Databricks开源Omnigent打破编码智能体孤岛

Introducing Omnigent: an open meta-harness – Matei Zaharia, Co-founder and CTO, Databricks — Databricks

Databricks

大模型外层环境的各自为政导致协作断裂与安全失控,唯有在所有具体框架之上建立独立的开放元运行层,才能实现跨工具的上下文热迁移与动态预算治理。

AI-assisted summary of Introducing Omnigent: an open meta-harness – Matei Zaharia, Co-founder and CTO, Databricks — original source. Check the original for full context.

Source published:

Key ideas

  • Databricks 正式开源 Meta-Harness 项目 Omnigent,旨在为五花八门、彼此割裂的 Agent Harness 建立一层统一的开放抽象标准,解决组合、协作与安全控制三大瓶颈。 (0:00)
  • Omnigent 完全独立于 Databricks 商业平台,基于 Docker、PostgreSQL 和 OpenTelemetry 构建,提供本地 Runner 沙箱与可选的集中式控制服务端。 (9:40)
  • 系统支持情境感知安全策略(Contextual Policies),能根据 Agent 前序操作的历史状态动态调整权限,并支持为父子 Agent 设置硬性成本预算上限。 (10:19)
  • 现场演示展示了终端 UI 与 Web 界的双向同步、Claude 到 Codex 的无损会话分支热切换,以及支持将外部同事即时拉入活体会话进行协同审查与接管。 (12:06)

Detailed notes

## Background 该视频由 Databricks 官方频道于 2026 年 6 月 24 日发布在 YouTube 上。视频记录了 Databricks 联合创始人兼首席技术官 Matei Zaharia 在大会主题演讲中正式发布并介绍开源项目 Omnigent,旨在通过构建 AI Agent 的元运行框架(Meta-Harness),实现跨模型与跨工具的互操作性、会话持久化与统一安全管控。

## TL;DR Matei Zaharia 剖析了当前 AI Agent 生态中 Harness 碎片化带来的组合难、协作孤岛及安全失控三大痛点,并提出了处于最顶层的开放抽象层 Omnigent。Omnigent 不仅提供了消息流与工具调用的统一抽象,还支持多 Agent 编排、动态上下文感知安全策略与精准成本预算硬限制。通过实机演示,演讲展示了终端与 Web/原生客户端的双向即时同步、跨模型无损会话派生分支(如 Claude 到 Codex)、Polly 主管调度异构 Worker,以及把正在休假的同事无缝拉入实时会话进行结对编程的强大协作能力。Databricks 强调该项目完全中立开源且不绑定商业平台,致力于为全行业提供标准化的 Agent 交互与治理基座。

## Atmosphere & style 演讲整体呈现出顶级开源极客大会特有的务实、技术自信与轻松幽默氛围。Matei Zaharia 的讲解极具节奏感,从日常开发者在桌面反复复制粘贴的窘境切入,引发台下工程师的强烈共鸣;而在实机演示环节,现场给休假同事拨通电话引发的错愕笑声,将全场气氛推向高潮。整个过程既有对分布式系统与上下文安全策略的硬核深度拆解,又充满开箱即用、一气呵成的直观科技感,让人深切感受到下一代 Agent 基础设施正在从概念快速走向成熟落地。

## Bulletin - [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) Databricks 正式开源 Meta-Harness 项目 Omnigent,旨在为五花八门、彼此割裂的 Agent Harness 建立一层统一的开放抽象标准,解决组合、协作与安全控制三大瓶颈。 - [09:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=580s) Omnigent 完全独立于 Databricks 商业平台,基于 Docker、PostgreSQL 和 OpenTelemetry 构建,提供本地 Runner 沙箱与可选的集中式控制服务端。 - [10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 系统支持情境感知安全策略(Contextual Policies),能根据 Agent 前序操作的历史状态动态调整权限,并支持为父子 Agent 设置硬性成本预算上限。 - [12:06](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=726s) 现场演示展示了终端 UI 与 Web 界的双向同步、Claude 到 Codex 的无损会话分支热切换,以及支持将外部同事即时拉入活体会话进行协同审查与接管。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) 单纯加快写代码的速度(Vibe Coding)无法解决架构割裂,若每个人各自为政,AI Agent 体系依然会陷入混乱与不连贯。 - [01:55](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=115s) 模型厂商为刷榜将 Harness(如 Claude Code、Codex)与底层模型深度协同设计,导致市面上 Harness 泛滥且互不兼容。 - [03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 跨 Harness 组合极其困难,业界涌现的循环反馈和顾问模式在面对异构工具栈时难以原生串联打通。 - [03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 现有 Agent 缺乏上下文移交机制,开发者沦为多个终端窗口、Slack 和文档之间的“剪贴板搬运工”,形成严重协作孤岛。 - [03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 传统粗粒度的是/否授权提示极易引发用户审美疲劳,导致安全审查形同虚设,同时缺乏有效的 Token 成本硬约束。 - [07:52](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=472s) Omnigent 将底层各种 Agent 统一抽象为标准化接口:统一消息输入、事件流流式输出和工具调用规范。 - [07:52](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=472s) 系统由本地轻量化沙箱拦截器(Omnigent Runner)与可选的集中式协作控制平面(Omnigent Server)双层架构组成。 - [09:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=580s) 接入 Omnigent 后,任何底层 Agent 均可原生获得现代化 Web UI、桌面 Native App、移动端及 REST API 访问能力。 - [10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 支持声明式 YAML 编排多 Agent,并允许在任务运行过程中带着全部历史上下文热切换底层模型与 Harness。 - [10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 引入基于历史执行轨迹的情境感知策略,例如读取机密文件后动态阻断外部邮件发送,取代静态生硬的工具规则。 - [12:06](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=726s) 在命令行原有启动指令前仅需添加 omni 前缀即可无侵入接入,终端与 Web UI 维持全双工实时同步与行内代码审查批注。 - [16:10](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=970s) 展示了 Supervisor 架构案例“Polly”,可并发调遣 Claude 与 Codex 两个独立 Worker 分别执行任务并综合汇总审查意见。 - [18:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1120s) 支持在任务进行中一键邀请团队同事接入活体会话,受邀者可直接输入指令接管工作流,交互记录集中落盘用于合规审计。 - [20:24](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1224s) 具备动态预算拦截机制,可监控实时开销并在触发预算红线时自动挂起等待审批,亦可对派生的子 Agent 附加独立预算额度。 - [22:01](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1321s) Databricks 选择完全开源旨在确立行业通用的 Meta-Harness 标准,大幅降低产品经理与设计师等非专业研发人员构建 Agent 的门槛。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) Agent 技术栈的演进瓶颈与“Meta-Harness”的提出

Databricks 联合创始人兼首席技术官 Matei Zaharia 在大会第二天的 Keynote 开场演讲中,宣布开源一个全新的软件层项目——Omnigent。该项目在刚刚过去的周六发布,源自 Databricks 工程团队在内部大规模部署和构建 Agent 过程中观察到的普遍痛点。如今 Coding Agent(编码智能体)已经在全球开发者中极度普及,各类领域专用 Agent(如 Databricks 的 Genie)也展现出强大能力。随着 AI 自动写代码(Vibe Coding)越来越容易,许多人可能会产生一种直觉:如果连写代码都变得如此廉价,我们还需要专门的 Agent 基础设施吗?要是现有的 Agent 不合心意,直接自己写一个不就好了吗?

然而现实并非如此美好。Matei 指出,真正落地使用 Agent 时体验往往十分琐碎抓狂,而对于工程管理团队而言,安全隐患更令人担忧。Matei 指着演讲大屏幕上的配图调侃道,自己在准备幻灯片时才赫然发现问题所在——画面中 Agent 身上紧紧套着一副“背带”(Harness,马具/安全带)。这正是当前 Agent 架构的核心问题所在:我们拥有了强大的模型,却缺乏统筹这些 Harness 的顶层抽象。

