中央オーケストレータを廃したマルチエージェント基盤 Agensh──最大 1,024 エージェントへの拡張と pandoc での正解率 55.06% を実証

論文概要

マルチエージェントシステムにおいて、中央オーケストレータの割り当て・調整能力がスケーラビリティのボトルネックになっている問題に対し、本論文は中央制御を持たない自己組織化型マルチエージェント基盤「Agensh」を提案する。タスク実行時に最大 1,024 エージェントまでのスケーリングを実証し、ProgramBench の最も困難な 5 つのタスク（GPT-5.6-sol 使用）において、1 エージェント時の平均テスト通過率 19.31% から 128 エージェント時に 28.78% へ約 49% の相対的向上を達成した。さらに pandoc タスクでは、1 から 1,024 エージェントへの拡張によりテスト通過率が 33.89% から 55.06% まで向上することを示した。

関連研究

これまでのマルチエージェントハーネス（framework）は、タスクの割り振りを一元管理する中央オーケストレータに依存するアーキテクチャが主流であった。しかし、この構成ではエージェント数が増加した際にオーケストレータの処理能力が限界に達し、全体のスケールアウトを阻む要因となっていた。本研究は、中央集権型の調整メカニズムを排除し、非同期の分散協調ループを採用することで、この制約を克服している。

新規性と貢献

本研究の主要な貢献は、マルチエージェント組織における「エージェント数そのものを新たなスケーリングディメンション（拡張軸）」として位置づけた点にある。単一エージェントの性能向上や小規模な協調にとどまらず、1,024 エージェント規模での組織的知性のスケーリングを実証した。また、組織の規模が拡大するにつれて、自発的な分業や協力形態が段階的に出現・標準化されるプロセスを実証データで示したことも重要な学術的成果である。

提案手法の詳細

Agensh は、中央オーケストレータを置かず、並行稼働するワーカーが非同期の協力ループを回す設計を採用している。このループは「情報の収集」「サブタスクの自己割り当て」「行動の実行と発見の共有」「結果の検証」「進捗のマージ」の各フェーズで構成される。この分散協調を支えるために、以下の 3 つのコンポーネントからなる組織インフラストラクチャを導入している。

• 共有ワークスペース: 提案中、進行中、完了済みの作業を保持する。
• メッセージインターフェース: ワーカー間の通信を仲介する。
• 共有コンテキスト: 再利用可能な発見事項や作業の意図を保持する。

これらの機構により、各ワーカーが自律的に自身の役割を決定し、競合を避けながら大規模な並行処理を完遂できる。

評価・考察

評価では、GPT-5.6-sol (high) をバックボーンに用い、ProgramBench の最難関 5 タスクおよび pandoc の再構築タスクで検証が行われた。

ProgramBench において、エージェント数を 1 から 128 にスケールさせた結果、平均テスト通過率は 19.31% から 28.78% へ上昇した。また、pandoc タスクにおいては 1 から 1,024 エージェントへの拡張に伴い、通過率が 33.89% から 55.06% まで大幅に向上した。ワーカーの軌跡分析からは、組織規模が大きくなるにつれて多様な協力形態が自然発生し、タスク処理が標準化される現象が確認されている。

応用例と今後の展望

本手法は、厳格なレイテンシ制限や厳しい時間予算の下で膨大なコード生成・検証を行う複雑なソフトウェア開発タスクに直接応用できる。日本のソフトウェア開発やテックリード層にとっての実務インパクトとして、数百〜千規模のエージェントを並行駆動する大規模コードベースのリファクタリングやシステムマイグレーション案件において、従来の単一／少人数エージェントでは処理しきれない膨大なコンテキストと検証タスクを短時間で並列消化する基盤設計の指針となる。

結論

本論文は、中央オーケストレータを排除した自己組織化型マルチエージェント基盤 Agensh を提案し、最大 1,024 エージェントへの拡張性を実証した。エージェント数を新たなスケーリング軸として活用することで、複雑なソフトウェア開発タスクにおける性能を大幅に高められることを示した。

注釈

• オーケストレータ: 複数のプロセスやタスクの実行順序・割り当てを中央集権的に管理・制御する仕組み。
• ProgramBench: LLM のコード生成・プログラム合成能力を評価するための複雑なベンチマーク。