oh-my-agent：会核验工作的多智能体框架

한국어 | 中文 | Português | 日本語 | Français | Español | Nederlands | Polski | Русский | Deutsch | Tiếng Việt | ภาษาไทย

智能体擅长宣称成功，oh-my-agent 只核验产物。

并行启动智能体只是简单的部分。难的是确认它们是否真的完成了工作。对智能体来说，说“测试通过，所有标准均满足”毫无成本，而同一会话内也不会有任何内容能与之相悖。

oh-my-agent 让这种说法变得可证伪。一个 Stop 钩子会拒绝结束你的会话，直到项目自身的 typecheck / test / lint 脚本退出码为 0。门禁命令会通过查找流程必须留下的产物，来判断工作流是否真正运行过——其 JSON 判定，而非智能体的总结，才是结果。一个拥有全新上下文的独立评审者，会在每一轮重新校验每一条标准，包括已经通过的那些。每一次门禁判定都会写入追加式事件日志，供你在事后查阅。随后，它会从同一个可移植的 .agents/ 目录出发，在十余个智能体运行时中执行同样的纪律。

观看完整视频（35秒）

快速开始

以下安装脚本会在 bun、uv 和 serena 缺失时自动安装它们。

# macOS / Linux — auto-installs bun, uv & serena if missing
curl -fsSL https://raw.githubusercontent.com/first-fluke/oh-my-agent/main/cli/install.sh | bash

# Windows (PowerShell) — auto-installs bun, uv & serena if missing
irm https://raw.githubusercontent.com/first-fluke/oh-my-agent/main/cli/install.ps1 | iex

# Or manual (any OS, requires bun + uv + serena)
bunx oh-my-agent@latest

# All skills, deployed to every detected runtime
# (.claude, .cursor, .codex, .opencode, .github, .agents)
apm install first-fluke/oh-my-agent

# A single skill
apm install first-fluke/oh-my-agent/.agents/skills/oma-frontend

选择一个预设即可开始：

兼容所有 Agent

如果验证被锁定在单一供应商上，其价值就会大打折扣。oh-my-agent 将 .agents/ 作为唯一事实来源，并将其映射到每个运行时的原生结构中，因此所有受支持的工具都能共享相同的技能、工作流、规则和门禁——切换供应商只是一次配置变更，而不是一次迁移。

Claude Code 原生 + 适配器	Codex CLI 原生 + 适配器	Antigravity 原生 SSOT	Cursor 原生 + 适配器	Qwen Code 原生调度	Reasonix 原生兼容
Pi 原生兼容	OpenCode 原生兼容	Amp 原生兼容	GitHub Copilot 符号链接技能	Grok Build 原生钩子	Kiro CLI 原生钩子 + Agent

_更多

你的工程团队

而不是让一个 AI 包揽所有工作（并且做到一半就陷入混乱），oh-my-agent 将工作拆分给多个专职智能体。每个智能体都深谙自身领域，拥有自己的工具与检查清单，并始终各司其职。

超越代码：内容与研究流水线

独立于工程团队之外，oma 提供内容与研究流水线，并遵循同样的工程规范：基于 fixtures 的确定性回放、用于可复现性的清单，以及在来源或供应商密钥不可用时如实报告降级，而不是悄无声息地交付缩水结果。

Orca IDE

OMA for Orca 添加侧边栏面板与命令面板 操作，用于项目设置、审查、调试、验证以及本地结果查看。 它使用你现有的 Orca 代理终端和项目 OMA 安装。要求 Orca 1.4.197+，并启用实验插件。

工作原理

只需对话。描述你的需求，oh-my-agent 会自动判断该使用哪些代理。

You: "Build a TODO app with user authentication"
→ PM plans the work
→ Backend builds auth API
→ Frontend builds React UI
→ DB designs schema
→ QA reviews everything
→ Done: coordinated, reviewed code

也可以使用斜杠命令执行结构化工作流：

自动检测：你甚至不需要斜杠命令——消息中的 "architecture"、"plan"、"review" 和 "debug" 等关键词（支持 11 种语言！）会自动激活相应的工作流。检测准确率是实测出来的，而非假设：oma verify triggers 会针对一个包含 171 条标注提示词的语料库评估检测器（当前 0% 漏报，低于 10% 误报），并以此作为 CI 的准入门禁。

各代理模型

在 .agents/oma-config.yaml 中设置 model_preset，可指定每个代理使用的 AI 模型：

language: en
model_preset: mixed   # antigravity | claude | codex | cursor | kiro | mixed | qwen

# Optional per-agent overrides
agents:
  backend: { model: openai/gpt-5.5, effort: high }

• oma doctor --profile — 打印按角色解析后的模型矩阵
• 完整指南：web/docs/guide/per-agent-models.md

验证，而非叙述

每个机制都是机械式的：命令退出码为 0 或非 0，文件在磁盘上或不在。不会询问 LLM 工作“看起来是否正确”。

预算也按同样方式强制执行。session.quota_cap 限制 token 数、派生次数和按厂商的花费；当任一维度超限时，编排器会拒绝下一次派生。当实际时间预算耗尽时，Stop hook 会如实停止，并在事件日志中记录部分状态，而不是假装完成。

