管理多个 AI 编程助手不再手忙脚乱:Omnigent 统一编排 Claude Code、Codex 与 Pi

Agent 编排 · 多模型协作 · 跨设备会话 · 治理策略 —— omnigent-ai/omnigent 为 Claude Code、Codex、Pi、Cursor 等主流 AI 编程工具提供了一个统一的编排平台。你无需为每个 Agent 单独配环境、记命令、管理密钥，一个 omnigent 命令就能运行、组合和管控它们，并且会话实时同步到手机浏览器。

为什么你需要一个「Agent 的操作系统」

今天的 AI 编程生态里，头部工具各有各的强项： Claude Code 长于大型重构和架构推演， Codex 对 OpenAI 生态的代码生成更顺手， Pi 在快速查找和轻量辅助上表现出色， Cursor 则是深度 IDE 集成的代表。但现实是，这些工具彼此隔离—— 它们有各自的 CLI、各自的认证方式、各自的会话存储，无法在一个终端里同时调用两个不同的 Agent。

更具体的痛点包括：

场景碎片化。早上在台式机上用 Claude Code 处理一个重构任务，下午带着笔记本出门后发现会话断开了—— 没有 Agent IDE 能像浏览器那样在你的设备间无缝流转。如果你想用手机查看 Agent 正在执行的终端输出，基本不可能。

分工协作困难。复杂的开发任务往往需要多个视角：让 Claude Code 实现功能，再让 Codex 从另一个模型的视角审查代码。但因为没有统一的 Agent 编排层，这种跨模型、跨工具的协作只能靠人工来回切换终端、手动复制输出。

治理空白。 Agent 可以执行 Shell 命令、修改文件系统、调用外部 API。当团队成员都能使用 Agent 时，缺少一个集中管控层来控制 Token 花费、Shell 执行权限、工具调用频次。绝大多数 Agent 工具只在客户端做自己的黑白名单，服务器端无审计无策略。

接入成本高。每个 Agent 有自己的安装方式、依赖链和认证流程。让一个新加入团队的开发者同时配好 Claude Code、Codex 和 Pi 环境，至少需要半小时。 Omnigent 将这些合而为一：一条 curl 命令装完所有依赖，一次 omnigent setup 配置好所有厂商的凭据。

15 分钟上手：从安装到多 Agent 协作

Omnigent 的安装和上手路径很简洁。从零到跑起第一个多 Agent 会话，四个步骤就够了。

安装。官方推荐一条命令搞定：

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

这条脚本自动装好 Python 3.12+、uv、Node.js 22+、npm 和 tmux。 Linux 上还会装 bubblewrap 用于沙箱隔离。也可以走 Homebrew 或 uv tool install omnigent 手动安装。

配置凭据。 omnigent setup 进入交互式配置界面。支持四种凭据类型：

• API Key：Anthropic、OpenAI 等厂商的直连密钥

• 订阅：Claude Pro/Max 或 ChatGPT 订阅，关联到官方 CLI

• 网关：OpenRouter、LiteLLM、Ollama、vLLM、Azure 等兼容端点

• Databricks 工作区：通过 Databricks 网关路由模型

凭据可以按 Agent 粒度设置默认值： Claude Code 用直连密钥，Codex 用 OpenRouter 网关，各自的默认模型互不干扰。

启动第一个 Agent。直接输入 omnigent 启动一个对话式代理会话：

omnigent                      # 交互式选取模型并启动新会话
omnigent claude               # 直接启动 Claude Code 原生 TUI
omnigent codex                # 直接启动 Codex

执行后，本地 Web UI 自动在 http://localhost:6767 启动。这意味着你可以在桌面的浏览器里看 Agent 干活，也可以在手机上打开同一地址继续对话。

用 Polly 体验多 Agent 编排。项目自带的 Polly 是一个多 Agent 编程编排器示例。它的工作方式是：

1. 你提需求。例如「为这个 FastAPI 应用加上 Redis 缓存层」。

2. Polly 拆解任务并分发。它将功能实现分配给 claude_code 子 Agent，将测试编写分配给 codex 子 Agent。

3. 跨厂商交叉审查。功能实现完成后，从另一个厂商出身的 Agent（如 Pi）做独立代码审查，保证审查视角不受实现方影响。

4. AI 整合变更。审查通过后，Polly 将各子 Agent 的变更整合回主分支。

启动 Polly 只需一行：

omnigent run examples/polly/

Polly 的完整 YAML 配置不到 100 行。

Debby：双头头脑风暴。另一个内置示例 Debby 展示了多模型并行模式：你的每个问题同时发给 Claude 和 GPT 两个子 Agent，它们各自回答后并列展示。输入 /debate 会让两个头互相 Critique 几轮再收敛。适合做技术方案选型评测。

omnigent run examples/debby/

部署到服务器，随时随地访问。把 Omnigent 部署到有稳定公网地址的服务器后，可以在手机上继续电脑上开始的会话—— Web UI 针对移动端做了适配，会话内的子 Agent 面板、终端输出、文件浏览都是实时同步的。部署方式包括 Docker Compose（一键 up）、 Render、Fly.io、Railway、Hugging Face Spaces 和 Modal。