Matei Zaharia 在谈到当前技术生态的局限时明确指出: > “If everyone is just vibe coding their own thing, they will still be incoherent. So you know, there's no amount of faster coding will solve this problem.”

```mermaid flowchart TD accTitle: Agent Harness 与 Meta-Harness 架构分层 accDescr: 展示从底层大语言模型到具体 Harness,再到顶层 Meta-Harness 的抽象分层架构。

subgraph Layer1 ["底层核心"] LLM["大语言模型 (LLM)<br/>纯文本/Token 预测生成"] end

subgraph Layer2 ["Harness 层(现状:各自为政)"] H1["Claude Code Harness<br/>文件系统/UI/鉴权"] H2["Codex / 其他 Harness<br/>自定义逻辑与环境绑定"] end

subgraph Layer3 ["Meta-Harness 层 (Omnigent)"] Omni["统一抽象层:消息输入、事件流流式输出、工具交互"] end

LLM --> H1 LLM --> H2 H1 --> Omni H2 --> Omni ```

---

[01:55](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=115s) 什么是 Agent Harness 及其生态泛滥

Matei 深入剖析了什么是“Agent Harness”。简单来说,Harness 就是包裹在基础大语言模型外部的配套软件,是 Agent 与真实外部世界进行交互的接口。以编程 Agent 为例:Claude 模型本身只负责根据上下文预测并生成下一个 Token,而 Claude Code 则是包裹在其外部的 Harness,负责将模型与本地文件系统连接、处理用户终端界面、校验安全权限等。类似地,Codex 以及任何基于 SDK 开发的自定义 Agent,其外部都有这样一层运行环境包装。

由于模型厂商在研发时发现,将 Harness 与特定 LLM 进行联合协同设计(Co-design)能够大幅提升效果,加之编写 Harness 门槛较低,导致市面上的 Agent Harness 呈现爆发式增长。Matei 开玩笑说,这场景就像他周末去宠物用品店挑选狗背带一样,货架上挂满了各种形状、颜色各异的 Harness,任君挑选。

- **模型与 Harness 的分离**:LLM 仅负责核心推理计算,Harness 负责提供上下文、工具调用、安全审查与系统接入。 - **生态碎片化**:主流编程领域存在数十种成熟 Harness(如 Claude Code、Codex、Cursor、Windsurf 等),此外还有大量自定义 Agent SDK。 - **协同设计驱动**:模型厂商为了追求最佳基准测试成绩,通常将 Harness 逻辑与模型微调方向深度绑定,加剧了不同工具之间的壁垒。

---

[03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 互操作性三大瓶颈:组合、协作与控制

当所有 Harness 彼此孤立时,互操作性(Interoperability)问题便凸显出来。Databricks 在自身数千名工程师的日常开发,以及构建面向客户的 Genie 等企业级产品时,深刻体会到了三大瓶颈:

1. **组合(Composition)的困难**:在日常编码中,资深工程师通常同时运行多个 Agent。当某个 Agent 陷入死循环或遇到 Bug 时,开发者会切换到另一个 Agent 尝试解决,或者并行分发不同子任务。目前业界涌现了多种 Agent 组合范式: - **循环(Loops)**:让多个 Agent 互相监督并循环迭代以完成复杂长流程。 - **顾问模式(Advisors)**:使用便宜、快速的小模型处理繁琐杂务,由昂贵的前沿模型作为指挥者;或者反过来,小模型遇到阻塞时再向顾问模型求助(Harvey AI、Anthropic 以及 UC Berkeley 的研究实验室均发表过此类架构的研究)。 - 然而,当这些 Agent 运行在不同的独立 Harness(如 Claude Code 与 Codex)中时,根本无法在技术栈层面轻松地将它们串联在一起。

2. **跨人与 Agent 的协作(Collaboration)孤岛**:Matei 展示了自己典型的日常桌面截屏——屏幕上堆满了各种独立的 Agent 终端窗口,夹杂着 Slack 和 Google Docs,而开发者充当了“剪贴板搬运工”,机械地在各个窗口之间复制粘贴文本。更痛苦的是,如果一名工程师正在和一个 Agent 深入解决问题,中途需要离席,现有的 Harness 根本不支持把包含完整上下文的会话直接无缝移交给另一位人类同事继续推进。

3. **控制(Control)与安全成本隐患**:Agent 极其容易受到 Prompt Injection(提示词注入)等攻击,即便在没有恶意攻击的情况下,Agent 也可能误操作删库或引发巨大破坏。此外,未加约束的 Agent 会迅速耗尽 Token 预算。依赖人类对每一项操作进行授权行不通——正如 Claude 频繁弹出的询问:“你确定要执行这串 100 行的 Python 脚本吗?Yes or No?”绝大多数用户在疲劳之下只会机械点击通过,安全审计形同虚设。

Matei Zaharia 在分析跨工具协作的窘境时坦言: > “Whose desktop looks like this? This is what my life is like all the time. I've got all these agent windows open plus things like Slack and Google Docs. And all I'm doing is copy-pasting text across them. This is pretty ridiculous.”

---

[07:52](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=472s) 统一抽象:Omnigent 架构与核心机制

为了彻底解决上述割裂,Databricks 决定在所有具体 Harness 之上引入一层统一的开放抽象层——“Meta-Harness”(Harness of harnesses),并将其命名为 **Omnigent**。团队坚信该层必须完全开源,才能接纳所有社区主流的 Harness、工作流和工具。自周六开源以来,由于开发者反响热烈,团队已火速追加了对 Anti-gravity 和 Cursor 等新兴工具的接入支持,同时它也能原生兼容 OpenAI Agents SDK 等框架。

Omnigent 将底层五花八门的 Agent 抽象为一个通用接口:统一支持消息输入(Message Input)、结构化事件流输出(Stream of Events)以及标准化工具调用(Tool Calls)。

```mermaid flowchart TD accTitle: Omnigent 系统架构与执行流 accDescr: 说明 Omnigent 本地 Runner 与集中式 Server 的双层工作模式。

subgraph Client ["开发终端 / 本地环境"] AgentCore["底层 Agent / 各类 Harness"] Runner["Omnigent Runner<br/>(安全沙箱隔离 / 监控 / 生命周期拦截)"] AgentCore --> Runner end

subgraph ControlPlane ["Omnigent Server (可选统一控制平面)"] History["集中式会话历史 (History / Session Hand-off)"] Policy["统一控制策略 (Cost Control / Security Policy)"] Skills["集中式 MCP 与 Skills 注册分发中心"] end

Runner <-->|"统一通信协议 (消息输入 / 事件流输出)"| History Runner <--> Policy Runner <--> Skills ```

Omnigent 的技术架构主要由两大核心组件构成: - **Omnigent Runner**:作为本地轻量级包装器直接包裹在 Agent 进程外围。它提供安全沙箱(Sandboxing)能力,对 Agent 的系统调用进行实时拦截与审查,实施严格的安全策略监控,并保障 Agent 的稳健执行。 - **Omnigent Server(可选)**:中心化的协作控制平面。当开发者将 Runner 连接到 Server 时,即可解锁集中式会话持久化(支持开发者之间任意交接 Agent 状态)、共享 Agent 实例、集中管理与下发 MCP(Model Context Protocol)及工具技能,并在企业层面实施全局成本预算和安全访问控制策略。

[09:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=580s) Omnigent 的统一界面与开源架构底座

Omnigent 的核心设计理念之一在于为所有 AI Agent 提供一套彻底统一的交互界面与底层运行环境,不论底层运行的是何种具体的 Agent 架构。在保留原有终端命令行界面(Terminal UI)的同时,任何接入 Omnigent 的 Agent 都会自动获得现代化 Web 界面、原生桌面应用(Native App)、移动端界面以及标准的 REST API 访问能力。更为关键的是,Omnigent 是一个完全中立且独立的开源项目。Matei Zaharia 特别指出:“Omnigent is open source. It does not require Databricks in any way. We developed that so you can just run it anywhere.”(Omnigent 是开源的,它完全不依赖 Databricks。我们开发它的初衷就是让你可以在任何地方运行它。)

为了确保无论是单个开发者的轻量级实验还是企业级的大规模生产部署都能开箱即用,Omnigent 的服务端完全构建在工业界成熟的标准化开源技术栈之上。它采用 Docker 进行容器化封装和环境隔离,使用 PostgreSQL 负责会话状态与配置的持久化存储,并借助 OpenTelemetry 提供端到端的可观测性、链路追踪和监控指标。这种无缝兼容云原生标准生态的设计,使得企业不必重构既有的基础设施即可快速落地 Agent 管理层。

- **多端统一访问**:同时支持原生终端(Terminal UI)、现代化 Web 界面、桌面 Native App、移动端及 REST API。 - **开源标准技术栈**:服务端基于 Docker、PostgreSQL 和 OpenTelemetry 构建,支持从小规模单机到大规模分布式集群弹性部署。 - **与商业平台完全解耦**:不与 Databricks 平台发生任何强制绑定,完全自由开源。

---

[10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 核心能力三大支柱:组合、协作与细粒度控制

引入这层 Meta-Harness(元运行框架)之后,系统为用户释放了三大维度的核心能力:组合(Composition)、协作(Collaboration)与控制(Control)。在组合能力上,开发者如今能够打破单一模型或特定框架的孤岛限制,仅通过撰写一份简洁的 YAML 配置文件,就能轻松把跨多个 Harness 和不同底层大语言模型(LLM)的 Agent 编排在一起协同作业。更具变革性的是,在 Agent 的实际运行过程中,用户可以无缝热切换底层的 Agent Harness,并带着当前完整的上下文继续执行任务。而在团队协作方面,Omnigent 支持完全实时的多人协作会话,用户不仅能将其他人拉入当前 Session 共同实时观察,受邀者还能直接向 Agent 发送指令、在生成的代码和文档上添加即时评论与修改批注。

