引言“你同時用著 Claude Code 和 Codex一個擅長規(guī)劃另一個跑得快。但你只能在兩個工具之間手動復(fù)制粘貼輸出?！边@是「每日一個開源項目」系列的第 180 篇。今天的項目是Omnigent—— Databricks 聯(lián)合創(chuàng)始人 Matei Zaharia 主導(dǎo)開源的 AI agent 元編排框架2026 年 6 月發(fā)布8,100 顆 Star。Omnigent 的定位很明確它不是又一個 AI coding agent而是坐在現(xiàn)有 agent 之上的那一層——元編排層meta-harness。就像 Kubernetes 不替代服務(wù)器只是在服務(wù)器之上提供編排、策略、可觀測性O(shè)mnigent 讓 Claude Code、Codex、Cursor、Pi 等工具成為可統(tǒng)一管理的組件而不是一堆各自為政的獨立工具。如果你用過多個 AI coding 工具這個問題你大概遇到過每個工具有自己的界面、各自的 API key 管理、不同的上下文和會話在團隊里還要各自配置權(quán)限和預(yù)算。Omnigent 解決的是這整個層面的問題。8,100 顆 Star1,200 個 ForkApache 2.0Alpha 階段。你會學(xué)到什么什么是元編排層Omnigent 和 agent 框架的關(guān)系策略治理Policy Governance三層策略如何控制 token 預(yù)算和工具訪問云沙箱bwrap/seatbelt 本地隔離 Modal/E2B/Daytona 云執(zhí)行多 Agent 編排YAML 定義子 Agent、并行 worktree、跨廠商 reviewer實時協(xié)作會話共享、共駕、分叉MLflow Tracing 集成跨 harness 的統(tǒng)一可觀測性前提知識使用過 Claude Code、Codex 或 Cursor 中的至少一個了解 AI coding agent 的基本概念上下文、工具調(diào)用、system prompt熟悉 YAML 配置格式問題背景碎片化的 Agent 生態(tài)2026 年的 AI coding 工具市場Claude Code 有 claude-sdk 和 claude-native 兩種模式Codex 有自己的 CLICursor 集成在 IDE 里OpenCode、Hermes、Pi 各有差異。每個工具都有能力但每個工具也都是孤島。Matei ZahariaApache Spark 的創(chuàng)始人Databricks 聯(lián)合創(chuàng)始人在帶領(lǐng) Databricks 5,000 人工程團隊推進 AI agent 落地時直接撞上了這個問題不同 agent 有不同的能力一個任務(wù)可能需要多個 agent 協(xié)作每個 agent 的輸出要手動轉(zhuǎn)移到下一個工具團隊級別的策略管控?zé)o從下手誰能訪問哪些工具token 預(yù)算多少沒有統(tǒng)一的可觀測性不知道哪個 agent 花了多少錢、做了什么決策Omnigent 從實際部署經(jīng)驗中提煉出來解決的是同一套問題。核心架構(gòu)元編排層Omnigent 的架構(gòu)分三層┌─────────────────────────────────────────┐ │ Omnigent Server │ │ 策略治理 / 協(xié)作 / 可觀測性 / API │ ├─────────────────────────────────────────┤ │ Omnigent Runner │ │ 沙箱 / 統(tǒng)一 API / 會話管理 │ ├──────────┬──────────┬───────────────────┤ │ claude-sdk│ codex │ cursor / pi / … │ │ (harness) │(harness) │ (harnesses) │ └──────────┴──────────┴───────────────────┘Harness執(zhí)行層各個現(xiàn)有 agent 工具——claude-sdk、claude-native、codex、codex-native、cursor、hermes、opencode、pi、openai-agentsRunner運行時層把任意 harness 包裝進一個沙箱化的會話對外提供統(tǒng)一 APIServer服務(wù)層策略執(zhí)行、會話共享、跨設(shè)備同步Omnigent 的論文類比Omnigent 之于 AI agent如同 Kubernetes 之于服務(wù)器。Kubernetes 不替代服務(wù)器只是在上面加了編排、彈性、策略O(shè)mnigent 不替代 Claude Code只是在上面加了統(tǒng)一管控。