架构透视：Harness 抽象层与三层策略引擎

Omnigent 的核心设计可以拆为两个关键维度： Harness 抽象层和策略引擎。

Harness：异质 Agent 的统一接口层。每个 Agent 工具都有自己独特的交互方式—— Claude Code 是原生终端 TUI，Codex 有自己的 CLI 协议， Pi 是纯文本流，Cursor 有 Cursor Agent 协议。 Omnigent 为每个 Agent 实现了一个 Harness，将底层差异封装掉。

以 omnigent/inner/ 为例，核心文件包括：

claude_native_harness.py     # Claude Code 原生终端的包装器
claude_native_executor.py
claude_sdk_harness.py        # 通过 Claude SDK 交互的轻量方案
claude_sdk_executor.py
codex_native_harness.py      # Codex 原生接线
codex_native_executor.py
codex_harness.py
pi_harness.py                # Pi 代理包装
pi_executor.py
cursor_harness.py            # Cursor Agent 包装
cursor_executor.py
openai_agents_sdk_harness.py
antigravity_harness.py       # Google Gemini Agent SDK

每个 Harness 负责将 Omnigent 内部的消息格式翻译成对应 Agent 的输入协议，并将 Agent 的输出转译回统一格式。这使得上层编排逻辑与底层 Agent 实现完全解耦—— 你可以在同一会话中混合使用 claude-native（完全体 Claude Code）和 claude-sdk（轻量级 Claude SDK 代理），它们的语义行为一致，只是能力和成本不同。

NATIVE_HARNESSES 列表中的 Agent （claude-native、codex-native、pi-native）会启动厂商的终端 UI 进程并将用户消息键入其中，而非在内存中调用 SDK—— 这意味着你可以打开子 Agent 的终端面板实时观察它在做什么，甚至中途接手操作。

Agent YAML 规范：声明式定义 Agent 拓扑。 Omnigent 的 Agent 定义是一个 YAML 文件，包含名称、系统提示、Harness 类型、模型、工具、子 Agent 和策略。这层抽象的巧妙之处在于：Agent 可以嵌套。一个 Agent 的 tools 中可以声明另一个 type: agent 的子 Agent，子 Agent 可以有自己的 Harness 和模型，形成递归的编排结构。

YAML 中的 spawn: true 开启会话创建能力，让 Agent 能在运行时动态创建子会话—— Polly 正是利用这个能力，为每个编码任务生成独立的 Agent 工作区。

三层策略引擎。 Omnigent 的策略系统可能是当前开源 Agent 编排框架中最成熟的安全管控方案。策略在三个级别配置，按优先级从高到低评估：

层级	配置者	配置位置	评估顺序
会话级	终端用户	UI 设置面板	最先
Agent 级	开发者	Agent 的 YAML 文件	中间
服务端级	管理员	服务器配置文件	兜底

每个策略的裁决结果为： ALLOW（放行）、DENY（拦截）或 ASK（暂停等待人工确认）。任意策略返回 DENY 就短路后续评估。核心能力包括：

• Shell 操作审批：Agent 执行 Shell 命令前暂停，等待确认。

• Token 花费上限：设定会话最大消耗（如 $5），达到后阻断。

• 工具调用频次限流：限制单次会话内工具调用次数，防止失控。

• 网络出口白名单：结合 bwrap 沙箱，仅允许访问放行的域名。

策略传递链是会话级->Agent 级->服务端级，更严格的规则在前，不会出现「上层放行了下层拦不住」的情况。

会话持久化与跨设备同步。 Omnigent 的服务端记录完整的会话状态—— 消息、子 Agent 状态、终端输出、文件修改。启动时监听 6767 端口提供 Web UI，该页面与服务端通过 WebSocket 实时同步。部署到服务器后，任何设备打开浏览器登录同一实例，就获得与本地终端完全一致的会话视图。

直接能用的场景与演进方向

以下两个场景是 Omnigent 当前就能直接落地的，不需要额外开发。

场景一：团队级 Agent 审计与费用管理。团队使用 AI 编程工具时，最大的隐形成本是 Token 消耗失控。 Omnigent 的服务端策略引擎允许管理员设置全局费用天花板（如每人每天 $10），并在接近阈值时由策略触发 ASK 审批。结合 codex-native Harness 对 Codex 订阅自动识别，可以准确核算每个成员的实际模型消耗。团队部署时只需一台 VPS 跑 Docker Compose，加上 OIDC 身份认证（支持 Google、GitHub、Okta 等 SSO 登录），就能提供一个团队共享的 Agent 接入点。

场景二：跨模型代码审查流水线。传统代码审查依赖人类或单一的 CI 工具。利用 Polly 的模式配置一条「实现->审查->整合」流水线：实现阶段用 Claude Code，审查阶段自动切换到 Codex（不同底层模型），审查通过后才合并。这个流程完全由 YAML 配置，不写一行胶水代码。新团队成员只需 omnigent run 就能加入这条流水线，不需要手动调用任何厂商 CLI。

演进方向。从更广的视角看，Omnigent 的架构方向与 AI 开发工具的演化趋势一致—— 从单体 IDE 插件走向 Agent 原生平台，再走向 Agent 间的编排协议。当前的 Harness 抽象层如果能标准化为开源协议（类似 MCP 之于工具，Harness 之于 Agent 编排），可能会催生一个更大的 Agent 生态。项目目前处于 Alpha 阶段，代码变更频繁，核心功能覆盖全面但边缘用例的异常处理还在完善中。对于已经同时使用多个 Agent 工具的开发者来说，现在上手可以立即体验到「一个入口，多 Agent 驱动」的开发效率提升。