在安全与管控(Control)维度,Omnigent 带来了对传统 Agent 安全机制的重大升级。当前大多数 Agent 框架的防护策略极度僵化,往往只是单纯基于每种工具调用(Tool Call)预先设定静态的“允许”、“拒绝”或“弹窗询问用户”。Matei Zaharia 认为这种粗粒度规则存在严重缺陷,并阐述了 Omnigent 的情境感知策略(Contextual Policies):“We support contextual policies where the permissions vary based on what the agent did before.”(我们支持情境感知策略,权限会根据 Agent 之前执行过的操作而动态变化。)例如,如果一个 Agent 此前刚刚读取了一份绝密内部机密文档,系统策略便会立即禁止它向公司外部发送邮件;反之,若它此前处理的只是完全公开的市场营销宣传物料,向外发送邮件的操作就会被判定为安全合规并予以放行。

```mermaid flowchart TD accTitle: Omnigent 三大核心架构支柱 accDescr: 展示 Omnigent 在组合、协作和安全控制三个维度的功能划分及具体实现机制。

subgraph Composition["组合 (Composition)"] YAML["YAML 多 Agent 声明式编排"] Switch["运行时 Harness 动态热切换"] end

subgraph Collaboration["协作 (Collaboration)"] LiveSession["实时多人会话协同"] Review["文件即时批注与任务接管"] end

subgraph Control["控制 (Control)"] Context["情境感知策略 (状态追踪)"] Cost["成本控制预算限制"] Sandbox["灵活 OS 级别安全沙箱"] end

OmniLayer["Omnigent Meta-Harness 核心抽象层"] OmniLayer --> Composition OmniLayer --> Collaboration OmniLayer --> Control ```

- **情境感知安全策略(Contextual Security Policies)**:基于 Agent 历史执行轨迹和数据敏感度动态推导权限,避免传统静态规则导致的误杀或数据泄露风险。 - **成本硬限制与预算约束(Cost Policies)**:针对主流框架缺乏成本约束的痛点,支持对 Agent 运行施加显式预算限制(例如规定“本次任务消耗不得超过 5 美元”)。 - **系统级安全隔离(OS Sandbox)**:内置高度可定制的操作系统级安全沙箱机制,彻底阻断失控 Agent 对本地机器产生破坏性操作的可能性。

---

[12:06](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=726s) 实机演示:现有 Agent 的无缝接入、双向同步与视觉化交互

Matei Zaharia 切换到实机演示环境,现场展示了在 Databricks 内部专用的开发机(Dev Box)上使用 Omnigent 的实际操作。他首先展示了如何无侵入式包装现有 Agent:在原本启动 Claude 的命令行前面简单加上 `omni` 命令(`omni claude`),终端中随即弹出了原汁原味的 Claude 命令行界面。这台机器上的 Claude 已经配置好了 Databricks 内部所需的环境,内嵌了多个 Model Context Protocol(MCP)扩展以及针对 Databricks 规范的定制提示词。当 Matei 询问“当前在 Omnigent 项目中,这个项目是什么”时,Claude 立即开始正常工作,甚至输出了专属于 Databricks 内部术语的定制化反馈信息。

尽管看起来仍然只是普通的命令行,但作为独立开发者接入 Omnigent 后,瞬间就能解锁丰富的图形化能力。在保留当前终端会话的同时,浏览器端已同步生成了对应的 Web UI,清晰呈现所有会话历史和工作区文件树。Matei 在 Web UI 的聊天框中输入指令,要求在 README 顶部添加一个笑话。几乎就在发送的瞬间,底层的终端 UI 也即时同步打印出这条用户输入,Agent 开始执行文件修改操作。Matei 解释道,Omnigent 在底层建立了跨终端与 Web 双界面的输入输出映射通道。在 Web UI 上,用户不仅能直接预览修改后的 Markdown 渲染效果,还能查看清晰的 Git Diff 变更对比,并能直接在代码行上留下类似“删掉这个笑话”、“只保留一个笑话”的行内审查批注(Inline Comments),然后一键发送让 Agent 批量吸收修改。

此外,为了彻底解决开发者在浏览器中经常因标签页过多而找不到 Agent 会话的痛点,团队还专门打造了原生桌面端 App。原生应用可以脱离纷杂的浏览器环境独立常驻,并且支持操作系统的系统级消息通知,帮助开发者在 Agent 完成耗时任务时第一时间获得提醒。

- **零摩擦接入**:在既有命令行启动指令前增加 `omni` 前缀即可直接启动,自动继承原有环境中的 MCP 插件与系统设置。 - **双向即时同步**:Web 界面与终端界面的输入和输出保持全双工双向映射,多端操作即时同步响应。 - **代码级审查体验**:Web UI 原生集成文件版本 Diff 差异对比器,支持直接添加行内审查意见并命令 Agent 依据意见逐项修改。 - **系统级原生客户端**:提供独立的 Native App 客户端,支持原生系统通知,彻底摆脱网页标签页迷航困扰。

---

[16:10](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=970s) Harness 运行中分支切换与“Polly”多 Agent 协同编码

在处理复杂的编程或调研任务时,开发者常常会遇到某款特定 Agent 在某个技术环节卡壳的尴尬情况。Matei 展示了 Omnigent 强大的会话热切换机制:直接选择当前现有的会话并点击切换至 OpenAI Codex,系统随即自动派生(Fork)一个崭新的 Codex 会话分支,同时完整克隆并保留了此前 Claude 处理过程中积累下来的全部上下文与修改历史。在终端里接棒的已经变成了 OpenAI Codex,Matei 紧接着指示它“在 README 顶部再添加第二个笑话”,Codex 顺利基于 Claude 此前修改过的代码继续完成了工作。

更进一步的突破体现在多 Agent 的声明式编排上。Matei 演示了一个名为“Polly”的多 Agent 协同编码主管(Supervisor)系统案例。在这个场景中,Polly 作为主管 Agent,能够在同一个项目文件夹下根据子任务需求,同时调度并并发启动 Claude 与 Codex 作为工人群体(Workers)。

```mermaid flowchart TD accTitle: Polly 多 Agent 协同监督与执行流程 accDescr: 展示 Polly 主管 Agent 接收任务并同时派发给 Claude Worker 与 Codex Worker 并行执行并汇总评分的机制。

UserCmd["用户指令:并发对比 README 笑话质量"] --> PollySupervisor["Polly 主管 Agent (Supervisor)"]

subgraph WorkerPool["并发工作节点池 (Worker Pool)"] ClaudeWorker["Claude Worker 实例 (独立终端执行)"] CodexWorker["Codex Worker 实例 (独立终端执行)"] end

PollySupervisor -->|"派发评审子任务"| ClaudeWorker PollySupervisor -->|"派发评审子任务"| CodexWorker

ClaudeWorker -->|"返回独立评审结果"| PollySupervisor CodexWorker -->|"返回独立评审结果"| PollySupervisor

PollySupervisor --> Output["综合评分汇总:<br/>'第一个挺不错,第二个稍逊一筹'"] ```

在演示中,Matei 让 Polly 调度两个 Worker 分别对 README 中刚刚生成的两个笑话进行评分。控制台清晰记录了 Polly 检查本地 Claude 与 Codex 运行环境并启动多进程 Worker 的全过程。在 Web 管理界面中,开发者不仅可以看到代表 Worker 的卡片即时弹出,还能直接点击钻取到每个特定 Worker 的底层终端,窥探它们各自在并发执行何种命令与推理逻辑。最终,Polly 将双方的审查意见汇总汇报给上层。Matei 分享了他日常在真实工作场景中的扩展用法,例如让监督 Agent 爬取特定主题的所有打开状态的 GitHub Issues,然后并行派发数十个 Worker 在本地代码库中排查这些 Bug 是否已在某次提交中被修复。

- **跨模型会话无损分支(Session Forking)**:支持一键将现有会话分支派生至其他模型(如从 Claude 派生给 Codex),历史上下文完备保留。 - **多模型协同监督架构(Polly Supervisor)**:通过顶层调度器动态调遣异构 Worker,实现异构 Agent 并行处理分发与汇总结算。 - **并发可视化可观测性**:支持在 UI 视图中随时下钻并查看各独立 Worker 的终端输入输出与思考过程。

---

[18:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1120s) 实时协同:随时邀请工程师加入与会话接管

在展示了组合与编排能力之后,Matei 演示了 Omnigent 的核心协作功能(Collaboration)。假设当前开发者已经在项目中借助 Agent 产生了一套颇具价值的代码改动,但需要资深工程师的专业评审与提交确认,开发者不再需要把终端日志导出、打包代码或者费时录屏,而是能够直接以多人协作的形式把其他工程师邀请进同一个活动会话中。

