguagem passaram seis horas seguidas reproduzindo o comportamento de programas prontos. Não havia gerente, tech lead nem distribuição de subtarefas; a instrução dizia apenas “todos são iguais, cada um decide por si”.

O resultado foi medido com o benchmark ProgramBench: o agente recebe um executável funcional e a documentação, não pode olhar o código-fonte nem desassemblar o programa, e não tem acesso à internet. Ele precisa escrever do zero um código com o mesmo comportamento, e testes ocultos verificam em quantos casos ele acerta. Na média de cinco tarefas difíceis, o agente solo passou em 19,31% dos testes, e o enxame de 128, em 28,78%.

O ganho é de 9,47 pontos percentuais, ou cerca de 49% em termos relativos.

Por que tiraram o agente principal

Um agente sozinho fica limitado a uma janela de contexto, uma memória e um fluxo de ações. Tarefas grandes levam muito tempo. A solução usual é a hierarquia: um agente principal analisa a tarefa e distribui as partes entre executores. É assim que funcionam os subagentes no Codex e no Claude Code, o Copilot fleet e o Kimi Agent Swarm. Mas, quanto mais executores, mais tempo o agente principal gasta planejando, alinhando e juntando o trabalho dos outros, e ele próprio vira um gargalo.

No sistema de pesquisa da Anthropic, o agente líder lança os subagentes de forma síncrona e espera cada grupo terminar. Coordenar assim é mais simples, mas os subagentes não conseguem negociar entre si, e todo o sistema fica parado enquanto um deles termina a busca. O Agensh elimina o centro por completo.

A experiência com enxames de agentes equivalentes ainda é modesta. Em agosto, a Frontier Red Team da Anthropic colocou de 10 a 80 agentes por 12 horas para fazer um jogo. Os modelos iniciais integravam mal as correções; os mais recentes evitavam conflitos trabalhando separadamente.

Papéis e um “diretor” designado nos prompts quase não mudaram nada. Já em fevereiro de 2026, Nicholas Carlini colocou 16 agentes Claude para escrever em Rust um compilador de C, com um repositório git compartilhado e travas textuais. Em duas semanas e cerca de 20 000 dólares, saiu um compilador de 100 mil linhas capaz de compilar o Linux 6.

9. O Agensh toma emprestado o quadro de notas de um trabalho de Stanford, o DeLM, e acrescenta por conta própria o mensageiro.

Ciclo de cinco etapas e o quadro de notas curtas

Todos os agentes trabalham ao mesmo tempo e repetem um único ciclo, descrito no prompt em linguagem natural, e não embutido no código:

• reunir contexto: objetivo, estado do repositório, mensagens e descobertas dos colegas; • pegar uma tarefa: anunciar com uma nota CLAIM o que vai fazer, para que os outros escolham algo diferente; • executar: escrever o código e compartilhar o que for útil pelo caminho; • verificar: conferir o resultado com os critérios de aceitação e refazer se houver divergência; • incorporar: mesclar as mudanças na branch comum e descrever o que mudou, por quê e como foi confirmado.

O prompt é idêntico para todos; só o número do agente muda. Três serviços compartilhados sustentam o trabalho: um repositório no Gitea, um canal geral e mensagens privadas no Mattermost (a mensagem privada chega ao agente no meio de uma jogada) e o quadro de contexto. O quadro tem cinco tipos de nota: OBSERVED, um comportamento observado; FACT, um fato confirmado; FAIL, uma hipótese refutada; CLAIM, a reivindicação de uma tarefa; e PATCH_SUMMARY, a descrição de uma correção pronta. Cada nota é limitada a 100 caracteres (PATCH_SUMMARY, a 300), e os detalhes vão para um campo separado. O prompt chama FAIL de a nota mais valiosa, porque ela poupa os demais de gastar orçamento em um beco sem saída.

Das 200 tarefas do ProgramBench, foram escolhidas as cinco mais difíceis: processamento de vídeo e áudio (FFmpeg), modelagem molecular (gromacs), conversor de documentos (pandoc), interpretador de linguagem (PHP) e indexador de código (ctags). Em todas, rodou o GPT-5.6-sol com alto nível de raciocínio, em conjunto com o Copilot. O grupo de 1024 agentes foi distribuído em 16 servidores de 64 e ativado gradualmente: um agente a cada 30 segundos na primeira hora e, depois, um a cada três segundos.

Papéis que ninguém atribuiu e ressalvas

Parcela média de testes aprovados: 19,31% com um agente, 20,68% com oito, 26,52% com 32 e 28,78% com 128. O ganho é desigual: de um para oito agentes, +1,37 ponto; de oito para 32, +5,84; de 32 para 128, +2,26. No pandoc, 128 agentes passaram de 30% dos testes no minuto 30, 32 agentes, na primeira hora, e oito, em uma hora e meia. O agente solo não alcançou esse patamar em duas horas. Mil agentes rodaram apenas no pandoc: 33,89% com um, 50,94% com 128 e 55,06% com 1024.

O comportamento do enxame mudou conforme o tamanho, com o mesmo prompt:

• oito agentes combinam a interface de um módulo e escrevem as partes em paralelo; no FFmpeg, um agente trocou de tarefa depois de uma conversa para não duplicar o trabalho de outro; • por volta de 30 agentes, começam a revisar uns aos outros: no PHP, uma correção foi aprovada, depois outro agente encontrou um contraexemplo, a aprovação foi retirada, o autor corrigiu o erro e a correção foi incorporada na segunda tentativa; • com 128, surge a especialização: os agentes escolhem revisores por experiência, e no pandoc dois deles inventaram um protocolo com hash de commit que outros adotaram; • com mil, aparecem os integradores: o autor de uma correção envia o pedido a vários candidatos, fica com o primeiro que responder e cancela os demais pedidos.

Os papéis são intercambiáveis, então a saída de um agente não interrompe o trabalho.

Há várias ressalvas. O custo das execuções não foi divulgado, e a passagem de 128 para 1024 agentes no pandoc rendeu apenas +4,12 pontos, depois de +17,05 nos primeiros 128. Os mil agentes rodaram em uma só das cinco tarefas. Não se sabe com que frequência os agentes realmente colaboraram: os exemplos foram tirados dos registros de trabalho. E, principalmente, o enxame foi comparado a um agente solo, e não a um enxame comandado por um agente principal, de modo que a tese de que “sem centro é melhor” não está provada.

A conclusão prática é que esse esquema serve onde existe um juiz externo. No ProgramBench, ele é o programa de referência e os testes ocultos; no compilador de Carlini, os testes e o GCC de referência. No experimento da Anthropic com o jogo, não havia juiz, e o enxame não deu conta. A infraestrutura necessária é pequena: Git, chat e um quadro de notas. Os dados são insuficientes para uma adoção em produção, mas bastam para um experimento em uma tarefa pequena com testes prontos.