最近读到一篇很有意思的论文，来自华为诺亚方舟实验室、UCL和利物浦大学的团队，发布于2026年4月。论文标题叫《From Skills to Talent》，核心想法用一句话概括：把多智能体系统，真正当成一家公司来管理。

打开网易新闻 查看精彩图片

过去几年，单个AI智能体的能力进步很快。Claude Code、Codex这些工具，已经能独立完成相当复杂的编程任务。进步的关键，是模块化技能的生态。你可以给一个智能体装上搜索工具、代码执行工具、邮件工具，像插件一样组合，不需要重新训练模型。

但技能只在单个智能体内部起作用。任务一旦复杂到需要多个智能体协作，麻烦就来了。现有的多智能体框架，比如CrewAI、AutoGen、Paperclip，有几个共同的毛病：团队结构写死了，项目开始前就定好谁做什么，遇到新类型的项目，整套配置就不灵了；不同家族的智能体没法混用，Claude的智能体和LangGraph的智能体，底层运行环境不兼容，没法放在同一个项目里协作；角色靠prompt描述，不靠实际能力，容易产生能力幻觉；自我改进是一次性的，这个项目学到的东西，下个项目全忘了，没有跨项目的知识积累。

这些问题加在一起，论文团队认为，根源是缺少一个组织层。现有系统解决的是"智能体怎么交互"，但没有回答"这支智能体队伍应该怎么组建、管理、进化"。他们把这个缺失的层，叫做AI组织，并给出了一个正式定义：一个由异构智能体组成的自治系统，具备结构化协调、生命周期管理和经验驱动的进化能力。

OMC是他们基于上述思路开发的开源框架。名字有点反直觉，"一人公司"，但意思是：你一个人作为CEO，管理一整支AI员工队伍。系统启动时，有一支创始团队，四个默认员工：HR负责人力资源、EA负责行政和项目管理、COO负责运营、CSO负责销售。CEO是唯一的人类，也是这家AI公司的创建者和维护者。

整个框架建立在三根柱子上。第一根是Talent-Container架构，解决"怎么管理异构智能体"的问题。每个AI员工被拆成两个部分：Talent是这个智能体的"认知身份"，包含角色定义、技能脚本、工具配置、领域知识和基准测试结果；Container是运行环境，目前支持LangGraph、Claude Code、脚本进程三种。两者分离的核心价值：同一个Talent，可以跑在不同的Container上；同一个Container，可以承载不同的Talent。这意味着，Claude的智能体和Gemini的智能体，可以在同一个项目里协作，不需要改任何代码。

第二根柱子是E2R树搜索，解决"怎么把一个大项目拆解并可靠执行"的问题。他们借鉴了MCTS蒙特卡洛树搜索的结构思路，设计了E2R（Explore-Execute-Review）。但有个关键区别：MCTS用模拟估值，E2R用真实执行结果。智能体真的在做事，不是在估算。

E2R有三个阶段：Explore负责决定怎么拆解当前任务、分配给谁；Execute让每个分配到任务的员工通过组织层执行任务，产出结果和成本；Review由父节点的负责人评估，给出accept或reject的质量信号。如果接受，信号向上传播，可能解锁依赖它的下游任务；如果拒绝，系统重新进入Explore，在同一个父节点下探索新的分解方案。

第三根柱子是自我进化机制，解决学习问题。每个智能体维护一个持久的、自动更新的档案，包含跨任务进度日志和LLM总结的工作原则。项目结束后，COO主持复盘会议，把自我评估加上客观信号，提炼成两个输出：个人反馈更新每个员工的工作原则，组织SOP把有效模式编码成文档。组织知识跨项目积累，不局限于单个智能体的记忆。

每三个项目，HR智能体自动对每个参与员工发起定期绩效评估。连续三次评估不合格，进入PIP绩效改进计划；PIP期间再次不合格，触发自动离职，Container被注销，工位释放，能力缺口被标记，等待从Talent Market重新招募。这个生命周期管理，把Talent Market和组织进化连成了一个闭环。

在PRDBench上测试，这是一个包含50个项目级软件开发任务的基准。OMC的成功率达到了84.67%，比单智能体的最佳结果高出15.48个百分点。三个设计决策对这个结果贡献最大：动态任务树根据中间结果调整分解；completed到accepted的审查门减少幻觉输出和错误级联；Container-Talent分离允许在同一个项目里招募不同家族的智能体。

代价是成本：50个任务花了345美元，平均每个任务约6.9美元。论文也承认这个开销不小，适合复杂项目，简单任务可以走单智能体路径。OMC因此引入了自适应调度模式，CEO可以根据任务复杂度选择路由方式。

这篇论文最有趣的地方，不是技术细节，而是它提出的一个根本问题：当我们谈论"多智能体系统"时，我们到底在谈什么？是几个智能体凑在一起聊天，还是一支真正有组织、有管理、能进化的队伍？OMC选择了后者，而且给出了一个相当完整的实现。这可能预示着AI应用开发的下一个阶段：从"怎么让单个智能体更聪明"，转向"怎么让一群智能体更有效"。