在演示现场,Matei 在系统界面上直接把 Databricks AI 团队的工程师 Ankit 邀请进了当前正在运行的 Agent 会话,并在现场直接给 Ankit 拨通了电话。电话刚接通,听筒那头立刻传来了 Ankit 带着错愕与调侃的笑声:“Oh man, Matei's calling me on vacation?”(天哪,Matei 居然在假期给我打电话?)引得全场哄堂大笑。Matei 笑着问他忙不忙,并告诉他自己为 README 准备了一个非常重要的更新,需要他帮忙挑选到底哪个笑话版本更好。Ankit 在那端打开了 Matei 共享过来的实时会话,在即刻看到完整的上下文、文件树和 Diff 对比后说道:“I know the agent said that joke one is better, but I kind of like joke two.”(虽然 Agent 说第一个笑话更好,但我个人其实更喜欢第二个笑话。)

通过这种实时会话共享机制,受邀同事不仅可以完整查阅 Agent 的思考路径与代码改动,还能直接在同一个界面内留下评论批注,甚至亲自向同一个 Agent 键入提示词指令、接管工作流并驱使 Agent 继续演进代码。所有这一切会话历史、上下文决策链路与交互轨迹都会安全持久化在中央服务端,为企业后续的合规审计、效能复盘以及行为分析提供了完整的数据基础。

- **零延迟实时会话邀请**:一键将外部成员引入活体会话中,受邀者拥有对 Agent 上下文的完整审查视图。 - **双向交互与控制权移交**:受邀成员可直接下发新指令指挥 Agent 进一步修改,实现真正意义上的结对编程工作流移交。 - **全局会话持久化与审计**:所有协同过程、模型交互轨迹与分支记录均集中落盘至 PostgreSQL 服务端,便于后续企业级审计与追溯分析。

[20:24](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1224s) 有状态策略与实时成本预算控制

在演示界面的顶部,Omnigent 提供了对每个智能体(Agent)开销的实时追踪能力,能够精确计算它们在运行过程中消耗了多少费用。更重要的是,系统允许用户配置上下文感知的“有状态策略”(Stateful Policies),这些策略会根据当前的运行状态动态生效。例如,管理者可以针对当前会话设置预算上限,规定智能体在未征得用户明确许可的情况下,消费不得超过预设金额(例如 1 美元)。

