Wie man ein Dutzend Coding-Agenten bändigt und sie dazu bringt, gemeinsam in Omnigent zu arbeiten

Wenn du schon einmal versucht hast, Claude Code, Codex oder Cursor im Terminal auszuführen, ist dir wahrscheinlich ein Problem aufgefallen. Jeder CLI-Agent hat seine eigene Oberfläche, seine eigenen Flags und seine eigenen Gewohnheiten beim Modifizieren von Projektdateien. Der eine bewältigt Refactoring besser, der andere schreibt Tests genauer, aber sie dazu zu bringen, gemeinsam an einer einzelnen Aufgabe zu arbeiten, ohne ständiges manuelles Wechseln, war bisher eine Herausforderung.

Kürzlich bin ich auf das Omnigent-Repository gestoßen. Es ist ein Open-Source-Python-Meta-Framework, das verschiedene KI-Agenten unter einem Dach zusammenbringt. Man erhält eine gemeinsame Orchestrierungsschicht, eine einheitliche Oberfläche, Sicherheitsrichtlinien und die Möglichkeit, von einem Laptop oder sogar einem Telefon aus eine Verbindung zu einer Sitzung herzustellen.

Was das Meta-Framework leisten kann

Die Kernidee hinter dem Projekt ist es, Entwickler von den Besonderheiten bestimmter Anbieter und Schnittstellen zu isolieren. Anstatt Code umzuschreiben, um mit verschiedenen SDKs unter der Haube zu arbeiten, definierst du Agenten deklarativ und kombinierst sie zu Gruppen.

Hier ist, was Omnigent in der Praxis leisten kann:

1. Mehrere verschiedene Agenten in einer einzigen Sitzung ausführen. Zum Beispiel übernimmt einer die Planung, während andere Code in parallelen Git-Branches schreiben.
2. Beliebige Modelle verbinden. Anthropic- oder OpenAI-API-Keys funktionieren ebenso wie reguläre Claude-Pro- oder ChatGPT-Abos oder Drittanbieter-Gateways wie OpenRouter, Ollama oder vLLM.
3. Sitzungskontext geräteübergreifend beibehalten. Du kannst in der Konsole beginnen, über die Desktop-App fortfahren oder den Status über die Weboberfläche auf dem Handy prüfen.
4. Sitzungen mit Kollegen teilen. Echtzeit-kollaborative Agentenansicht, Co-Pilot-Modus oder das Abspalten eines Dialogs in einen separaten Branch sind alle verfügbar.
5. Ausführung in Sandboxes isolieren. Lokale Mechanismen wie bubblewrap unter Linux und seatbelt unter macOS werden unterstützt, ebenso wie Cloud-Umgebungen wie Modal, E2B, Daytona oder Kubernetes.

Wie Start und Konfiguration funktionieren

Die Installation erfolgt mit einem einzigen Befehl über das uv-Utility oder über ein Installer-Skript:

curl -fsSL https://raw.githubusercontent.com/omnigent-ai/omnigent/main/scripts/install_oss.sh | sh

Nach der Installation steht das omnigent CLI-Utility (oder der Kurzalias omni) im System zur Verfügung.

Wenn du den omnigent-Befehl ausführst, bietet das System an, API-Keys aus deiner Umgebung oder Autorisierungen von früheren Konsolenclients zu übernehmen.

Anschließend kannst du eine bestimmte Umgebung starten:

omnigent claude
omnigent codex
omnigent cursor

Beim Start wird nicht nur ein Konsolenprozess gestartet, sondern auch ein lokaler Webserver auf Port 67. Wenn du zu http://localhost:6767 navigierst, öffnet sich eine Weboberfläche, die die Konsolenausgabe spiegelt.

Deklarative Agenten über YAML

Der interessanteste Teil ist die Möglichkeit, eigene Agenten und ihre Interaktionen in einer einzigen Konfiguration zu beschreiben. Hier ist ein Beispiel für eine grundlegende Agentendatei:

name: my_agent
prompt: Вы помогаете анализировать данные и собирать отчеты.

executor:
  harness: claude-sdk

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

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

Das Repository enthält mehrere fertige Beispiele. Das Polly-Beispiel (examples/polly/) ist besonders bemerkenswert.

Polly ist ein Multi-Agent Tech Lead. Dieser Agent schreibt selbst keinen Code. Er zerlegt eine Aufgabe und delegiert Teilaufgaben an andere Agenten (Claude Code, Codex oder Pi) in isolierten Git-Worktree-Branches. Wenn der Code fertig ist, schickt Polly den Diff zur Überprüfung an einen Agenten eines anderen Anbieters. Man erhält fertige Pull Requests und Cross-Code-Review ohne den zusätzlichen Aufwand.

Ein weiteres Beispiel ist Debby. Sie sendet eine Anfrage an zwei Modelle (Claude und GPT) gleichzeitig und zeigt ihre Antworten nebeneinander. Der /debate-Befehl bringt die Modelle dazu, die Entscheidungen des anderen zu kritisieren, bis sie einen Konsens erreichen.

Sicherheit und Budget-Limits

Agenten vollen Zugriff auf das Terminal und das Dateisystem zu geben, kann gefährlich sein. Omnigent löst dies mit Sicherheitsrichtlinien.

Richtlinien prüfen jede Agentenaktion und können sie blockieren oder deine Bestätigung anfordern, bevor ein Befehl ausgeführt wird. Außerdem können Regeln auf Serverebene, pro einzelnem Agenten oder für die aktuelle Sitzung festgelegt werden:

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

In diesem Beispiel wird der Agent vor der Ausführung von Shell-Befehlen um Bestätigung bitten und anhalten, wenn das Limit von 5 Dollar erreicht wird.

Für wen das Projekt geeignet ist

Omnigent ist gut geeignet für Teams, die KI-Agenten im täglichen Entwicklungsprozess aktiv einsetzen. Wenn dir die Kontrolle über die Ausgaben fehlt, du Agenten in Cloud-Sandboxes ausführen möchtest oder eine bequeme Möglichkeit brauchst, Sitzungen mit Kollegen zu teilen, wird dieses Projekt diese Anforderungen erfüllen.

Das Projekt befindet sich im Alpha-Stadium, hat aber bereits 8,7k Sterne auf GitHub und eine aktive Community. Um loszulegen, installierst du einfach die CLI und führst eines der fertigen Beispiele aus.