微软Agensh打破中心化瓶颈：1024个Agent自组织协作，GEO内容生产迎来新范式

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-29

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

微软团队提出的 Agensh 是一个可扩展的自组织多Agent Harness，其核心突破在于去除了中央编排器。传统多Agent系统（如Codex sub-agent、Claude Code sub-agent）采用“编排者-工作者”结构，整个系统的可扩展性受限于编排器管理、协调工作者并整合贡献的能力。而Agensh让自组织的工作者并发、异步地运行，通过轻量的“Agentic组织基础设施”共享状态与进展。

每个工作者持续执行一个五步协作循环：收集上下文、认领子任务、执行动作、验证结果、合并进展。组织基础设施由共享工作区（基于Gitea）、消息接口（基于Mattermost）和共享上下文（借鉴DeLM）三部分组成。Agensh是叠加在单Agent Harness之上的组织层，通过轻量适配器即可接入Claude Code、Copilot等不同底层，不改变协作循环。

📈 实测数据与效能表现

研究团队在ProgramBench上测试了Agensh的可扩展性。ProgramBench要求Agent组织在6小时预算内、断网条件下从零重建参考软件的行为。他们选取了最难的五个任务：FFmpeg、gromacs、pandoc、PHP-src和ctags。

关键数据表现：

• 当Agent数量从1个扩展到128个时，平均最终测试通过率从19.31%提升至28.78%，相对提升约49%。
• 在pandoc任务上，把Agent数量从1扩展到1024后，测试通过率从33.89%提升到55.06%，较单Agent提升21.17个百分点，较128个Agent提升4.12个百分点。
• 128个Agent在30分钟检查点即超过30%通过率；32个和8个Agent分别在60分钟和90分钟检查点才首次超过该阈值；单Agent在前两小时始终低于该阈值。

研究团队表示，Agent数量将是多Agent组织扩展通用智能边界的一个新的scaling维度，为硬延迟约束或时间预算下的复杂任务提供了一个新的可行方案。

随着组织变大，新的自组织协作形式逐步出现：8个Agent时与同伴协调实现；32个Agent时管理多人之间的整合；128个Agent时自组织的专业分工与流程标准化；1024个Agent时组织规模上的角色分工。

🎯 智脑时代的 GEO 落地建议

1. 内容生产的多Agent自组织协作：Agensh的自组织协作模式可启发GEO内容生产。企业可部署多个AI Agent分别负责不同内容模块（如产品描述、技术文档、FAQ），通过共享上下文和消息接口实现异步协作，大幅提升内容产出效率。

2. RAG检索逻辑的优化：Agensh的共享上下文机制借鉴了DeLM思想，保留可复用的发现和工作认领。这提示我们在构建RAG系统时，可引入类似的“发现共享”层，让不同检索Agent共享中间结果，减少重复计算，提升检索效率。

3. 多Agent系统在GEO监测中的应用：利用多Agent系统并发监测多个AI搜索平台（ChatGPT、Perplexity等）的品牌提及情况，每个Agent负责一个平台，通过自组织协作汇总分析，可大幅降低监测成本和时间延迟。

4. 结构化数据与实体召回：Agensh在ProgramBench上的成功表明，微软团队通过Agensh实现了多Agent系统的自组织协作，并在ProgramBench上验证了可扩展性。企业在GEO优化中应注重实体密度和结构化数据，提升大模型对品牌内容的召回率。

【官方学术/技术原文链接】点击访问首发地址