控制边界

oh-my-agent 将开放式规划和下一步动作选择留给宿主 LLM。它不会用统一的工作流图或策略引擎取代这种判断。相反，它把那些无论使用哪种模型都必须成立的不变约束外化：工具护栏、权限、预算、重试与停止限制、持久事件，以及可机械验证的完成状态。结构化事件会记录决策和门禁结果；它们不会充当第二个规划器。

因此，确定性 SLM 执行是一个独立的、可选的产品方向，而不是当前执行框架中缺失的基础设施。

为什么选择 oh-my-agent？

• 基于角色 — 智能体按照真实工程团队的方式建模，而不是一堆提示词
• Token 高效 — 技能分两层加载，因此在普通任务下，一个由 5 个智能体组成的会话可保持约 17-19K token 的技能上下文，而不是加载所有资源所需的 72K token（已测量，附脚本）
• 可恢复 — 在 2 次重试失败后，orchestrate 并行生成假设变体，并保留得分最高的结果，而不是一直重试错误的方案
• Monorepo 感知 — detectWorkspace 读取 pnpm / nx / turbo / lerna，并将每个智能体路由到其工作区
• 多厂商 — 可按智能体类型混合使用 Antigravity、Claude、Codex、Cursor、Kiro 和 Qwen
• 可观测 — 终端和 Web 仪表盘用于实时监控

架构

flowchart TD
    subgraph Workflows["Workflows"]
        direction TB
        W0["/brainstorm"]
        W1["/work"]
        W1b["/ultrawork"]
        W2["/orchestrate"]
        W3["/architecture"]
        W4["/plan"]
        W5["/review"]
        W6["/debug"]
        W7["/deepinit"]
        W8["/design"]
    end

    subgraph Orchestration["Orchestration"]
        direction TB
        PM[oma-pm]
        ORC[oma-orchestration]
    end

    subgraph Domain["Domain Agents"]
        direction TB
        ARC[oma-architecture]
        FE[oma-frontend]
        BE[oma-backend]
        DB[oma-db]
        MB[oma-mobile]
        DES[oma-design]
        TF[oma-tf-infra]
    end

    subgraph Quality["Quality"]
        direction TB
        QA[oma-qa]
        DBG[oma-debug]
    end

    Workflows --> Orchestration
    Orchestration --> Domain
    Domain --> Quality
    Quality --> SCM([oma-scm])

了解更多

• 详细文档 — 完整技术规范与架构
• 支持的智能体 — 跨 IDE 的智能体支持矩阵
• 能力提供方 — 实验性 Gortex 与 Honcho 的配置、路由及限制
• 基准测试报告 — 方法、得分、截图与注意事项
• 在线文档 — 指南、教程与 CLI 参考

赞助商

得益于赞助者们的慷慨支持，本项目得以持续维护。

喜欢本项目？ 请点亮星标！

gh api --method PUT /user/starred/first-fluke/oh-my-agent

试用我们优化后的起步模板：fullstack-starter

🚀 冠军

🛸 助推者

☕ 贡献者

成为赞助商 →

查看 SPONSORS.md 以获取完整支持者列表。

星标历史

参考资料

• Li, X., Liu, Y., Chen, W., You, B., Di, Z., He, Y., Zheng, S., Choe, K. W., Sun, J., Wang, S., Tao, C., Li, B., Zhao, X., Geng, H., Wu, X., Zhou, J., Chen, X., Xing, H., Li, Y., … Song, D. (2026). SkillsBench：智能体技能在多样化任务中表现基准测试（第 4 版）[预印本]. arXiv. https://doi.org/10.48550/arXiv.2602.12670
• Yu, G., & Wang, X. (2026). Knows：智能体原生的结构化研究表征（第 1 版）[预印本]. arXiv. https://doi.org/10.48550/arXiv.2604.17309
• Liang, Q., Wang, H., Liang, Z., & Liu, Y. (2026). 从技能文本到技能结构：面向智能体技能的调度—结构—逻辑表征（第 4 版）[预印本]. arXiv. https://doi.org/10.48550/arXiv.2604.24026
• Chen, C., Yu, Q., Gu, Y., Huang, Z., Li, H., Liu, H., Liu, S., Liu, J., Peng, D., Wang, J., Yan, Z., Meng, F., Qin, E., Che, C., & Hu, M. (2026). LLM 智能体系统中技能的缩放定律（第 1 版）[预印本]. arXiv. https://doi.org/10.48550/arXiv.2605.16508
• Tang, L., Rashtchian, C., Ferng, C.-S., Tomkins, A., Juan, D.-C., & Vu, T. (2026). WikiSkill：将智能体经验编译为持久知识以支持技能演化 [预印本]. arXiv. https://doi.org/10.48550/arXiv.2608.27454
• Huang, Z., Xu, J., Yang, Y., Gong, Z., Yang, Q., Tian, M., Wang, X., Lv, C., Gao, X., Dai, Q., Liu, B., Qiu, K., Yang, X., Chen, D., Zheng, X., & Luo, C. (2026). 从原始经验到技能消费：对模型生成智能体技能的系统研究 [预印本]. arXiv. https://doi.org/10.48550/arXiv.2605.23899
• Hong, D. B., Imani, A., & Ahmed, I. (2026). 从解剖到坏味道：关于智能体技能中 SKILL.md 的实证研究（第 2 版）[预印本]. arXiv. https://doi.org/10.48550/arXiv.2607.01456

许可证

MIT