SSD Nodes Learn Hosting plans →
मार्गदर्शक Matt Connorद्वारे Matt Connor

Omnigent: अनेक agent CLI साठी एक meta-harness

Omnigent तुमच्या आधीपासून स्थापित agent CLIs चालवते. meta-harness म्हणजे काय, release 0.7.0 कसे pin करायचे आणि VPS वर प्रत्येक agent sandbox कसा करायचा ते जाणून घ्या.

Omnigent म्हणजे काय

Omnigent हे open source meta-harness आहे. तुमच्याकडे आधीपासून स्थापित असलेल्या agent command line tools (CLIs) चालवण्यासाठी ते एक orchestration layer म्हणून काम करते. ते Claude Code, Codex, Cursor, OpenCode, Hermes किंवा Pi यांची जागा घेत नाही. ते ही साधने सुरू करते, प्रत्येकाला एक कार्य देते आणि एका policy set अंतर्गत एकाच session मध्ये त्यांच्या परिणामावर देखरेख ठेवते. Databricks ने June 2026 मध्ये Apache 2.0 licence अंतर्गत repository प्रकाशित केली. PyPI वर हे package अजूनही alpha म्हणून वर्गीकृत आहे.

याचा व्यावहारिक दावा मर्यादित आहे आणि तो स्पष्टपणे सांगणे योग्य आहे. तुम्ही YAML मध्ये एखाद्या agent चे वर्णन एकदाच करता आणि तो चालवणारा harness निर्दिष्ट करता. ती एक ओळ बदलल्यावर तोच agent दुसऱ्या vendor च्या CLI वर चालतो. तुमच्या setup मध्ये इतर कोणताही बदल करावा लागत नाही, कारण Omnigent agents च्या आतील loop ऐवजी agents च्या वरच्या loop चे व्यवस्थापन करते.

मेटा-hार्नेस म्हणजे काय आणि ते फ्रेमवर्कपेक्षा कसे वेगळे आहे?

हॅर्नेस हा असा प्रोग्राम असतो, जो मॉडेलला एका लूपमध्ये चालवतो. तो तुमचा prompt वाचतो, tools कॉल करतो, files संपादित करतो आणि प्रतिसाद देतो. Claude Code हा एक हॅर्नेस आहे. Codex हा एक हॅर्नेस आहे. तुम्ही तो install करता, login करता आणि तो स्वतः काम करतो.

फ्रेमवर्क ही अशी library असते, जिच्यासाठी तुम्ही code लिहिता. तुम्ही ती import करता, Python मध्ये steps परिभाषित करता आणि तुमचा program agent बनतो. येथे vendor बदलण्यासाठी तुमच्या code मध्ये बदल करावे लागतात, कारण vendor चा client तुमच्या program द्वारे जोडलेला असतो.

मेटा-हॅर्नेस हे दोन्हींपेक्षा एक स्तर वर असते. हा असा supervisor असतो, जो harnesses ना child processes म्हणून चालवतो. Omnigent vendor CLI सुरू करते, त्याला काम देते आणि परत आलेले output वाचते. तुम्ही आधीच install केलेला CLI वापरू शकता. तसेच त्यासाठी आधीपासून वापरत असलेले subscription किंवा API (application programming interface) key कायम ठेवू शकता. एवढाच मुख्य फरक आहे. आणि यावरून हे tool कोणासाठी आहे ते ठरते: अनेक agent CLIs आधीपासून कार्यरत असलेले, पण प्रत्येक CLI स्वतंत्र terminal मधून चालवण्याचा कंटाळा आलेले लोक.

एक orchestration layer कोणती समस्या सोडवतो?

