omnigent-ai/omnigent 戳中了一个被很多人忽略、却正在变得越来越尖锐的问题：当 Claude Code、Codex、Cursor 都已经很强大，为什么我们还需要一个"管它们的 Agent"？
答案藏在这个项目的名字里——Meta-Harness。
一、Harness 之后，为什么还要 Meta？
如果你读过 Lilian Weng 2026-07-04 的《Harness Engineering》，或者我们之前介绍过的 openclaw-Harness 工作流，你应该已经熟悉了"Harness"这个概念——给 LLM Agent 提供脚手架，让它的行为更可控、输出更稳定。
但 Harness 的本质是单 Agent 优化。它解决的是"这一个 Agent 怎么干活更靠谱"。
而 omnigent 要解决的是下一个层级的问题：当你的任务需要多个 Agent 协作，甚至需要把多台机器上的 Agent 串起来，怎么办？
这就是 Meta-Harness 的核心价值：
| 层级 | 抽象 | 解决的问题 | 代表项目 |
|---|---|---|---|
| L0 | 模型 | 推理能力 | Claude/GPT/DeepSeek |
| L1 | Harness | 单 Agent 行为可控 | Claude Code SDK、openclaw Skills |
| L2 | Meta-Harness | 多 Agent 编排 + 跨设备调度 | omnigent |
| L3 | Agent OS | Agent 作为基础设施 | （尚未出现） |
omnigent 把自己定位在 L2——一个"Agent 的 Agent"。
二、omnigent 的三大杀手锏：编排、策略、沙箱
2.1 Controller-Worker 架构：不只是"调度"，更是"分级治理"
omnigent 采用经典的 Controller-Worker 架构，但它的设计精髓不在调度算法，而在职责分离：
- Controller（调度层）：负责任务拆分、Agent 选择、跨设备通信、审计日志
- Worker（执行层）：每个 Worker 跑一个 Agent 实例（Claude Code / Codex / Cursor / 自定义）
- Sandbox（隔离层）：每个 Worker 实例都包裹在沙箱里
这种分层让 omnigent 能做一件很多 Harness 做不了的事：让 Claude Code 和 Cursor 在同一台机器上同时干活，且互不干扰。对，不是"二选一"，而是"组合拳"——比如让 Claude Code 写代码，让 Cursor 做局部重构，让 Codex 做代码审查。
2.2 Policy-as-Code：把 AI 安全策略从"文档"变成"代码"
这是 omnigent 最值得认真看的设计。
传统 Harness 的安全策略是写在文档里的——"请不要删除用户文件"、"请谨慎访问 /etc"。但 LLM Agent 真的遵守吗？没人知道。
omnigent 把策略代码化了：
# 伪代码：omnigent Policy 示例
policies:
- name: no-destructive-ops
match: { action: "rm", "delete", "drop_table" }
action: deny
reason: "Destructive operations require human approval"
- name: network-egress-whitelist
match: { action: "network_egress" }
allow: ["api.github.com", "registry.npmjs.org"]
action: deny_if_not_match
- name: resource-quota
match: { agent: "*" }
limits: { cpu: "2 cores", memory: "4GB", timeout: "30min" }为什么这是企业级 Agent 的胜负手？
因为 90% 的企业不敢上 Agent 的根本原因不是"AI 不够聪明"，而是"AI 太不可控"。一个失控的 Agent 在生产环境 rm -rf / 的故事，全行业都听过几次。Policy-as-Code 把"安全"从"祈祷"变成"工程"——这是 AI Safety 在生产环境的真正落地。
2.3 Sandbox：让 Agent "闯祸" 的成本可控
omnigent 的沙箱不是 Docker 那么简单。它包含三层防护：
- 文件系统隔离：每个 Agent 只能访问白名单目录
- 资源配额：CPU/内存/网络带宽硬性限制
- 网络隔离：默认 deny，egress 白名单制
这意味着即使 Agent 在执行中"幻觉"了，它能造成的破坏也是有限的、可预测的。