策略治理Policy Governance策略是 Omnigent 的核心差異點之一支持三級疊加服務(wù)器級別所有 agent 共享 ↓ Agent 級別特定 agent 定義 ↓ 會話級別單次任務(wù)動態(tài)調(diào)整成本控制# 在 agent 定義里設(shè)置 token 預(yù)算policies:cost:max_tokens_per_session:50000max_tokens_per_turn:5000alert_at:40000# 達(dá)到 40k 時提醒pause_at:50000# 達(dá)到 50k 時暫停Agent 超出預(yù)算后自動暫停等待人工確認(rèn)繼續(xù)還是停止。這解決了 AI agent 在復(fù)雜任務(wù)里悄悄消耗大量 token 卻沒有預(yù)警的問題。工具訪問控制策略可以做有狀態(tài)的條件限制不只是簡單的白名單/黑名單policies:tools:# 下載 npm 包之后要求人工批準(zhǔn)才能 git push-condition:after:tool:npm_installrequire_approval:[git_push]# 永遠(yuǎn)不允許 agent 直接讀取 .env 文件-block:[read_file:.env*]# agent 可以調(diào)用 API但憑據(jù)通過代理注入不讓 agent 直接看見-network:egress_proxy:https://my-credential-proxydirect_credential_access:false下載 npm 包之后要求批準(zhǔn) git push這種有狀態(tài)規(guī)則在以往的 agent 工具里很難做到。云沙箱Omnigent 支持兩種沙箱方式本地 OS 沙箱Linux: bwrapBubblewrap命名空間隔離macOS: seatbelt 沙箱Windows: Windows Job Objects支持有限無 PTY/tmux wrapper云執(zhí)行環(huán)境不需要在本機跑 agent可以接入云沙箱提供商適用場景Modal無狀態(tài)函數(shù)型任務(wù)E2B代碼執(zhí)行沙箱Daytona開發(fā)環(huán)境Kubernetes企業(yè)私有云CoreWeaveGPU 密集型任務(wù)Databricks數(shù)據(jù)分析任務(wù)多 Agent 編排YAML 定義Omnigent 的 agent 用 YAML 定義一個 agent 可以把其他 agent 作為工具來調(diào)用# 基礎(chǔ) agent 定義name:my_coderprompt:|You are an expert Python developer. Focus on correctness and test coverage.executor:harness:claude-sdktools:run_tests:type:functioncallable:mypackage.testing.run_pytestsearch_docs:type:mcpurl:https://docs-mcp.example.com多 Agent 模式PollyOmnigent 內(nèi)置了一個名為Polly的示例——一個多 Agent 編排器展示了并行 worktree 模式name:pollyprompt:|You are a supervisor coordinating multiple coding agents. Delegate coding tasks to sub-agents, then route diffs to reviewers.tools:coder_a:type:agentharness:claude-sdkprompt:Implement the feature in a git worktreecoder_b:type:agentharness:codexprompt:Implement the same feature independentlyreviewer_anthropic:type:agentharness:claude-sdkprompt:Review the diff for correctnessreviewer_openai:type:agentharness:codexprompt:Review the diff for security issues這個模式兩個不同 harness 的 coder 在獨立的 git worktree 里并行實現(xiàn)同一功能完成后把 diff 路由給兩個不同廠商的 reviewersupervisor 綜合評審意見做出最終決策雙頭 AgentDebby另一個示例是Debby—— 同時跑 Claude 和 GPT內(nèi)置/debate模式用戶提問 → Claude 給出答案 A → GPT 給出答案 B → /debate 觸發(fā)兩個模型互相評價對方的答案 → Debby 綜合兩邊的論點給出最終回答實時協(xié)作Omnigent 的協(xié)作功能把 agent 會話變成多人可見的工作空間會話共享# 生成一個可分享的 URLomnigent sharesession_id# → https://omnigent.ai/s/abc123隊友打開這個 URL可以實時看到 agent 的輸出可以插入命令可以接管會話。