  • Vendor बदलण्याचा खर्च एका ओळीपुरता मर्यादित राहतो. Agent definition मध्ये harness आणि model data म्हणून ठेवलेले असतात. त्यामुळे एखादी भूमिका एका vendor कडून दुसऱ्याकडे हलवण्यासाठी YAML file संपादित करावी लागते; पूर्ण rewrite करावी लागत नाही.
  • Review vendors मध्येही करता येतो. एका model ने लिहिलेला diff वेगळ्या कंपनीच्या model कडून वाचून तपासता येतो. एकाच family मधील दोन models मध्ये समान blind spots असण्याची शक्यता असते. त्यामुळे त्याच vendor कडून घेतलेले second opinion कमी उपयुक्त ठरते.
  • Policy साठी एकच ठिकाण असते. Budget thresholds आणि approval prompts agent file मध्ये घोषित केलेले असतात. ते त्याखालील प्रत्येक sub-agent ला लागू होतात.
  • Session कोणत्याही एका tool पेक्षा अधिक काळ टिकतो. अनेक CLIs ने केलेले काम एका transcript मध्ये नोंदले जाते. त्यामुळे चार scrollbacks एकत्र जोडण्याची गरज न पडता काय घडले ते पुन्हा वाचता येते.

याची किंमत म्हणजे हा layer स्वतः. Omnigent मधील प्रत्येक bug आता तुमच्या आणि पूर्वी स्वतंत्रपणे चालणाऱ्या agent मधील अडथळा ठरतो. Alpha टप्प्यात ही वास्तविक किंमत आहे; ती केवळ सैद्धांतिक नाही.

एकल agent साधनांच्या शेजारी multi-agent harness कुठे बसतो

तुम्ही अद्याप सर्व्हरवर एक agent चालवला नसेल, तर आधी तेच करा. VPS वर coding agent चालवण्याचे आमचे मार्गदर्शन single agent ची संपूर्ण प्रक्रिया समजावते आणि Omnigent हे setup आधीपासून उपलब्ध आहे असे गृहीत धरते. self-hosted AI agents या व्यापक क्षेत्रात तुम्ही स्वतः agents निवडता. या विषयातील संज्ञा नवीन असल्यास agents प्रत्यक्षात कसे कार्य करतात हे शिकणे हा अधिक योग्य प्रारंभबिंदू आहे.

Omnigent हे connector layer पेक्षा वेगळ्या अक्षावर कार्य करते. agentsना तुमच्या स्वतःच्या data sourcesमध्ये प्रवेश देणे यासारखे काम agent कोणत्या स्रोतांपर्यंत पोहोचू शकतो यासंबंधी आहे. Omnigentमध्ये कोणता agent चालेल, तो कोणत्या क्रमाने चालेल आणि कोणत्या मर्यादांखाली चालेल हे ठरवले जाते. तुम्हाला दोन्ही एकाच वेळी आवश्यक असू शकतात; त्यांची कार्यक्षेत्रे एकमेकांवर येत नाहीत.

इंस्टॉल करण्यापूर्वी आवश्यक गोष्टी

  • Python 3.12 किंवा त्यापेक्षा नवीन आवृत्ती. प्रकाशित package मध्ये requires-python >= 3.12 घोषित केले आहे.
  • tmux, कारण terminal harnesses त्यामध्ये चालतात.
  • किमान एक vendor CLI आधीच installed आणि logged in असणे आवश्यक आहे.
  • Node.js 22 किंवा त्यापेक्षा नवीन आवृत्ती आणि npm, कारण Claude, Codex आणि Pi harnesses यांना त्यांची आवश्यकता आहे. Installer Node 22.10 किंवा त्यानंतरची आवृत्ती तपासतो आणि ती उपलब्ध नसल्यास warning दाखवतो. Omnigent ला स्वतःसाठी Node ची आवश्यकता नाही: PyPI वरील wheel मध्ये built web assets समाविष्ट असतात. मात्र git checkout मधून build केल्यास Node अनिवार्य ठरतो.

पिन केलेला release स्थापित करा, main नाही

curl -fsSL https://raw.githubusercontent.com/omnigent-ai/omnigent/main/scripts/install_oss.sh | sh -s -- --version 0.7.0

sh -s -- हा भाग सजावटीसाठी नाही. तो नसल्यास sh, --version ला स्वतःचा option समजते आणि installer अजिबात चालत नाही. sh हे Bash असल्यास, ते Bash ची स्वतःची आवृत्ती दाखवून यशस्वीपणे बंद होते. त्यामुळे काहीही स्थापित होत नाही आणि कोणतीही सूचना मिळत नाही. -s -- सह sh pipe मधून script वाचते आणि --version 0.7.0 installer कडे पाठवते. दर काही आठवड्यांनी breaking changes release करणाऱ्या repository मध्ये, reproducible box आणि अनपेक्षित बदल यांतील फरक यामुळे ठरतो.

