Microsoft Rilis Framework Agensh: Sistem Multi-Agen Terdesentralisasi Mampu Koordinasikan 1.024 Bot Coding
Bacotan Online – Divisi riset kecerdasan buatan Microsoft Research resmi merilis repositori kode terbuka (open-source) dari framework Agensh, sebuah arsitektur orkestrasi multi-agen berskala masif yang mampu mengoordinasikan hingga 1.024 agen pemrograman otonom secara terdesentralisasi tanpa bergantung pada satu model pemimpin (central orchestrator). Kerangka kerja inovatif yang dipublikasikan pada akhir pekan ini dirancang khusus untuk mendobrak batasan batas komputasi (orchestrator ceiling) yang selama ini menjadi penghambat utama efisiensi komputasi pada sistem agen multi-pekerja konvensional seperti Claude Code, Codex, dan Copilot fleet. Berdasarkan pengujian tolok ukur ProgramBench pada basis kode perangkat lunak berukuran puluhan ribu berkas, Agensh berhasil memangkas waktu penyelesaian proyek rekayasa perangkat lunak kompleks hingga ke tingkat resolusi kode 79,59 persen.
Selama beberapa tahun terakhir, pengembangan sistem multi-agen AI bertumpu pada pola orkestrator tunggal (orchestrator-worker design). Dalam model ini, sebuah agen kepala bertugas memecah perintah besar menjadi sub-tugas kecil, menugaskannya kepada agen pekerja, memvalidasi hasil kerja, dan menggabungkan potongan kode ke cabang utama. Namun, seiring bertambahnya jumlah pekerja, model orkestrator mengalami kemacetan parah akibat keterbatasan jendela konteks, latensi penjadwalan beruntun, serta kerentanan titik kegagalan tunggal (single point of failure). Pendekatan Agensh menghapus peran sentral tersebut secara menyeluruh, menggantikannya dengan protokol konsensus terdistribusi yang terinspirasi dari alur kerja rekayasa perangkat lunak tim manusia modern. Terobosan ini sekaligus memperkuat integrasi keselamatan piranti lunak sebagaimana protokol isolasi dan sandbox keamanan sistem agen otonom yang menjadi prasyarat eksekusi beban kerja AI di infrastruktur perusahaan.
Dekomposisi Loop Lima Tahap dan Eliminasi Kemacetan Orkestrator Sentral
Keunggulan utama Agensh terletak pada mekanisme koordinasi mandiri berbasis prompt yang dijalankan oleh setiap agen pekerja secara asinkron. Framework ini tidak mengandalkan logika orkestrasi runtime eksternal yang rumit, melainkan menanamkan alur koordinasi lima tahap (five-step cooperation loop) langsung ke dalam instruksi dasar model penalaran. Setiap agen otonom yang tergabung dalam kluster menjalankan siklus kerja terstandarisasi yang terdiri dari pengumpulan konteks (Gather context), klaim sub-tugas (Claim sub-task), eksekusi tindakan teknis (Take action), verifikasi kriteria penerimaan (Verify results), dan penggabungan progres kerja (Merge progress).
Untuk menghubungkan ratusan agen tanpa server koordinator khusus, Microsoft membangun tumpukan infrastruktur pendukung yang memanfaatkan perangkat lunak kolaborasi standar industri di dalam kontainer Docker terisolasi. Repositori kode bersama dikelola menggunakan server Gitea mandiri yang memfasilitasi pembuatan cabang kerja lokal (feature branches), pengajuan pull request (PR), dan penyelesaian konflik penggabungan kode (merge conflicts) secara terprogram. Komunikasi antar-agen difasilitasi melalui instans Mattermost internal yang menyediakan saluran publik proyek untuk siaran status bersama, serta saluran pesan langsung (direct message) terenkripsi antarpasangan agen guna menegosiasikan pembagian wilayah kode dan mencegah benturan tugas secara instan.
Lapisan kolaborasi tersebut disempurnakan dengan papan konteks bersama (shared context board) yang diadaptasi dari arsitektur DeLM. Papan konteks ini bertindak sebagai memori operasional global di mana setiap pekerja mempublikasikan catatan berlabel terstruktur. Label catatan ini mencakup informasi temuan observasi sistem (OBSERVED), parameter fakta lingkungan (FACT), rincian kegagalan pengujian (FAIL), status reservasi modul kode (CLAIM), serta rangkuman modifikasi berkas (PATCH_SUMMARY). Melalui papan terstruktur ini, agen lain dapat membaca progres rekan kerja secara instan tanpa harus membuang token penalaran untuk mengurai seluruh riwayat eksekusi mentah.
