项目名OmnigentGitHubhttps://github.com/omnigent-ai/omnigent协议Apache-2.0商用友好Star10.4k截至 2026-09-30GitHub API 实抓语言Python前端 React另有 macOS 原生桌面 App依赖Python 3.12 / uv一键脚本自动安装Docker 部署服务器版状态alpha迭代极快几乎每天有提交先说痛点过去半年AI 编程助手从「一个聊天框」卷成了「一整个动物园」Claude Code擅长改大代码库、做重构Codex写代码快、CLI 生态独立Cursor在编辑器里体验丝滑还有 OpenCode、Hermes、Pi、Antigravity、Grok Build、Devin……然后你就会遇到三件特别烦的事每套工具都是一座孤岛。Claude Code 的会话 Codex 看不见终端开一半想让另一个 Agent 审一下代码只能手动复制粘贴 diff想让多个 Agent 协作全靠人肉当总线。你当 tech lead把任务拆好分别发给不同工具再把结果拼起来——人比 AI 还累Agent 越来越自主风险越来越不可控。它自己跑 shell、自己改文件、自己烧 token你却很难统一加一道「危险操作先问我」「单次会话最多花 5 刀」的硬约束。最近在 GitHub 上挖到一个思路完全不一样的项目——Omnigent它不做「又一个编程 Agent」而是做所有 Agent 上面的那一层meta-harness元框架。一句话概括用一套统一的编排层把 Claude Code、Codex、Cursor、OpenCode、Hermes、Pi 乃至你自己写的 Agent 全部收编让它们在同一个会话里协作并对它们统一施加审批、沙箱和预算策略。本文带你把它从原理到安装到踩坑完整走一遍。目录一、Omnigent 到底是什么二、六个核心能力三、安装一条命令Windows 有讲究四、实战从启动会话到多 Agent 编排五、用 Policies 给 Agent 上硬约束六、踩坑与边界务必看七、适合谁 / 不适合谁总结与项目地址一、Omnigent 到底是什么官方给的定义很直白The open-sourcemeta-harnessfor all your AI agents.面向你所有 AI Agent 的开源元框架。理解它最好的方式是看这张「层级图」┌─────────────────────────────────────────────┐ │ 你的设备终端 / 浏览器 / 手机 / 桌面 App │ ├─────────────────────────────────────────────┤ │ Omnigent 编排层 │ │ 会话同步 · 多Agent监督 · Policies 策略治理 │ │ 模型路由 · 云沙箱 · 实时协作 │ ├───────┬───────┬──────┬──────┬───────────────┤ │ Claude│ Codex │Cursor│Open │ 你用 YAML 自定义│ │ Code │ │ │Code │ 的 Agent ... │ └───────┴───────┴──────┴──────┴───────────────┘以前你面对的是 N 个互不相通的 Agent装上 Omnigent 之后你只面对一个会话入口底下用哪个 Agent、用几个 Agent、各自能做什么全部由编排层决定。注意一个关键定位Omnigent 自己不跟大模型抢饭碗。它不重写一个 Claude也不重新实现一套 Agent 循环而是把各家成熟的 Agent 当成「可插拔的运行时harness」——这让它和「又一个 xxx-cli 编码助手」彻底区别开。二、六个核心能力1. 一个会话里混用多个 Agent这是最有想象力的能力。同一个会话中可以同时存在 Claude Code、Codex、Cursor、OpenCode、Hermes、Pi 以及 YAML 自定义 Agent可以让A Agent 写代码、B Agent 审代码比如用 Claude 写、让 Codex 审可以把任务拆开派给各自擅长的 Agent 并行干子 Agent 可以跑在独立的 git worktree 里互不干扰。2. 任何设备接续同一个会话包括手机会话跟着人走终端里开个头浏览器里继续出门用手机接着聊。消息、子 Agent、终端、文件全部保持同步。Web UI 是为移动端做过适配的不是简单的缩放页面。3. 模型完全自由四种凭证全支持凭证类型说明 API KeyAnthropic、OpenAI 等官方 Key️ 订阅Claude Pro/Max、ChatGPT 套餐通过官方 CLI 复用 网关任意 OpenAI / Anthropic 兼容接口OpenRouter、LiteLLM、Ollama、vLLM、Azure Databricks用 Databricks 工作区当模型提供方需装 extra默认模型是按 Agent 分别配置的——Claude 系一个默认、Codex 系一个默认互不冲突。会话中也可以用/model随时切换。4. 云沙箱不占用本机也能跑 Agent会话可以直接丢进一次性云端沙箱里运行支持 Modal、Daytona、E2B、Kubernetes、CoreWeave、Databricks、microsandbox 等一大批后端CLI 一键拉起用完即毁。适合跑不可信代码或者本机性能不够的场景。5. 实时协作可以把一个会话分享给队友对方能实时观看 Agent 工作、和 Agent 对话甚至在你机器上「共同驾驶」也可以把对话 fork 走自己继续。6. Policies统一的策略治理重点后面单独讲危险操作前暂停等你批准、限制 Agent 能触达的工具、设置花费上限——策略可以作用于整个服务器、单个 Agent 或某一次会话。