Matei Zaharia 在现场做了一个趣味演示:当时智能体已经产生了大约 0.25 美元的开销,他便随手设定了一条极端的规则——“如果尝试花费超过 0.20 美元,就必须向我询问”。随后,他给智能体下达了一个需要读取大量文件的繁重任务。智能体开始思考并着手执行时,立刻发现自身开销已经超出了预算红线,于是界面弹出权限请求,挂起等待用户审批。Matei 强调,用户还可以借此机制去约束子智能体(Sub-agent),例如允许主任务启动子智能体,但限定该子智能体的花费上限为 1 美元。对于团队管理者而言,这类策略可以在后台集中统一配置。Matei 在界面上点击批准后,智能体才得以恢复运行;而一旦累计开销达到终极硬顶(如 5 美元),它便会彻底终止。Matei Zaharia 总结道:“This is a really cool feature. Again, on top of any agent, Claude, Codex, whatever it is.”

```mermaid flowchart TD accTitle: Omnigent 预算控制与策略执行流程 accDescr: 展示智能体在执行任务时受有状态策略与预算限制的控制逻辑 subgraph Execution["智能体任务执行"] A["分配任务 (读取文件 / 复杂计算)"] --> B["实时追踪 API 与计算成本"] end subgraph PolicyControl["有状态策略引擎"] B --> C{"是否超出设定预算?"} C -- "否" --> D["继续自主执行"] C -- "是" --> E["暂停执行,向用户请求审批"] E --> F{"用户是否批准?"} F -- "批准" --> G["恢复运行并受硬顶监控 (如 $5 自动停机)"] F -- "拒绝" --> H["终止当前操作"] end ```

- **实时成本监控**:Omnigent 实时追踪各模型 API 调用产生的实际开销,清晰可视化呈现。 - **动态预算限制**:支持设定软预算(如单次超过设定金额需审批)与硬预算(如达到 5 美元绝对终止)。 - **层级化子智能体控制**:支持主智能体派生子任务时,对子智能体单独附加低预算配额,防止资源失控。 - **跨模型通用性**:该控制机制独立于底层模型实现,无论是 Claude、Codex 还是其他自研智能体,均可无缝享受统一的安全与预算治理。

---

[22:01](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1321s) 为什么选择开源 Omnigent 与生态未来展望

在现场热烈的掌声后,Matei Zaharia 切换回幻灯片,深入解答了一个核心疑问:既然 Omnigent 具备如此丰富的高阶功能,Databricks 为什么选择将其完全开源?Matei 解释道,与 AI 智能体协作的方式绝不能被困在某一个孤立的 Harness 或 SDK 层次内部,整个行业必然需要一个位于最顶层的“元 Harness”(Meta-Harness)层。正如历史上的数据格式与共享协议一样,唯有全面拥抱开源,形成全行业共同认可的开放规范,整个生态系统才能顺畅运转。Databricks 内部已经在深度依赖并使用 Omnigent,开源后仅从上周六到演讲当天,社区就已经提交了大量高质量的贡献代码。

此外,开源 Omnigent 还直接填补了智能体前端应用的空白。绝大多数开发者在构建智能体时,都迫切需要一个现成可用的应用壳工程——不仅要支持编码任务,更需要开箱即用的协同办公、状态共享与安全权限体系。Omnigent 恰好提供了这样一个具备优秀交互体验的开源应用,甚至还原生支持移动端访问。展望未来,Omnigent 将接入更广泛的生态支持,并正在研发智能体自动化优化(Auto-optimization)等前沿能力。Matei Zaharia 坚定地指出:“We really think that AI needs a layer above the harness.” 这套抽象层彻底降低了开发和使用门槛,在 Databricks 内部,如今不仅是软件工程师,就连产品经理(PM)和设计师也在日常高频使用这套工具构建智能体。

## Notable quotes > [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) If everyone is just vibe coding their own thing, they will still be incoherent. So you know, there's no amount of faster coding will solve this problem. — Matei Zaharia

## Mentioned Matei Zaharia, Ankit, Databricks, Omnigent, Claude, Claude Code, Codex, OpenAI Codex, OpenAI Agents SDK, Cursor, Windsurf, Anti-gravity, Genie, Polly, Harvey AI, Anthropic, UC Berkeley, Model Context Protocol (MCP), Docker, PostgreSQL, OpenTelemetry, GitHub, Slack, Google Docs

## Video description Introducing Omnigent: A Meta-Harness for AI Agents

Omnigent makes AI agents interoperable, so sessions, policies, and skills stay with users regardless of where the agent or model is running.

Learn more about Omnigent: https://www.databricks.com/blog/introducing-omnigent-meta-harness-combine-control-and-share-your-agents

00:00 — Why the agentic stack needs a new layer 01:55 — What's an AI agent harness? 02:40 — The problem with too many harnesses 03:40 — The interoperablity hurdle 07:52 — Introducing Omnigent 10:19 — Composition, collaboration, and control 12:06 — Matei demos Omnigent 22:03 — Why open source Omnigent?

Presenters: Matei Zaharia, Co-founder and CTO, Databricks

[Source](https://www.youtube.com/watch?v=3Xv0VjYhpCk)

中文简报

Databricks推出Omnigent以规范碎片化AI智能体技术栈 若没有开放的元层来解决由各家竞争性智能体外壳所导致的操作孤岛、安全隐患和会话状态割裂,基础模型的进步便无法扩大企业自动化规模。 Matei Zaharia介绍了Omnigent,这是一个开源的元级外壳(meta-harness),旨在消除由孤岛式AI智能体软件包装器所导致的碎片化、安全风险与协作障碍。Omnigent在Claude Code、OpenAI Codex等多种工具之上建立了统一层,实现了无缝会话分叉、主管驱动的多智能体编排,以及双向终端、网页和移动端界面。它还提供实时多用户协作和上下文状态感知治理策略,例如动态支出上限和权限追踪。Zaharia强调,开源Omnigent为更广泛的AI生态系统提供了一套开箱即用的应用脚手架,以便在组织间安全地管理、组合和部署智能体。 Databricks推出了开源“元级外壳”Omnigent,旨在为Claude Code、Cursor和OpenAI Codex等不同的AI智能体外壳提供统一接口、沙箱和协作层。 (0:00) Omnigent从三大核心支柱解决多智能体碎片化问题:组合(多智能体编排与会话分叉)、协作(实时共享会话与移交)以及控制(上下文感知安全策略与预算上限)。 (3:40) Omnigent不再依赖针对每个工具的静态权限,而是执行随时间追踪上下文的有状态策略——例如一旦触及敏感数据即撤销外部网络访问权限,或在达到支出阈值时暂停执行。 (9:40) 该开源技术栈围绕本地Runner和基于PostgreSQL、Docker与OpenTelemetry等标准基础设施构建的可选中央Server进行架构设计,独立于Databricks平台运行。 (7:52)

精炼阅读摘要

Databricks 联合创始人兼首席技术官 Matei Zaharia 宣布开源元线束项目 Omnigent,指出当前 AI 智能体的发展瓶颈在于各异构运行框架之间的割裂,需通过开放的标准化抽象层解决多智能体组合、团队协作与动态安全控制难题。 线束碎片化与智能体三大互操作困境 (3:40) Zaharia 指出,智能体线束(Harness)是包裹在大语言模型外围的软件脚手架,负责管理文件系统访问、用户界面、执行权限以及与操作系统的交互。虽然以 Claude Code 和 Codex 为代表的代码智能体已被广泛采用,但行业中定制化线束的泛滥导致了严重碎片化。各个系统彼此孤立,而纯粹加速编写代码并不能解决这种底层的不协调。 Databricks 结合内部数千名工程师的实践与 Genie 等产品开发经验,归纳出多智能体生态面临的三大互操作瓶颈:一是组合(Composition),跨异构线束调度循环(Loops)或导师(Advisors)架构困难重重;二是协作(Collaboration),人类与智能体之间缺乏标准化会话状态,导致工程师频繁在不同终端窗口与文档间复制粘贴,且无法将带有完整上下文的会话交接给同事;三是控制(Control),智能体容易遭受提示注入攻击或发生误删生产数据库等重大失误,而传统每步弹窗确认的交互机制不仅造成严重的认知疲劳,也无法提供实质性的安全保障。 元线束架构:双层设计与通用交互界面 (7:52) 为消除上述割裂,Databricks 推出了定位于线束层之上的开源抽象层 Omnigent。该项目完全独立于 Databricks 云平台运行,基于 PostgreSQL、Docker 和 OpenTelemetry 等标准基础设施构建,既可用于单机本地开发,也能横向扩展至企业级集群。Omnigent 规范了入站消息流、出站事件流与工具调用接口,目前已支持主流代码智能体、Cursor、Antigravity 以及基于 OpenAI Agents SDK 构建的企业自定义智能体。 在架构设计上,Omnigent 划分为两个核心组件:一是运行在本地的 Runner,直接封装单个智能体线束,提供沙箱运行环境、健康监控与基础安全参数隔离;二是可选的集中式 Server,负责团队级协作治理,提供统一的会话历史归档、MCP(模型上下文协议)服务注册与技能库管理。通过这套结构,用户无论底层运行何种引擎,均可无缝切换终端 CLI、Web 控制台、原生桌面客户端、移动端及标准 REST API。 会话跨线束复刻与主管智能体层级编排 (16:08) 在工作流组合能力方面,Omnigent 允许开发者在不同模型线束之间无损迁移执行状态。现场演示表明,当 Claude 在本地环境中修改代码文件后,工程师可通过指令一键将当前会话复刻(Fork)给 OpenAI Codex,后者能够完整继承对话历史与代码修改记录,并在前者的工作基础上继续迭代,消除了不同厂商工具之间的上下文隔阂。 此外,Omnigent 内置了名为 Polly 的主管智能体(Supervisor Agent),用于协调复杂的多智能体任务。在多任务并行场景中,Polly 会自动检测本地环境所安装的模型工具,派发子任务并在后台并发拉起多个工作子进程(例如并行唤起 Claude 与 Codex)。Polly 能够全程监控子终端的执行进度,汇总双方的评估打分与反馈意见,并生成综合结论。Zaharia 表示,该机制已被实际应用于并行扫描 GitHub 议题并排查代码修复状态等高并发工程任务中。 实时多人协同与上下文感知的预算治理 (18:40) 在人机协作维度,Omnigent 提供了类似代码审查的实时协作体验。其 Web 界面包含文件差异对比查看器、实时日志与 Markdown 渲染能力。在演示中,另一名远程工程师能直接加入 Zaharia 正在运行的会话流,查看实时 Diff、添加行内批注,并直接向同一智能体发送提示词。所有对话记录、协作过程与工件变更均会被集中归档至 Omnigent Server,便于事后合规审计。 在安全与成本治理上,Omnigent 摒弃了行业普遍采用的静态规则(即单一操作的允许、拒绝或询问),转而引入依据执行状态动态演变的“上下文安全策略”。例如,若智能体访问了机密内部文档,系统将自动撤销其后续的外网通信权限;同时,平台在界面顶部实时统计代币消耗金额,管理者可配置动态确认阈值(如单次任务消耗超过 0.20 美元即暂停并要求确认)和硬性支出上限(如达到 5.00 美元强制终止任务),并将特定预算额度层级化指派给衍生出的子智能体。 Zaharia 强调,Databricks 将 Omnigent 开源旨在效仿开放数据格式与共享协议的演进路径,通过建立厂商中立的行业标准,免去各团队重复构建 UI、鉴权沙箱与协作界面的开销;该项目后续计划进一步扩展多生态工具集成,并引入智能体自动化执行优化技术。

