Das Competências ao Talento: Organizando Agentes Heterogêneos como uma Empresa do 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
Resumo
As capacidades dos agentes individuais avançaram rapidamente através de módulos de competências e integrações de ferramentas, no entanto, os sistemas multiagente permanecem limitados por estruturas de equipa fixas, lógica de coordenação fortemente acoplada e aprendizagem vinculada à sessão. Argumentamos que isto reflete uma ausência mais profunda: uma camada organizacional fundamentada que governa como uma força de trabalho de agentes é montada, governada e melhorada ao longo do tempo, dissociada do que os agentes individuais sabem. Para preencher esta lacuna, introduzimos a OneManCompany (OMC), uma estrutura que eleva os sistemas multiagente ao nível organizacional. A OMC encapsula competências, ferramentas e configurações de tempo de execução em identidades de agentes portáteis chamadas Talentos, orquestradas através de interfaces organizacionais tipados que abstraem *backends* heterogéneos. Um Mercado de Talentos orientado pela comunidade permite o recrutamento sob demanda, permitindo que a organização colme lacunas de capacidade e se reconfigurar dinamicamente durante a execução. A tomada de decisão organizacional é operacionalizada através de uma pesquisa em árvore Explorar-Executar-Rever (E²R), que unifica o planeamento, a execução e a avaliação num único ciclo hierárquico: as tarefas são decompostas de cima para baixo em unidades responsáveis e os resultados da execução são agregados de baixo para cima para impulsionar uma revisão e um refinamento sistemáticos. Este ciclo fornece garantias formais sobre terminação e ausência de *deadlocks*, ao mesmo tempo que espelha os mecanismos de *feedback* das empresas humanas. Em conjunto, estas contribuições transformam os sistemas multiagente de *pipelines* estáticos e pré-configurados em organizações de IA auto-organizáveis e auto-melhoráveis, capazes de se adaptarem a tarefas de natureza aberta em diversos domínios. A avaliação empírica no PRDBench mostra que a OMC atinge uma taxa de sucesso de 84,67%, superando o estado da arte em 15,48 pontos percentuais, com estudos de caso transdomínio a demonstrarem ainda mais a sua generalidade.
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.