Omnigent: мета-харнесс для AI-агентов — обзор

Что такое Omnigent и для кого он создан

Сегодня многие разработчики держат под рукой сразу несколько coding-агентов: Claude Code — для одной задачи, Codex или Cursor — для другой. Каждый инструмент приходит со своим CLI, своей обработкой учётных данных и своим способом запуска команд в рабочей директории. Такой разброс оставляет команды с пробелом в управлении: непонятно, где приземляются действия агентов и во сколько они обходятся.

Omnigent, выпущенный Databricks в июне 2026 года под лицензией Apache 2.0, — попытка решить эту проблему на уровне инфраструктуры, а не промптов. Вместо того чтобы заставить вас выбрать одного агента, он предоставляет единый слой оркестрации над всеми ними.

Omnigent — это open-source мета-харнесс: общий слой для компоновки, управления и совместной работы с AI-агентами — как кодовыми, так и любыми другими — поверх уже используемых вами харнессов.

Кому подойдёт:

• Командам разработчиков, использующим несколько AI-агентов одновременно
• DevOps и Platform-инженерам, которым нужен централизованный контроль над агентами
• Компаниям, внедряющим AI-ассистентов в производственные процессы
• Исследователям и экспериментаторам, которые хотят сравнивать поведение разных агентов

Архитектура: как устроен мета-харнесс

Архитектура Omnigent: runner оборачивает любого агента в изолированную сессию с унифицированным API. Сервер обеспечивает политики и совместный доступ, предоставляя каждую сессию через терминал, приложение и веб-API.

graph TD
    A[Пользователь / Команда] -->|Terminal / Browser / Mobile / macOS App| B[Omnigent Meta-Harness]
    B --> C[Runner]
    C --> D[Claude Code]
    C --> E[Codex]
    C --> F[Cursor]
    C --> G[Pi / Hermes / OpenCode]
    C --> H[Custom YAML Agent]
    B --> I[Server]
    I --> J[Политики & Sandboxing]
    I --> K[Совместные сессии]
    I --> L[REST API]
    J --> M[Spend Caps]
    J --> N[Файловый доступ]
    J --> O[Shell-команды]

Ключевые возможности

1. Оркестрация нескольких агентов

В одной сессии можно смешивать Claude Code, Codex, Cursor, OpenCode, Hermes, Pi и кастомных агентов (описанных в YAML). Можно попросить одного агента проверить работу другого или разделить задачу между агентами, каждый из которых специализируется на своём.

2. Кросс-устройственные сессии

Сессии следуют за вами: начните в терминале, продолжите в браузере, перейдите на телефон. Сообщения, суб-агенты, терминалы и файлы остаются синхронизированными.

3. Политики и безопасность

Ядро системы безопасности — политики. Политика управляет тем, что агент может делать: shell-команды, правки файлов, расход токенов — каждое действие проверяется: разрешить, заблокировать или поставить на паузу для одобрения человеком. Лимиты расходов и ограничения доступа идут «из коробки», поэтому сессия может иметь жёсткий денежный потолок и мягкое предупреждение на подходе к нему. Проверки выполняются на уровне мета-харнесса как stateful data-centric правила, отслеживающие действия агентов — это держит правоприменение вне промпта, где агент мог бы его обойти.

4. Встроенные агенты: Polly, Debby, Deep Research

Debby — агент-партнёр для мозгового штурма с двумя «головами»: одна работает на Claude, другая — на GPT. Каждый вопрос уходит к обеим головам, и ответы выкладываются рядом. Введите /debate — и головы несколько раундов критикуют друг друга, а затем приходят к консенсусу.

Deep Research — единственный агент, который отвечает на вопрос подробным отчётом с источниками. Он планирует подзапросы, ищет в живом вебе через MCP search server и верифицирует каждое утверждение по независимым источникам.

5. Кастомные агенты в YAML

Агентов не обязательно писать вручную: другие агенты могут создавать агентов — просто опишите нужного агента в чате Omnigent, и он сам сформирует YAML-файл.

Пример минимального кастомного агента:

name: my_agent
prompt: You are a helpful data analyst.
executor:
  harness: claude-sdk  # claude-native, codex, cursor, pi, openai-agents...
tools:
  word_count:
    type: function
    callable: mypackage.mymodule.word_count
  researcher:
    type: agent
    prompt: Search for relevant data

6. Поддержка любых моделей и провайдеров

Omnigent работает с прямым API-ключом, подпиской Claude или ChatGPT, или любым совместимым шлюзом вроде OpenRouter — с настройкой по умолчанию на агента, которую можно изменить прямо в сессии.

7. Быстрая установка

Установка — одна команда через curl или uv tool install omnigent. После запуска Omnigent открывает локальный веб-интерфейс на localhost:6767.

# Установка через pip/uv
uv tool install omnigent

# Или обновление
omni upgrade

# Проверка обновлений
omni upgrade --check

Тарифы и цены

Omnigent работает по freemium-модели: основные компоненты мета-харнесса открыты под лицензией Apache 2.0. Бесплатный уровень доступен, однако конкретное ценообразование для возможных premium-функций или управляемых сервисов Databricks публично не раскрывает — проект находится в стадии альфа. Бесплатный тариф даёт доступ к базовой функциональности мета-харнесса и open-source компонентам.

Плюсы и минусы

Сравнение с альтернативами

Главные альтернативы Omnigent — Composio Agent Orchestrator, AutoGen (Microsoft), CrewAI, Conductor и Nimbalyst.

Ключевое отличие: Omnigent не конкурирует с AutoGen или CrewAI напрямую — он живёт над ними. Если AutoGen и CrewAI строят агентов с нуля, Omnigent управляет уже существующими coding-инструментами как единым целым.

Omnigent позиционирует себя как «мета-харнесс» — новый уровень абстракции для унификации и контроля разрозненных AI-агентных харнессов, аналогичный тому, как Kubernetes управляет серверами.

Статус проекта и сообщество

На GitHub репозиторий набрал около 8 660 звёзд, имеет 1 309 форков и 391 открытый issue. Проект активно развивается командой Databricks и принимает внешние вклады.

Среди последних обновлений — Live model discovery: выбор моделей теперь берётся из каталога активных провайдеров и установленных CLI (Kiro, Cursor, Pi) вместо захардкоженных названий.

Для ранних пользователей доступно Discord-сообщество.

Вердикт: кому подойдёт Omnigent?

Omnigent — инструмент для тех, кто уже использует несколько AI coding-агентов и хочет управлять ими централизованно, не переписывая пайплайны при смене провайдера.

Подходит:

• Командам 5+ человек, активно использующим Claude Code, Codex, Cursor
• Platform-инженерам, которым нужны governance и spend controls
• Компаниям, экспериментирующим с мульти-агентными рабочими процессами
• Тем, кто хочет vendor-neutral инфраструктуру без привязки к одному AI-провайдеру

Не подходит:

• Тем, кто только начинает работу с AI-агентами (лучше стартовать с Claude Code или Codex напрямую)
• Проектам, требующим стабильного production API (пока альфа)
• Командам без DevOps-компетенций для self-hosted деплоя

Рейтинг: 8 / 10