Detailed notes — zh

## Background 该视频由 Databricks 官方频道于 2026 年 6 月 24 日发布在 YouTube 上。视频记录了 Databricks 联合创始人兼首席技术官 Matei Zaharia 在大会主题演讲中正式发布并介绍开源项目 Omnigent,旨在通过构建 AI Agent 的元运行框架(Meta-Harness),实现跨模型与跨工具的互操作性、会话持久化与统一安全管控。 ## TL;DR Matei Zaharia 剖析了当前 AI Agent 生态中 Harness 碎片化带来的组合难、协作孤岛及安全失控三大痛点,并提出了处于最顶层的开放抽象层 Omnigent。Omnigent 不仅提供了消息流与工具调用的统一抽象,还支持多 Agent 编排、动态上下文感知安全策略与精准成本预算硬限制。通过实机演示,演讲展示了终端与 Web/原生客户端的双向即时同步、跨模型无损会话派生分支(如 Claude 到 Codex)、Polly 主管调度异构 Worker,以及把正在休假的同事无缝拉入实时会话进行结对编程的强大协作能力。Databricks 强调该项目完全中立开源且不绑定商业平台,致力于为全行业提供标准化的 Agent 交互与治理基座。 ## Atmosphere & style 演讲整体呈现出顶级开源极客大会特有的务实、技术自信与轻松幽默氛围。Matei Zaharia 的讲解极具节奏感,从日常开发者在桌面反复复制粘贴的窘境切入,引发台下工程师的强烈共鸣;而在实机演示环节,现场给休假同事拨通电话引发的错愕笑声,将全场气氛推向高潮。整个过程既有对分布式系统与上下文安全策略的硬核深度拆解,又充满开箱即用、一气呵成的直观科技感,让人深切感受到下一代 Agent 基础设施正在从概念快速走向成熟落地。 ## Bulletin - [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) Databricks 正式开源 Meta-Harness 项目 Omnigent,旨在为五花八门、彼此割裂的 Agent Harness 建立一层统一的开放抽象标准,解决组合、协作与安全控制三大瓶颈。 - [09:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=580s) Omnigent 完全独立于 Databricks 商业平台,基于 Docker、PostgreSQL 和 OpenTelemetry 构建,提供本地 Runner 沙箱与可选的集中式控制服务端。 - [10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 系统支持情境感知安全策略(Contextual Policies),能根据 Agent 前序操作的历史状态动态调整权限,并支持为父子 Agent 设置硬性成本预算上限。 - [12:06](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=726s) 现场演示展示了终端 UI 与 Web 界的双向同步、Claude 到 Codex 的无损会话分支热切换,以及支持将外部同事即时拉入活体会话进行协同审查与接管。 ## Key takeaways - [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) 单纯加快写代码的速度(Vibe Coding)无法解决架构割裂,若每个人各自为政,AI Agent 体系依然会陷入混乱与不连贯。 - [01:55](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=115s) 模型厂商为刷榜将 Harness(如 Claude Code、Codex)与底层模型深度协同设计,导致市面上 Harness 泛滥且互不兼容。 - [03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 跨 Harness 组合极其困难,业界涌现的循环反馈和顾问模式在面对异构工具栈时难以原生串联打通。 - [03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 现有 Agent 缺乏上下文移交机制,开发者沦为多个终端窗口、Slack 和文档之间的“剪贴板搬运工”,形成严重协作孤岛。 - [03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 传统粗粒度的是/否授权提示极易引发用户审美疲劳,导致安全审查形同虚设,同时缺乏有效的 Token 成本硬约束。 - [07:52](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=472s) Omnigent 将底层各种 Agent 统一抽象为标准化接口:统一消息输入、事件流流式输出和工具调用规范。 - [07:52](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=472s) 系统由本地轻量化沙箱拦截器(Omnigent Runner)与可选的集中式协作控制平面(Omnigent Server)双层架构组成。 - [09:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=580s) 接入 Omnigent 后,任何底层 Agent 均可原生获得现代化 Web UI、桌面 Native App、移动端及 REST API 访问能力。 - [10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 支持声明式 YAML 编排多 Agent,并允许在任务运行过程中带着全部历史上下文热切换底层模型与 Harness。 - [10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 引入基于历史执行轨迹的情境感知策略,例如读取机密文件后动态阻断外部邮件发送,取代静态生硬的工具规则。 - [12:06](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=726s) 在命令行原有启动指令前仅需添加 omni 前缀即可无侵入接入,终端与 Web UI 维持全双工实时同步与行内代码审查批注。 - [16:10](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=970s) 展示了 Supervisor 架构案例“Polly”,可并发调遣 Claude 与 Codex 两个独立 Worker 分别执行任务并综合汇总审查意见。 - [18:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1120s) 支持在任务进行中一键邀请团队同事接入活体会话,受邀者可直接输入指令接管工作流,交互记录集中落盘用于合规审计。 - [20:24](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1224s) 具备动态预算拦截机制,可监控实时开销并在触发预算红线时自动挂起等待审批,亦可对派生的子 Agent 附加独立预算额度。 - [22:01](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1321s) Databricks 选择完全开源旨在确立行业通用的 Meta-Harness 标准,大幅降低产品经理与设计师等非专业研发人员构建 Agent 的门槛。 ## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) Agent 技术栈的演进瓶颈与“Meta-Harness”的提出 Databricks 联合创始人兼首席技术官 Matei Zaharia 在大会第二天的 Keynote 开场演讲中,宣布开源一个全新的软件层项目——Omnigent。该项目在刚刚过去的周六发布,源自 Databricks 工程团队在内部大规模部署和构建 Agent 过程中观察到的普遍痛点。如今 Coding Agent(编码智能体)已经在全球开发者中极度普及,各类领域专用 Agent(如 Databricks 的 Genie)也展现出强大能力。随着 AI 自动写代码(Vibe Coding)越来越容易,许多人可能会产生一种直觉:如果连写代码都变得如此廉价,我们还需要专门的 Agent 基础设施吗?要是现有的 Agent 不合心意,直接自己写一个不就好了吗? 然而现实并非如此美好。Matei 指出,真正落地使用 Agent 时体验往往十分琐碎抓狂,而对于工程管理团队而言,安全隐患更令人担忧。Matei 指着演讲大屏幕上的配图调侃道,自己在准备幻灯片时才赫然发现问题所在——画面中 Agent 身上紧紧套着一副“背带”(Harness,马具/安全带)。这正是当前 Agent 架构的核心问题所在:我们拥有了强大的模型,却缺乏统筹这些 Harness 的顶层抽象。 Matei Zaharia 在谈到当前技术生态的局限时明确指出: > “If everyone is just vibe coding their own thing, they will still be incoherent. So you know, there's no amount of faster coding will solve this problem.” ```mermaid flowchart TD accTitle: Agent Harness 与 Meta-Harness 架构分层 accDescr: 展示从底层大语言模型到具体 Harness,再到顶层 Meta-Harness 的抽象分层架构。 subgraph Layer1 ["底层核心"] LLM["大语言模型 (LLM)<br/>纯文本/Token 预测生成"] end subgraph Layer2 ["Harness 层(现状:各自为政)"] H1["Claude Code Harness<br/>文件系统/UI/鉴权"] H2["Codex / 其他 Harness<br/>自定义逻辑与环境绑定"] end subgraph Layer3 ["Meta-Harness 层 (Omnigent)"] Omni["统一抽象层:消息输入、事件流流式输出、工具交互"] end LLM --> H1 LLM --> H2 H1 --> Omni H2 --> Omni ``` --- ### [01:55](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=115s) 什么是 Agent Harness 及其生态泛滥 Matei 深入剖析了什么是“Agent Harness”。简单来说,Harness 就是包裹在基础大语言模型外部的配套软件,是 Agent 与真实外部世界进行交互的接口。以编程 Agent 为例:Claude 模型本身只负责根据上下文预测并生成下一个 Token,而 Claude Code 则是包裹在其外部的 Harness,负责将模型与本地文件系统连接、处理用户终端界面、校验安全权限等。类似地,Codex 以及任何基于 SDK 开发的自定义 Agent,其外部都有这样一层运行环境包装。 由于模型厂商在研发时发现,将 Harness 与特定 LLM 进行联合协同设计(Co-design)能够大幅提升效果,加之编写 Harness 门槛较低,导致市面上的 Agent Harness 呈现爆发式增长。