會話分叉# 從一個已有會話分叉保留上下文但獨立發(fā)展omnigent run--forksession_id這個功能在 code review 場景里特別有用主 agent 完成了一個實現(xiàn)分叉出兩個會話分別用不同的 reviewer agent 評審最后把結(jié)論合并回主會話。身份認(rèn)證支持 OIDC 登錄Google / GitHub / Okta / Microsoft 邀請制單次使用的邀請鏈接MLflow Tracing 集成Omnigent 與 MLflow Tracing 的集成提供跨 harness 的統(tǒng)一可觀測性。配置只需幾行uv toolinstallomnigent mlflowexportMLFLOW_TRACKING_URIhttp://your-mlflow-server:5000exportOMNIGENT_TELEMETRY_ENABLEDtrueomnigent run每次 agent 執(zhí)行MLflow 自動記錄Agent 的每一輪對話prompt response工具調(diào)用及參數(shù)、結(jié)果、耗時每輪的 token 消耗會話元數(shù)據(jù)模型名、agent 名、harness 類型實際用途模型對比同一任務(wù)分別用 Claude 和 GPT對比成本和質(zhì)量A/B 測試評估不同 MCP server 提供商的性價比團隊洞察哪個 harness 擅長規(guī)劃哪類請求最慢feature 和 bug 各花了多少時間安裝和快速上手# 安裝推薦用 uvuv toolinstallomnigent# 或者用 pippipinstallomnigent# 啟動選擇模型后自動打開 localhost:6767omnigent# 簡寫別名omni# 升級omni upgrade啟動后瀏覽器自動打開http://localhost:6767提供圖形界面配置 agent 和查看會話。也可以直接在終端里交互。部署到服務(wù)器# Dockerdockerrun-p6767:6767 omnigentai/omnigent# 支持的托管平臺Render, Railway, Fly.io, Cloudflare部署到服務(wù)器后團隊成員通過 OIDC 登錄共享同一個 Omnigent 實例所有策略和協(xié)作功能統(tǒng)一在服務(wù)端管理。項目地址與資源GitHub: omnigent-ai/omnigent官網(wǎng): omnigent.aiDatabricks 博客: 《Introducing Omnigent: A Meta-Harness to Combine, Control and Share Your Agents》MLflow 集成: mlflow.org/blog/omnigent-mlflow-tracing主要作者: Matei ZahariaDatabricks 聯(lián)合創(chuàng)始人Apache Spark 發(fā)明者總結(jié)Omnigent 的切入點不是造一個更好的 AI coding agent而是當(dāng)你已經(jīng)有多個 agent怎么把它們變成一個系統(tǒng)。從 Databricks 在 5,000 人工程團隊里落地 AI agent 的實際經(jīng)驗來看這個問題是真實的工具碎片化、策略無從統(tǒng)一、團隊協(xié)作沒有基礎(chǔ)設(shè)施、可觀測性幾乎空白。Omnigent 把這些問題一次打包處理——元編排層 策略治理 沙箱 協(xié)作 可觀測性構(gòu)成一個完整的 agent 運營體系。元編排層這個概念本身值得記住。隨著 AI agent 工具越來越多、越來越專業(yè)化需要這一層的場景只會增加不會減少。今天是 Claude Code Codex明天可能是五個更專業(yè)化的工具而 Omnigent 要解決的那些問題——策略、成本、協(xié)作、可觀測性——在每種組合里都會存在。探索 PrimeSkills —— 精選 AI Agent 與技能的市場每一個都經(jīng)過真實企業(yè)工作流驗證去掉浮夸留下真正有用的。歡迎訪問我的個人主頁發(fā)現(xiàn)更多有價值的見解和有趣的產(chǎn)品。