OpenCode OMO 深度解析——它不是插件，是一套 AI 开发团队的调度系统

你以为它只是 OpenCode 的一个插件？实际上，它把单个 AI 对话入口，改造成了一套能自动拆任务、自动选模型、自动续跑、自动调子 Agent 的多 Agent 编排系统。

如果你已经用了一段时间 OpenCode，可能遇到过这种情况：让 AI 改一个模块，它改了，但没考虑影响范围；让它做复杂重构，它做着做着就偏了；让它并行处理多个任务，它却一个接一个排队等。这不是 OpenCode 不行，而是单个 AI 的天花板——它再强，也只是一个人。

OMO 要解决的问题就是：你需要的不是一个人，而是一支团队。今天这篇，咱们把它拆开讲清楚。

OMO（Oh My OpenAgent）是一个运行在 OpenCode 之上的多 Agent 编排框架，但它不是简单的功能增强包。

它的代码规模说明了一切：1,268 个TypeScript文件、约 16 万行代码，内部包含10 个专业 Agent、40+ 生命周期 Hook、20+ 工具和内置MCP。它不是简单扩展几个按钮，而是在 OpenCode 这个 AI 编程入口上，搭出了一套可持续运转的多 Agent 调度系统。

OMO 的定位官方叫"the best agent harness"——不是帮你写代码，而是帮你驾驭写代码的 AI 团队。它自己几乎不写代码，它的工作是：拆任务、选模型、调度 Agent、并行执行、续跑中断的会话。

根据官网描述，OMO 的核心是"帮助你通过 OpenCode 创建一个由 AI 开发者组成的完整团队"。

OMO 采用三层架构，这是理解整个系统的关键：

关键设计：

常见误解纠正：

• ❌ "Sisyphus 和 Prometheus 是平级的" → ✅ Sisyphus 是顶层主编排器，Prometheus 是规划层 Specialist
• ❌ "Atlas 也写代码" → ✅ Atlas 只协调不编码，代码由 Junior 写
• ❌ "9 个 Agent 平铺" → ✅ 四层架构（顶层 + 三层），职责分离

单个 AI 最大的问题是什么？它能写代码，但不知道"谁该写什么、什么时候写、写完之后谁来审"。

当你让它"重构用户认证模块"，如果是单 AI，它会自己从头干到尾——分析、设计、实现、测试，全包了。这听起来挺好，但问题是：它会越做越偏，中间没办法纠偏，而且不会并行。

OMO 的思路是：把这个大任务拆开，分给不同的专业 Agent 去干。一个 Agent 负责分析现有代码，一个 Agent 负责设计方案，一个 Agent 负责写代码，一个 Agent 负责审查，全部并行。

关键不是 Agent 多，而是：

• 谁来决定什么时候用哪个 Agent
• 谁来决定任务要不要拆分
• 谁来决定这个任务应该用哪个模型
• 谁来决定做完一轮之后要不要继续

• Prometheus
  ：通过访谈模式确定范围，构建执行计划，从不写代码
• Metis
  ：捕获计划中的遗漏和歧义
• Momus
  ：严苛验证计划，只有无懈可击才批准
• Atlas
  ：执行已验证的计划，委派给专业 Agent，自己不写代码
• Junior
  ：实际写代码的执行者

核心：规划者不编码，编码者不规划。智能存在于系统中，而非单个 Agent。

根据官方文档，OMO 的所有内置智能体都是平等的，没有"主从"关系，也不鼓励手动调用特定代理。你不需要指定@oracle或@librarian——这些名称只是用来描述它们的专长，实际使用中，系统会根据任务自动选择合适的 Agent。

编排器对一切进行独立验证。子 Agent 没有免费通行证——每个任务的结果都会被 Atlas 独立检查。

活跃工作被记录在boulder.json中。停电、系统崩溃、会话中断都没关系——从你停下的地方精确恢复，零上下文丢失。

每个任务的学习传递给后续所有任务。系统在工作时变得更聪明。

.sisyphus/notepads/{plan-name}/
├── learnings.md      
├── decisions.md      
├── issues.md         
├── verification.md   
└── problems.md       

官网宣传的 10 个专业 Agent：

实际代码中的内部 Agent（2 个，官网未单独计数）：

为什么数量有差异？

• Junior 是 Sisyphus 的内部执行模式，官网不单独计数
• Multimodal Looker 是实验性 Agent，按需启用
• Dynamic Agent 不是固定 Agent，是按需动态构建的

准确说法：官网宣传 10 个专业 Agent，实际代码实现 12 个（10 个固定 + 2 个内部/实验性）。

OMO 不是按模型名委派任务，而是按任务类型委派。这是路由设计的核心思想。

重要更新：

• quick
  默认是Claude Haiku 4.5，不是 GPT-5.4 Mini
• unspecified-high
  默认是GPT 5.4 (high)，不是 Claude Opus
• deep
  和ultrabrain用的是GPT 5.3 Codex，不是 GPT-5.4

这是 OMO 最常用的模式。在提示词中加上ulw（或ultrawork），OMO 会自动激活全部增强功能：

ulw 增加一个搜索功能

系统执行流程：

• 扫描代码库
• 启动 3 个 explore agent 并行探索
• 构建执行计划
• 部署 4 个并行 agent 执行
• 运行验证测试
• 输出完成结果

效果：自动规划、深度研究、并行 Agent、自我纠正循环。系统直到完成才会停止，你不需要盯梢。

适合需要"死磕到底"的场景。AI 会反复执行任务→自检→修复→再执行，直到满足条件或达到最大次数。

/ralph-loop "修复所有单元测试，确保覆盖率>90%" --max-iterations 10

在项目目录首次启动 OpenCode 后，执行/init-deep，它会探索整个工程，生成分层的AGENTS.md文件，帮助后续 Agent 快速理解项目。

当 Prometheus 创建好计划后，运行/start-work激活 Atlas 执行：

• 读取.sisyphus/plans/*.md计划文件
• 分析任务依赖
• 分发任务给专业 Agent
• 独立验证每个任务结果
• 积累智慧到.sisyphus/notepads/

