Agensh supera al orquestador central y permite 1.024 agentes de código en Linux
Microsoft Research publica Agensh, un framework de código abierto que elimina el orquestador único y permite coordinar hasta mil veinticuatro agentes de programación en entornos Docker.
Microsoft Research ha puesto a disposición de la comunidad Agensh, una arquitectura descentralizada que permite que cientos de agentes de lenguaje grande (LLM) colaboren en tareas de desarrollo sin depender de un agente líder que asigne y consolide el trabajo. La propuesta rompe con el modelo tradicional de orquestador‑trabajador, ofreciendo una solución que escala de 1 a 1.024 agentes manteniendo coherencia en repositorios Git compartidos.
Arquitectura descentralizada de Agensh
En lugar de un único coordinador, cada trabajador ejecuta el mismo bucle de cinco pasos de forma asíncrona:
- Recolección de contexto: el agente lee el objetivo, el progreso de sus pares y los mensajes de estado.
- Reclamo de sub‑tarea: publica un
CLAIMy resuelve solapamientos mediante mensajes directos. - Ejecución: emplea herramientas locales (por ejemplo
GitHub Copilot CLI) y comparte hallazgos tempranos. - Verificación: comprueba que el resultado cumple los criterios de aceptación.
- Fusión: genera un pull request en el repositorio compartido y notifica la actualización.
Tres servicios externos sostienen la colaboración:
Giteagestiona el repositorio, ramas y conflictos.Mattermostfunciona como canal de comunicación grupal y mensajería directa.- Un tablero de contexto inspirado en DeLM almacena notas tipificadas como
OBSERVED,FACT,FAIL,CLAIMyPATCH_SUMMARY.
El bucle está incrustado en el prompt de cada agente; la única diferencia es su identificador. La infraestructura se despliega con docker-compose sobre Linux, con una configuración predeterminada de 8 trabajadores en un solo nodo. Para la prueba de 1.024 agentes se utilizaron 16 nodos, cada uno ejecutando 64 procesos y con un techo de memoria de 64 GiB por trabajador.
Escalado experimental en ProgramBench
El equipo de Microsoft evaluó Agensh con los cinco problemas más exigentes del benchmark ProgramBench: FFmpeg, GROMACS, Pandoc, PHP‑src y Ctags. Cada agente debía reconstruir el proyecto a partir de su comportamiento observado, trabajando de forma offline durante un máximo de seis horas.
Con el modelo GPT‑5.6‑sol los resultados promedio fueron:
- 1 agente: 19,31 % de pruebas aprobadas
- 8 agentes: 20,68 %
- 32 agentes: 26,52 %
- 128 agentes: 28,78 %
El salto de 1 a 128 agentes generó un aumento de 9,47 puntos, equivalente a un 49 % relativo. En la tarea específica de Pandoc, la tasa de éxito subió de 33,89 % con un solo agente a 55,06 % con 1.024 agentes, alcanzando un pico de 79,59 % cuando se empleó GPT‑6.1‑sol con 32 agentes.
Además de la precisión, la velocidad mejoró notablemente: con 128 agentes, el 30 % de los casos se resolvía en los primeros 30 minutos, mientras que con 32 y 8 agentes los mismos hitos se alcanzaban a los 60 y 90 minutos respectivamente.
Implicaciones para desarrolladores en Latinoamérica y España
El modelo descentralizado abre oportunidades concretas para equipos de desarrollo con recursos limitados. En países como México, Colombia o Argentina, donde el acceso a infraestructuras de nube de gran escala puede ser costoso, la posibilidad de ejecutar cientos de agentes en hardware de rango medio (64 GiB de RAM por nodo) reduce la dependencia de servicios gestionados y permite mantener el código bajo control interno.
En España, la normativa de protección de datos favorece soluciones que eviten la transmisión de código fuente a servidores externos. Al operar sobre una red local de nodos, Agensh facilita el cumplimiento de la Ley Orgánica de Protección de Datos (LOPD) y del Reglamento General de Protección de Datos (RGPD), pues la información sensible nunca abandona el perímetro de la empresa.
Empresas de software y startups que ya utilizan GitHub Copilot CLI pueden integrar Agensh sin cambiar sus flujos de trabajo habituales, simplemente añadiendo los servicios de Gitea y Mattermost a su arquitectura Docker. La adopción de esta pila abierta también fomenta la interoperabilidad con otros marcos, como Claude Code, gracias a los adaptadores ligeros descritos en la documentación.
Retos y próximos pasos
Aunque los resultados son prometedores, el experimento revela limitaciones que aún deben superarse. El rendimiento marginal se estabiliza alrededor de 128 agentes; más allá de ese número, la ganancia en precisión disminuye y la complejidad de gestión de ramas y conflictos aumenta. Asimismo, la latencia de red entre los 16 nodos distribuidos puede convertirse en un cuello de botella en entornos con conectividad menos robusta.
Los autores indican que futuros trabajos explorarán optimizaciones en la estrategia de reclamo de sub‑tareas y en la compresión de contexto, reduciendo el límite de 272 000 tokens de entrada y 128 000 de salida que actualmente impone cada agente. También se prevé la incorporación de mecanismos de auto‑curación de merge conflicts mediante aprendizaje por refuerzo.
Para la comunidad de código abierto, la publicación de Agensh representa una base sólida para experimentar con enjambres de agentes en dominios más allá del desarrollo de software, como pruebas automatizadas, generación de documentación o análisis de datos distribuidos.
En la práctica, los equipos que adopten Agensh deberán planificar cuidadosamente la topología de nodos, equilibrar la carga de memoria y monitorizar la salud de los canales de mensajería. Con una arquitectura bien dimensionada, la herramienta podría reducir significativamente los tiempos de entrega de proyectos complejos, democratizando el acceso a la potencia de cientos de LLM colaborativos.
