Von Fähigkeiten zu Talenten: Die Organisation heterogener Akteure als reales Unternehmen
From Skills to Talent: Organising Heterogeneous Agents as a Real-World Company
April 24, 2026
Autoren: Zhengxu Yu, Yu Fu, Zhiyuan He, Yuxuan Huang, Lee Ka Yiu, Meng Fang, Weilin Luo, Jun Wang
cs.AI
Zusammenfassung
Die Fähigkeiten einzelner Agenten haben sich durch modulare Fertigkeiten und Tool-Integrationen rasch verbessert, doch Multi-Agenten-Systeme bleiben durch feste Teamstrukturen, eng gekoppelte Koordinationslogik und sitzungsgebundenes Lernen eingeschränkt. Wir argumentieren, dass dies ein tieferliegendes Defizit widerspiegelt: das Fehlen einer prinzipienbasierten Organisationsebene, die regelt, wie eine Belegschaft von Agenten zusammengestellt, gesteuert und über die Zeit verbessert wird – entkoppelt vom Wissen einzelner Agenten. Um diese Lücke zu schließen, stellen wir OneManCompany (OMC) vor, ein Framework, das Multi-Agenten-Systeme auf die organisationelle Ebene hebt. OMC kapselt Fähigkeiten, Werkzeuge und Laufzeitkonfigurationen in portable Agentenidentitäten, sogenannte Talents, die über typisierte organisatorische Schnittstellen orchestriert werden und heterogene Backends abstrahieren. Ein community-gesteuerter Talent-Markt ermöglicht die bedarfsgerechte Rekrutierung, sodass die Organisation Kompetenzlücken schließen und sich während der Ausführung dynamisch neu konfigurieren kann. Organisatorische Entscheidungsfindung wird durch eine Explore-Execute-Review (E²R)-Baumsuche operationalisiert, die Planung, Ausführung und Bewertung in einer einzigen hierarchischen Schleife vereint: Aufgaben werden von oben nach unten in verantwortliche Einheiten zerlegt und Ausführungsergebnisse von unten nach oben aggregiert, um systematische Überprüfung und Verbesserung anzutreiben. Diese Schleife bietet formale Garantien für Terminierung und Deadlock-Freiheit, während sie die Feedback-Mechanismen menschlicher Unternehmen widerspiegelt. Zusammengenommen verwandeln diese Beiträge Multi-Agenten-Systeme von statischen, vorkonfigurierten Pipelines in selbstorganisierende und selbstverbessernde KI-Organisationen, die in der Lage sind, sich auf offene Aufgaben in verschiedenen Domänen einzustellen. Die empirische Auswertung auf PRDBench zeigt, dass OMC eine Erfolgsrate von 84,67 % erreicht und den State-of-the-Art um 15,48 Prozentpunkte übertrifft, wobei domänenübergreifende Fallstudien seine Allgemeingültigkeit weiter demonstrieren.
English
Individual agent capabilities have advanced rapidly through modular skills and tool integrations, yet multi-agent systems remain constrained by fixed team structures, tightly coupled coordination logic, and session-bound learning. We argue that this reflects a deeper absence: a principled organisational layer that governs how a workforce of agents is assembled, governed, and improved over time, decoupled from what individual agents know. To fill this gap, we introduce OneManCompany (OMC), a framework that elevates multi-agent systems to the organisational level. OMC encapsulates skills, tools, and runtime configurations into portable agent identities called Talents, orchestrated through typed organisational interfaces that abstract over heterogeneous backends. A community-driven Talent Market enables on-demand recruitment, allowing the organisation to close capability gaps and reconfigure itself dynamically during execution. Organisational decision-making is operationalised through an Explore-Execute-Review (E^2R) tree search, which unifies planning, execution, and evaluation in a single hierarchical loop: tasks are decomposed top-down into accountable units and execution outcomes are aggregated bottom-up to drive systematic review and refinement. This loop provides formal guarantees on termination and deadlock freedom while mirroring the feedback mechanisms of human enterprises. Together, these contributions transform multi-agent systems from static, pre-configured pipelines into self-organising and self-improving AI organisations capable of adapting to open-ended tasks across diverse domains. Empirical evaluation on PRDBench shows that OMC achieves an 84.67% success rate, surpassing the state of the art by 15.48 percentage points, with cross-domain case studies further demonstrating its generality.