29 October 2026 रोजी Release 0.7.0 अजूनही PyPI वर प्रकाशित आहे. मात्र आता सर्वात नवीन release 0.22.0 आहे, जो 13 November 2026 रोजी प्रकाशित झाला. यापूर्वीचा 0.19.1 release हा नवीन features नसलेला, security-केंद्रित patch आहे. eMudhra intermediate certificate authority च्या compromise नंतर तो dependencies अद्ययावत करतो आणि project upgrade करण्याची शिफारस करतो. महत्त्वाचा मुद्दा number नसून pin आहे: तुम्ही test केलेली version pin करा आणि ती बदलण्यापूर्वी release notes मधील breaking changes वाचा. मात्र pin करणे म्हणजे security release टाळण्याचे कारण नाही. अशी release उपलब्ध झाल्यावर version पुढे न्या.

Installer uv, म्हणजे Astral चा Python package manager, वापरतो. uv उपलब्ध नसल्यास तो प्रथम uv स्थापित करण्याचा पर्याय देतो. uv आधीच उपलब्ध असल्यास script वगळा:

uv tool install --force --python 3.12 "omnigent==0.7.0"

Extras साठीही हीच पद्धत लागू होते आणि flag पुन्हा द्यावा लागतो: script वर --extra e2b --extra kubernetes किंवा uv सह "omnigent[e2b,kubernetes]". --no-databricks pass न केल्यास script databricks extra देखील जोडते. वरची uv command मात्र त्याशिवाय package स्थापित करते. लक्षात ठेवा, git tag v0.7.0 आहे, तर PyPI वरील package version 0.7.0 आहे.

uv binary त्या directory मध्ये ठेवतो जी uv tool dir --bin दाखवते. ही directory बहुतेक वेळा ~/.local/bin असते. Installer ती directory तुमच्या shell profile मध्ये जोडण्याचा पर्याय देतो. स्वच्छ install नंतर लगेच command सापडत नसेल, तर त्याचे कारण हे असते. प्रत्यक्षात काय स्थापित झाले ते तपासा:

omni upgrade --check

ही command स्थापित version ची तुलना सर्वात नवीन प्रकाशित version सोबत करते आणि upgrade उपलब्ध आहे का ते सांगते. ती upgrade करत नाही. omni आणि omnigent ही एकाच program ची दोन नावे आहेत.

मॉडेल प्रदात्याकडे निर्देशित करा

omni setup

विझार्ड तुमच्या environment मध्ये आधीपासून उपलब्ध असलेली credentials शोधतो आणि नसलेल्या credentials साठी prompt दाखवतो. हे API keys, vendor subscriptions, OpenRouter किंवा Ollama सारखे gateways आणि Databricks workspaces हाताळते. त्याच मशीनवर तुम्ही आधीपासून Ollama सह स्थानिक मॉडेल सर्व्हर चालवत असल्यास, gateway त्याकडे निर्देशित करा. त्यामुळे network traffic मशीनबाहेर जात नाही.

किमान multi-agent रन

उदाहरणातील agents repository मध्ये आहेत. त्यामुळे तुम्ही install केलेला तोच tag clone करा; main करू नका.

git clone --depth 1 --branch v0.7.0 https://github.com/omnigent-ai/omnigent.git
cd omnigent
omnigent run examples/polly/

Polly हा repository सोबत release होणारा multi-agent coding orchestrator आहे. त्याच्या config मध्ये claude_code, codex, opencode, cursor, hermes आणि pi या नावांचे sub-agents घोषित केले आहेत. तसेच एक नियम आहे, ज्यामुळे हा संपूर्ण सराव उपयुक्त ठरतो: review नेहमी implementer पेक्षा वेगळ्या vendor कडून केला जातो. Polly स्वतः code लिहित नाही. ते नियोजन करते, उद्दिष्टाचे work items मध्ये विभाजन करते, प्रत्येक item योग्य agent कडे सोपवते आणि प्रत्येक diff दुसऱ्या vendor कडील reviewer कडे पाठवते.

