Microsoft apre uno strumento che permette a 1.024 agenti di programmazione AI di lavorare insieme senza un capo
Significa che l'AI può affrontare compiti di programmazione più grandi più velocemente, lasciando che dozzine o centinaia di agenti si coordinino da soli.

Un sistema libero che permette a centinaia di programmi di AI di collaborare per scrivere codice senza un supervisore che dà ordini.
- Ogni agente legge l'obiettivo e quello che stanno facendo gli altri.
- Un agente riceve un piccolo compito in un canale condiviso.
- Scrive codice e controlla se rispetta l'obiettivo.
- I progressi vengono combinati nel progetto condiviso.
Cosa si può fare con questo strumento
- Un ricercatore potrebbe testare come gli agenti di codifica AI cooperano scalando un team da un agente a 1.024 agenti che ricostruiscono veri programmi open-source come Pandoc e FFmpeg 1.
- Uno sviluppatore potrebbe lasciare che dozzine di agenti AI si coordinino da soli per affrontare compiti di programmazione più grandi e costruire software più velocemente 1.
- Un ricercatore potrebbe studiare come ruoli utili come integratori e revisori emergano naturalmente tra i lavoratori senza essere programmati 1.
Un team senza un manager
La maggior parte dei sistemi multi-agent utilizza un agente leader che pianifica il lavoro, assegna i compiti e combina i risultati — come un project manager. Agensh rimuove completamente questo capo centrale. Ogni agente lavoratore sceglie indipendentemente il proprio sub-task, condivide ciò che trova e unisce il codice in un repository Git condiviso 1.
Il sistema è stato testato su ProgramBench, un benchmark dove gli agenti ricostruiscono veri programmi open-source come Pandoc, FFmpeg e PHP partendo da zero basandosi sul loro comportamento. Il team di Microsoft ha scalato la configurazione da un solo agente fino a 1.024 agenti simultaneamente 1.
Come cooperano gli agenti
Ogni lavoratore segue lo stesso ciclo di cinque passaggi, eseguendolo contemporaneamente a tutti gli altri: raccoglie il contesto riguardo all'obiettivo e a cosa stanno facendo i colleghi, rivendica un sub-task pubblicando in un canale condiviso, ci lavora usando i suoi strumenti, verifica il risultato contro i criteri di accettazione e unisce i progressi nel repository di codice condiviso prima di ripetere 1.
Tre semplici servizi collegano i lavoratori: Gitea ospita lo spazio di lavoro condiviso con branch e revisioni del codice, Mattermost gestisce i messaggi del team e le chat dirette per collisioni urgenti, e una lavagna di contesto condivisa memorizza note con etichetta: OBSERVED, FACT, FAIL, CLAIM e PATCH_SUMMARY 1.
La coordinazione risiede dentro il prompt dato a ogni agente, non in codice runtime speciale. Gli esperimenti hanno usato GitHub Copilot CLI come ambiente di base, anche se i ricercatori dicono che altri sistemi come Claude Code potrebbero essere collegati con adattatori leggeri 1. Ogni lavoratore riceve un input da 272.000 token e ha un limite di output da 128.000 token .
Grandi guadagni su larga scala
Sui cinque compiti più difficili di ProgramBench, aggiungendo più agenti, hanno migliorato gradualmente i risultati 1. Usando GPT-5.6 Sol con alto sforzo di ragionamento, il tasso di superamento medio su tutti e cinque i compiti è salito dal 19,31% con un agente al 28,78% con 128 agenti — un guadagno di circa il 49% in termini relativi .
Sul compito Pandoc nello specifico, i punteggi sono saliti dal 33,89% (un agente) al 55,06% (1.024 agenti) 1. Anche la velocità è migliorata: con 128 agenti, il 30% dei test Pandoc è passato entro 30 minuti, mentre 32 e 8 agenti hanno avuto bisogno rispettivamente di 60 e 90 minuti per raggiungere lo stesso checkpoint .
Un modello più recente, GPT-6.1 Sol, ha spinto il punteggio Pandoc al 79,59% con soli 32 agenti — un miglioramento relativo del 41,64% rispetto a un singolo agente 1. Queste cifre GPT-6.1 non sono incluse nel paper di ricerca originale .
