夜雨聆风Oh-My-OpenAgent（简称OMO）是适配OpenCode的多智能体协作增强框架，核心解决传统AI编码单模型、单任务、串行执行效率低的问题。通过专业化Agent分工、多模型智能路由、任务自主拆解与闭环执行，将OpenCode升级为AI团队式开发工具，适配新项目搭建、代码重构、工程优化、全栈开发、批量迭代等各类研发场景，大幅降低编码工作量、提升研发效率与代码规范性。
其核心亮点为ultrawork（ulw）一键全流程自动化，可自主完成需求理解、方案规划、代码编写、调试校验、文档生成全流程，实现“一句话需求，全工程落地”。
一、核心能力架构
多智能体团队协作：内置前端、后端、测试、架构、文档等专业化Agent，支持并行分工执行任务，模拟真实研发团队协作模式
多模型智能路由：根据任务类型自动匹配最优大模型，快速任务用轻量模型、深度推理/复杂开发用高阶模型，兼顾效率与成本
双工作模式切换：规划模式（仅分析出方案，不执行修改）、构建模式（直接改文件、执行命令、落地代码），适配不同风险等级任务
自主闭环迭代：支持任务拆解、进度自查、错误修正、结果校验，无需人工反复干预
全工程适配：支持新项目初始化、存量项目重构、bug批量修复、工程规范落地、自动化测试等全场景
二、环境部署与初始化
2.1 前置依赖
系统：Windows/macOS/Linux 全平台兼容
运行环境：Node.js、Bun（推荐，安装更轻量化）、Python3.8+
基础工具：OpenCode 最新版本、Git
2.2 一键安装部署
采用官方极速安装方式，30秒完成环境初始化，无需复杂配置：
# 全局安装Oh-My-OpenAgentbunx oh-my-openagent install# 若未安装OpenCode，先安装基础环境npm install -g opencode
第一类：核心编排代理
这类代理不侧重直接编码，主打任务拆解、计划制定、流程统筹、进度监控，是整个代理团队的大脑与管理层。
1. Sisyphus 西西弗斯
角色：主代理 / 总编排器核心特点
不直接读取、搜索、修改代码文件，专职做任务分发； 优先将任务分流至轻量、低成本、高响应速度的代理执行，优化整体资源与效率； 定位等同于项目经理。
核心职责
接收用户原始需求，理解整体目标； 统筹团队资源，按任务类型分发给对应专业代理； 全局监控全流程进度，协调多代理之间的工作衔接； 汇总最终执行结果并反馈给用户。
适用场景：所有入口级任务、多模块协同任务、全流程综合需求。
2. Hephaestus 赫菲斯托斯
角色：自主深度工作者核心特点
代码生成与落地核心主力，目标导向型执行代理； 具备强自主执行能力，可长时间深度处理复杂编码任务。
核心职责
承接编排代理下发的核心开发任务； 独立完成代码编写、逻辑实现、功能落地； 按照规划方案自主推进长周期、高复杂度开发工作。
适用场景：业务代码开发、功能迭代、模块实现、复杂逻辑编码。
3. Atlas 阿特拉斯
角色：执行主编排器核心特点
流程执行的总指挥，严格落地既定方案，把控执行路线。
核心职责
严格执行 Prometheus 输出的详细执行计划； 管控任务执行路线、执行顺序，防止偏离规划； 协调执行阶段各代理配合，保障流程不走样。
适用场景：有明确执行方案的标准化任务、工程落地类任务。
4. Prometheus 普罗米修斯
角色：专职规划器（团队军师）核心特点
专注方案设计、任务拆解，不执行具体编码； 输出结构化、可落地的详细执行步骤与分工方案。
核心职责
对复杂需求进行分层拆解，拆分为多个子任务； 制定完整执行路线、技术方案、先后顺序； 输出标准化执行计划，交付给 Atlas 推进落地。
适用场景：新项目搭建、代码重构、架构调整、大型功能开发等复杂需求。
第二类：专业功能代理
聚焦单一专业领域，具备专项技术能力，负责研发流程中细分专业工作。
5. Oracle 神谕者
角色：设计分析 / 调试策略专家（技术顾问）核心职责
技术方案评审、架构设计分析、疑难问题研判； 针对报错、异常、逻辑问题制定调试思路与排障策略； 提供技术决策建议，攻克技术难点。
适用场景：疑难 Bug 排查、架构设计、代码逻辑分析、调试排错。
6. Frontend Engineer 前端工程师
角色：前端 UI/UX 开发专家模型配置：专属搭载 Gemini 3 Pro核心职责
前端代码编写、页面开发、组件封装； UI 样式调试、交互逻辑实现、用户体验优化； 前端兼容性、布局、动效等专项开发。
适用场景：页面开发、组件开发、前端样式 / 交互优化。
7. Librarian 图书管理员
角色：文档检索 / 代码库深度探索专家核心职责
全局检索项目文档、注释、历史说明、第三方文档； 深度梳理代码库结构、模块依赖、历史逻辑； 梳理项目上下文，为其他代理提供信息支撑。
适用场景：陌生项目接手、查历史逻辑、查阅接口 / 技术文档、梳理项目依赖。
8. Explore 探索者
角色：快速代码库搜索（只读侦察兵）核心特点：纯只读模式，不修改任何代码，主打极速检索。核心职责
