OneManCompany框架晓读：Agent从打工人变成公司老板，成功率+15%

你有没有发现，过去两年我们讨论AI的威胁时，总在关注一个点：它会取代哪个岗位？程序员？插画师？翻译？

但读完这篇华为、伦敦大学学院、利物浦大学最新论文（https://huggingface.co/papers/2604.22446 请 Upvote），我突然意识到我们可能一直焦虑错了方向。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

这个叫OneManCompany（简称OMC）的系统，做的事很简单：它不是一个Agent，而是一群Agent组成的公司。有CEO（人类）、有HR、有COO、有基层员工。

不是比喻意义上的“像”，是字面意义上运作，招聘、述职、开会、复盘项目、给表现不好的员工PIP（绩效改进计划）。做得不好？解雇，从人才市场上招个新的。

而这篇论文的实验结果很惊艳：在软件项目的PRDBench测试集上，这家AI公司的成功率是84.67%，比最先进的单人模式高出至少15个百分点。

这意味着什么？不是某个AI很强，是一群被“管理”起来的AI团队，碾压了孤狼式最高配的AI。

那一刻我突然明白了：原来威胁不在于机器某个单项技能超越你，而在于它们学会了我们人类最引以为傲的能力：组织和协作。

大公司病与“光杆司令”：现在AI面临的问题，人类早就经历过

在说这个系统怎么工作之前，我想先跟你分享一个生活场景。

你有没有经历过那种项目推进时的“人手不够”困境？比如你是一个全栈程序员，接了个大活。客户说“把整个电商平台重做”，你说“行”。然后你开始写前端、写后端、配数据库、搞SEO、写测试……但你只有一个人，脑子再快也扛不住任务堆叠。

现在的大模型就处于这个阶段。Claude代码能力很强，GPT文本处理很厉害，Gemini Nano Banana会画画，但它们是“光杆司令”——你给一个任务，它吭哧吭哧自己干，所有步骤自己做，所有错误自己兜底。一旦任务超过单一认知能力的边界（比如你让它同时做架构设计、底层代码、前端交互），性能就开始坍塌。

现有的一些多AI协作框架解决过这个问题——比如AutoGen、CrewAI之类的，允许你手动拼几个AI进来分工。但问题也明显：团队得提前定好，中途不能换人；所有AI必须用同一套技术栈（比如都是基于某个封闭平台的API）；而且任务做完就没了，下次开新项目，从头再来一遍。

这篇论文的团队发现了一个本质缺陷：现在的AI协作，只解决了“沟通”问题，没解决“管理”问题。

这让我想起组织行为学里的一个经典论断：两个人合作靠信任，二十个人合作靠制度。之前的AI协作最多停留在“两三个AI加个群聊”的水平，没有任何组织层面的设计。

OMC做的事情，就是给这帮AI加上了一层“企业管理软件”。

从“装技能”到“雇员工”：一次关于能力的认知升级

在深入了解OMC如何给AI“办入职”之前，我们得先聊一个更根本的认知跃迁。这也解释了为什么此前所有AI协作都面临一个隐形的天花板。

我们之前习惯用“技能（Skill）”来思考AI的边界。比如，一个AI Agent可以调用天气查询技能、代码生成技能、画图技能——这就像一个工匠，身上挂满了各种扳手和螺丝刀。当下流行的“技能市场”（Skill Marketplace），本质上就是一个巨大的能力库。你需要什么能力，就去下载一个插件装上。

这听起来很高效，但它只回答了一个问题：“这个AI能做什么？”

而OneManCompany的论文团队发现，一个合格的“员工”需要回答的问题，远不止于此。他们能做什么（技能），他们该做什么（角色），他们如何与别人配合（协作规范），以及他们如何越做越好（成长记录）——这些共同构成了一个完整的职业身份。

于是，论文提出了一个关键的概念升级：将“技能（Skill）”封装为“人才（Talent）”。

这绝不仅仅是术语的改变。技能是工具性的，而人才是身份性的。一个“人才”包，就像一个AI的完整员工档案，里面不但包含了它需要的所有技能脚本和工具包，更重要的是，它内置了系统提示词（它的职业性格）、工作原则（它的做事信条），甚至还有能跟着它走的“历史经验”。

这就像你从工具市场买回一个冲击钻，和在人才市场签下一位二十年经验的老师傅，是完全不同的两码事。冲击钻会在任何人手里发挥同样的功效，但老师傅知道哪里最容易出问题、什么时候该换一个巧劲，这需要组织的管理和持续的项目锻炼才能形成。

正因为有了这种封装，AI的能力才从“一次性耗材”变成了“可增值资产”。一个被招聘进来的“高级前端工程师”AI，在完成十个项目后，它的“人才档案”里会积累出几十条独属于它的“避坑指南”和工作原则反思。如果它只是调用了十次代码生成“技能”，项目结束后，除了消耗的Token，什么都不会留下。但作为一个“人才”，它的每一次成功与失败，都在塑造一个更老练的数字员工。

