多個 Agent 怎麼一起管：Omnigent 的 meta-harness、Policy 與跨裝置 Session

🌏 English version

同時開 4、5 個 agent 是常態：Claude Code 改程式、Codex 跑測試、Cursor 在編輯器裡補完，還有一個自己寫的資料分析 agent。痛點不在模型夠不夠聰明，而是每個 harness 都是孤島——自己的 session、自己的權限、自己的歷史，換一個工具就要重講上下文、重設護欄、再複製貼上一次。

Omnigent（omnigent.ai）是 Databricks 在 2026-06-13 Data + AI Summit 同步開源 的 meta-harness，Apache 2.0，截至 2026-08-26 約 9.3k stars / 1.4k forks / 2,838 commits，版本 0.11.0.dev0 仍標 alpha。它不取代你已在用的 harness，而是蓋在它們之上，讓 session、policy 與 skill 跟著你走，Claude Code、Codex、Cursor、OpenCode、Hermes、Pi 與你自己用 YAML 定義的 agent 可以一鍵替換、共處同一個可分享的 session。

這篇把它的設計邏輯、架構、實際怎麼用、以及在 GitHub 上有哪些同層專案一次整理。

Omnigent 在解什麼：harness 碎片化

Databricks 的說法很直接：

每個 harness 都是自己的 silo，有自己的 context、自己的 controls、自己的 way of running，none of it carries over when you switch tools.

實務上就是三個跨 harness 問題：

1. 可攜（Composition）：想讓同一個 agent 定義今天跑 Claude、明天跑 Codex，或把兩個不同 harness 的 sub-agent 混在同一任務裡，不想重寫。
2. 治理（Control）：想在 prompt 之外、用可審計的方式控管「能不能 git push」「花多少錢要停」「能不能讀那份機密文件」。
3. 協作（Collaboration）：想把「活的 agent session」用連結分享給同事，讓對方即時看、留言、甚至接管執行。

這三件事在單一 harness 內都做不到，才需要往上提一層。Omnigent 的類比是 Kubernetes 之於 containers：把「一群 agent 怎麼管」從模型層往上抽。

整體架構：Runner 包執行，Server 管治理

[你] ── terminal / browser / phone / 桌面 app / REST API
          │
     ┌────▼────┐
     │ Server  │  持久化 session 歷史（Postgres/SQLite）、MCP proxy、
     │         │  Policy 執行、Auth/OIDC、技能與 agent 註冊、WebSocket 同步
     └────┬────┘
          │ WebSocket
     ┌────▼────┐
     │ Runner  │  實際跑 harness 與工具（bwrap/seatbelt 沙盒內）、
     │ (host)  │  inference 與憑證留在 host
     └─────────┘
  筆電 / devbox / K8s Pod / Modal / Daytona / E2B / Blaxel / Databricks sandbox

關鍵決定是 Runner / Server 分離，而非把大腦與手分離。Server 只做協調，Runner 在你指定的 host 上跑 harness 與 shell，模型推論與 API key 不上 Server。這帶來兩個直接好處：

• Session 可接續與可分享：關掉筆電，session 仍在 Server；用手機打開同一個 http://your-host 就能繼續看同一個 chat、sub-agent、terminal 與檔案。
• 多 surface 同步：terminal、web、桌面 app 看的是同一個 session，訊息與檔案即時同步，評論可直接回到 agent。

共通 API 的抽象也很克制：對外就是 messages/files in → text streams/tool calls out + cancel，底層同時包「terminal 型 harness」（Claude Code、Codex、Pi 等）與「SDK 型 harness」（Claude Agent SDK、OpenAI Agents SDK 等）。新增 harness 走 plugin 形式，Atlassian 的 Robo harness 就是外部擴充案例。

怎麼用：一個 YAML 就是一個 agent

最精簡的自定義 agent 長這樣（Agent YAML spec）：

name: my_agent
prompt: You are a helpful data analyst.

executor:
  harness: claude-sdk   # 一行切換：claude-native / codex / cursor-native / hermes / pi / opencode / openai-agents ...

tools:
  word_count:
    type: function
    callable: mypackage.mymodule.word_count

  docs:
    type: mcp
    url: https://example.com/mcp

  researcher:
    type: agent
    prompt: Search for relevant information and summarize it.
    tools:
      word_count: inherit

