Omnigent：Databricks 开源的 AI Agent 元调度框架，6 天 2900 星

你有没有这种体验：Claude Code 写代码飞快，但一到部署就犯怵；Codex 理解意图精准，但换个模型就得重来；Cursor 的 IDE 集成很舒服，但想在手机上继续改代码就抓瞎。每个 Agent 工具各有所长，但彼此之间是孤岛——你没法在一个地方统一调度它们。

Databricks 在 6 月 13 日开源的 Omnigent 想解决的就是这个问题：它不是又一个 AI Agent，而是坐在所有 Agent 上面的「元调度层」。发布 6 天，GitHub 星标已突破 2900，社区提交了 395+ 个 Issue/PR。

一、Omnigent 是什么

一句话：Omnigent 是所有 AI 编程 Agent 的公共调度层。

它不替代 Claude Code 或 Codex，而是在它们之上加了一层抽象。你可以把 Claude Code、Codex、Cursor、Pi 甚至自己写的自定义 Agent 接入同一个会话，像切浏览器标签页一样切换底层引擎。

核心理念是 Meta-Harness——元调度。就像 Kubernetes 不是又一个容器，而是管理所有容器的编排系统；Omnigent 不是又一个 Agent，而是管理所有 Agent 的编排框架。

二、架构设计

Omnigent 采用客户端-服务器架构，本地启动一个 FastAPI 服务，CLI 和 Web UI 都连接到这个服务。核心模块包括：

Session Manager：管理对话会话，支持跨设备同步。你在终端开始的会话，可以在浏览器或手机上继续。

Policy Engine（CEL 引擎）：基于 Common Expression Language 的策略引擎，支持三层策略——服务级、Agent 级、会话级。可以配置「允许/拒绝/需审批」三种动作，还能设置花费上限和工具调用次数限制。

Sandbox Abstraction：统一的沙箱抽象层，支持本地 bubblewrap、macOS seatbelt，以及 Modal、Daytona、E2B、CoreWeave 等云沙箱。Agent 的代码执行可以在隔离环境中完成。

LLM Router：支持第一方 API Key、Claude/ChatGPT 订阅、OpenRouter、Ollama、LiteLLM、vLLM、Azure、Databricks Workspace 等几乎所有主流模型提供商。

Tool Registry + MCP：工具注册中心，支持 MCP（Model Context Protocol）服务器作为工具接入，也支持从 Python 函数签名自动生成工具 schema。

三、核心能力

3.1 多 Agent 同一会话

这是 Omnigent 最独特的能力。你可以在一个会话里同时跑 Claude Code 和 Codex，让它们各自负责擅长的部分：

1
2
3

omnigent claude    # 启动 Claude Code
omnigent codex     # 切换到 Codex
omnigent run my-agent.yaml  # 运行自定义 Agent

会话里的消息、子 Agent、终端和文件都是共享的。一个 Agent 写的代码，另一个 Agent 可以直接审查。社区把这个模式叫 Polly——先用一个 Agent 做计划，再派多个子 Agent 并行执行，最后让不同模型交叉审查。

3.2 策略治理

企业场景最怕的是 Agent 失控。Omnigent 的 Policy Engine 用 CEL 表达式定义规则：

• ALLOW：放行
• DENY：拒绝
• ASK：暂停，等人工审批

策略可以在三个层级叠加：服务级（全局默认）→ Agent 级（特定 Agent 规则）→ 会话级（临时调整）。比如「所有 Agent 不允许访问生产数据库」是服务级策略，「Claude Code 可以读写 /tmp」是 Agent 级覆盖。

内置的花费上限和工具调用次数限制也很实用——防止 Agent 疯狂调 API 把额度烧光。

3.3 跨设备无缝切换

Omnigent 的会话同步是实时的。你在终端里启动一个 Agent 任务，走到另一个房间打开浏览器，能看到完全相同的会话状态。甚至手机也能接入——在地铁上用手机看 Agent 跑到哪了，回到电脑前无缝继续。