快速检索指定文件、代码片段、函数、变量； 短平快信息查找，响应速度优先； 为编码、调试代理快速定位目标代码位置。
适用场景：快速查代码片段、定位报错文件、临时代码检索。
补充区分：
Explore：快速、轻量、只读，即时检索； Librarian：深度、全面，梳理结构 + 文档 + 依赖，偏分析。
9. Metis 墨提斯
角色：测试专家（质量保障）核心职责
自动编写单元测试、接口测试、功能测试用例； 执行代码校验、功能回归验证； 从测试角度发现逻辑漏洞、边界问题。
适用场景：测试用例生成、代码功能校验、质量回归。
10. Momus 摩摩斯
角色：代码审查专员（质检员）核心职责
对已生成代码做合规审查、代码规范检查； 发现代码异味、冗余逻辑、不规范写法、潜在风险； 提出代码优化、整改建议，把控交付质量。
适用场景：代码评审、规范校验、上线前质量把关。
第三类：辅助代理
为主流程提供辅助能力，处理多模态、简单轻量化任务。
11. Multimodal-Looker 多模态查看器
角色：多模态内容处理代理核心职责
解析图片、截图、界面效果图、架构图等非文本内容； 基于图像内容理解需求、还原界面、分析示意图； 配合前端、设计类任务完成视觉信息解读。
适用场景：根据截图写代码、解析架构图 / 流程图、UI 效果图还原开发。
补充代理：Sisyphus-Junior 小西西弗斯
角色：轻量级任务执行代理核心特点：轻量化、低资源占用、响应极快。核心职责
处理简单、碎片化、低复杂度日常任务； 基础语法检查、格式修正、简单内容校对； 分担主代理压力，承接简易分流任务。
适用场景：代码格式化、简单改错、文本调整、零碎小任务。
动态多模型路由
基于任务类型自动匹配最合适的模型 支持开发者自定义路由规则，适配不同团队的模型成本与能力偏好 支持多密钥负载均衡，避免单密钥触发速率限制
四、 Ultra Work 模式
Ultra Work 模式触发最大精度：自动规划、深度研究、并行 Agent、自我纠正循环。系统直到完成才会停止。你不需要盯梢。
在OMO安装后终端敲 Ultrawork（或 ulw）即可触发，所有代理同时启动，自动分析项目、规划任务、分派执行，一直干到完成为止。
ulw :敲三个字母。走人。
这不只是一个命令，而是一套完整的工作流：
Prometheus：先访谈你，理解真实需求和范围 Sisyphus：拆解任务，分配优先级 Hephaestus：和其他专业代理并行执行 Ralph Loop（自反循环）：持续检查完成度，直到 100%
五、核心能力拆解
- 多方案并行探索
同一任务拆分多条推理分支，多个 Agent 独立并行推演不同实现路径，同步产出多套候选解决方案，替代串行逐条试错，拓宽解题思路边界。 - 全流程自主运行，零人工介入
从需求解析、方案生成、执行落地、结果采集全链路自动化流转，无需人工中途调参、干预决策、修正步骤。 - 闭环自我校验循环
方案落地后自动自检：结果核验→漏洞定位→回溯优化→迭代重跑，形成生成 - 执行 - 校验 - 修正闭环，持续修正方案缺陷。
六、两套自主工作模式，覆盖全场景开发需求
模式一：Ultrawork｜极致全自动，零人工干预
核心主张：只需输入指令 ulw，即可全程放手。
适配标准化、轻量化、迭代类开发任务，实现真正的端到端自主闭环。系统自动解析代码库完整上下文，智能将复杂任务拆解为可落地的原子步骤，独立完成代码编写、功能实现、需求校验与代码提交全流程。全程无需人工盯守、无需逐行修改、无需中途干预，用户仅需验收最终成品。
模式二：Prometheus + Atlas｜战略可控，规模化工程执行
核心主张：人类定架构战略，AI落地全部执行。适配大型项目、复杂架构、定制化工程级任务，兼顾掌控力与高效落地。
Prometheus 规划层：深度拆解需求、调研项目上下文、对齐开发约束，生成结构化、可审计、可追溯的标准化YAML执行方案，明确整体开发架构与执行逻辑。
Atlas 执行层：严格落地既定方案，智能委派多子Agent并行作业，分波次推进开发任务，实时追踪进度、把控风险，自主完成迭代优化与问题修复。全程流程透明、可监控、可回溯。
1. 分层模型调度：常规任务轻量化，复杂任务重模型
标准化、重复性、规则化常规任务（数据整理、格式转换、基础检索）调用低成本小模型 / 轻量开源模型，压缩算力成本； 逻辑推导、架构设计、疑难决策等高复杂度任务保留高精度主力大模型，保证输出质量不缩水。
2. 冗余探索裁剪
Agent 并行过程中实时比对分支逻辑，识别同质化、高度重叠的探索路径，提前终止重复分支运算，杜绝无效算力消耗。
3. 上下文智能缓存
复用历史有效上下文、中间计算结果、通用知识库片段：相同前置条件、重复子任务直接调取缓存数据，不用重复调用模型生成上下文，缩短推理耗时。
4. 动态终止机制
设置多维度终止判定指标（目标达成度、资源阈值、迭代收益边际、误差阈值），任务达标 / 继续迭代无收益时自动终止 Agent 分支，避免过度迭代浪费资源。
《政务领域人工智能大模型部署应用指引》完整版方案免费获取方法
关注公众号，后台回复关键词：政务领域人工智能大模型部署应用指引