Skalabilitas 1.024 Node pada ProgramBench dan Efisiensi Rekonstruksi Kode 26 Ribu Berkas
Efektivitas arsitektur terdesentralisasi Agensh dibuktikan melalui pengujian empiris ketat pada ProgramBench, rangkaian tolok ukur rekayasa perangkat lunak tingkat lanjut yang menguji kemampuan agen AI merekonstruksi aplikasi sistem berskala penuh dari spesifikasi perilaku dan log eksekusi. Tim peneliti Microsoft menguji Agensh pada lima basis kode paling menantang di industri perangkat lunak, meliputi pemroses multimedia FFmpeg, simulator dinamika molekuler gromacs, pengonversi dokumen pandoc, interpreter bahasa PHP-src, serta parser kode ctags. Rentang ukuran repositori yang diuji sangat masif, berkisar antara 2.767 berkas pada pandoc hingga 26.266 berkas pada repositori inti PHP-src.
Pengujian dilakukan secara berjenjang mulai dari konfigurasi 1 agen, 8 agen dalam satu node lokal, hingga kluster terdistribusi masif berisi 1.024 agen yang disebar di 16 node server (masing-masing menampung 64 agen paralel). Setiap agen pekerja dibekali alokasi memori RAM hingga 64 GiB, plafon konteks masif 272.000 token input, serta jendela generasi 128.000 token output di bawah batasan waktu eksekusi ketat selama enam jam per proyek. Seluruh pengujian berjalan sepenuhnya di lingkungan tertutup tanpa konektivitas internet terbuka.
Hasil pengujian menunjukkan akselerasi penyelesaian tugas yang spektakuler. Pada pengujian basis kode pandoc menggunakan model dasar GPT-6.1-sol, konfigurasi 32 agen Agensh berhasil mencetak tingkat kelulusan fungsionalitas sebesar 79,59 persen. Bahkan pada model GPT-5.6-sol yang diuji pada skala ekstrem 1.024 agen, tingkat kelulusan rekonstruksi kode mampu menyentuh angka 55,06 persen. Kendati demikian, laporan riset Microsoft mencatat batas efisiensi marjinal: pada tingkat kesulitan tinggi di mana rata-rata lima tugas berada di angka 28,78 persen pada konfigurasi 128 agen, penambahan dari 1 ke 8 pekerja awal hanya memberikan peningkatan skor 1,37 poin. Hal ini menegaskan bahwa skalabilitas multi-agen terdesentralisasi memberikan keuntungan optimal terutama pada arsitektur proyek modular yang memiliki batas komponen yang tegas.
Pertanyaan yang Kerap Diajukan (FAQ) Terkait Framework Agensh Microsoft
1. Mengapa Microsoft Research memilih untuk meniadakan orkestrator pusat pada sistem Agensh?
Peniadaan orkestrator pusat bertujuan mengatasi kendala ‘orchestrator ceiling’. Pada sistem hierarkis tradisional, satu agen pemimpin harus membaca semua hasil kerja, membagi instruksi, dan menyelesaikan konflik kode. Seiring penambahan jumlah agen pekerja, beban kognitif dan kuota token orkestrator menjadi titik kemacetan (bottleneck) fatal yang melambatkan eksekusi dan meningkatkan biaya komputasi.
2. Bagaimana cara kerja agen Agensh dalam mencegah benturan saat mengedit berkas kode yang sama?
Agensh mengombinasikan tiga mekanisme koordinasi: pertama, agen menerbitkan label CLAIM pada papan konteks bersama sebelum menyentuh modul tertentu; kedua, jika ada dua agen yang berniat mengedit berkas bertetangga, mereka berkomunikasi lewat pesan langsung Mattermost untuk menyepakati batasan; ketiga, integrasi alur kerja Git (Gitea) dengan pembuatan cabang fitur dan pull request memastikan konflik penggabungan diselesaikan secara prosedural.
3. Apakah framework Agensh hanya kompatibel dengan model bahasa buatan Microsoft dan OpenAI?
Tidak. Meskipun eksperimen tolok ukur ProgramBench memanfaatkan CLI GitHub Copilot dan model frontier OpenAI, arsitektur Agensh dirancang agnostik model. Peneliti Microsoft menyediakan adaptor lapisan tipis (thin adapters) yang memungkinkan Agensh dihubungkan ke berbagai harness agen lain di pasar, termasuk Claude Code, model sumber terbuka DeepSeek, maupun agen berbasis antarmuka baris perintah kustom.