I ruoli sono emersi da sé
I ricercatori hanno tracciato come si sono comportati gli agenti man mano che il team cresceva e hanno scoperto che ruoli utili si sono formati naturalmente senza essere programmati 1. Con otto agenti, i colleghi hanno concordato sulle interfacce e risolto rivendicazioni sovrapposte attraverso messaggi diretti. A 32 agenti, i lavoratori hanno iniziato a revisionare il lavoro condiviso degli altri. A 128 agenti, hanno standardizzato un protocollo di integrazione e riutilizzato revisori fidati. A 1.024 agenti, alcuni lavoratori hanno agito come integratori mentre altri hanno recuperato lavoro fallito .
Eseguire Agensh da soli
Il rilascio include una configurazione su un unico nodo che esegue otto lavoratori di default e una baseline a singolo agente, entrambi usando Docker Compose su Linux 1. Sono richiesti Docker Engine, Compose v2, systemd, cgroup v2 e Python 3.11 o successivo, più un'installazione di ProgramBench e un token API del modello . Le istruzioni complete sono nella guida alla riproduzione . Il codice è rilasciato sotto licenza MIT, anche se i ricercatori non hanno divulgato i costi dei token .
Come si confronta
| Funzionalità | Agensh | Team Claude Code | Kimi Agent Swarm |
|---|---|---|---|
| Coordinamento | Nessun orchestratore; i colleghi si autoassegnano i compiti | Agente leader fisso | L'orchestratore scompone i compiti |
| Agent testati | Fino a 1.024 | 3–5 consigliati | Fino a 100 |
| Stato condiviso | Repository Gitea + lavagna di contesto | Elenco compiti condiviso con blocco file | Non divulgato |
| Disponibilità | Open source, MIT | In Claude Code, sperimentale | Abbonati di livello superiore |
Dati dal rilascio di Microsoft Research 1.
Questa notizia segnala un trend solo a scopo informativo. Non è un consiglio né un incoraggiamento a fare nulla di tutto ciò.
Quanto è valido
I ricercatori di Microsoft hanno testato Agensh su ProgramBench, dove gli agenti ricostruiscono veri programmi open-source partendo da zero 1. Con GPT-5.6 Sol a alto sforzo di ragionamento, il tasso di superamento medio sui cinque compiti più difficili è salito dal 19,31% con un agente al 28,78% con 128 agenti, un guadagno di circa il 49% in termini relativi . Sul compito Pandoc nello specifico, i punteggi sono saliti dal 33,89% con un agente al 55,06% con 1.024 agenti . Anche la velocità è migliorata: 128 agenti hanno superato il 30% dei test Pandoc entro 30 minuti, mentre 32 e 8 agenti hanno avuto bisogno di 60 e 90 minuti per raggiungere lo stesso checkpoint .
I fatti principali
- Microsoft ha reso open-source Agensh, un sistema multi-agent in grado di gestire fino a 1.024 agenti di codifica senza coordinatore centrale
- Su ProgramBench, 128 agenti hanno aumentato il tasso di superamento medio dal 19,31% al 28,78% con GPT-5.6 Sol
- GPT-6.1 Sol con 32 agenti ha raggiunto il 79,59% sul compito Pandoc, un miglioramento del 41,64% rispetto a un agente
- Agensh gira su Linux con Docker Compose, usando Gitea, Mattermost e una lavagna di contesto condivisa
- Il codice è sotto licenza MIT; i costi dei token non sono stati divulgati
Fonti
- Microsoft Open-Sources Agensh: A Multi-Agent Harness for 1,024 Agents — marktechpost.com
Se questa notizia riguarda te o la tua azienda, o usa qualcosa che ti appartiene, chiedi una correzione o la rimozione. Come funzionano le richieste
Continua a leggere
Nuovi modelliMicrosoft lancia Decision-1, un modello di AI rapido che valuta le risposte invece di scriverleHerald of AI
Microsoft lancia Decision-1, un modello di AI rapido che valuta le risposte invece di scriverle
Il nuovo modello aiuta il software a prendere decisioni rapide — come instradare un ticket di supporto o verificare se un contenuto è sicuro — con una frazione dei tempi e dei costi rispetto ai normali chatbot.
Carbon-X di Hugging Face legge il DNA come un linguaggio e risponde in inglese
Un modello open source permette a chiunque di chattare con codice genetico grezzo — a una frazione del costo dei migliori strumenti a pagamento.
App e prodottiFactory Droid 1.0 rende gli agenti di programmazione con AI più veloci ed economici con un nuovo approccio 'programmatico'Herald of AI
Factory Droid 1.0 rende gli agenti di programmazione con AI più veloci ed economici con un nuovo approccio 'programmatico'
L'ultimo aggiornamento permette a una singola richiesta di AI di eseguire centinaia di passaggi in una volta, riducendo i costi e migliorando i risultati sui compiti di programmazione complessi.