嗨我是小华同学专注解锁高效工作与前沿AI工具每日精选开源技术、实战技巧助你省时50%、领先他人一步。免费订阅与10万技术人共享升级秘籍这个项目最值得看的不是又冒出来一个 AI Agent而是它想给所有 Agent 加一层“调度塔”。如果你已经在用 Claude Code、Codex、Cursor或者尝试过多 Agent 协作你大概率会遇到同一个问题工具越来越多但配置、权限、会话、沙箱、协作方式都散在各处。这篇用 3 分钟讲清Omnigent 为什么值得收藏、它和普通 Agent 框架有什么不同、以及它目前更适合谁。这张是项目 README 里的官方截图。你能看到它不是命令行玩具而是在做一套会话、项目、技能和 Agent 选择的统一工作台。今天分享的项目叫Omnigent。它在 GitHub 上已经约5.1k Star官方定位很直接The open-source meta-harness for all your AI agents.翻译成人话就是它不是替代 Claude Code / Codex / Cursor而是把这些 Agent 放到同一层里统一编排、治理和协作。它解决的不是“没有 Agent”而是“Agent 太分散”现在 AI Coding Agent 很卷。Claude Code 有 Claude Code 的交互方式Codex 有 Codex 的运行方式Cursor、OpenCode、Hermes、Pi 也都有自己的生态。问题来了真实痛点典型表现工具割裂每个 Agent 都有自己的配置、权限和会话难以协作A 写的代码B 怎么 review团队怎么共同看过程安全难管shell、文件写入、网络、token 花费都需要规则结果难追踪任务、终端、文件、子 Agent、历史上下文散落各处换工具成本高想从 Claude 切到 Codex / Cursor工作流又要重配Omnigent 的思路是不和 Agent 抢主角而是做一层 meta-harness把多个 Agent 统一接进来。这也是标题里说“调度塔”的原因。它更像 AI Agent 世界里的控制层谁来写、谁来 review、在哪个沙箱跑、什么操作要审批、会话怎么共享都放到一套系统里处理。它到底能做什么根据 README 和文档Omnigent 主要有几类能力能力通俗理解对程序员的价值Meta-harness统一跑 Claude Code、Codex、Cursor、OpenCode、Hermes、Pi 等不被单一工具锁死多 Agent 编排一个任务可以拆给不同 Agent并互相 review更适合复杂开发任务跨设备会话终端、浏览器、手机、桌面端同步不必一直守着电脑云/本地沙箱支持本地或云端 sandbox 执行降低环境和权限风险Policies对 shell、文件、工具、成本做 ALLOW / DENY / ASKAgent 行为更可控YAML Agent用 YAML 定义 prompt、harness、tools、sub-agents、policies自定义 Agent 更工程化这里最值得注意的是Policies。很多 Agent 工具的问题不是“不够聪明”而是太容易越界一会儿要跑 shell一会儿要改文件一会儿 token 花飞了。Omnigent 的 policy 文档里把结果分成三类ALLOW允许继续。DENY直接阻止。ASK暂停等用户确认。而且策略可以放在 server-wide、agent spec、session 三层适合从个人玩法走向团队治理。一个典型工作流长这样你可以把 Omnigent 理解成六步1. 从终端、浏览器、手机或桌面端进入。 2. Omnigent Server 负责协调会话、消息、文件、终端和状态。 3. 选择具体 Agent harnessClaude、Codex、Cursor、Hermes、Pi 等。 4. 在本地或云端沙箱执行任务。 5. 用 Policy 管住权限、成本和高风险操作。 6. 团队可以分享会话、共同观察、co-drive甚至 fork 一条会话继续做。README 里有两个示例也很能说明它的定位Polly像一个多 Agent 技术负责人自己不直接写代码而是规划任务、委派给 Claude Code / Codex / Pi 子 Agent再让不同模型做 review。Debby则像双头脑暴伙伴同一个问题交给 Claude 和 GPT 两边回答再互相 critique最后收敛。这两个例子说明Omnigent 真正在做的是把 Agent 当成可以被组织、委派、审查和治理的团队成员。为什么程序员值得关注我觉得它对三类人最有吸引力人群为什么值得看AI Coding Agent 重度用户想同时用 Claude Code、Codex、Cursor又不想每套工具各玩各的团队技术负责人想让 Agent 协作、review、留痕而不是每个人本地乱跑平台/工具开发者想把自定义 Agent、MCP、Python 函数、沙箱和权限组合起来它的价值不只是“多开几个 Agent 窗口”。真正有意思的是它把 Agent 的运行、权限、成本、会话、文件和团队协作都变成可治理的工程对象。上面这张是官方文档里的 policy trust model。它提醒我们AI Agent 一旦能读写文件、调用工具、跑命令问题就不再只是“回答得聪不聪明”而是“谁来批准、谁来审计、谁来兜底”。它不适合什么Omnigent 目前还是 alpha 状态而且项目更新非常快。如果你只是偶尔用一次 Claude Code 或 Codex不需要团队协作、不需要沙箱、不需要多 Agent 编排那它可能会显得偏重。如果你追求最简单的“打开一个工具马上写代码”直接用原生 Agent CLI 可能更省事。但如果你已经开始认真思考这些问题多个 Agent 怎么分工怎么做跨模型 reviewshell / 文件写入 / token 成本怎么管会话怎么分享给团队怎么从手机接着看 Agent 跑任务那 Omnigent 就很值得放进收藏夹。我的判断Omnigent 代表了一个挺明显的趋势AI Agent 的下一阶段不只是“哪个 Agent 更聪明”而是“谁能把一群 Agent 管起来”。今天先做短版分享。后面如果继续拆我会重点看三块Polly 多 Agent 编排到底怎么跑、Policies 如何做权限和成本治理、以及 Omnigent 怎么把 Codex / Claude Code / Cursor 接到同一个工作流里。项目地址GitHubhttps://github.com/omnigent-ai/omnigent官网https://omnigent.ai