三個重點：

• tools 三類：function（本地 Python 函式，schema 自動產生）、mcp（MCP server）、agent（把另一個完整 agent 當工具，含不同 harness 也能混用）。
• 一行切 harness：executor.harness 或 omnigent run path/to/agent.yaml --harness <harness>，sub-agent 也能各自指定。
• 啟動方式：本地 omnigent claude / omnigent codex / omnigent run examples/polly/，或 omnigent start 後在瀏覽器 http://localhost:6767 選 host 開新 chat。

官方三個範例，最適合抄的是第三個

• 🐙 Polly：多 agent coding orchestrator，自己不寫程式，只做規劃、把工作分給 Claude Code/Codex/Pi 的 sub-agent（平行 git worktree），再把 diff 路由給不同 vendor 的 reviewer，最後由你 merge。
• 🟠🔵 Debby：雙頭辯論，同一個問題同時送 Claude 與 GPT，並排呈現，/debate 讓兩邊互評幾輪再收斂。
• 🔎 Deep Research：單 agent + 一個 MCP 搜尋 server，規劃子查詢、抓全文、跨來源驗證後產生帶引用的報告。結構最簡單，適合當模板抄。

模型與 host 的選擇

omnigent setup

四種憑證皆為一等公民：API key、Claude Pro/Max 或 ChatGPT 的 subscription（透過官方 CLI 登入）、Gateway（OpenRouter、LiteLLM、Ollama、vLLM、Azure）、Databricks workspace（需 databricks extra）。每種 harness 有各自的預設，可在 session 中 /model 即時切。

部署則有兩路：自架 docker compose up 或一鍵上 Render/Railway/Fly.io/Hugging Face Spaces/Modal/Cloudflare/Databricks Apps；也可用 Cloudflare Tunnel / Tailscale 把筆電直接暴露成 host。Server 還能每 session 派一個雲端 sandbox（managed hosts），筆電不用常駐。

治理才是分水嶺：Policy 與 Omnibox

Omnigent 把治理從 prompt 裡抽出來，放在 Server 層用 tool hooks 攔截。Policy 是 Python 函式，看到的是整個 session（已讀過什麼、現在想做什麼），回傳 allow / deny / ask。

policies:
  approve_shell:
    type: function
    handler: omnigent.policies.builtins.safety.ask_on_os_tools
  cap_calls:
    type: function
    handler: omnigent.policies.builtins.safety.max_tool_calls_per_session
    factory_params: { limit: 50 }
  budget:
    type: function
    handler: omnigent.policies.builtins.cost.cost_budget
    factory_params: { max_cost_usd: 5.00, ask_thresholds_usd: [3.00] }

三層堆疊為 server-wide（admin） / per-agent（開發者） / per-session（使用者），較嚴格者優先。成本控管（soft 提醒 + hard 上限）、工具次數上限、是否強制 sandbox 都走同一條路徑。實務上可在 web UI 的 session 資訊面板開關，或直接在 chat 裡說「幫我加一個 shell 前要我同意的 policy」。

沙盒是雙層的：

• Omnibox OS 層：Linux 用 bubblewrap（bwrap）、macOS 用 seatbelt，可限制 write_paths/read_paths、allow_network、env_passthrough 與 HTTP egress_rules，並支援 credential proxy——把 GitHub token 等憑證藏起來，只在 egress proxy 上對允許的請求注入，agent 本身拿不到明文。
• 雲端沙盒層：Modal、Daytona、Blaxel、Islo、E2B、CoreWeave、Kubernetes、OpenShell、Boxlite、Databricks 等，每 session 一個隔離環境，關機後仍可續跑。

Windows 目前為降級模式：以 Job Object 做 process 樹隔離與資源限制，沒有檔案與網路隔離，官方建議改用 WSL。

Harness 群像：Omnigent 治理的是誰

Omnigent 治理的對象是單一 harness，常見的如下（各取一代表，避免單挑某一個造成誤讀）：

• Block/Goose（51k，Rust，AAIF 託管）— 最中立，40+ providers，不綁模型廠，適合講「為何需要中立治理」。
• OpenCode — Omnigent 原生支援 opencode，輕量 BYOK，適合講「一鍵替換」。
• Pi (badlogic/pi-mono) — 極小 harness，也是 Cloudflare Flue 的底座，適合講「小 harness 如何被放大」。
• DeepSeek Harness（dsh，2026-08-25 preview，MIT，165k）— Everything is a Plugin（Cordis），連 UI 都是 plugin，適合講「單一 harness 的極致可塑性」。

