# Databricks 推出 Omnigent

- 来源：meng shao (@shao__meng)
- 发布时间：2026-06-15 09:06
- AIHOT 分数：67
- AIHOT 链接：https://aihot.virxact.com/items/cmqeiu9rw02m5slun0hot30c7
- 原文链接：https://x.com/shao__meng/status/2066326398252499391

## AI 摘要

Databricks 推出 Omnigent，一个开源（Apache 2.0）meta-harness，位于 Claude Code、Codex、Pi 及自研 Agent 之上，提供统一接口。三大能力：组合（一行配置切换不同 harness，YAML 定义跨 harness 可移植 agent，同一 Agent 内可组合不同 subagent）；控制（有状态成本策略如每 $100 暂停，安全策略如 npm 后 git push 需审批，OS 沙箱，策略与 harness 解耦）；协作（通过 URL 共享 live session，支持多端访问及实时评论）。理念类似 Kubernetes，让 session、policy 与具体 harness 解耦，形成可迁移工作层。

## 正文

Databricks 推出「Omnigent」

团队认为：Agent 能力的瓶颈，正在从「模型/harness 本身」上移到「如何组合、治理、协作多个 Agent」。Omnigent 就是针对这一层的新抽象：meta-harness。

它要解决什么问题？
Databricks 从自身实践出发（5000+ 工程师用 coding agent、对外交付 Genie 等产品），归纳出三类真实痛点：
· 用户侧：同时开 4-5 个 Agent（Claude Code、Codex、Gemini 等），在 Agent、Docs、Slack 之间反复 copy-paste
· 构建侧：新 harness、SDK、模型不断出现，换工具就要重写集成逻辑
· 架构侧：高质量 Agent 系统已是「多模型 + 多 harness + 多人协作」，但每个 harness 只认自己的 session，彼此隔离

Omnigent 是什么？
基于现有 Agent（Claude Code、Codex、Pi、自研 Agent），提供统一接口、策略层和协作层。

关键设计洞察：无论底层 harness 如何调用 LLM，对用户界面本质相同--messages + files in → text streams + tool calls out。Omnigent 据此抽象出通用 API，同时覆盖 CLI coding agent 和 SDK（OpenAI Agents、Claude Agents SDK 等）。

三大能力支柱
1. Composition（组合）
· 一行配置切换 Claude Code <-> Codex <-> Pi <-> 自研 Agent
· YAML 定义 custom agent，可跨 harness 移植
· 同一 Agent 内可组合不同 harness 的 subagent
内置 Polly（coding orchestrator）、Debby（model debate）示例
价值：把「选哪个 harness」从架构决策降成配置决策。

2. Control（控制）
区别于 prompt 级 guardrail，Omnigent 在 meta 层做有状态、上下文感知的策略：
· 成本策略：按 session 追踪 LLM 花费，例如每 $100 暂停并请求继续
· 上下文安全策略：例如 npm 安装新包后，git push 需人工批准；Agent 只能写自己创建的 doc
· OS 沙箱：灵活限制文件系统/网络；凭证对 Agent 不可见，由 egress proxy 在批准请求时注入（如 GitHub token）
价值：策略与 harness 解耦，换 Agent 不换治理逻辑。

3. Collaboration（协作）
· 通过 URL 共享 live agent session
· 多人同时查看 workspace 文件、评论、甚至发送命令
· 同一 Agent 可从 terminal、Web、macOS 原生 App、mobile、REST API 访问
· 可在本机或 Modal/Daytona 等托管沙箱中运行，便于安全协作
价值：Agent session 从个人终端工具，变成可共享的协作 surface。

为何 Databricks 认为这很重要？
用 Kubernetes / Terraform 类比：工程师不再管单个进程/服务器，而是管整个 fleet。Agent 领域同理--

模型和 harness 会持续变化；你工作的抽象层不应随之反复重建。

Meta-harness 让 session、policy、skills 与具体 harness 解耦，形成可迁移的工作层。

### 引用推文

> Databricks：Introducing Omnigent, a meta-harness to combine, control, and share your agents. The best teams already mix models and harnesses and design loops that drive tea...