三、安装一条命令Windows 有讲究macOS / Linux官方一键脚本curl-fsSLhttps://raw.githubusercontent.com/omnigent-ai/omnigent/main/scripts/install_oss.sh|sh脚本会帮你装好 Omnigent 及所需工具uv、tmux 等缺失时会提示甚至代装。需要可选集成时用--extra# 比如要用 Modal 云沙箱和 E2Bcurl-fsSL.../install_oss.sh|sh-s----extramodal,e2b可用的 extra 涵盖模型提供方databricks、bedrock、vertex沙箱提供方modal、daytona、blaxel、e2b、kubernetes等存储与记忆s3、hindsight。手动安装任何平台需要 Python 3.12推荐用 uvuv toolinstallomnigent# 或 pippipinstallomnigent# 带可选依赖uv toolinstallomnigent[databricks,modal]macOS 也可 Homebrewbrewinstallomnigent-ai/tap/omnigentWindows能跑但属于「降级模式」这是 Windows 用户最需要提前知道的一点# POSIX 一键脚本在 Windows 用不了直接 uv 安装uv tool install--python 3.12 omnigentWindows 上可用的omnigent server服务器 Web UI基于 SDK 的 harnessomnigent run agent.yamlclaude-sdk / cursor / codex进程通过 WindowsJob Object做进程树管控和资源限制。Windows 上不可用的需 Linux/macOS 或 WSLomnigent claude/omnigent codex这类基于 tmux/PTY 的终端包装器bwrap / seatbelt 文件系统与网络沙箱、L7 出口代理。作者 Windows 机器上想完整体验最省事的路线是 WSL2 一键脚本其次是直接用 Web UI。依赖清单安装器报缺什么时对照uv、git必需Node.js 22 LTS npm装各 coding-harness CLI、pnpmWeb UItmux 是终端包装器必需Linux 还需要bubblewrapapt install bubblewrap。四、实战从启动会话到多 Agent 编排1. 首次启动omnigent首次运行时它会自动探测环境里已有的凭证ANTHROPIC_API_KEY、OPENAI_API_KEY或者你已经登录的claude/codexCLI引导你选模型、开会话。同时本地 Web UI 会在http://localhost:6767起好同网段的手机也能打开。安装后 PATH 里有两个等价命令omnigent和更短的omni随便用哪个。2. 直接启动某个 Agent 运行时omnigent claude# Claude Codeomnigent codex# Codexomnigent cursor# Cursoromnigent opencode# OpenCodeomnigent hermes# Hermes Agentomnigent pi# Piomnigent copilot# GitHub CopilotSDK harnessGrok Build 和 Devin 因为各自 CLI 持有登录需要先装厂商 CLI 登录再指定 harness# Grok BuildxAIcurl-fsSLhttps://x.ai/cli/install.sh|bashgrok login --device-auth omnigent run--harnessgrok# Devincurl-fsSLhttps://cli.devin.ai/install.sh|bashdevin auth login omnigent run--harnessdevin3. 一定要试的两个官方示例 Agent仓库自带了两个非常能体现 meta-harness 价值的示例 Polly——不写一行代码的「技术主管」omnigent run examples/polly/Polly 自己不写代码她只做 tech lead 的事规划任务 → 把活派给编程子 AgentClaude Code / Codex / Pi在并行的 git worktree 里干活 → 再把每份 diff 路由给「另一家厂商」的 reviewer 审查。最后由你合并。这个模式就是很多人理想中的「AI 开发团队」最小可行版本写的和审的不是同一个模型偏见互相抵消。 Debby——长了两个脑袋的头脑风暴伙伴omnigent run examples/debby/你的每个问题都会同时发给 Claude 和 GPT 两个脑袋答案并排展示输入/debate两个脑袋会互相批判几轮再收敛结论。需要同时具备 Claude 和 OpenAI 凭证。另外还有examples/deep-research/单个 Agent 一个 MCP 搜索服务器自动拆解子问题、联网检索、跨来源核实输出带引用的报告——这也是结构最简单、最适合抄来改成自己 Agent 的示例。4. 