De las habilidades al talento: organización de agentes heterogéneos como una empresa del mundo real
From Skills to Talent: Organising Heterogeneous Agents as a Real-World Company
April 24, 2026
Autores: Zhengxu Yu, Yu Fu, Zhiyuan He, Yuxuan Huang, Lee Ka Yiu, Meng Fang, Weilin Luo, Jun Wang
cs.AI
Resumen
Las capacidades de los agentes individuales han avanzado rápidamente mediante habilidades modulares e integraciones de herramientas, sin embargo, los sistemas multiagente siguen limitados por estructuras de equipo fijas, lógica de coordinación estrechamente acoplada y aprendizaje ligado a sesiones. Sostenemos que esto refleja una ausencia más profunda: una capa organizativa basada en principios que gobierne cómo se ensambla, gobierna y mejora una fuerza laboral de agentes a lo largo del tiempo, desacoplada de lo que los agentes individuales saben. Para llenar este vacío, presentamos OneManCompany (OMC), un marco que eleva los sistemas multiagente al nivel organizativo. OMC encapsula habilidades, herramientas y configuraciones de tiempo de ejecución en identidades de agente portátiles llamadas Talentos, orquestadas a través de interfaces organizativas tipadas que abstraen backends heterogéneos. Un Mercado de Talentos impulsado por la comunidad permite la contratación bajo demanda, permitiendo que la organización cubra brechas de capacidad y se reconfigure dinámicamente durante la ejecución. La toma de decisiones organizativa se operativiza mediante una búsqueda en árbol Explorar-Ejecutar-Revisar (E²R), que unifica la planificación, ejecución y evaluación en un único bucle jerárquico: las tareas se descomponen de arriba hacia abajo en unidades responsables y los resultados de la ejecución se agregan de abajo hacia arriba para impulsar una revisión y refinamiento sistemáticos. Este bucle proporciona garantías formales sobre la terminación y la ausencia de interbloqueos, a la vez que refleja los mecanismos de retroalimentación de las empresas humanas. En conjunto, estas contribuciones transforman los sistemas multiagente de pipelines estáticos y preconfigurados en organizaciones de IA auto-organizativas y auto-mejorables, capaces de adaptarse a tareas de final abierto en diversos dominios. La evaluación empírica en PRDBench muestra que OMC alcanza una tasa de éxito del 84.67%, superando el estado del arte en 15.48 puntos porcentuales, y los estudios de casos cross-domain demuestran aún más su generalidad.
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.