Databricks 开源 Omnigent：统一编排 Claude Code、Codex、Cursor 的元框架

Databricks 开源 Omnigent：统一编排 Claude Code、Codex、Cursor 的元框架 | 前端进阶之旅

Full translation

完整中文译文

"你用 Claude Code 做规划，用 Codex 做快速执行，但它们之间的输出需要你手动复制粘贴。"

这是"每日一个开源项目"系列第 144 篇。今天要介绍的项目是 Omnigent——Databricks 联合创始人 Matei Zaharia 于 2026 年 6 月开源的 AI Agent 元编排框架。8,100 颗星。

Omnigent 的定位很明确：它不是又一个 AI 编程 Agent，而是位于现有 Agent 之上的层——一个元 Harness（meta-harness）。Databricks 打的比方是：Kubernetes 不替代服务器，它在其上添加了编排、策略和可观测性。Omnigent 不替代 Claude Code；它让 Claude Code、Codex、Cursor 和 Pi 成为统一系统的可管理组件，而不是一堆各自为政的工具。

如果你用过多个 AI 编程工具，大概遇到过这个问题：每个工具各有各的界面、各有各的 API key 管理、各有各的上下文和会话，为每个工具单独配置团队级权限和预算本身就是一种负担。Omnigent 正是要解决这一层的问题。

8,100 颗星。1,200 个 Fork。Apache 2.0。Alpha 阶段。

什么是"meta-harness"以及 Omnigent 与 Agent 框架的关系

策略治理：三层策略叠加控制 token 预算和工具访问

云沙箱：本地 OS 隔离（bwrap/seatbelt）加云端执行（Modal/E2B/Daytona）

多 Agent 编排：YAML 子 Agent、并行 worktree、跨供应商审查者

实时协作：会话共享、协同驾驶、fork

MLflow Tracing 集成：跨 Harness 的统一可观测性

前置条件

至少用过 Claude Code、Codex 或 Cursor 其一

基本了解 AI 编程 Agent（上下文、工具调用、system prompt）

熟悉 YAML 配置格式

背景：碎片化的 Agent 生态

2026 年 AI 编程工具格局：Claude Code（claude-sdk 和 claude-native 模式）、Codex（独立 CLI）、Cursor（嵌入 IDE）、OpenCode、Hermes、Pi——各有所长，各占一隅。

Matei Zaharia（Apache Spark 之父、Databricks 联合创始人）在推动 Databricks 5,000+ 工程师组织采用 AI Agent 时遇到了这些问题：

不同 Agent 各有优势；一个任务往往需要多个 Agent 协同

Agent 输出需要在工具之间手动传递

团队级治理没有基础设施（谁可以访问哪些工具？token 预算怎么算？）

缺乏统一的可观测性——无法看清哪个 Agent 花了多少、做了哪些决策

Omnigent 将这些部署经验提炼成一个框架，从整体上解决这些问题。

核心架构：元 Harness 层

Omnigent 的架构分为三层：

┌─────────────────────────────────────────┐
│           Omnigent Server               │
│   Policy governance / collaboration /   │
│   observability / API                   │
├─────────────────────────────────────────┤
│           Omnigent Runner               │
│   Sandboxing / unified API /            │
│   session management                    │
├──────────┬──────────┬───────────────────┤
│ claude-sdk│  codex  │  cursor / pi / …  │
│ (harness) │(harness) │   (harnesses)    │
└──────────┴──────────┴───────────────────┘

Harness（执行层）：现有 Agent 工具——claude-sdk、claude-native、codex、codex-native、cursor、hermes、opencode、pi、openai-agents

Runner（运行时层）：将任意 Harness 包装在沙箱会话中，提供统一 API

Server（服务层）：策略执行、会话共享、跨设备同步

Kubernetes 的类比依然成立：Kubernetes 不替代服务器——它在其上添加了编排、弹性和策略。Omnigent 不替代 Claude Code——它在之上添加了统一控制。

策略是 Omnigent 的核心差异化特性之一。三层策略叠加：

Server-wide（所有 Agent 共享）
    ↓
Agent-level（按 Agent 定义）
    ↓
Session-level（按任务动态调整）

# Token budget in the agent definition
policies:
  cost:
    max_tokens_per_session: 50000
    max_tokens_per_turn: 5000
    alert_at: 40000   # alert when approaching limit
    pause_at: 50000   # pause and wait for human approval

超出预算的 Agent 会自动暂停，等待人类决定是否继续。这解决了 Agent 在复杂任务上悄悄烧掉大量 token 预算却没有任何预警的常见问题。

策略支持有状态的 conditional 限制——不只是静态的允许/阻止列表：

policies:
  tools:
    # After downloading an npm package, require approval before git push
    - condition: "after:tool:npm_install"
      require_approval: ["git_push"]

    # Never allow the agent to read .env files directly
    - block: ["read_file:.env*"]

    # Agent can call APIs, but credentials injected via proxy — agent never sees them
    - network:
        egress_proxy: "https://my-credential-proxy"
        direct_credential_access: false

