128 ИИ-агентов без начальника прошли на 49% больше тестов, чем один

Исследователи Microsoft Research проверили, что будет, если дать большой группе ИИ-агентов одну задачу и не назначить главного. В препринте Agensh до 1024 копий одной языковой модели шесть часов подряд воспроизводили поведение готовых программ. Менеджера, тимлида и раздачи подзадач не было, в инструкции стояло лишь «все равны, каждый решает сам». Результат измеряли бенчмарком ProgramBench: агенту дают рабочий исполняемый файл и документацию, смотреть исходники и дизассемблировать нельзя, интернета нет. Нужно написать с нуля код с тем же поведением, а скрытые тесты проверяют, сколько случаев он повторяет. Одиночный агент в среднем по пяти сложным задачам прошёл 19,31% тестов, рой из 128 — 28,78%. Прирост 9,47 процентного пункта, или около 49% в относительном выражении.

Зачем выкинули главного агента

Одиночный агент ограничен одним окном контекста, одной памятью и одним потоком действий. Большую задачу он делает долго. Обычное решение — иерархия: главный агент разбирает задачу и раздаёт куски исполнителям. Так устроены подагенты в Codex и Claude Code, Copilot fleet и Kimi Agent Swarm. Но чем больше исполнителей, тем больше времени главный тратит на планирование, согласование и слияние чужой работы, и сам становится узким местом.

У Anthropic в исследовательской системе ведущий агент запускает подагентов синхронно и ждёт каждую группу. Координировать так проще, но подагенты не могут договариваться между собой, и вся система простаивает, пока один заканчивает поиск. Agensh убирает центр совсем.

Опыт равноправных роёв пока скромный. В августе Frontier Red Team из Anthropic пустила от 10 до 80 агентов на 12 часов делать игру. Ранние модели плохо сливали правки, поздние избегали конфликтов, работая порознь. Роли и назначенный «директор» в промптах почти ничего не изменили. Зато в феврале 2026-го Николас Карлини посадил 16 агентов Claude писать на Rust компилятор C с общим git-репозиторием и текстовыми замками. За две недели и около 20 000 долларов вышел компилятор на 100 тысяч строк, собирающий Linux 6.9. Доску записей Agensh заимствует у стэнфордской работы DeLM, а мессенджер добавляет сам.

Цикл из пяти шагов и доска коротких записей

Все агенты работают одновременно и повторяют один цикл, записанный в промпте словами, а не зашитый в код:

• собрать контекст: цель, состояние репозитория, сообщения и находки коллег; • взять задачу: объявить записью CLAIM, чем займёшься, чтобы другие выбрали иное; • выполнить: писать код и по ходу делиться полезным; • проверить: сверить результат с критериями приёмки и переделать при расхождении; • влить: слить изменения в общую ветку и описать, что поменялось, зачем и чем подтверждено.

Промпт у всех одинаковый, отличается только номер агента. Работают три общих сервиса: репозиторий на Gitea, общий канал и личные сообщения в Mattermost (личное сообщение доходит прямо посреди хода агента) и доска контекста. На доске пять типов записей: OBSERVED — замеченное поведение, FACT — подтверждённый факт, FAIL — опровергнутая гипотеза, CLAIM — заявка на задачу, PATCH_SUMMARY — описание готовой правки. Запись ограничена 100 символами (PATCH_SUMMARY — 300), детали уходят в отдельное поле. FAIL промпт называет самой ценной записью: она избавляет остальных от траты бюджета на тупик.

Из 200 задач ProgramBench взяли пять самых трудных: обработка видео и звука (FFmpeg), молекулярное моделирование (gromacs), конвертер документов (pandoc), интерпретатор языка (PHP) и индексатор кода (ctags). Везде работала GPT-5.6-sol с высоким уровнем рассуждений в связке с Copilot. Группу из 1024 агентов разнесли на 16 серверов по 64, включали постепенно: по одному раз в 30 секунд в первый час, потом раз в три секунды.

Роли, которых никто не назначал, и оговорки

Средняя доля пройденных тестов: 19,31% у одного агента, 20,68% у восьми, 26,52% у 32 и 28,78% у 128. Прирост неравномерный: от одного до восьми +1,37 пункта, от восьми до 32 — +5,84, от 32 до 128 — +2,26. На pandoc 128 агентов превысили 30% тестов на тридцатой минуте, 32 агента — к первому часу, восемь — к полутора. Одиночка за два часа порог не взял. Тысячу агентов запустили только на pandoc: 33,89% у одного, 50,94% у 128, 55,06% у 1024.

Поведение роя менялось с размером при одном и том же промпте:

• восемь агентов договариваются об интерфейсе модуля и пишут части параллельно; в FFmpeg агент после разговора сменил задачу, чтобы не дублировать чужую; • около 30 агентов начинают рецензировать друг друга: в PHP правку одобрили, потом другой агент нашёл контрпример, одобрение отозвали, автор исправил ошибку, и правку влили со второй попытки; • у 128 появляется специализация: агенты выбирают проверяющих по опыту, а в pandoc двое придумали протокол с хешем коммита, который подхватили другие; • на тысяче возникают интеграторы: автор правки рассылает запрос нескольким кандидатам, берёт первого ответившего и отменяет остальные запросы.

Роли взаимозаменяемы, поэтому уход одного агента не останавливает работу.

Оговорок много. Стоимость запусков не названа, а переход от 128 к 1024 агентам на pandoc дал лишь +4,12 пункта после +17,05 на первых 128. Тысячу агентов гоняли на одной задаче из пяти. Как часто агенты реально сотрудничали, неизвестно: примеры взяты из записей работы. Главное, рой сравнивали с одиночкой, а не с роем под управлением главного агента, так что тезис «без центра лучше» не доказан.

Практический вывод: такая схема подходит там, где есть внешний судья. У ProgramBench это эталонная программа и скрытые тесты, у компилятора Карлини — тесты и эталонный GCC. В эксперименте Anthropic с игрой судьи не было, и рой не справился. Инфраструктуры нужно немного: Git, чат и доска заметок. Для внедрения данных мало, а для эксперимента на небольшой задаче с готовыми тестами хватает.