3.4 云沙箱

Agent 写的代码不一定要在本地跑。Omnigent 支持把执行环境放在 Modal、Daytona、E2B 等云沙箱里。每个会话一个独立的沙箱实例，用完即销毁。这对企业场景特别有用——Agent 的代码执行完全隔离在云端，本地机器零风险。

四、技术栈

整个项目是单体代码库，cli.py 约 9000 行，chat.py 约 160KB——典型的早期项目结构，社区已经在推动拆分（Issue #147）。

五、与竞品对比

Omnigent 和现有工具的最大区别在于「元调度」定位。Claude Code、Codex、Cursor 都是单体 Agent——你用它就得用它，不能混搭。Dify 是低代码平台，面向非技术用户，但不支持 CLI Agent 集成。AutoGPT 是自主 Agent 框架，但缺乏策略治理和跨设备能力。

Omnigent 的独特价值：它让开发者可以在同一个界面里混搭不同 Agent，用策略控制行为边界，用沙箱隔离执行环境。这不是「又一个更好的 Agent」，而是「让所有 Agent 协同工作的基础设施」。

六、安装与上手

安装一行命令：

1

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

也可以用包管理器：

1
2
3

uv tool install omnigent      # 推荐
pip install omnigent           # pip
brew install omnigent-ai/tap/omnigent  # macOS

前置条件：Python 3.12+、uv、git。可选：Node.js 22+（Claude/Codex/Pi CLI 需要）、tmux。

启动会话：

1
2
3
4
5

omnigent                  # 启动，选择模型
omnigent claude           # 直接用 Claude Code
omnigent codex            # 直接用 Codex
omnigent setup            # 配置凭据和模型
omnigent server start     # 启动后台服务 + Web UI

七、社区生态

6 天时间，社区已经长出了 13 个相关仓库：

• omnigent-cloudflare：在 Cloudflare 边缘跑 Agent 沙箱
• RayCodes_Omnigent：用 Ollama 完全离线运行 Omnigent
• omnigent-cyberdeck-theme：自定义 UI 主题
• omnigent-mlflow-quickstart：MLflow 追踪适配器

社区还在推动 MiMo（小米模型）和 Kimi-Code（月之暗面）的 Harness 集成，这意味着中国 AI 生态的模型也能接入 Omnigent 调度。

八、局限性

坦率地说几个问题：

1. Alpha 阶段：项目明确标注 status: alpha，API 和配置格式可能会变。
2. 单体代码库：cli.py 9000 行、chat.py 160KB，还在可维护的边缘但快到极限了。
3. 依赖较重：需要 Python 3.12+、Node.js 22+、tmux，对新手不太友好。
4. 文档还在建设中：没有独立的文档站，README 就是全部文档。
5. 没有 Benchmark：作为编排层，传统性能 benchmark 不太适用，但缺少实际使用场景的性能数据。

九、我的看法

Omnigent 抓住了一个真实痛点：AI Agent 工具碎片化。现在开发者手上有 Claude Code、Codex、Cursor、Windsurf、Devin 等十几种工具，各有优劣但互不兼容。Omnigent 提供了一个统一层，让开发者可以「用最合适的 Agent 做最合适的事」，而不是被绑死在一个工具上。

Databricks 开源这个项目的意图也很明确——它想成为 AI Agent 基础设施的标准。就像 Databricks 用 Spark 统一了大数据处理，它想用 Omnigent 统一 Agent 编排。Apache 2.0 许可证意味着企业可以自由使用和修改。

当然，Alpha 阶段的项目风险不小。能否从「Databricks 内部工具」成长为「社区标准」，取决于未来 3-6 个月的社区运营质量。但 6 天 2900 星的开局，说明这个方向确实踩中了开发者的需求。

相关链接

• Omnigent GitHub 仓库
• Omnigent 官方文档（README）
• Databricks 官网