Microsoft libera Agensh, harness para 1.024 agentes de IA

Tecnologia

Microsoft Research lança ferramenta open source para coordenar múltiplos agentes de IA em projetos complexos.

Leia também: List of digital wallets: 7 apps que revolucionam seus pagamentos

A Microsoft Research liberou o código do Agensh, um Microsoft Agent Framework agent harness multi-agente que coordena até 1.024 agentes de inteligência artificial em tarefas complexas de programação, dispensando o tradicional orquestrador central e prometendo ganhos expressivos de escala, qualidade e velocidade.

O que é o Agensh da Microsoft e como ele funciona?

O Agensh é um harness multi-agente open-source da Microsoft Research que permite que dezenas ou centenas de agentes de IA trabalhem juntos no mesmo projeto de código sem um “chefe” central. Em vez de um agente líder planejando e distribuindo tarefas, cada agente decide o que fazer, compartilha descobertas, conversa com os demais e faz commits em um repositório Git comum.

Segundo a equipe de pesquisa, “o Agensh permite que os trabalhadores façam a coordenação entre si, eliminando a necessidade de um agente líder”. Todos os agentes recebem o mesmo prompt — mudando apenas o identificador — e executam um loop idêntico de cinco passos, de forma concorrente e assíncrona. Esse loop não fica “escondido” em código de runtime: ele é descrito no próprio prompt, o que facilita adaptação e experimentos.

Na prática, o Agensh se apoia em três serviços principais. O Gitea hospeda o repositório Git compartilhado, com branches, pull requests e resolução de conflitos. O Mattermost funciona como canal de equipe e de mensagens diretas para avisos urgentes entre agentes. Um quadro de contexto compartilhado, adaptado da ferramenta DeLM, guarda notas tipadas — como OBSERVED, FACT, FAIL, CLAIM e PATCH_SUMMARY — que ajudam os agentes a manter memória estruturada do que está acontecendo no projeto.

O Microsoft agents AI Harness é construído sobre um harness de agente único e, nos testes, foi integrado ao GitHub Copilot CLI. A arquitetura, porém, foi pensada para receber outros frameworks de agente com adaptadores finos, como Claude Code, e modelos GPT via API, incluindo variantes como GPT-5.6-sol e GPT-6.1-sol para raciocínio avançado.

Como o Agensh suporta até 1.024 agentes simultâneos?

O Agensh suporta 1.024 agentes simultâneos porque distribui a coordenação entre os próprios agentes, tirando do caminho o gargalo de um orquestrador central. Cada um roda o mesmo loop de 5 passos, decide que parte do código atacar, consulta o contexto compartilhado, conversa com outros agentes quando necessário e faz alterações no repositório Git comum.

Nos experimentos com o conjunto de desafios ProgramBench, a equipe escalou o sistema de 1 para 1.024 agentes em cinco tarefas consideradas das mais difíceis: FFmpeg, gromacs, pandoc, PHP-src e ctags. Em todos os casos, os agentes trabalharam offline por até 6 horas, tentando reconstruir programas complexos a partir do comportamento observado, com repositórios que vão de 2.767 arquivos (pandoc) a 26.266 arquivos (PHP-src).

Os resultados mostram que o aumento de escala não é só teórico. No desafio com o pandoc, por exemplo, a taxa média de testes aprovados subiu de 33,89% com 1 agente para 55,06% com 1.024 agentes — um ganho relativo de cerca de 49%. Com o modelo GPT-6.1-sol, o mesmo pandoc foi de 56,19% com 1 agente para 79,59% com 32 agentes, um salto relativo de 41,64%, de acordo com a pesquisa.

A velocidade também melhora. Ainda no pandoc, 128 agentes alcançaram 30% de aprovação em 30 minutos; configurações com 32 e 8 agentes precisaram de 60 e 90 minutos, respectivamente, para bater a mesma marca. Isso indica que a coordenação distribuída consegue aproveitar o aumento de agentes sem colapsar em sobrecarga de comunicação.

Entenda o contexto

Frameworks tradicionais de agentes de IA usam um desenho de orquestrador-trabalhador: um agente líder planeja, distribui sub-tarefas, recebe resultados e faz o merge do que foi produzido. Esse modelo, adotado em diferentes variações por times de código baseados em agentes, sofre de um limite prático de escala. Quanto mais trabalhadores entram, mais o líder vira gargalo de comunicação e decisão.

O Agensh ataca justamente esse “teto do orquestrador”. Em vez de papéis rígidos de gerente e executores, os agentes assumem funções emergentes durante a execução. A equipe de pesquisa acompanhou as trajetórias dos agentes e identificou comportamentos de especialistas em testes, depuradores, coordenadores de merge e exploradores de código, mas concluiu: “nenhum desses papéis foi codificado explicitamente”. Eles surgem da dinâmica de colaboração, não de regras pré-programadas.

Para desenvolvedores e times de pesquisa em IA, isso abre espaço para sistemas multi-agente mais flexíveis, capazes de se reorganizar conforme o andamento do projeto, e potencialmente mais robustos a falhas individuais de agentes ou a mudanças inesperadas nas tarefas.

Como o Agensh pode ser utilizado em projetos de inteligência artificial?

O Agensh pode ser usado hoje como base para projetos de inteligência artificial voltados à programação assistida e à automação de manutenção de código em larga escala. O pacote inclui uma configuração Docker Compose para um time em nó único e um baseline de agente único, permitindo comparar diretamente o desempenho centralizado e o descentralizado.

Em termos práticos, o ambiente exige Linux com Docker Engine e Compose v2, systemd, cgroup v2 e Python 3.11 ou superior, além da instalação validada do ProgramBench (versão 1.2.5) e de um token de API para o modelo de linguagem usado. A configuração padrão vem com 8 agentes, limite de 6 horas por tarefa e uso de GPT-5.6-sol em modo de alto esforço de raciocínio, mas esses parâmetros podem ser ajustados.

Entre aplicações possíveis estão times de agentes encarregados de portar bibliotecas grandes para novas plataformas, refatorar bases de código legadas, reproduzir funcionalidades a partir de binários ou comportamentos observados e manter projetos com dezenas de milhares de arquivos. A expectativa da Microsoft Research é que a comunidade adapte o harness para outros domínios além de código — como análise de dados ou engenharia de software orientada a testes.

Asif Razzaq, CEO da Marktechpost AI Media Inc., tem destacado o potencial do Agensh como um marco na inteligência artificial aplicada à programação e defende que ferramentas open-source como essa aceleram a disseminação de conhecimento técnico aprofundado para uma comunidade global que já reúne, por exemplo, 150 mil membros em fóruns especializados de machine learning.

Onde posso acessar o código aberto do Agensh no GitHub?

O código aberto do Agensh está disponível em um repositório público no GitHub mantido pela Microsoft Research, acompanhado de documentação detalhada, artigo científico e página do projeto. O pacote traz scripts de deploy com Docker, guia passo a passo de reprodução dos experimentos no ProgramBench e exemplos de integração com o GitHub Copilot CLI.

A equipe incentiva que desenvolvedores e pesquisadores clonem o repositório, rodem os experimentos por conta própria e proponham melhorias via pull requests. Atualizações e discussões técnicas também são divulgadas em canais especializados e redes sociais, o que deve acelerar a evolução do harness e o surgimento de novas aplicações para o modelo de coordenação descentralizada em sistemas multi-agente.