三、与同类项目横向对比
我们把 omnigent 和目前主流的 Coding Agent 编排方案放在一起比较：
| 维度 | omnigent | deepseek-harness | jcode | openclaw Skills |
|---|---|---|---|---|
| 多 Agent 编排 | ✅ Meta-Harness | ✅ Plugin 协议 | ✅ Rust 高性能 | ✅ Skills 系统 |
| Policy 强制 | ✅ 完整 | ❌ | ❌ | ⚠️ Hooks 部分 |
| 沙箱隔离 | ✅ 三层 | ❌ | ❌ | ❌ |
| 跨设备 | ✅ Controller-Worker | ❌ 单机 | ❌ 单机 | ⚠️ Nodes 单机 |
| 自改进 | ❌ | ✅ 内建 | ❌ | ✅ 内建 |
| 学习曲线 | 中 | 低 | 中 | 低 |
| 协议 | Python | TypeScript | Rust | TypeScript |
对比结论：
- 如果你只需要单 Agent 优化，openclaw Skills + Hooks 够用
- 如果你需要多 Agent 协作 + 企业级安全，omnigent 是目前开源里最完整的方案
- 如果你追求极致性能，jcode 的 Rust 实现值得看
- 如果你主要用 DeepSeek 模型，deepseek-harness 的 Plugin 协议最顺手
四、对 openclaw 生态的启示
作为内容运营者，我更关心的是：omnigent 给 openclaw 这样的 Skills 平台带来了什么启示？
4.1 Meta-Skill 的可能性
openclaw 现在的 Skills 系统是单 Agent 内的能力扩展。但如果引入"Meta-Skill"——让一个 Skill 可以调用其他 Agent 的 Skills——就能实现：
[Content Skill] → 调用 [Image Skill] → 调用 [Publish Skill]
（写作 Agent） （配图 Agent） （分发 Agent）这就把 omnigent 的 Meta-Harness 思想下沉到了 Skill 层级。
4.2 Policy Hook 的标准化
openclaw 的 ~/.openclaw/hooks/ 目录已经有 pre-exec hook 的雏形。但 omnigent 给了我们一个更完整的蓝图：
- Pre-Hook：执行前检查（policy match）
- Mid-Hook：执行中干预（resource quota exceeded）
- Post-Hook：执行后审计（log + rollback）
如果把这套机制标准化，openclaw 就能从"Agent 平台"升级为"可信 Agent 平台"。
4.3 跨设备调度：节点配对的下一站
openclaw 现在的"节点配对"还停留在单机多 Agent。但 omnigent 证明了多机多 Agent 是可行的，且通信成本并不高（推测用 gRPC 或 WebSocket）。这给分布式 Agent 协作打开了一扇门。
五、谁应该关注 omnigent？
- 企业 IT 负责人：想落地 Coding Agent 但担心安全？Policy + Sandbox 是答案
- 独立开发者：同时用 Claude Code + Cursor + Codex？Meta-Harness 让你不用二选一
- AI 平台架构师：在设计 Agent OS？Meta-Harness 是绕不开的中间层
- AI 工具评测者：想了解 Coding Agent 生态全景？omnigent 是关键拼图
六、潜在风险与观望点
也要冷静看到 omnigent 的局限：
- 成熟度：9,663 星但 Fork 仅 1,500，社区活跃度需持续观察
- 协议未明：商业使用前需要确认开源协议（项目页面没写清楚）
- 文档深度：Meta-Harness 概念复杂，文档不足会增加接入成本
- 同类竞争：deepseek-harness、jcode 也在快速迭代，差异化窗口期有限
写在最后
omnigent 让我看到一个清晰的趋势：AI 编程正在从"单兵作战"走向"军团协作"。
Harness 解决了"一个 Agent 怎么干活"，Meta-Harness 解决了"一群 Agent 怎么协作"。这不是简单的"再加一层"，而是 AI 编程范式的根本转变——从"我有一个 AI 帮我写代码"到"我有一个 AI 团队帮我交付项目"。
对于内容运营者和独立开发者来说，这意味着我们要开始思考：当 Agent 越来越像"员工"而不是"工具"，我们的工作流要怎么重新设计？
这可能是 2026 下半年最值得跟踪的趋势之一。
项目地址：github.com/omnigent-ai/omnigent