一个很火的多 Agent 编排框架

今天看到了一个这个项目：

open-multi-agent/open-multi-agent，https://github.com/open-multi-agent/open-multi-agent

open-multi-agent 项目预览

它是一个 TypeScript 写的多 Agent 编排框架。

仓库现在大约 6.1k stars，2.3k forks，MIT License。

最近一次 push 是 2026-05-12。

1. 它到底是什么

open-multi-agent 做的事很直接。

你给它一个目标，它让 coordinator agent 先拆任务。

拆出来的不是一串固定步骤，而是一张 task DAG。

也就是有依赖关系的任务图。

能并行的任务就并行跑。

后面的任务等前面的结果。

最后再把结果合起来。

open-multi-agent banner

README 里给的定位也很清楚：TypeScript-native multi-agent orchestration。

它不是聊天 UI。

也不是一个完整的 AI 产品。

它更像是给 Node.js 后端用的一层 Agent 编排库。

2. 它解决什么麻烦

做 Agent 项目时，麻烦往往不在“调一次模型”。

麻烦在后面。

一个任务要拆给谁。

哪些步骤能同时跑。

某个步骤失败后要不要重试。

工具权限怎么分。

中间结果怎么传。

最后怎么知道这次到底跑了什么。

open-multi-agent 把这些事收在几个接口里。

最典型的是 runTeam()。

你配置一组 agents，再把目标交给它。

它负责拆任务、调度、并行和汇总。

如果任务图已经确定，也可以用 runTasks()。

如果只是一个 agent，也可以用 runAgent()。

3. 核心看点

第一个看点，是目标驱动。

不是先手写一张工作流图。

而是先写目标，再让 coordinator 拆出 task DAG。

README 里的例子是三个 agent 协作做一个 REST API。

architect 负责接口设计。

developer 负责实现。

reviewer 负责检查。

中间能看到 design-api、implement-handlers、scaffold-tests、review-code 这些任务事件。

任务图 dashboard

第二个看点，是它没有只绑一个模型服务。

README 和 providers 文档列了不少入口。

Anthropic、OpenAI、Azure OpenAI、Gemini、Grok、DeepSeek、MiniMax、Qiniu、Bedrock、GitHub Copilot 都有对应配置。

Ollama、vLLM、LM Studio、OpenRouter、Groq 这类 OpenAI-compatible 服务也能接。

第三个看点，是工具这块写得比较细。

内置工具包括 bash、file_read、file_write、file_edit、grep、glob。

也有 readonly、readwrite、full 这样的工具 preset。

自定义工具用 defineTool() 加 Zod schema。

MCP 也能通过 stdio server 接进来。

4. 为什么值得看

这个项目值得看，不是因为它把 Agent 讲得很玄。

恰好相反。

它把多 Agent 里一些容易散掉的工程细节摆出来了。

比如 CLI 文档里说得很明白：oma 不是交互式 REPL。

它更适合 shell script 和 CI。

输出走 JSON。

退出码保持稳定。

需要 dashboard 时，加 --dashboard。

dashboard 动图

观测文档也值得扫一眼。

它提供三层东西。

onProgress 看任务生命周期。

onTrace 记录 LLM 调用、工具执行和任务 span。

renderTeamRunDashboard() 生成一次运行后的静态 HTML dashboard。

这些东西对调试 Agent 很实在。

因为 Agent 跑错时，最怕只剩一句“失败了”。

你得知道是哪个任务、哪个工具、哪次模型调用出了问题。

5. 怎么用起来

README 里的最小入口是 npm 包：

npm install @open-multi-agent/core

项目要求 Node.js 18 以上。

代码里先定义 agents。

每个 agent 有 name、model、systemPrompt 和工具配置。

然后创建 orchestrator：

const orchestrator = new OpenMultiAgent({
  defaultModel: 'claude-sonnet-4-6',
  onProgress: (event) => console.log(event.type, event.task ?? event.agent ?? ''),
})

再创建 team，调用 runTeam(team, goal)。

如果想在本地看完整例子，可以 clone 仓库后跑：

npm install
export ANTHROPIC_API_KEY=sk-...
npx tsx examples/basics/team-collaboration.ts

也可以走 CLI：

npm install @open-multi-agent/core
npx oma help

CLI 适合把 team JSON、task JSON 放进自动化脚本里。

这点对 CI 和内部工具比较友好。

6. 适合谁，以及先注意什么

它适合已经在做 Agent 后端的人。

尤其是 TypeScript 或 Node.js 栈。

如果你的任务只是单轮问答，用它会偏重。

如果你需要多个角色一起跑任务，它就比较对口。

比如代码生成后再 review。

比如资料抽取后再汇总。

比如多个数据源并行检查，再让一个 agent 合并结论。

也适合想研究 Agent 调度的人。

README 里把和 LangGraph JS、Mastra、CrewAI、Vercel AI SDK 的差异写了一遍。

它的重点是 goal-first。

先给目标。

运行时拆图。

这和先画好图再执行的思路不一样。

要注意的是，它是一个很新的项目。

仓库创建于 2026-03-31。

生态、案例、长期兼容性都还要继续观察。

另外，Agent 能调 bash、读写文件、接 MCP，本身就有权限风险。

真正放进团队流程前，工具 allowlist、denylist、token budget、trace 留存这些都要先配好。

今天就先聊到这里，我们下期再见。