कुठलेही काम delegate करण्यापूर्वी Polly preflight check चालवते आणि मशीनवर प्रत्यक्षात कोणते sub-agent CLIs उपलब्ध आहेत ते तपासते. फक्त एका vendor चे CLI install केले असल्यास diff सोपवण्यासाठी दुसरा कोणी उपलब्ध नसतो. त्यामुळे output चे मूल्यमापन करण्यापूर्वी किमान दोन CLI install करा. Debby हा दुसरा release केलेला example आहे. तो दोन heads असलेला debate agent आहे: एक Claude आणि एक GPT:

omni debby

दोन्ही providers configure झाले आहेत याची पुष्टी करण्याचा हा संक्षिप्त मार्ग आहे, कारण काहीही सांगण्यासाठी त्याला दोन्ही providers आवश्यक असतात.

उप-एजंटची साधने म्हणून घोषणा केली जाते

एजंट फाइल YAML मध्ये असते. executor मध्ये harness, model आणि authentication यांची नावे असतात. tools मध्ये MCP (model context protocol) servers, Python functions आणि sub-agents असतात. Sub-agent हे type: agent असलेले tool आणि स्वतःचा executor असतो. वरील सर्व गोष्टींची यंत्रणा यावर आधारित असते.

name: orchestrator
prompt: |
  You coordinate coding and review tasks.

executor:
  harness: claude-sdk
  model: databricks-claude-sonnet-4-6

tools:
  coder:
    type: agent
    prompt: Write and test code.
    executor:
      harness: claude-sdk
      model: databricks-claude-opus-4-7
  reviewer:
    type: agent
    prompt: Review proposed changes.
    executor:
      harness: claude-sdk
      model: databricks-claude-sonnet-4-6
omnigent run path/to/my_agent.yaml

ही model ids प्रकल्पाच्या स्वतःच्या docs/AGENT_YAML_SPEC.md example मधून घेतली आहेत आणि ती Databricks-hosted names आहेत. harness आणि model यांच्या जागी तुमच्या box वर omni setup ने configured केलेली मूल्ये द्या. Spec मधील इतर harness values मध्ये antigravity, copilot, kimi आणि qwen यांचा समावेश आहे. main वरील current spec मध्ये कोणत्याही Agent Client Protocol server साठी acp:<slug> चे documentation देखील आहे. मात्र v0.7.0 spec मध्ये ते सूचीबद्ध नाही. त्यामुळे त्यावर अवलंबून राहण्यापूर्वी ते तुमच्या pinned version वर कार्य करते याची खात्री करा. Spec sub-agent वर pass_history: true देखील समर्थित करते. यामुळे parent conversation त्याला दिली जाते. प्रत्येक delegation वेळी यासाठी tokens खर्च होतात. त्यामुळे समोरील task पुरेसा असलेल्या sub-agents साठी ते बंद ठेवा. ज्याच्या prompt मध्ये कार्य करणारा सर्वात छोटा बदल करावा असे सांगितले आहे असा coder आपल्या reviewer ला प्रत्यक्ष वाचता येईल इतका छोटा diff देतो. या भूमिकांसाठी कोणते model निवडता यापेक्षा येथे हे अधिक महत्त्वाचे आहे.

दीर्घकाळ चालणारे orchestration VPS वर का असावे

Multi-agent run ही दोन मिनिटांची command नाही. Plan करा, कामे delegate करा, parallel git worktrees पूर्ण होण्याची वाट पाहा, review करा आणि बदल करा. Laptop चे झाकण बंद केल्यावर हे सर्व थांबते. VPS (virtual private server) सुरूच राहतो आणि त्याचे network connection कायम ठेवतो. त्यामुळे तुम्ही त्यावर लक्ष ठेवत नसतानाही session सुरू राहते.

omnigent server --background
omnigent server status

Server port 6767 वर web user interface उपलब्ध करून देतो. omnigent server status session सुरू आहे का ते दाखवते आणि omnigent stop ती बंद करते. v0.7.0 मध्ये omni server start काढून त्याऐवजी omni server --background आणले; v0.9.0 मध्ये omni server start deprecated alias म्हणून पुन्हा आणले.