用 YAML 定义你自己的 Agent一个 Agent 就是一个简短的 YAML 文件提示词 工具本地函数 / MCP 服务器 / 可委派的子 Agentname:my_agentprompt:You are a helpful data analyst.executor:harness:claude-sdk# 可选 claude-native/codex/cursor/hermes/# opencode/pi/openai-agents 等tools:# 本地 Python 函数schema 从函数签名自动生成word_count:type:functioncallable:mypackage.mymodule.word_count# MCP 服务器本地命令或远程 URL 都行docs:type:mcpurl:https://example.com/mcp# 可被委派的子 Agentresearcher:type:agentprompt:Search for relevant information and summarize it.tools:word_count:inherit运行omnigent run path/to/my_agent.yaml懒得手写在任意 Omnigent 会话里用自然语言描述你想要的 AgentAgent 会帮你生成这个文件agents build agents。5. 部署成服务器手机随时用omnigent start# 启动本地服务器并把当前机器注册为 host打开它打印的服务器 URLNew Chat 选择你的机器即可。omnigent server status查状态omnigent stop全部停掉。如果要部署到公网服务器仓库deploy/README.md有完整指引也有 Docker Compose 方案配好稳定 URL 后手机随时访问。五、用 Policies 给 Agent 上硬约束这部分是我最喜欢的设计也呼应我之前文章反复讲的一个判断2026 年可靠的 Agent 系统靠的不是「相信模型会乖」而是确定性的硬约束。Policies 在每个动作发生时检查结果三种允许、阻止、暂停问你。在 Web UI 里可以直接在会话信息面板开关策略在对话里也可以直接说「加一条跑 shell 命令前先问我」Agent 会帮你配好。要定义服务器级或 Agent 级默认策略写进配置或 Agent YAMLpolicies:approve_shell:type:functionhandler:omnigent.policies.builtins.safety.ask_on_os_tools# shell/写文件前先问cap_calls:type:functionhandler:omnigent.policies.builtins.safety.max_tool_calls_per_sessionfactory_params:limit:50# 单会话工具调用上限budget:type:functionhandler:omnigent.policies.builtins.cost.cost_budgetfactory_params:max_cost_usd:5.00# 硬性花费上限ask_thresholds_usd:[3.00]# 花到 3 刀先软提醒策略在三个层级叠加服务器级管理员→ Agent 级开发者→ 会话级你越靠会话的规则越优先检查。花费上限、工具访问限制都是内置的完整目录见官方docs/POLICIES.md。六、踩坑与边界务必看项目还是 alpha。功能迭代极快但也意味着偶尔有 bug、命令和配置可能随版本变动。生产环境慎用追新要有心理预期。Windows 功能不完整。终端包装器和系统级沙箱不可用完整体验走 WSL2。别在原生 Windows 上死磕omnigent claude。Linux 必须有 bubblewrap。没有bwrap终端包装器直接启动失败macOS 用内置 seatbelt不用额外装。Grok Build / Devin 不能用--model换模型。它们只跑账户默认模型强行指定会被拒绝而非静默忽略要固定模型得配置acp:Agent 传厂商自己的参数。另外它们走厂商 CLI 登录导出XAI_API_KEY默认是传不进运行器的不在凭证白名单需要OMNIGENT_RUNNER_ENV_PASSTHROUGH显式放行。默认开启匿名遥测。官方声明不含敏感/个人信息但企业内网环境要留意可按文档 opt-out。多 Agent 协作不等于结果一定更好。编排层解决的是「调度与治理」最终代码质量仍取决于底层模型子 Agent 数量开太多token 消耗和等待时间都会上升建议从「一个写 一个审」的最小组合开始。七、适合谁 / 不适合谁强烈建议试试同时在用 Claude Code、Codex、Cursor 中的两个以上厌倦了来回切换的人想搭「多 Agent 开发团队」写、审、研究分工但不想自己写编排代码的人对 Agent 自主执行不放心需要统一审批/预算/沙箱治理的团队需要在手机、浏览器、终端之间无缝接续编程会话的人。暂时可以不看只用一个固定助手、需求就是写写小脚本的人——多一层编排反而是负担要求绝对稳定、拒绝 alpha 软件的生产环境纯 Windows 原生环境且不愿用 WSL 的用户。总结与项目地址Omnigent 给出的答案很清晰Agent 的未来不一定是「一个更聪明的全能 Agent」而可能是「一层把所有 Agent 组织起来、并管得住它们的编排层」。多 Agent 混用与互相审查终端 / 浏览器 / 手机 / 桌面全设备会话同步模型、凭证、沙箱后端全部可插拔Policies 三层叠加把审批和预算做成确定性硬约束。对于正在认真搞 Agent 工程化的人这个项目的架构思路harness 抽象、策略治理、云沙箱本身就非常值得学习。项目地址https://github.com/omnigent-ai/omnigent官网 / 文档https://omnigent.ai协议Apache-2.0Star 10.4k 且仍在快速上涨数据截至 2026-09-30。下一篇换个完全不同的口味聊一个国产开源的A 股智能量化工作台——Docker 一键起选股、回测、监控、AI 问答、MCP 全给你配齐做量化的朋友别错过。