类似"npm install 之后要求 git push 审批"的有状态规则，在每个工具各自的 Agent 配置中实际上是根本无法实现的。

沙箱与云端执行环境

Omnigent 支持两种沙箱方案：

Linux：bwrap（Bubblewrap）命名空间隔离

macOS：seatbelt 沙箱

Windows：Windows Job Objects（支持有限；暂无 PTY/tmux 包装器）

云端执行环境

将 Agent 执行路由到云端沙箱而非本地机器：

多 Agent 编排：YAML 定义

Omnigent 的 Agent 用 YAML 定义。一个 Agent 可以将其他 Agent 作为工具调用：

# Basic agent definition
name: my_coder
prompt: |
  You are an expert Python developer.
  Focus on correctness and test coverage.
executor:
  harness: claude-sdk
tools:
  run_tests:
    type: function
    callable: mypackage.testing.run_pytest
  search_docs:
    type: mcp
    url: https://docs-mcp.example.com

多 Agent 模式：Polly

Omnigent 内置了一个名为 Polly 的示例——展示并行 worktree 模式的 supervisor 编排器：

name: polly
prompt: |
  You are a supervisor coordinating multiple coding agents.
  Delegate coding tasks to sub-agents, then route diffs to reviewers.
tools:
  coder_a:
    type: agent
    harness: claude-sdk
    prompt: "Implement the feature in a git worktree"
  coder_b:
    type: agent
    harness: codex
    prompt: "Implement the same feature independently"
  reviewer_anthropic:
    type: agent
    harness: claude-sdk
    prompt: "Review the diff for correctness"
  reviewer_openai:
    type: agent
    harness: codex
    prompt: "Review the diff for security issues"

两个在不同 Harness 上的 coder 并行在独立 git worktree 中实现同一功能

Diff 路由到两个来自不同供应商的审查者

supervisor 综合审查反馈并做出最终决定

双头 Agent：Debby

另一个内置示例是 Debby——让 Claude 和 GPT 并肩运行，带有 /debate 模式：

User question
    → Claude produces answer A
    → GPT produces answer B
    → /debate triggers: each model critiques the other's answer
    → Debby synthesizes both arguments into a final response

实时协作

Omnigent 将 Agent 会话变成多人工作空间：

# Generate a shareable URL
omnigent share <session_id>
# → https://omnigent.ai/s/abc123

团队成员打开 URL，实时看到 Agent 输出，注入命令，甚至接管会话。

# Fork from an existing session — same context, independent development
omnigent run --fork <session_id>

在代码审查中很有用：主 Agent 完成实现后，fork 出两个会话分别运行不同的审查者 Agent，再将结论合并回主会话。

身份认证：OIDC 登录（Google、GitHub、Okta、Microsoft）

通过一次性邀请链接创建仅限受邀者的账户

MLflow Tracing 集成

Omnigent + MLflow 集成提供跨所有 Harness 的统一可观测性。配置极简：

uv tool install omnigent mlflow

export MLFLOW_TRACKING_URI="http://your-mlflow-server:5000"
export OMNIGENT_TELEMETRY_ENABLED="true"

omnigent run

每次 Agent 执行都会自动记录到 MLflow：

每次对话回合（prompt + response）

工具调用（含参数、结果和耗时）

每轮 token 消耗

会话元数据（模型名、Agent 名、Harness 类型）

应用场景：模型对比——用 Claude vs GPT 运行同一任务，比较成本和质量；A/B 测试——评估不同 MCP 服务器提供商的成本和性能；团队洞察——哪个 Harness 擅长规划 vs 执行？哪些请求类型速度慢？花在功能 vs bug 上的时间各多少？

安装与快速上手

# Install (uv recommended)
uv tool install omnigent

# Or pip
pip install omnigent

# Start (picks a model, opens localhost:6767 automatically)
omnigent

# Short alias
omni

# Upgrade
omni upgrade

浏览器自动打开 http://localhost:6767，提供配置 Agent 和查看会话的 GUI。也可以直接在终端交互。

# Docker
docker run -p 6767:6767 omnigentai/omnigent

# Supported platforms: Render, Railway, Fly.io, Cloudflare

服务器部署为团队提供共享的 Omnigent 实例，支持 OIDC 登录——所有策略和协作功能集中管理。

🌟 GitHub：omnigent-ai/omnigent

🌐 Website：omnigent.ai

📝 Databricks 博客："Introducing Omnigent: A Meta-Harness to Combine, Control and Share Your Agents"

📊 MLflow 集成：mlflow.org/blog/omnigent-mlflow-tracing

👤 负责人：Matei Zaharia（Databricks 联合创始人，Apache Spark 之父）

Omnigent 没有试图打造一个更好的 AI 编程 Agent。它解决的是当你已经拥有多个 Agent、需要将它们变成一个连贯系统时面临的问题。

Databricks 在 5,000+ 工程师组织中部署 AI Agent 的经验清楚地暴露了这些问题：工具碎片化、策略没有基础设施、团队协作缺乏共享基础、可观测性几乎为零。Omnigent 将答案——元 Harness 层 + 策略治理 + 沙箱 + 协作 + 可观测性——打包成一个可扩展运行 Agent 的操作框架。

"meta-harness"这个概念本身值得铭记。随着 AI 编程工具越来越多、越来越细分对这个层的需求只会增长。今天是 Claude Code 和 Codex。明天可能又多五个专业工具。Omnigent 解决的问题——策略、成本、协作、可观测性——在每一种组合中都会出现。

探索 PrimeSkills——精心挑选的 AI Agent 和技能市场。每一个都经过真实企业工作流验证，去除炒作，只保留真正有效的部分。

欢迎访问我的首页了解更多有用见解和有趣产品。

如需进一步操作，你可以考虑屏蔽此人和/或举报滥用行为。