Databricks 推出 Omnigent，用于组合、控制、协作多个 Agent 的 meta-harness

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...

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。 Databricks @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 teams of agents. No single harness can keep up with that alone. So we built the layer above — we call it a 𝗺𝗲𝘁𝗮-𝗵𝗮𝗿𝗻𝗲𝘀𝘀. Omnigent sits above the tools you already use, Claude Code, Codex, Pi, and your own agents, and gives them one shared layer: • 𝗖𝗼𝗺𝗽𝗼𝘀𝗶𝘁𝗶𝗼𝗻: combine models, harnesses, and techniques without rewriting code, and switch between them with one-line changes • 𝗖𝗼𝗻𝘁𝗿𝗼𝗹: stateful, data-centric policies and cost budgets enforced at the meta-harness layer, not via prompts — let agents run without watching them • 𝗖𝗼𝗹𝗹𝗮𝗯𝗼𝗿𝗮𝘁𝗶𝗼𝗻: share a live agent session via URL with full history, so teammates can review, comment, and steer in real time Every session is reachable from a terminal, the web, a desktop app, and your phone. We built Omnigent for our own use at Data databricks.com/blog/introduci… rcing it under Apache 2.0. https://t.co/hOpOJTrdZH 🔗 View Quoted Tweet 💬 2 🔄 0 ❤️ 1 👀 301 📊 2 ⚡