6767 सार्वजनिक address वर publish करू नका. दोन सुरक्षित पद्धती आहेत. Firewall वर port बंद ठेवा आणि ssh -N -L 6767:localhost:6767 you@your-server वापरून तो SSH द्वारे forward करा. त्यानंतर तुमच्या स्वतःच्या machine वर http://localhost:6767 येथे web interface उघडा. किंवा त्याच्या पुढे TLS (transport layer security) terminate करा आणि authentication सुरू करा:

OMNIGENT_AUTH_ENABLED=1 omnigent server --background

यातील firewall भाग नेहमीच्या पद्धतीने करता येतो. त्याचे वर्णन VPS साठी ufw firewall ची मूलभूत माहिती येथे आहे. Machine वर आधीपासून अनेक Docker Compose apps च्या पुढे Traefik वापरून containers चालत असतील, तर Omnigent ही त्याच pattern मधील आणखी एक service आहे.

Container deploy साठी repository मधील deploy/docker/ directory मध्ये Compose setup आहे. ./bootstrap.sh secrets .env मध्ये तयार करते. त्यानंतर docker compose up -d Omnigent आणि Postgres सुरू करते. या setup मध्ये server 6767 ऐवजी port 8000 वर चालतो. OMNIGENT_PORT हा host port बदलते. Compose तुमच्यासाठी DATABASE_URL ठरवते. इतर deploy targets वर याच variable द्वारे Postgres किंवा SQLite निवडले जाते. Containers मध्ये OMNIGENT_AUTH_ENABLED चे default मूल्य 1 असते. बाहेरून पोहोचता येणाऱ्या कोणत्याही service साठी हे योग्य default आहे.

Sizing बाबत, deploy notes नुसार server चा idle memory वापर अंदाजे 275 MB RSS आहे. Fly.io config मध्ये 1 GB machine निश्चित केली आहे. Idle measurement फक्त supervisor साठी आहे; 1 GB ही allocated machine memory आहे. Sub-agents parent ची working directory आणि environment share करू शकतात. os_env: inherit द्वारे त्यांचे sandbox देखील share करता येते. स्वतंत्र git worktrees हा orchestration मधील निवडीचा भाग आहे. त्यामुळे एकाच वेळी चालवायच्या harnesses आणि agents नुसार server चे sizing करा. Server सुरू झाल्यावर omnigent login https://your-host नंतर omnigent host https://your-host चालवल्यास तुमचा laptop त्याच्याशी register होतो. omnigent attach <session_id> वापरून दुसऱ्या device वरून सुरू असलेले session पुन्हा उघडता येते.

प्रत्येक sub-agent ला निघून जाण्यापूर्वी sandbox मध्ये मर्यादित करा

Omnigent एक operating system स्तरावरील sandbox देते. त्याचे नाव Omnibox आहे. Linux वर ते bubblewrap namespaces आणि seccomp वापरते. त्यामुळे ही सीमा agent च्या prompt ऐवजी kernel लागू करते. Prompt injection झालेला agent kernel नियमांना चुकवू शकत नाही. प्रथम dependency install करा:

sudo apt install bubblewrap

Configuration agent file मधील os_env अंतर्गत असते:

os_env:
  type: caller_process
  cwd: .
  sandbox:
    type: linux_bwrap
    write_paths: [.]
    write_files: []
    read_paths: []
    allow_network: true
    cwd_allow_hidden: [.venv]
    env_passthrough: []
    egress_rules: []
    credential_proxy: []

write_paths मध्ये working directory नमूद करेपर्यंत ती read only असते. त्यामुळे चुकीचे वर्तन करणारा agent workspace च्या बाहेर लिहू शकत नाही. Working directory मधील top-level dotfiles आणि प्रत्येक read_paths root cwd_allow_hidden मध्ये स्पष्टपणे नमूद करेपर्यंत लपवलेले राहतात. त्यामुळे broad read grant मुळे top-level .ssh किंवा .aws directories अनवधानाने उघड होत नाहीत. Nested dotfiles default नुसार दिसतात. संपूर्ण tree मध्ये ते लपवण्यासाठी cwd_hidden_scan_recursive: true सेट करा. egress_rules सेट केल्यावर सर्व HTTP आणि HTTPS traffic default deny proxy मधून जाते. प्रत्येक rule "METHODS host/path-glob" म्हणून लिहिला जातो. credential_proxy यापेक्षा अधिक कडक आहे. Agent कडे फक्त placeholder असतो. Request बाहेर जाताना proxy त्याऐवजी खरा secret वापरतो. त्यामुळे transcript leak झाला तरी वापरता येणारी माहिती उघड होत नाही. Multi-harness setup मध्ये प्रत्येक sub-agent कडे स्वतःच्या config file मधील agents/ अंतर्गत स्वतंत्र sandbox block असतो. त्यामुळे reviewer साठी network बंद ठेवता येते, तर implementer साठी ते सुरू ठेवता येते.