它們都與 Claude Code / Codex 同級（模型 + harness = agent），而 Omnigent 是之上的 meta-harness。實務上這些 harness 的模型皆可透過 Omnigent 的 Gateway 使用，本身也可被包成 harness: goose/openCode/pi/deepseek 來調度。

跟 ADE（Agentic Development Environment）的差別：控制面 vs 工作台

ADE 現在已是類別名，不只一個產品。最具代表性的是 arul28/ADE（Your workspace for every AI coding agent — macOS, Windows, iOS, and CLI all synced），同家族還有 Kadro ADE、Orca、per-simmons/damon-ade、DCENT_ADE 等。

一句話定位：Omnigent = 控制面（control plane），Runner + Server + Omnibox + Policy 把多個 harness 變成可替換、可治理、可審計的服務；ADE = 工作台（workspace），Brain + Desktop/Web/Mobile + Lane/worktree + PR 把多個 agent 變成可並行、可看見、可合併的開發環境。

實務上兩者可疊加：用 Omnigent 的 Runner 跑在 ADE 的 Brain 機器上，或把 ADE 當成 Omnigent 的其中一個 host UI。

GitHub 同層專案速覽：掃描三個 Topics 的結果

這次依你的要求再掃了 agent-orchestration（2,895 repos）、agent-governance（677 repos）、agent-framework（2,408 repos），與先前的 agent-harness 交叉比對。真正與 Omnigent 同屬「控制面 / 治理層」且值得對照的如下，依相關性而非單純星星排序：

控制面 / 治理層（直接可比）

另外三個同名 metaharness（ruvnet/metaharness、stanford-iris-lab/meta-harness、SuperagenticAI/metaharness）指的是「用外層迴圈去優化 harness 程式碼」（論文 arXiv:2603.28052），與 Omnigent 的控制面同名不同義。

什麼時候適合用 Omnigent

適合：

• 團隊已同時用多種 harness/模型，想一行切換且不改 agent 邏輯。
• 需要把「活的 session」分享給同事，支援留言、共駕（omnigent attach <session_id>）、或 fork（omnigent run --fork <session_id>）後各自再跑。
• 想讓 agent 在雲端 sandbox 續跑，關掉筆電也能用手機追進度。
• 需要可審計的成本與安全護欄，且不信任 prompt 層面的 allowlist。

不適合：

• 個人單機、單一 harness 已足夠 — 原生 harness 更輕，Omnigent 多一個 server 與 tmux/bwrap 依賴。
• Windows 原生且強依賴檔案/網路隔離 — 目前為降級模式。
• 對 alpha 成熟度敏感 — 0.11.0.dev0 的 API 仍在變動，升級走 omni upgrade。

整體來說

Omnigent 把「agent 的可攜性」從模型層往上提了一層，用一個可自架的 Server 換來跨 harness 複用、狀態化治理與即時協作。代價是多一個需要部署與維運的組件，以及對上游 harness 變動的跟隨成本。若你的痛點是「工具多、協作難、治理落在 prompt 裡」，它是目前最完整的開源解；若你只用單一 harness 且單機作業，它的價值就顯得間接。

下一步可接續的題目：用 loopx / loushang / holaOS 與 Omnigent 做同任務的實測對比（token / latency / 治理粒度），或深入 Omnibox 的 egress 策略與 secretless 憑證在企業環境的落地。

參考資料

• Omnigent — a meta-harness for building and running AI agents
• omnigent-ai/omnigent
• Introducing Omnigent: A Meta-Harness to Combine, Control and Share Your Agents — Databricks Blog
• Omnibox (OS Sandbox) / Shared Server / Agent YAML Spec
• What Is a Meta-Harness? A 2026 Buyer's Guide — codepick.dev
• DeepSeek Harness / DeepSeek Harness 官網 / Block/Goose / OpenCode / Pi
• huangruiteng/loopx / zhnt/loushang / holaboss-ai/holaOS
• FailproofAI/failproofai / first-fluke/oh-my-agent
• herdrdev/herdr / superset-sh/superset / builderz-labs/mission-control / microsoft/agent-governance-toolkit
• arul28/ADE / ade-app.dev
• Meta-Harness: End-to-End Optimization of Model Harnesses — arXiv:2603.28052