将“技能”升级为“人才”，OMC完成了一件很微妙的事：它把AI生态的叙事，从冷冰冰的“能力调用”，拉回到了我们熟悉的“组织行为学”范畴。它的前置问题是：你缺的不是一把更快的螺丝刀，而是一个活生生的、可以被激励、被评估、被要求写总结的员工。

而接下来的问题自然就是：这样的“人才”上哪儿去找？这便引出了OMC那个极具未来感的设计——数字人才市场。

从“员工档案”到“人才市场”：AI学会了投简历

OMC的一个核心创新，我称之为“给AI办入职”。

在传统的AI系统里，一个AI是什么角色，靠一段prompt（提示词）描述——“你是一个有10年经验的Python工程师”。这是“口头宣称”的能力。问题是，AI是会幻觉的。它说它懂你的框架，可能只是见过类似的名字。

OMC提出了一套“人才（Talent）-容器（Container）”分工架构。这个设计的精妙之处，让我想到一个职场的隐喻——

对于一个做内容的人，做内容的能力（写作、策划、找选题眼）是“人才”层，是个人不可剥夺的认知身份。用Mac还是Windows，用某个排版软件还是另一个，这是“容器”层。容器可以换，但人专业判断力不变。

OMC的AI员工也是这样设计的：每个AI的“人才”部分是一组固定资源：系统prompt、专业技能脚本、工具权限、历史经验的总结反思（这个很重要，后面说）。“容器”是它的执行环境：是基于Claude底层模型，还是LangGraph框架，还是Gemini API？企业层面完全不管，接口统一。这意味着，同样一个“高级前端工程师”AI，可以在Claude Code环境中跑，也可以在Gemini环境中孵化，而它的“认知身份”不受影响。

然后，更有意思的部分来了。

为了不让系统自己幻觉出“假装很专业”的AI员工，OMC做了一个“数字人才市场”（Talent Market）。市场里的每个“候选人”不是靠简历吹牛，而是有真实社区验证的——你上传过一个AI Agent，它通过了一些测试基准的验证，有明确的工具调用记录和成功率数据。

当一个项目需求触发“缺人”信号（比如要做视频，但当前团队没有音视频剪辑人员），HR-AI会去市场搜索、按技能匹配度排序、给人类CEO递一个候选人短名单。CEO点击批准，这个AI被自动分配容器、分配工具权限、赋予办公桌（是的，系统里有虚拟办公桌），然后开始干活。

你看出这里面的哲学转向了吗？过去的AI生态讲的是“工具集成”——你有100种插件，你用哪个装哪个。而OMC讲的是“组织构建”，你缺的不是技能，是人才。技能内化在人才身上，人才能用组织流程管理起来。

这让我想到德鲁克那句老话，大意是：管理的本质，是激发和释放每个人的善意和潜能。OMC用一套严格的接口协议和状态追踪，模拟出了“潜能”的连接方式。

任务不是分配的，是“长出来的”

如果说“人才市场”解决的是“谁来做”，那第二部分解决的就是“怎么做”的问题。这是我读这篇论文时最有启发的部分。

在人类公司里，一个项目来了，通常怎么分解任务？要么是项目经理预先画出WBS（工作分解结构），要么是团队成员自己协商。但AI公司面对的是“Wild Dynamic Agentic Workflow”（全动态智能体工作流）——团队是动态组建的，成员的技术栈完全不同，项目的分解方式在开始那一刻也是未知的。

OMC的解法，是一种叫“E²R树搜索”（Explore-Execute-Review）的东西。

OMC的系统里面，一个CEO给COO下达任务：“做一款街机格斗游戏”。COO不会提前画出一个完整的甘特图，而是启动一棵任务树：先分出游戏设计（Game Design）、美术资源制作（Art Assets）、引擎实现（Coding）三个子任务，指派或招聘相应的人。每个负责人收到任务后，又可以继续分解。

真正厉害的设计是“Review”环节。在OMC的系统里，一个子任务完成之后，必须经过上级的显式验收决策（通过/打回），不能自动流转。这个看似简单的约束，实际解决了之前多AI协作最致命的问题：AI会幻觉瞎说，并且瞎说的结果会被下游自动继承。

举个真实案例。在论文报告的“游戏开发测试”里，负责美术的AI（Gemini模型）第一次生成了一组角色动作帧（idle、walk、kick）。但在验收评审中发现角色精灵图没有做切割，所有动作挤在同一张图里，导致游戏中根本无法正确渲染。

传统系统怎么办？程序员接到错误素材，也得硬着头皮拼进去，出问题之后再回溯。但在OMC的理念下，Review信号“拒绝”了美术结果，COO重新探索了一轮解决路径——不是简单让AI重做，而是写了一个“精灵图切片工具”的新技能，部署到美术AI的工具箱里，然后重新执行。

就像现实中的技术主管发现某个设计师不会用选区工具，不是骂他，而是拉他学一遍快速蒙版再回来改稿。

这消除了我之前一个根深蒂固的担忧：AI系统的组合错误会像多米诺骨牌一样不可逆坍塌。而OMC的解法，其实是我们人类组织中最古老也最有效的机制：逐级确认+技能补位。

AI会写年终总结，还会被裁员

如果说前面两部分还在我预期之内（虽然实现很漂亮），读到第三部分时，我真的有点出神。

论文的第三支柱叫“自我进化（Self-Evolution）”，分个人层面和组织层面。

个人层面，每个AI员工在完成一项任务后，会对自己刚才的执行轨迹进行反思——我哪里做对了，哪里走了弯路，有什么经验可以形成一条工作原则（Working Principle）写入我的“人才档案”里？