• 项目级
  ：.opencode/oh-my-openagent.json
• 用户级
  ：~/.config/opencode/oh-my-openagent.json

支持 JSONC 格式，允许注释和尾随逗号。

{
  "$schema": "https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/master/assets/oh-my-openagent.schema.json",
  "agents": {
    "oracle": { "model": "openai/gpt-5.4", "variant": "high" },
    "explore": { "model": "github-copilot/grok-code-fast-1" }
  },
  "categories": {
    "quick": { "model": "opencode/gpt-5-nano" },
    "visual-engineering": { "model": "google/gemini-3.1-pro" }
  }
}

{
  "$schema": "https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/master/assets/oh-my-openagent.schema.json",
  "agents": {
    "oracle": { "model": "openai/gpt-5.4", "variant": "high" },
    "explore": { "model": "github-copilot/grok-code-fast-1" }
  },
  "categories": {
    "quick": { "model": "opencode/gpt-5-nano" },
    "visual-engineering": { "model": "google/gemini-3.1-pro" }
  }
}

OMO 支持同时运行多个后台 Agent，通过以下参数控制并发行为：

并发优先级（从高到低）：

modelConcurrency>providerConcurrency>defaultConcurrency

配置示例：

说明：

{
  "backgroundTasks": {
    "defaultConcurrency": 5,
    "staleTimeoutMs": 300000,
    "providerConcurrency": 10,
    "modelConcurrency": 2
  }
}

• defaultConcurrency: 5
  ：最多同时运行 5 个后台任务。
• providerConcurrency: 10
  ：每个提供商最多同时 10 个任务（覆盖默认值）。
• modelConcurrency: 2
  ：每个具体模型最多同时 2 个任务（优先级最高）。
• staleTimeoutMs: 300000
  （5 分钟）：超过 5 分钟未完成的任务会被干预，避免资源长期占用。

• websearch
  ：由 Exa 驱动，提供高质量搜索结果
• context7
  ：文档检索和上下文管理
• grep_app
  ：GitHub 代码搜索集成

内置技能包括playwright、agent-browser和git-master。你也可以定义自定义技能：

"skills": {
  "my-custom-skill": {
    "description": "A custom skill for specific tasks",
    "instructions": "Always use this skill when..."
  }
}

bunx oh-my-openagent install

安装过程会问几个问题：有没有 Claude Pro 订阅？有没有 ChatGPT Plus？有没有 Gemini？没有的话直接选 No，OMO 会使用免费的 OpenCode Zen 模型。

方法 1：运行诊断工具（推荐）

bunx oh-my-openagent doctor

这会检查系统、配置、工具和模型解析，包括所有 Agent 是否正常。

方法 2：查看配置文件

cat ~/.config/opencode/opencode.json

应该包含"oh-my-openagent"在 plugin 数组中：

{
  "plugin": ["oh-my-openagent"]
}

方法 3：启动 OpenCode 测试

opencode

然后在会话中输入：

ulw test

如果 OMO 正常工作，会看到类似输出：

正在扫描代码库...
正在启动 explore agent...
正在构建执行计划...

在 OpenCode 中输入/models，可以看到可用模型列表。如果需要配置APIKey（如智谱GLMCoding Plan），输入/connect，选择对应供应商，粘贴 API Key 即可。

这三个工具各管一摊，不是互相替代的关系：

简单说：OpenSpec 定目标，Superpowers 管质量，OMO 提效率。三者配合才是完整的 AI 开发流水线。

OMO 不是让 AI 更聪明，而是让 AI更有组织地干活。它把 OpenCode 从"一个 AI 助手"变成了"一支 AI 团队"的调度中心。

官网：https://ohmyopenagent.com/

GitHub：https://github.com/code-yeongyu/oh-my-openagent

你用过 OMO 吗？评论区聊聊你的使用体验。

• OpenCode Day29：OpenCode系列视频总结（Remotion制作）
• OpenCode Day28：零剪辑基础，我用OpenCode+Remotion做了个23秒宣传视频
• 为什么你的OpenCode越改越烂？SWE-CI给出了答案
  gstack：YC CEO开源的AI虚拟工程团队
  OpenCode铁三角选型指南，你真的需要全装吗？
  OpenCode Day24：AI能看懂代码了？LSP才是幕后功臣
  OpenCode铁三角：OpenSpec + Superpowers + OMO，从“随意
  编码”到“规范开发”的完整指南
  OpenCode Day22：OpenSpec 与 OPSX 完整教程：从入门到实战
  Opencode Day21：OpenCode+Playwright，让AI做测试
  Opencode Day20：干货必看！我用这套组合拳零手写代码上线小程序（附全流程）
  Opencode Day19：有了Superpowers，我的OpenCode终于不“乱写”了
  Opencode Day18：MiniMax出Skills了：前端、后端、安卓、iOS，一套技能全搞定
  同一套Skill，要在OpenCode、Claude Code、Codex、Cursor里各配一遍？这个工具治好了我的精神内耗
  
  OpenCode Day16：效率翻倍！我用两个月总结的实战小技巧
  OpenCode Day15：实战必看！3小时给娃做了个“早餐小铺”，再也不愁明天吃啥
  OpenCode Day14：干货！让AI走流程，不瞎干，效率翻倍
  Impeccable实战：OpenCode+自然语言，你只要会说话就能写出专业界面