Cómo domar una docena de agentes de codificación y configurarlos para trabajar juntos en Omnigent

Si has intentado ejecutar Claude Code, Codex o Cursor en la terminal, probablemente habrás notado un problema. Cada agente CLI tiene su propia interfaz, sus propios flags y sus propios hábitos al modificar archivos del proyecto. Uno maneja mejor el refactoring, otro escribe tests con más precisión, pero hacer que trabajen juntos en una sola tarea sin mucho cambio manual solía ser un desafío.

Hace poco me encontré con el repositorio de Omnigent. Es un meta-framework Python de código abierto que reúne diferentes agentes de IA bajo un mismo techo. Obtienes una capa de orquestación compartida, una interfaz unificada, políticas de seguridad y la capacidad de conectarte a una sesión desde una laptop o incluso desde un teléfono.

Lo que el Meta-Framework Puede Hacer

La idea central del proyecto es aislar a los desarrolladores de las particularidades de proveedores e interfaces específicas. En lugar de reescribir código para trabajar con diferentes SDKs internamente, defines agentes de forma declarativa y los combinas en grupos.

Esto es lo que Omnigent puede hacer en la práctica:

1. Ejecutar múltiples agentes diferentes en una sola sesión. Por ejemplo, uno se encarga de la planificación mientras otros escriben código en paralelo en ramas git.
2. Conectar cualquier modelo. Funcionan las claves API de Anthropic u OpenAI, al igual que las suscripciones regulares a Claude Pro o ChatGPT, o puertas de enlace de terceros como OpenRouter, Ollama o vLLM.
3. Persistir el contexto de la sesión entre dispositivos. Puedes comenzar el trabajo en la terminal, continuar a través de la aplicación de escritorio, o verificar el estado desde tu teléfono a través de la interfaz web.
4. Compartir sesiones con colegas. La visualización colaborativa de agentes en tiempo real, el modo de copiloto, o bifurcar un diálogo en una rama separada están disponibles.
5. Aislar la ejecución en sandboxes. Se soportan mecanismos locales como bubblewrap en Linux y seatbelt en macOS, junto con entornos en la nube como Modal, E2B, Daytona o Kubernetes.

Cómo Funcionan el Lanzamiento y la Configuración

La instalación se realiza con un solo comando a través de la utilidad uv o mediante un script de instalador:

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

Después de la instalación, la utilidad CLI omnigent (o alias corto omni) estará disponible en tu sistema.

Si ejecutas el comando omnigent, el sistema ofrecerá importar las claves API encontradas en tu entorno o las autorizaciones de clientes de consola anteriores.

A continuación, puedes iniciar un entorno específico:

omnigent claude
omnigent codex
omnigent cursor

Al iniciarse, no solo se inicia un proceso de consola, sino también un servidor web local en el puerto 6767. Si navegas a http://localhost:6767, se abre una interfaz web que refleja la salida de la terminal.

Agentes Declarativos via YAML

La parte más interesante es la capacidad de describir tus propios agentes y sus interacciones en una sola configuración. Aquí tienes un ejemplo de un archivo de agente básico:

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

El repositorio contiene varios ejemplos listos para usar. El ejemplo de Polly (examples/polly/) es particularmente digno de mención.

Polly es un tech lead multi-agente. Este agente no escribe código por sí mismo. Descompone una tarea y delega subtareas a otros agentes (Claude Code, Codex o Pi) en ramas de worktree de git aisladas. Cuando el código está listo, Polly envía el diff para revisión a un agente de un proveedor diferente. Obtienes pull requests listos para usar y revisión cruzada de código sin la complicación adicional.

Otro ejemplo es Debby. Envía una solicitud a dos modelos (Claude y GPT) simultáneamente y muestra sus respuestas una al lado de la otra. El comando /debate hace que los modelos critiquen las decisiones del otro hasta que alcancen un consenso.

Seguridad y Límites de Presupuesto

Dar a los agentes acceso completo a la terminal y al sistema de archivos puede ser peligroso. Omnigent resuelve esto con políticas de seguridad.

Las políticas verifican cada acción del agente y pueden bloquearla o solicitar tu confirmación antes de ejecutar un comando. Además, las reglas se pueden establecer a nivel de servidor, por agente individual o para la sesión actual:

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]

En este ejemplo, el agente solicitará confirmación antes de ejecutar comandos de shell y se detendrá cuando se alcance el límite de 5 dólares.

Para Quién es el Proyecto

Omnigent es una buena opción para equipos que experimentan activamente con agentes de IA en el desarrollo diario. Si careces de control sobre los gastos, quieres ejecutar agentes en sandboxes en la nube, o necesitas una forma conveniente de compartir sesiones con colegas, este proyecto cubrirá esas necesidades.

El proyecto está en etapa alfa, pero ya tiene 8.7k estrellas en GitHub y una comunidad activa. Para comenzar, simplemente instala el CLI y ejecuta uno de los ejemplos listos para usar.