AIAI 工具图鉴
← 返回全部文章
·约 14 分钟PPT

Omnigent

Agent
下载 PPT下载视频

配套媒体

本页对应的 PPT 与演示视频

omnigent-recommend.mp4
PPT
omnigent-recommend.pptx浏览器不能直接打开 PPT，下载后用 PowerPoint / WPS / Keynote 查看
下载没反应？点这里复制直链

侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。

PPT../../omnigent-recommend.pptx
视频../../omnigent-recommend.mp4
本文目录
  1. 🚀 什么是 Omnigent？
  2. ✨ 核心功能一览
  3. 🛠️ 快速上手：5 分钟跑通示例
  4. 安装
  5. 启动你的第一个 Agent
  6. YAML 自定义 Agent 示例（Polly 编码编排 Agent）
  7. 📊 与竞品对比
  8. 💡 适用场景
  9. 场景 1：多 harness 混合调度（核心卖点）
  10. 场景 2：可观测 + 可治理的企业级部署
  11. 场景 3：跨设备实时协作
  12. 场景 4：云端无笔记本执行
  13. 场景 5：可组合性设计（设计哲学）
  14. 用户群体总结
  15. 💰 定价方案
  16. 🎯 总结

📌 核心价值：在 Claude Code、Codex、Pi 与自研 Agent 之上，构建统一编排层 — 一行配置切换 harness，YAML 写自定义 Agent，沙箱+策略守住安全，多端实时协作同一个会话。

Databricks AI 团队 + Neon 联合开源，Apache-2.0 协议，专治"Agent 工具链碎片化"。

Omnigent 封面图

🚀 什么是 Omnigent？

Omnigent（Omni + Agent）是一个面向 AI Agent 的 meta-harness（元编排层）。它本身不是一个 Agent 框架，而是坐在 Claude Code、Codex、Pi 等所有主流 harness 之上的"通用适配器 + 治理 + 协作"层。

传统的 Agent 工具链存在三大痛点：

  1. Harness 锁定：选定 Claude Code 后，迁移到 Codex 要重写所有 prompt 和工具
  2. 缺乏治理：Agent 能调用任意工具、消耗任意 token，没有统一"刹车"
  3. 协作断裂：会话只能在本地终端，团队成员无法围观、接管或 fork

Omnigent 用一套统一会话协议 + YAML Agent 定义 + 有状态策略 + OS 沙箱解决了这三点，且不要求你重写已有 Agent 代码。

GitHub stars GitHub forks License Status

核心定位：Omnigent 是 AI Agent 时代的"kubectl" — 不替代你的 Pod，只统一编排它们。

✨ 核心功能一览

Omnigent 核心功能

🛠️ 快速上手：5 分钟跑通示例

安装

Omnigent 需要 Python 3.12+，提供三种安装方式：

# 方式 1：官方一键脚本（推荐）
curl -fsSL https://raw.githubusercontent.com/omnigent-ai/omnigent/main/scripts/install_oss.sh | sh

# 方式 2：uv 工具安装
uv tool install omnigent
# 或
pip install "omnigent"

# 方式 3：Homebrew（macOS/Linux）
brew install omnigent-ai/tap/omnigent

启动你的第一个 Agent

安装后直接运行 omnigent 即可启动 CLI + Web 双界面：

# 启动通用编排器（弹出选择模型界面）
omnigent

# 直接指定 harness
omnigent claude                # 使用 Claude Code
omnigent codex                 # 使用 Codex
omnigent run path/to/agent.yaml  # 运行 YAML 自定义 Agent

YAML 自定义 Agent 示例（Polly 编码编排 Agent）

# examples/polly/agent.yaml
name: polly
description: "代码审查与编排 Agent"
model: claude-sonnet-4
harness: claude-code
policies:
  - name: spend-cap
    type: budget
    limit_usd: 5.0
  - name: risky-tool-gate
    type: approval
    tools: ["bash", "write_file"]
    require_human: true
sandbox:
  filesystem: isolated
  network: restricted
  secrets: brokered
sub_agents:
  - reviewer
  - tester

运行后，Polly 会自动调度 reviewer 和 tester 两个子 Agent，任何 bash 或 write_file 调用都需人类审批，单次会话花费上限 5 美元。

注意：策略在 meta-harness 层执行，不依赖 prompt 工程 — 改 prompt 也无法绕过 spend-cap。

📊 与竞品对比

Omnigent vs 主流 Agent 框架

关键差异：

  • LangGraph / CrewAI：优秀的开发框架，但不解决"已存在 Agent 的统一管理"
  • Dify：可视化编排平台，但锁死在自家 harness 栈
  • Omnigent：站在所有 harness 上方，对下兼容、对上治理

💡 适用场景

场景 1：多 harness 混合调度（核心卖点）

多 Agent 协作 Hero 图

功能说明：在一个会话中同时运行 Claude Code 做编码、Pi 做对话、Codex 做代码检索，并让它们互相审阅工作。

输入要求：每个 harness 安装好、API key 已配置、YAML 中声明 harness: claude-code / harness: codex / harness: pi