ही मर्यादा documentation मध्ये स्पष्ट केली आहे आणि ती महत्त्वाची आहे. OS sandbox sys_os_* tool calls आणि terminals वर लागू होते. ते MCP servers वर लागू होत नाही. Omnigent supervisor process वरही ते लागू होत नाही. तुम्ही सुरू केलेला MCP server तुमच्या permissions सह sandbox च्या बाहेर चालतो. म्हणून अधिक मजबूत पद्धत म्हणजे प्रत्येक agent साठी एक स्वतंत्र तात्पुरते machine वापरणे. याविषयी तात्पुरत्या VM मध्ये coding agents चालवणे या विभागात माहिती आहे. कामाचा दुसरा भाग credentials चा आहे. सहा sub-agents एकाच host वर share करत असतील, तर agent च्या आवाक्याबाहेर secrets ठेवणे अधिक कठीण होते.

Spending thresholds या policies आहेत. त्या त्याच file मध्ये घोषित केल्या जातात:

policies:
  budget:
    type: function
    handler: omnigent.policies.builtins.cost.cost_budget
    factory_params:
      max_cost_usd: 5.00
      ask_thresholds_usd: [1.00, 3.00]

cost_budget policy soft thresholds वर approval मागते आणि default नुसार max_cost_usd वर सर्व models ला block करते. Non-empty expensive_models list सेट केल्यावर ही मर्यादा downgrade gate मध्ये बदलते. त्या list च्या बाहेरील models खर्च सुरू ठेवू शकतात. एक run एका vendor कडून planning, दुसऱ्या vendor कडून implementation आणि तिसऱ्या vendor कडून review करत असेल, तर तीन ठिकाणी एकाच वेळी खर्च होत असतो. त्यामुळे पहिला unattended run सुरू करण्यापूर्वी thresholds सेट करा. पहिला invoice आल्यानंतर ते करू नका. Built-ins मध्ये max_tool_calls_per_session आणि ask_on_os_tools यांचाही समावेश आहे. ते file आणि shell operations पूर्वी approval मागतात. VPS वरील AI agent चा खर्च नियंत्रणात ठेवणे यावरील आमच्या नोंदी येथे थेट लागू होतात. Parallel sub-agents मुळे खर्चाचा वेग वाढत असल्याने त्या येथे आणखी महत्त्वाच्या ठरतात.

हे repository किती वेगाने बदलत आहे?

तक्ताDays between tagged Omnigent releases, v0.2.0 to v0.7.0
या तक्त्यामागील डेटा
[
  {
    "version": "v0.2.0",
    "released": "2026-06-19",
    "interval": 3
  },
  {
    "version": "v0.3.0",
    "released": "2026-06-27",
    "interval": 8
  },
  {
    "version": "v0.4.0",
    "released": "2026-07-03",
    "interval": 6
  },
  {
    "version": "v0.5.0",
    "released": "2026-07-10",
    "interval": 7
  },
  {
    "version": "v0.5.1",
    "released": "2026-07-10",
    "interval": 0
  },
  {
    "version": "v0.6.0",
    "released": "2026-07-21",
    "interval": 11
  },
  {
    "version": "v0.7.0",
    "released": "2026-07-27",
    "interval": 6
  }
]

या तारखा प्रकल्पाच्या स्वतःच्या releases पेजवर प्रकाशित केलेल्या release dates आहेत. त्या 3 August 2026 रोजी पाहिल्या होत्या. 2026-06-19 आणि 2026-07-27 यांच्या दरम्यान 7 tagged releases प्रकाशित झाल्या. त्यांपैकी कोणत्याही दोन releases मधील सर्वात मोठे अंतर 11 दिवसांचे होते. v0.5.1 ही release तिच्यापूर्वीच्या release च्याच दिवशी प्रकाशित झाली. पहिल्या दोन PyPI releases, 13 June 2026 रोजीची 0.1.0 आणि 16 June 2026 रोजीची 0.1.1, GitHub releases पेजवर नोंदलेल्या नाहीत. त्यामुळे त्या chart मध्ये समाविष्ट केलेल्या नाहीत; v0.2.0 साठी दाखवलेले तीन दिवस 0.1.1 पासून मोजले आहेत.

