Omnigent 评测：开源多 Agent 编排元框架

2026 年的 AI agent 生态是碎片化的。Claude Code 擅长深度推理，Codex 擅长快速代码生成，Cursor 主导 IDE 体验，还有十几个其他工具各有专长。问题不是找不到好用的 agent — 而是让它们协同工作。Databricks 于 2026 年 6 月开源的 Omnigent 试图通过成为所有 agent 之上的编排层来解决这个问题。

经过两周的日常使用，这是我们的发现。

Omnigent 到底是什么

Omnigent 不是又一个 AI 编码 agent。它是一个元框架 — 位于单个 agent 之上的框架，提供：

• 统一界面 — 从一个终端启动、停止和交互任何 agent
• 会话持久化 — 对话跨设备跟随你（终端/浏览器/手机）
• 多 Agent 协调 — 在同一个会话中运行 Claude Code、Codex 和自定义 agent
• 策略治理 — 定义所有 agent 必须遵守的规则（花费上限/工具限制/审批门控）
• 云沙箱 — 在一次性云环境中运行 agent（Modal/Daytona/Islo）

把它想象成 AI agent 的 tmux — 不是 agent 本身，而是管理它们的环境。

安装

# 一键安装
curl -fsSL https://raw.githubusercontent.com/omnigent-ai/omnigent/main/scripts/install_oss.sh | sh

# 或通过 uv
uv tool install omnigent

# 前置依赖：Python 3.12+、tmux、Node.js 22+（Claude/Codex 需要）

安装简单但需要 tmux。macOS：brew install tmux。

核心工作流

启动 Agent

# Claude Code（最常用）
omnigent claude --use-native-config

# Codex
omnigent codex

# 自定义 agent YAML
omnigent run my_agent.yaml

# 多 Agent 编排器（Polly）
omnigent polly -p "重构认证模块"

会话管理

# 恢复上次会话
omnigent resume

# 恢复指定会话
omnigent resume conv_abc123

# 继续最近的对话
omnigent run --continue

# 分叉会话
omnigent run --fork conv_abc123

会话系统是 Omnigent 的杀手级功能。在笔记本上开始编码会话，午餐时在手机上继续，晚饭后在台式机上接着做。对话、终端输出和文件变更保持同步。

多 Agent 编排

真正的威力在多个 agent 协同时显现：

Polly：内置编排器

omnigent polly -p "添加用户认证和测试"

Polly 分解任务，把实现委托给 Claude Code，让 Codex 审查代码，然后合并结果。它是一个自己不写代码的技术主管。

自定义多 Agent YAML

name: code-review-pipeline
executor:
  harness: claude-sdk
prompt: |
  你是代码审查编排器。对每个任务：
  1. 让 coder 实现
  2. 让 reviewer 审查
  3. 只有 reviewer 通过才批准

tools:
  coder:
    type: agent
    prompt: 实现请求的代码变更
    executor:
      harness: claude-sdk
  reviewer:
    type: agent
    prompt: 审查代码的 bug、安全问题和风格
    executor:
      harness: codex

这种模式 — 一个 agent 实现，另一个审查 — 能捕获单 agent 工作流遗漏的问题。

策略治理

Omnigent 的策略系统让你定义跨所有 agent 生效的规则：

policies:
  spend_cap:
    type: function
    handler: omnigent.policies.builtins.cost.cost_budget
    factory_params:
      max_cost_usd: 5.00
  safe_tools:
    type: function
    handler: omnigent.policies.builtins.safety.ask_on_os_tools

策略跨三层生效：服务器级（管理员）、agent 级（开发者）和会话级（用户）。最严格的规则优先。

自定义策略

可以用 Python 编写自定义策略：

async def my_policy(ctx, context):
    if should_block(ctx):
        return PolicyResult(action=PolicyAction.DENY, reason="自定义规则阻断")
    return PolicyResult(action=PolicyAction.ALLOW)

我们就是这样集成 SONUV 治理的 — 一个自定义策略把每个 agent 动作记录到影子数据库供后续分析。

我们喜欢的

• 会话持久化 — 在任何地方开始，在任何地方继续。仅此一项就值得使用。
• 多 Agent 协调 — Polly 和自定义 YAML agent 实现了单个 agent 无法匹配的工作流。
• 策略系统 — 无复杂性的治理。定义一次规则，处处生效。
• 开源 — Apache 2.0，无供应商锁定，完整源码访问。
• 活跃开发 — 4300+ 星，每日提交，响应迅速的维护者。

我们不喜欢的

• tmux 依赖 — 原生 agent 包装器需要 tmux，增加了安装步骤。
• 资源消耗 — 同时运行多个 agent 对 CPU 和内存要求高。建议至少 16GB 内存。
• Agent 发现 — 没有内置的社区 agent 市场或注册表。
• 移动端体验 — Web UI 在手机上可用但未优化。
• Alpha 状态 — 偶尔有粗糙边缘：晦涩的错误信息，跨 harness 的不一致行为。

定价

Omnigent 本身免费开源。你需要支付：

• 你使用的 AI 模型（Claude 订阅、OpenAI API 等）
• 如果使用云沙箱（Modal、Daytona 定价）
• 如果自托管服务器的基础设施

总评

Omnigent 填补了 AI agent 生态的真实空白。随着编码 agent 激增，编排层成为关键基础设施。Omnigent 的会话持久化、多 Agent 协调和策略治理使其成为当今管理多个 AI agent 的最佳开源选择。

Alpha 状态确实存在 — 会有偶尔的摩擦 — 但基础扎实，方向正确。如果你使用多个 AI 编码 agent，Omnigent 值得投入安装时间。

评分：4.2/5 — 坚实的基础，真实的多 Agent 价值，Alpha 粗糙度有待打磨。