标签： MCP

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/core

import {{ 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：

1. 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
2. 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
3. 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
4. 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

• 官网：https://open-multi-agent.com
• GitHub：https://github.com/open-multi-agent/open-multi-agent
• 文档：https://open-multi-agent.com/getting-started/introduction/
• npm：@open-multi-agent/core