यांपैकी दोन releases मध्ये guides मध्ये आधीच documented केलेले commands बदलले. v0.7.0 ने omni server start काढून त्याऐवजी omni server --background वापरले. v0.6.0 ने omnigent[memory] या extra चे नाव बदलून omnigent[hindsight] केले; मात्र compatibility alias म्हणून memory ठेवले आणि ते 0.10.0 पर्यंत कार्यरत राहिले. 25 August 2026 रोजी प्रकाशित झालेल्या 0.11.0 पासून हा alias काढून टाकला आहे. त्यामुळे June मधील write-up मधून copy केलेली install line आता Hindsight client install करत नाही. तुमच्या install command मध्ये --version आणि तुमच्या git clone मध्ये tag वापरण्यामागे हा युक्तिवाद आहे; हा केवळ style preference चा विषय नाही.

त्या पाहणीनंतरही release चा वेग कमी झालेला नाही. 29 October 2026 पर्यंत PyPI वर 0.20.0 उपलब्ध आहे; ती 28 October रोजी प्रकाशित झाली. ही 0.7.0 नंतरची तेरावी minor release आहे. प्रकल्पाच्या release notes मध्ये यांपैकी अनेक releases साठी breaking changes नमूद केले आहेत. या पेजवरून copy केलेल्या कोणत्याही गोष्टीसाठी त्यांपैकी दोन बदल महत्त्वाचे आहेत: v0.12.0 मध्ये साधे omni दिल्यास Polly agent ऐवजी background host सुरू होतो (omni run आता default agent सुरू करते), आणि v0.13.0 मध्ये managed terminals साठी tmux 3.3 किंवा त्यानंतरची आवृत्ती आवश्यक आहे.

ज्या कामांसाठी मी सध्या यावर विश्वास ठेवणार नाही

27 October 2026 रोजी या repository ला सुमारे 11k stars, 1.8k forks आणि अंदाजे 910 open issues आहेत. पहिल्या public release ला चार महिन्यांपेक्षा थोडा अधिक कालावधी झाला आहे. Stars हे interest दर्शवतात; maturity नाही. Project स्वतःला alpha म्हणतो आणि वरील release history वरूनही ते alpha असल्याचे स्पष्ट होते.

  • Production credentials असलेल्या host वर मी हे चालवणार नाही, कारण sandbox मध्ये MCP servers किंवा supervisor समाविष्ट नाहीत.
  • cost_budget policy शिवाय run unattended ठेवणार नाही, कारण तीन vendors कडून parallel billing होऊ शकते; expensive_models list रिकामी नसल्यास खर्च स्वस्त models वर सुरू राहू शकतो.
  • OMNIGENT_AUTH_ENABLED सेट करून त्याच्या पुढे TLS लावल्याशिवाय server public IP address वर expose करणार नाही.
  • Agent YAML minor versions मध्ये स्थिर आहे असे मी अद्याप गृहीत धरणार नाही. त्यामुळे version pin करा आणि upgrade करण्यापूर्वी release notes वाचा.

हे तुम्हाला अनपेक्षितपणे जाणवण्यापूर्वी आणखी एक गोष्ट जाणून घ्या: v0.6.0 मध्ये anonymised usage telemetry जोडले गेले. README नुसार ते default ने collect केले जाते. Project dedicated telemetry page वर याचे documentation देते आणि opt out कसे करायचे तेही सांगते. ते machine client work हाताळत असल्यास हे page वाचा आणि जाणीवपूर्वक निर्णय घ्या.