输出效果：统一时间轴的对话流、子 Agent 自动派工、跨 harness 上下文共享

适用场景：

  • ✅ 复杂代码库迁移（Claude 长会话 + Codex 快速检索）
  • ✅ 多模型辩论（让 GPT-4 与 Claude 互审，给出更稳健方案）
  • ✅ 实验性场景（一个 harness 跑生产、一个跑 A/B 测试）

场景 2：可观测 + 可治理的企业级部署

策略与信任模型

功能说明：内置 spend caps（有状态花费上限）、model routing（按成本/质量路由）、risk-based escalation（高风险操作自动升级审批）。

输入要求：在 server 级 / agent 级 / chat 级三层任意层挂载 YAML 策略

输出效果：每次调用都附 policy_id + approval_state，全链路可审计

适用场景：

  • ✅ 金融/医疗 Agent 合规审计
  • ✅ 防止 prompt injection 偷刷 token（hard cap）
  • ✅ 多团队共享 server，但每个项目有独立预算

场景 3：跨设备实时协作

协作功能示意

功能说明：每个会话有一个可分享的 URL，团队成员加入后可围观、聊天、接管、fork — 同一个 live session 的全历史（消息 + 子 Agent + 终端输出 + 文件改动）实时同步。

输入要求：启动时启用 --share 模式，或 server 配置 share: true

输出效果：手机/平板/同事电脑都能"上车"，支持"我开你接"交接

适用场景：

  • ✅ 新人 onboarding：让新人 URL 旁观你 debug 一小时再上手
  • ✅ 远程 pair programming：跨时区接力
  • ✅ 客户支持：让客户直接参与调试自家环境的 Agent

场景 4：云端无笔记本执行

架构图

功能说明：所有会话可跑在 Modal 或 Daytona 临时云端沙箱里，本地零算力、零环境依赖。Session 结束后沙箱立即销毁。

输入要求：安装 Modal/Daytona CLI + 配置云凭证，或让 server 自动 provisioning

输出效果：iPad 上就能起一个 Claude Code session 跑满血 Linux 环境

适用场景：

  • ✅ iPad / 手机端做开发（参考用户群里"在沙滩上用 iPad 写代码"的演示）
  • ✅ 大任务（100k token 上下文）不想占本地内存
  • ✅ 给客户/学生提供一次性 playground

场景 5：可组合性设计（设计哲学）

可组合性海星吉祥物

功能说明：用"海星"做吉祥物 — 海星断臂仍能活，象征 Omnigent 的解耦架构：每个子 Agent 独立存活，单点失败不会拖垮整个会话。

输入要求：YAML 中用 sub_agents: [...] 声明拓扑

输出效果：子 Agent crash 不影响父会话、可独立重启、可被替换

适用场景：

  • ✅ 长跑 Agent（5+ 小时任务）的弹性保障
  • ✅ 实验性 sub-agent 注入（不污染主流程）
  • ✅ 教学场景：每个学生一个 sub-agent，老师在主会话观察

用户群体总结

  • ✅ AI 工程师团队：统一管理多个 harness，避免 prompt 碎片化
  • ✅ Agent 产品经理：可视化测试不同模型/编排的效果
  • ✅ 企业 IT / 合规：给 Agent 加"刹车"和审计日志
  • ✅ 远程协作团队：跨设备、跨时区共享会话
  • ✅ AI 教育者：演示 Agent 真实工作过程给学生
  • ❌ 不适合：只想本地跑单个 Agent 的轻度用户（直接用 Claude Code CLI 即可）

💰 定价方案

Omnigent 本身完全免费、开源（Apache-2.0），你需要付费的只是：

资源 计费方 费用
Omnigent 本身 一次性安装 免费
Claude Code / Codex 等 harness 各 harness 自己的订阅 按原计费
云端沙箱（Modal / Daytona） 按算力秒数 Modal：~$0.0001/s；Daytona：免费额度 + 按量
自部署 server 自建机器 / Railway / Render 取决于方案

💡 新用户福利：项目目前处于 Alpha 阶段，作者在 Discord 实时响应 issue — 现在上车等于白嫖 Databricks 工程师的免费咨询。

开源协议： Apache-2.0

🎯 总结

Omnigent 不是又一个"AI Agent 框架"，而是AI Agent 时代的统一控制平面。它解决的不是"怎么写一个 Agent"，而是"怎么治理 100 个 Agent"。

推荐指数： ⭐⭐⭐⭐（4/5，扣 1 分因 Alpha 状态 API 可能有变）

适合人群：

  • 已经在用 Claude Code / Codex 的 AI 工程师
  • 想要"花钱不超预算"、"危险操作必须审批"的企业用户
  • 团队协作场景（导师带新人、远程 pair work）

不太适合：

  • 完全没接触过 Agent 的新手（先学 Claude Code 再来）
  • 单一 harness 就能解决的简单任务

立即体验：

GitHub 仓库： omnigent-ai/omnigent

数据截至 2026-06-15，最新信息请以官网为准。