📖标题：Omni-IO Skills: Harnessing Your Agent Omni-Native🌐来源：arXiv, 2609.31847v1🛎️文章简介🔸研究问题：现有的通用智能体虽然擅长规划和推理，但在处理文本、图像、音频、视频、3D等多模态内容时能力碎片化，且依赖昂贵的模型更新或复杂的工具协调，如何解决这一痛点以实现真正的“全模态原生”能力？🔸主要贡献：论文提出Omni-IO Skills，一种即插即用的智能体 harness（控制层），通过分层技能、标准化执行接口和持久化资产注册表，让现有通用智能体无需修改核心即可具备跨模态理解、生成和协调能力。📝重点思路🔸构建分层技能体系：将能力划分为原子技能（单步操作，如图像生成）、专家技能（完整工作流，如海报设计）和场景技能（应用级任务，如社交媒体发帖），实现从简单操作到复杂任务的模块化组合。🔸引入声明式执行图（DEG）：将多资产工作流表示为有向无环图，明确任务间的控制和数据依赖关系，支持独立任务并发执行，并自动调度执行波次，提高效率。🔸建立持久化资产注册表：对所有中间和最终生成的资产进行统一注册和管理，赋予全局唯一ID，解耦物理路径与逻辑引用，支持跨任务、跨对话轮次的资产复用和版本追溯。🔸标准化多模态执行接口：通过MCP工具服务层屏蔽不同后端提供商的差异，将语义任务映射为标准化工具调用，实现执行后端的可替换性和扩展性，同时保留宿主智能体的推理核心不变。🔎分析总结🔸全覆盖输入支持：在UniM-90基准测试中，Omni-IO Skills将GPT-5.6 Sol和Claude Sonnet 5的输入支持率从约40%提升至100%，彻底解决了基础智能体对音频、视频、3D等模态支持不足的问题。🔸显著提升质量与结构：相对语义-质量耦合分数大幅提升近50个百分点，严格结构分数接近或达到100%，证明该框架不仅能处理多