项目简介
Open Multi-Agent（简称 OMA） 是一个面向 TypeScript 后端的 AI 多智能体编排框架，核心理念是「描述目标，而非流程图」 。你只需告诉 OMA 你想达成什么目标，框架内置的 Coordinator 就会在运行时自动将目标拆解为任务 DAG（有向无环图），分派给团队中的各个 Agent 执行，最终汇总结果。
OMA 于 2026 年 3 月在 GitHub 开源，采用 MIT 许可证。截至本文撰写时已获得 6,646 Stars / 2,415 Forks ，社区活跃度极高——从首次提交至今仅约 4 个月，已成为多智能体编排领域增长最快的项目之一。
安装要求与快速开始
环境要求
Node.js ≥ 18（推荐 LTS 版本）TypeScript ≥ 5.6（OMA 使用最新 TS 特性）npm 或 yarn /pnpm 包管理器LLM API Key（OpenAI / Anthropic / Gemini / DeepSeek 等，或本地模型如 Ollama）
方式一：脚手架创建（推荐新手）
# 一键创建项目并运行本地演示（无需 API Key）
npm create oma-app@latest my-oma-app交互式终端会引导选择模板和运行时，安装依赖后直接启动一个确定性本地 Demo ——无需任何 API Key，使用脚本化模拟响应驱动真实的调度器和离线 Dashboard。可用 --no-install 仅生成文件，或 --no-run 安装但不启动。
方式二：集成到现有 Node.js 项目
npm install @open-multi-agent/coreimport {{ OpenMultiAgent }} from '@open-multi-agent/core'
const oma = new OpenMultiAgent({{
defaultProvider: 'openai',
defaultModel: 'gpt-5.4'
}})
// 创建研究团队：研究员 + 分析师 + 共享记忆
const team = oma.createTeam('research-team', {{
agents: [
{{ name: 'researcher', systemPrompt: 'Find the relevant facts.' }},
{{ name: 'analyst', systemPrompt: 'Compare evidence and identify tradeoffs.' }}
],
sharedMemory: true,
}})
// 只需描述目标，Coordinator 自动规划 DAG 并执行
const result = await oma.runTeam(team, 'Compare three approaches and recommend one.')
console.log(result.agentResults.get('coordinator')?.output)三种执行模式：runTeam() 从目标规划执行、runAgent() 单 Agent 运行、runTasks() 显式流水线执行。
核心功能
1. 动态工作流编排（Dynamic Orchestration）
这是 OMA 最核心的差异化能力。与传统框架需要手写 DAG 节点不同，OMA 的 Coordinator 在运行时 根据目标描述生成任务图、分配角色、设定依赖关系，最后综合各 Agent 结果输出答案。整个流程不需要维护硬编码的流程图。
2. 可控执行（Controlled Execution）
计划审批 ：预览并审批 Coordinator 生成的计划或单个分派操作，审批通过后可冻结计划用于回放复现约束声明 ：当拓扑不能漂移时，声明必需的角色和顺序；用多智能体共识验证输出正确性
3. 生产级可靠性
检查点续跑 ：中断的运行可从最近检查点恢复边界控制 ：重试策略、超时限制、循环检测、Token 和成本预算确保执行有界工具安全 ：默认拒绝所有工具调用，逐个审批开启；支持隐私控制
4. 全链路可观测性
每次运行都有稳定身份标识、执行回执和完整追踪记录：
TraceStore ：本地存储追踪数据，支持查询Run Viewer ：离线 Dashboard 回放真实运行的 Task DAG 和 Span 瀑布视图OpenTelemetry 集成 ：可选 OTel 插件，与企业统一监控栈对接
5. 开放运行时（Open Runtime）
Agent 兼容 ：Process/ACP 后端让 Claude Code、Gemini CLI、Codex 与 LLM Agent 在同一 DAG 上协作模型自由 ：云+本地混合、原生中文大模型支持、OpenAI 兼容端点、AI SDK Provider部署灵活 ：自有基础设施、本地运行、完全离线、甚至气隙网络环境均可
典型使用场景
场景一：PR 自动审查（PR-Copilot）
开发者 kidoom 用 OMA 构建了 PR-Copilot——一个 AI Pull Request 审查助手。它运行一个由 Coordinator + 多个领域 Reviewer Agent 组成的审查团队，用 defineTool 定义仓库上下文工具，配合自定义 ContextStrategy 实现 Token 感知的 PR Diff 压缩。每次提交 PR 时自动触发多角度代码审查。
场景二：文档转图表工作室（Reports to Charts Studio）
NARNIX0 的 Evident-Project 将研究报告和表格数据转化为幻灯片级图表。OMA 在其中扮演五角色提取委员会的编排者：结构化输出 + 确定性验证，确保每个数据点都有据可查。
场景三：WordPress 安全分析平台（temodar-agent）
Ali Sünbül 的 WordPress 安全分析平台直接使用 OMA 内置工具（bash、file_*、grep）在 Docker 运行时中执行安全扫描任务，已确认在生产环境中使用。
推荐理由
作为长期关注 AI 编排框架的开发者，我对 OMA 的第一印象是：终于有人认真对待「动态」这件事了 。
目前市面上的主流方案大致分两派：LangGraph/Mastra 要求你手写节点和边（图优先），Vercel AI SDK/CrewAI 则偏单次调用工具包。OMA 找到了中间地带——你只管说目标，框架负责拆解、分配、执行、审计。这种「目标驱动」的范式在原型阶段特别高效，而它的可控执行机制又让你能逐步收紧边界，平滑过渡到生产环境。
另外几个让我印象深刻的点：
离线优先设计 ：Run Viewer 是纯离线 Dashboard，不依赖外部服务，这对隐私敏感场景非常友好50+ 可运行示例 ：从基础用法到 Cookbook 工作流、Provider 配置、集成模式全覆盖，上手曲线平缓真正的 TypeScript 原生 ：不是 JS 库加类型装饰，而是从底层就用 TS 5.6+ 特性构建，IDE 体验一流生态开放 ：已有 Engram 记忆同步、Agentsonar 异常检测、Bilig WorkPaper 公式协作等多个第三方集成
如果你正在评估多智能体编排方案，或者对 LangGraph 的手动构图感到疲惫，强烈建议给 OMA 一个下午的时间——npm create oma-app@latest 跑一遍 Demo，你会感受到「描述目标而非流程图」的魅力。
下载地址
