Объединяем Claude, Codex и Pi в один AI‑агент: решение Databricks

Omnigent: meta‑harness, который объединил разрозненные AI‑агенты

Databricks выпустил Omnigent — открытый проект под лицензией Apache 2.0, построенный на базе Neon. По сути это «над‑над‑обёртка» (meta‑harness), которая превращает любые существующие harness‑ы (Claude Code, Codex, Pi, SDK OpenAI и т.д.) в взаимозаменяемые части единой системы.

Зачем нужен meta‑harness?

Современный разработчик часто держит в руках сразу четыре‑пять агентов: один пишет код, второй ищет информацию, третий генерирует тесты, четвертый — чат в Slack. Каждый из них работает в своей «сессии», а вы постоянно копируете‑вставляете текст, файлы и команды. Omnigent добавляет общий слой, где происходит композиция, контроль и совместная работа всех агентов.

Как устроен Omnigent

• Runner — обёртка, которая «запускает» любой агент в изолированной сессии с единым API.
• Server — сервис, предоставляющий политики, совместный доступ и синхронизацию.

Один простой CLI‑командой вы открываете сессию в терминале; одновременно стартует локальный веб‑интерфейс (по умолчанию http://localhost:6767). Всё то же самое доступно в браузере и на мобильном устройстве, а сообщения, файлы и под‑агенты синхронно отображаются везде.

Три ключевых возможности

• Composition — без переписывания кода меняете harness: один‑единой строкой переключаете Claude Code, Codex, Pi или собственный агент.
• Control — контекстные политики, которые работают не через подсказки, а на уровне meta‑harness. Примеры:
  • пауза после потраченных $100;
  • требование подтверждения от человека перед git push, если агент установил новый npm‑пакет.
• Collaboration — живой совместный доступ к сессии по URL. Коллеги могут наблюдать работу агента, комментировать файлы, «со‑управлять» процессом или форкать разговор.

Sandbox‑слой Omnibox

Omnibox изолирует операционную систему и контролирует сетевые запросы. Например, токен GitHub может быть скрыт от агента и подставлен только в прокси‑запросе, одобренном политикой.

Примеры готовых агентов

• Polly — оркестратор, который сам код не пишет, а планирует задачи и делегирует их суб‑агентам в параллельных git‑worktree. Каждый дифф проверяется reviewer‑ом от другого поставщика.
• Debby — «двухголовый» мозговой штурм: один «голос» — Claude, второй — GPT. По команде /debate они спорят, а затем сходятся к общему ответу.

Эти шаблоны легко адаптировать: один агент‑лидер может направлять дешёвый open‑source‑worker, а отдельные LLM‑модели могут брать на себя планирование, поиск и генерацию кода в едином пайплайне.

Сравнение с одиночным harness

• **Множественные модели и harness‑ы** — один слой, в котором можно менять Claude Code, Codex, Pi, SDK и кастомные агенты.
• **Стоимость** — переключение происходит в один клик, без переинтеграции.
• **Интерфейсы** — терминал, web UI, мобильный клиент; одна сессия везде.
• **Говернанс** — политики уровня meta‑harness, а не только список разрешённых команд.
• **Коллаборация** — живой совместный доступ, а не копипаст между инструментами.
• **Песочница** — OS‑sandbox + прокси‑инъекция секретов.
• **Лицензия** — Apache 2.0, свободно развертывается на Fly.io, Railway, Render и т.п.

Как быстро начать

Требования: Python 3.12+, Node.js 22 LTS, tmux.

Установить всё одной строкой:

curl -fsSL https://omnigent.ai/install.sh | sh

Затем добавить токены моделей (OpenAI, Anthropic, Databricks и т.д.). Команда omnigent model позволяет менять модель «на лету».

Кастомный агент описывается простым YAML:

name: my_agent
prompt: You are a helpful data analyst.
executor:
  harness: claude-sdk
tools:
  researcher:
    type: agent
    prompt: Search for relevant information and summarize it.

Запуск:

omnigent run path/to/my_agent.yaml

Политики как код

Политика бюджета (пример):

policies:
  budget:
    type: function
    handler: omnigent.policies.builtins.cost.cost_budget
    factory_params:
      max_cost_usd: 5.00
      ask_thresholds_usd: [3.00]

Политики накладываются на три уровня: сервер → агент → сессия. Самые строгие правила проверяются первыми.

Сильные и слабые стороны

• Плюсы
  • Единый интерфейс к различным агентам;
  • Синхронные сессии в терминале, web и мобильных клиентах;
  • Состояние‑ориентированные политики;
  • Live‑share заменяет ручное копипаст‑месиво;
  • Облачные sandbox‑решения (Modal, Daytona) без нагрузки на локальный ПК;
  • Apache 2.0 – свободно адаптируемо к любой инфраструктуре.
• Минусы
  • Проект в альфа‑состоянии, API может меняться;
  • Необходимы Python, Node.js и tmux;
  • Вы сами отвечаете за модели, инфраструктуру и расходы;
  • Некоторые серверные компоненты (MCP) ещё не выпущены;
  • Для удалённой совместной работы нужен постоянно‑работающий сервер.

Где посмотреть детали

Официальный репозиторий на GitHub: github.com/databricks/omnigent

Документация и быстрый старт: omnigent.ai