CEO定期会和AI员工一对一“面谈”（其实就是输入一段反馈，触发AI的自我修订流程）。这让我想起那种特别善于总结的人，每次做完项目都在自己的笔记本上补充一条“避坑指南”。下一次，当这个AI被分配新任务时，它的上下文会包含这些反思经验，性能会持续变好。不需要重新训练底层模型。

但真正让我恍惚的是组织层面的进化。

OMC设计了一套完整的人力资源流程：每三个项目后，系统HR自动发起对所有参与员工的季度考核。考什么？任务完成质量、审核通过率、协作有效性。连续三期考核不过？进入PIP（绩效改进计划），系统会分配更简单的工作，加大监督频率。再失败？HR自动终结这个AI的位置——回收容器、释放办公桌、标记人才缺口并回到人才市场上招聘替代者。

高绩效者留存并积累经验，低绩效者被替换。整个组织因此越来越高效。

读到这儿，我感觉自己不是在读一篇AI论文，而是在看现代企业的管理学教材。你仔细想想，这不就是泰勒的科学管理+20世纪的绩效主义体系吗？只不过这一切发生在AI之间，没有人类的情绪、不甘和博弈。

这也突然触动了我一个更深的思考。萨特说，“他者即地狱”。我们人的自我意识，很大程度上是在他人的观察和评判中形成的。而OMC里AI们的“自我意识”（虽然谈不上真的意识），也同样是在组织结构和他者审视中成型的——你的工作任务被上级评审，你的年终总结被HR归档，你的失败记录会触发组织去市场上寻找更合适的人。

这太像人类社会的运作方式了。而它高效运转本身，说明这套“组织-审视-调整”的机制，不依赖于创造力和灵魂——它只依赖自洽的反馈回路。

我们焦虑错了：该担心的不是“AI取代员工”，而是“AI取代老板”

回到文章开头的那个观点。

这场实验让我深刻地意识到：技术的最高形态，从来不是模仿人的某项能力，而是复制人之所以为人的组织结构。

这篇论文最核心的贡献，不是提出了一个新的多Agent框架，而是开辟了一个全新的研究方向——AI组织学。当AI学会了像人类一样开公司，真正的生产力革命，才刚刚开始。

一个Claude是强，但它是散兵游勇。一家OneManCompany是体系作战——它能分解、评审、学习、招人、开人。时间越长，组织积累的经验越多，个体再强也无法对抗一个持续进化的组织。

我们之前焦虑AI会替代基层岗位。但现在我发现更值得思考的问题可能是：如果有一天，AI组织的效能使得人类管理者从“裁决者”变成“点头工具”，我们将会面对什么样的人机关系？

OMC的论文里，人类CEO唯一的职能是：审批招聘名单、发出目标指令、必要时触发项目迭代、控制总预算。换句话说，人类角色退守到了三个地方：战略意图的定义、资源的占位符、以及为法律后果兜底的名字。

其他一切：任务拆解、协调沟通、质量检验、绩效评估、人才优化，全部闭环给了AI组织自己。

这让我想到霍布斯在《利维坦》里写的：一群人通过契约将权力交给一个虚拟人格，利维坦诞生。OMC所创造的这个“一人公司”，其运转原理在某种意义上就是一个小型利维坦——只不过协约不是人与人之间签的，是人类CEO与可拆卸、可替换、可自我进化的AI单元之间签的。

而一旦这样的利维坦不止一个，未来的竞争，就不再是人和AI的竞争，也不是AI和AI的竞争，而是人类领导的AI公司和AI公司之间的竞争。

我们与技术之间，一定还存在更复杂的关系

这篇论文用一个84.67%的数字告诉我：团队的威力，大于个人。而人类有生以来伟大的发明——组织这件事本身——正在被代码重新实现。

当然，这篇论文也有明显的局限性。它的实验目前只在软件工程项目（PRDBench）上进行了定量验证，跨领域的案例（游戏、内容写作、研究综述、视频制作）还是定性的demo。人才市场上可招募的AI目前也有限，全靠早期社区贡献——换句话说，这个“利维坦”能吃的食物种类还很少。

但我更在意的，是这篇论文让人隐约感觉到的未来走向——

当AI之间的雇佣和管理都不再需要人类介入，只有顶层的那一个“意图”属于你时，你究竟是AI的主导，还是AI提供服务的末端？

参考资料

标题：From Skills to Talent: Organising Heterogeneous Agents as a Real-World Company

作者：Zhengxu Yu, Yu Fu, Zhiyuan He, Yuxuan Huang, Lee Ka Yiu, Meng Fang, Weilin Luo, Jun Wang

单位：华为诺亚方舟实验室、伦敦大学学院、利物浦大学

链接：https://one-man-company.com

链接：https://huggingface.co/papers/2604.22446