आज Omnigent ज्या कामासाठी खरोखर चांगले आहे, ते त्याच्या मूळ उद्देशाशी संबंधित आहे. तुमच्याकडे तीन किंवा चार agent CLIs आहेत, तुम्ही त्यांचे आधीच पैसे देता आणि त्यांपैकी एकाने write करावे तर दुसऱ्याने review करावे अशी तुमची इच्छा आहे. हे आता एका machine वर, Linux वरील real sandboxing सह, कार्य करते. त्यापुढील प्रत्येक गोष्ट promising पण unfinished आहे असे समजा.

FAQ

Omnigent agent आहे की agents चालवणारी गोष्ट आहे?

ते agents चालवते. Omnigent हे meta-harness आहे: तुम्ही आधीच install केलेले Claude Code, Codex किंवा OpenCode यांसारखे vendor CLIs ते सुरू करते, प्रत्येकाला काम देते आणि एकाच session मध्ये निकालांचे पर्यवेक्षण करते. यात स्वतःचे कोणतेही model नाही. त्यामुळे ते framework पेक्षा वेगळे आहे. Framework मध्ये तुम्ही library विरुद्ध Python code लिहिता आणि तुमचा स्वतःचा program agent बनतो.

Omnigent उपयुक्त ठरण्यापूर्वी Claude Code आणि Codex install केलेले असणे आवश्यक आहे का?

किमान एक vendor CLI install करून त्यात login केलेले असणे आवश्यक आहे, कारण Omnigent त्या programs चे संचालन करते; त्यांची जागा घेत नाही. उपलब्ध Polly उदाहरणासाठी तुम्हाला वेगवेगळ्या vendors कडील दोन किंवा अधिक CLIs हवे आहेत. Polly च्या नियमानुसार review नेहमी implementer पेक्षा वेगळ्या vendor कडून केले जाते. त्यामुळे एकच CLI उपलब्ध असल्यास diff पाठवण्यासाठी दुसरा vendor राहत नाही.

नवीनतम आवृत्तीऐवजी Omnigent ची विशिष्ट आवृत्ती कशी install करू?

Install script ला --version सह sh -s -- द्या, जसे sh -s -- --version 0.7.0 मध्ये दाखवले आहे. -s -- न दिल्यास sh हे --version स्वतःचा option म्हणून स्वीकारते आणि installer कधीच चालत नाही. उदाहरणार्थ, Bash स्वतःची version दाखवून बाहेर पडते. uv आधीपासून उपलब्ध असल्यास uv tool install --force --python 3.12 "omnigent==0.7.0" हेच काम करते. Git tag v0.7.0 आहे, तर PyPI version string 0.7.0 आहे.

Agents वर देखरेख न करता चालवण्यासाठी Omnibox sandbox पुरेसे आहे का?

तो ज्या बाबी नियंत्रित करतो त्यासाठी मजबूत आहे आणि ज्या बाबी नियंत्रित करत नाही त्याबाबत स्पष्ट आहे. Linux वर तो bubblewrap आणि seccomp वापरतो. त्यामुळे kernel file आणि network limits लागू करतो आणि agent त्यातून बाहेर पडू शकत नाही. Documentation नुसार हे sys_os_* tool calls आणि terminals वर लागू होते. MCP servers किंवा Omnigent supervisor process वर ते लागू होत नाही. त्यामुळे MCP server तुमच्या नेहमीच्या permissions सह चालतो. याच कारणामुळे unattended कामासाठी प्रत्येक agent साठी स्वतंत्र disposable virtual machine हे अजून मजबूत isolation ठरते.

VPS वरील Omnigent server ला किती memory आवश्यक आहे?

Project च्या deploy notes नुसार idle स्थितीत RSS साधारण 275 MB असते आणि त्याच्या Fly.io configuration मध्ये 1 GB machine allocate केलेली आहे. Idle measurement मध्ये फक्त server समाविष्ट आहे; त्याचे sub-agents समाविष्ट नाहीत. os_env: inherit द्वारे sub-agents parent ची working directory आणि environment, तसेच sandbox, share करू शकतात. स्वतंत्र working copies मिळतीलच याची हमी नाही. Polly-style runs मध्ये parallel git worktrees वापरले जातात. त्यामुळे server साठी नव्हे, तर एकाच वेळी चालवण्याची योजना असलेल्या agents च्या संख्येनुसार RAM आणि disk चे sizing करा.

हा लेख उपयुक्त होता का?