多智能体系统（MAS）结合大语言模型在代码生成、数学推理和问答等任务上表现突出。现有的 MAS 自动化方法大多在任务层面工作，为每个基准生成单一固定工作流，并对所有查询统一使用，这在真实场景中难以适用，因为查询难度在同一任务内部差异显著，且实际负载往往混合多种任务类型。OOPMAS 提出一种无需训练的框架，能够在单个查询粒度上同时生成智能体集合和协同工作流。每个智能体用面向对象的类定义表示，包含专属角色、工具和持久状态；工作流则通过可执行的 main 函数在这些智能体对象上运行。系统维护一个动态技能库，随着优化轮次的执行反馈不断累积结构化经验，实现基于上下文的改进，无需梯度更新或微调。实验在覆盖代码、数学和问答三类查询的混合任务基准上进行，OOPMAS 达到 89.6% 的准确率，较最强基线提升 18.1 个百分点。进一步的模型替换实验在四种 LLM 骨干模型上均表现出一致的规模效应，使用最强模型时准确率提升至 92.4%。
点评：OOPMAS 通过面向对象的抽象和动态技能库，实现了查询级别的灵活编排，显著提升了多任务环境下的 MAS 效能，为大模型驱动的系统设计提供了新思路。