Matei 开玩笑说,这场景就像他周末去宠物用品店挑选狗背带一样,货架上挂满了各种形状、颜色各异的 Harness,任君挑选。 - **模型与 Harness 的分离**:LLM 仅负责核心推理计算,Harness 负责提供上下文、工具调用、安全审查与系统接入。 - **生态碎片化**:主流编程领域存在数十种成熟 Harness(如 Claude Code、Codex、Cursor、Windsurf 等),此外还有大量自定义 Agent SDK。 - **协同设计驱动**:模型厂商为了追求最佳基准测试成绩,通常将 Harness 逻辑与模型微调方向深度绑定,加剧了不同工具之间的壁垒。 --- ### [03:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=220s) 互操作性三大瓶颈:组合、协作与控制 当所有 Harness 彼此孤立时,互操作性(Interoperability)问题便凸显出来。Databricks 在自身数千名工程师的日常开发,以及构建面向客户的 Genie 等企业级产品时,深刻体会到了三大瓶颈: 1. **组合(Composition)的困难**:在日常编码中,资深工程师通常同时运行多个 Agent。当某个 Agent 陷入死循环或遇到 Bug 时,开发者会切换到另一个 Agent 尝试解决,或者并行分发不同子任务。目前业界涌现了多种 Agent 组合范式: - **循环(Loops)**:让多个 Agent 互相监督并循环迭代以完成复杂长流程。 - **顾问模式(Advisors)**:使用便宜、快速的小模型处理繁琐杂务,由昂贵的前沿模型作为指挥者;或者反过来,小模型遇到阻塞时再向顾问模型求助(Harvey AI、Anthropic 以及 UC Berkeley 的研究实验室均发表过此类架构的研究)。 - 然而,当这些 Agent 运行在不同的独立 Harness(如 Claude Code 与 Codex)中时,根本无法在技术栈层面轻松地将它们串联在一起。 2. **跨人与 Agent 的协作(Collaboration)孤岛**:Matei 展示了自己典型的日常桌面截屏——屏幕上堆满了各种独立的 Agent 终端窗口,夹杂着 Slack 和 Google Docs,而开发者充当了“剪贴板搬运工”,机械地在各个窗口之间复制粘贴文本。更痛苦的是,如果一名工程师正在和一个 Agent 深入解决问题,中途需要离席,现有的 Harness 根本不支持把包含完整上下文的会话直接无缝移交给另一位人类同事继续推进。 3. **控制(Control)与安全成本隐患**:Agent 极其容易受到 Prompt Injection(提示词注入)等攻击,即便在没有恶意攻击的情况下,Agent 也可能误操作删库或引发巨大破坏。此外,未加约束的 Agent 会迅速耗尽 Token 预算。依赖人类对每一项操作进行授权行不通——正如 Claude 频繁弹出的询问:“你确定要执行这串 100 行的 Python 脚本吗?Yes or No?”绝大多数用户在疲劳之下只会机械点击通过,安全审计形同虚设。 Matei Zaharia 在分析跨工具协作的窘境时坦言: > “Whose desktop looks like this? This is what my life is like all the time. I've got all these agent windows open plus things like Slack and Google Docs. And all I'm doing is copy-pasting text across them. This is pretty ridiculous.” --- ### [07:52](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=472s) 统一抽象:Omnigent 架构与核心机制 为了彻底解决上述割裂,Databricks 决定在所有具体 Harness 之上引入一层统一的开放抽象层——“Meta-Harness”(Harness of harnesses),并将其命名为 **Omnigent**。团队坚信该层必须完全开源,才能接纳所有社区主流的 Harness、工作流和工具。自周六开源以来,由于开发者反响热烈,团队已火速追加了对 Anti-gravity 和 Cursor 等新兴工具的接入支持,同时它也能原生兼容 OpenAI Agents SDK 等框架。 Omnigent 将底层五花八门的 Agent 抽象为一个通用接口:统一支持消息输入(Message Input)、结构化事件流输出(Stream of Events)以及标准化工具调用(Tool Calls)。 ```mermaid flowchart TD accTitle: Omnigent 系统架构与执行流 accDescr: 说明 Omnigent 本地 Runner 与集中式 Server 的双层工作模式。 subgraph Client ["开发终端 / 本地环境"] AgentCore["底层 Agent / 各类 Harness"] Runner["Omnigent Runner<br/>(安全沙箱隔离 / 监控 / 生命周期拦截)"] AgentCore --> Runner end subgraph ControlPlane ["Omnigent Server (可选统一控制平面)"] History["集中式会话历史 (History / Session Hand-off)"] Policy["统一控制策略 (Cost Control / Security Policy)"] Skills["集中式 MCP 与 Skills 注册分发中心"] end Runner <-->|"统一通信协议 (消息输入 / 事件流输出)"| History Runner <--> Policy Runner <--> Skills ``` Omnigent 的技术架构主要由两大核心组件构成: - **Omnigent Runner**:作为本地轻量级包装器直接包裹在 Agent 进程外围。它提供安全沙箱(Sandboxing)能力,对 Agent 的系统调用进行实时拦截与审查,实施严格的安全策略监控,并保障 Agent 的稳健执行。 - **Omnigent Server(可选)**:中心化的协作控制平面。当开发者将 Runner 连接到 Server 时,即可解锁集中式会话持久化(支持开发者之间任意交接 Agent 状态)、共享 Agent 实例、集中管理与下发 MCP(Model Context Protocol)及工具技能,并在企业层面实施全局成本预算和安全访问控制策略。 ### [09:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=580s) Omnigent 的统一界面与开源架构底座 Omnigent 的核心设计理念之一在于为所有 AI Agent 提供一套彻底统一的交互界面与底层运行环境,不论底层运行的是何种具体的 Agent 架构。在保留原有终端命令行界面(Terminal UI)的同时,任何接入 Omnigent 的 Agent 都会自动获得现代化 Web 界面、原生桌面应用(Native App)、移动端界面以及标准的 REST API 访问能力。更为关键的是,Omnigent 是一个完全中立且独立的开源项目。Matei Zaharia 特别指出:“Omnigent is open source. It does not require Databricks in any way. We developed that so you can just run it anywhere.”(Omnigent 是开源的,它完全不依赖 Databricks。我们开发它的初衷就是让你可以在任何地方运行它。) 为了确保无论是单个开发者的轻量级实验还是企业级的大规模生产部署都能开箱即用,Omnigent 的服务端完全构建在工业界成熟的标准化开源技术栈之上。它采用 Docker 进行容器化封装和环境隔离,使用 PostgreSQL 负责会话状态与配置的持久化存储,并借助 OpenTelemetry 提供端到端的可观测性、链路追踪和监控指标。这种无缝兼容云原生标准生态的设计,使得企业不必重构既有的基础设施即可快速落地 Agent 管理层。 - **多端统一访问**:同时支持原生终端(Terminal UI)、现代化 Web 界面、桌面 Native App、移动端及 REST API。 - **开源标准技术栈**:服务端基于 Docker、PostgreSQL 和 OpenTelemetry 构建,支持从小规模单机到大规模分布式集群弹性部署。 - **与商业平台完全解耦**:不与 Databricks 平台发生任何强制绑定,完全自由开源。 --- ### [10:19](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=619s) 核心能力三大支柱:组合、协作与细粒度控制 引入这层 Meta-Harness(元运行框架)之后,系统为用户释放了三大维度的核心能力:组合(Composition)、协作(Collaboration)与控制(Control)。在组合能力上,开发者如今能够打破单一模型或特定框架的孤岛限制,仅通过撰写一份简洁的 YAML 配置文件,就能轻松把跨多个 Harness 和不同底层大语言模型(LLM)的 Agent 编排在一起协同作业。更具变革性的是,在 Agent 的实际运行过程中,用户可以无缝热切换底层的 Agent Harness,并带着当前完整的上下文继续执行任务。而在团队协作方面,Omnigent 支持完全实时的多人协作会话,用户不仅能将其他人拉入当前 Session 共同实时观察,受邀者还能直接向 Agent 发送指令、在生成的代码和文档上添加即时评论与修改批注。 在安全与管控(Control)维度,Omnigent 带来了对传统 Agent 安全机制的重大升级。当前大多数 Agent 框架的防护策略极度僵化,往往只是单纯基于每种工具调用(Tool Call)预先设定静态的“允许”、“拒绝”或“弹窗询问用户”。Matei Zaharia 认为这种粗粒度规则存在严重缺陷,并阐述了 Omnigent 的情境感知策略(Contextual Policies):“We support contextual policies where the permissions vary based on what the agent did before.”(我们支持情境感知策略,权限会根据 Agent 之前执行过的操作而动态变化。)例如,如果一个 Agent 此前刚刚读取了一份绝密内部机密文档,系统策略便会立即禁止它向公司外部发送邮件;反之,若它此前处理的只是完全公开的市场营销宣传物料,向外发送邮件的操作就会被判定为安全合规并予以放行。 ```mermaid flowchart TD accTitle: Omnigent 三大核心架构支柱 accDescr: 展示 Omnigent 在组合、协作和安全控制三个维度的功能划分及具体实现机制。 subgraph Composition["组合 (Composition)"] YAML["YAML 多 Agent 声明式编排"] Switch["运行时 Harness 动态热切换"] end subgraph Collaboration["协作 (Collaboration)"] LiveSession["实时多人会话协同"] Review["文件即时批注与任务接管"] end subgraph Control["控制 (Control)"] Context["情境感知策略 (状态追踪)"] Cost["成本控制预算限制"] Sandbox["灵活 OS 级别安全沙箱"] end OmniLayer["Omnigent Meta-Harness 核心抽象层"] OmniLayer --> Composition OmniLayer --> Collaboration OmniLayer --> Control ``` - **情境感知安全策略(Contextual Security Policies)**:基于 Agent 历史执行轨迹和数据敏感度动态推导权限,避免传统静态规则导致的误杀或数据泄露风险。 - **成本硬限制与预算约束(Cost Policies)**:针对主流框架缺乏成本约束的痛点,支持对 Agent 运行施加显式预算限制(例如规定“本次任务消耗不得超过 5 美元”)。 - **系统级安全隔离(OS Sandbox)**:内置高度可定制的操作系统级安全沙箱机制,彻底阻断失控 Agent 对本地机器产生破坏性操作的可能性。 --- ### [12:06](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=726s) 实机演示:现有 Agent 的无缝接入、双向同步与视觉化交互 Matei Zaharia 切换到实机演示环境,现场展示了在 Databricks 内部专用的开发机(Dev Box)上使用 Omnigent 的实际操作。他首先展示了如何无侵入式包装现有 Agent:在原本启动 Claude 的命令行前面简单加上 `omni` 命令(`omni claude`),终端中随即弹出了原汁原味的 Claude 命令行界面。这台机器上的 Claude 已经配置好了 Databricks 内部所需的环境,内嵌了多个 Model Context Protocol(MCP)扩展以及针对 Databricks 规范的定制提示词。当 Matei 询问“当前在 Omnigent 项目中,这个项目是什么”时,Claude 立即开始正常工作,甚至输出了专属于 Databricks 内部术语的定制化反馈信息。 尽管看起来仍然只是普通的命令行,但作为独立开发者接入 Omnigent 后,瞬间就能解锁丰富的图形化能力。在保留当前终端会话的同时,浏览器端已同步生成了对应的 Web UI,清晰呈现所有会话历史和工作区文件树。Matei 在 Web UI 的聊天框中输入指令,要求在 README 顶部添加一个笑话。几乎就在发送的瞬间,底层的终端 UI 也即时同步打印出这条用户输入,Agent 开始执行文件修改操作。Matei 解释道,Omnigent 在底层建立了跨终端与 Web 双界面的输入输出映射通道。在 Web UI 上,用户不仅能直接预览修改后的 Markdown 渲染效果,还能查看清晰的 Git Diff 变更对比,并能直接在代码行上留下类似“删掉这个笑话”、“只保留一个笑话”的行内审查批注(Inline Comments),然后一键发送让 Agent 批量吸收修改。 此外,为了彻底解决开发者在浏览器中经常因标签页过多而找不到 Agent 会话的痛点,团队还专门打造了原生桌面端 App。原生应用可以脱离纷杂的浏览器环境独立常驻,并且支持操作系统的系统级消息通知,帮助开发者在 Agent 完成耗时任务时第一时间获得提醒。 - **零摩擦接入**:在既有命令行启动指令前增加 `omni` 前缀即可直接启动,自动继承原有环境中的 MCP 插件与系统设置。 - **双向即时同步**:Web 界面与终端界面的输入和输出保持全双工双向映射,多端操作即时同步响应。 - **代码级审查体验**:Web UI 原生集成文件版本 Diff 差异对比器,支持直接添加行内审查意见并命令 Agent 依据意见逐项修改。 - **系统级原生客户端**:提供独立的 Native App 客户端,支持原生系统通知,彻底摆脱网页标签页迷航困扰。 --- ### [16:10](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=970s) Harness 运行中分支切换与“Polly”多 Agent 协同编码 在处理复杂的编程或调研任务时,开发者常常会遇到某款特定 Agent 在某个技术环节卡壳的尴尬情况。Matei 展示了 Omnigent 强大的会话热切换机制:直接选择当前现有的会话并点击切换至 OpenAI Codex,系统随即自动派生(Fork)一个崭新的 Codex 会话分支,同时完整克隆并保留了此前 Claude 处理过程中积累下来的全部上下文与修改历史。在终端里接棒的已经变成了 OpenAI Codex,Matei 紧接着指示它“在 README 顶部再添加第二个笑话”,Codex 顺利基于 Claude 此前修改过的代码继续完成了工作。 更进一步的突破体现在多 Agent 的声明式编排上。Matei 演示了一个名为“Polly”的多 Agent 协同编码主管(Supervisor)系统案例。在这个场景中,Polly 作为主管 Agent,能够在同一个项目文件夹下根据子任务需求,同时调度并并发启动 Claude 与 Codex 作为工人群体(Workers)。 ```mermaid flowchart TD accTitle: Polly 多 Agent 协同监督与执行流程 accDescr: 展示 Polly 主管 Agent 接收任务并同时派发给 Claude Worker 与 Codex Worker 并行执行并汇总评分的机制。 UserCmd["用户指令:并发对比 README 笑话质量"] --> PollySupervisor["Polly 主管 Agent (Supervisor)"] subgraph WorkerPool["并发工作节点池 (Worker Pool)"] ClaudeWorker["Claude Worker 实例 (独立终端执行)"] CodexWorker["Codex Worker 实例 (独立终端执行)"] end PollySupervisor -->|"派发评审子任务"| ClaudeWorker PollySupervisor -->|"派发评审子任务"| CodexWorker ClaudeWorker -->|"返回独立评审结果"| PollySupervisor CodexWorker -->|"返回独立评审结果"| PollySupervisor PollySupervisor --> Output["综合评分汇总:<br/>'第一个挺不错,第二个稍逊一筹'"] ``` 在演示中,Matei 让 Polly 调度两个 Worker 分别对 README 中刚刚生成的两个笑话进行评分。控制台清晰记录了 Polly 检查本地 Claude 与 Codex 运行环境并启动多进程 Worker 的全过程。在 Web 管理界面中,开发者不仅可以看到代表 Worker 的卡片即时弹出,还能直接点击钻取到每个特定 Worker 的底层终端,窥探它们各自在并发执行何种命令与推理逻辑。最终,Polly 将双方的审查意见汇总汇报给上层。Matei 分享了他日常在真实工作场景中的扩展用法,例如让监督 Agent 爬取特定主题的所有打开状态的 GitHub Issues,然后并行派发数十个 Worker 在本地代码库中排查这些 Bug 是否已在某次提交中被修复。 - **跨模型会话无损分支(Session Forking)**:支持一键将现有会话分支派生至其他模型(如从 Claude 派生给 Codex),历史上下文完备保留。 - **多模型协同监督架构(Polly Supervisor)**:通过顶层调度器动态调遣异构 Worker,实现异构 Agent 并行处理分发与汇总结算。 - **并发可视化可观测性**:支持在 UI 视图中随时下钻并查看各独立 Worker 的终端输入输出与思考过程。 --- ### [18:40](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1120s) 实时协同:随时邀请工程师加入与会话接管 在展示了组合与编排能力之后,Matei 演示了 Omnigent 的核心协作功能(Collaboration)。假设当前开发者已经在项目中借助 Agent 产生了一套颇具价值的代码改动,但需要资深工程师的专业评审与提交确认,开发者不再需要把终端日志导出、打包代码或者费时录屏,而是能够直接以多人协作的形式把其他工程师邀请进同一个活动会话中。 在演示现场,Matei 在系统界面上直接把 Databricks AI 团队的工程师 Ankit 邀请进了当前正在运行的 Agent 会话,并在现场直接给 Ankit 拨通了电话。电话刚接通,听筒那头立刻传来了 Ankit 带着错愕与调侃的笑声:“Oh man, Matei's calling me on vacation?”(天哪,Matei 居然在假期给我打电话?)引得全场哄堂大笑。Matei 笑着问他忙不忙,并告诉他自己为 README 准备了一个非常重要的更新,需要他帮忙挑选到底哪个笑话版本更好。Ankit 在那端打开了 Matei 共享过来的实时会话,在即刻看到完整的上下文、文件树和 Diff 对比后说道:“I know the agent said that joke one is better, but I kind of like joke two.”(虽然 Agent 说第一个笑话更好,但我个人其实更喜欢第二个笑话。) 通过这种实时会话共享机制,受邀同事不仅可以完整查阅 Agent 的思考路径与代码改动,还能直接在同一个界面内留下评论批注,甚至亲自向同一个 Agent 键入提示词指令、接管工作流并驱使 Agent 继续演进代码。所有这一切会话历史、上下文决策链路与交互轨迹都会安全持久化在中央服务端,为企业后续的合规审计、效能复盘以及行为分析提供了完整的数据基础。 - **零延迟实时会话邀请**:一键将外部成员引入活体会话中,受邀者拥有对 Agent 上下文的完整审查视图。 - **双向交互与控制权移交**:受邀成员可直接下发新指令指挥 Agent 进一步修改,实现真正意义上的结对编程工作流移交。 - **全局会话持久化与审计**:所有协同过程、模型交互轨迹与分支记录均集中落盘至 PostgreSQL 服务端,便于后续企业级审计与追溯分析。 ### [20:24](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1224s) 有状态策略与实时成本预算控制 在演示界面的顶部,Omnigent 提供了对每个智能体(Agent)开销的实时追踪能力,能够精确计算它们在运行过程中消耗了多少费用。更重要的是,系统允许用户配置上下文感知的“有状态策略”(Stateful Policies),这些策略会根据当前的运行状态动态生效。例如,管理者可以针对当前会话设置预算上限,规定智能体在未征得用户明确许可的情况下,消费不得超过预设金额(例如 1 美元)。 Matei Zaharia 在现场做了一个趣味演示:当时智能体已经产生了大约 0.25 美元的开销,他便随手设定了一条极端的规则——“如果尝试花费超过 0.20 美元,就必须向我询问”。随后,他给智能体下达了一个需要读取大量文件的繁重任务。智能体开始思考并着手执行时,立刻发现自身开销已经超出了预算红线,于是界面弹出权限请求,挂起等待用户审批。Matei 强调,用户还可以借此机制去约束子智能体(Sub-agent),例如允许主任务启动子智能体,但限定该子智能体的花费上限为 1 美元。对于团队管理者而言,这类策略可以在后台集中统一配置。Matei 在界面上点击批准后,智能体才得以恢复运行;而一旦累计开销达到终极硬顶(如 5 美元),它便会彻底终止。Matei Zaharia 总结道:“This is a really cool feature. Again, on top of any agent, Claude, Codex, whatever it is.” ```mermaid flowchart TD accTitle: Omnigent 预算控制与策略执行流程 accDescr: 展示智能体在执行任务时受有状态策略与预算限制的控制逻辑 subgraph Execution["智能体任务执行"] A["分配任务 (读取文件 / 复杂计算)"] --> B["实时追踪 API 与计算成本"] end subgraph PolicyControl["有状态策略引擎"] B --> C{"是否超出设定预算?"} C -- "否" --> D["继续自主执行"] C -- "是" --> E["暂停执行,向用户请求审批"] E --> F{"用户是否批准?"} F -- "批准" --> G["恢复运行并受硬顶监控 (如 $5 自动停机)"] F -- "拒绝" --> H["终止当前操作"] end ``` - **实时成本监控**:Omnigent 实时追踪各模型 API 调用产生的实际开销,清晰可视化呈现。 - **动态预算限制**:支持设定软预算(如单次超过设定金额需审批)与硬预算(如达到 5 美元绝对终止)。 - **层级化子智能体控制**:支持主智能体派生子任务时,对子智能体单独附加低预算配额,防止资源失控。 - **跨模型通用性**:该控制机制独立于底层模型实现,无论是 Claude、Codex 还是其他自研智能体,均可无缝享受统一的安全与预算治理。 --- ### [22:01](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=1321s) 为什么选择开源 Omnigent 与生态未来展望 在现场热烈的掌声后,Matei Zaharia 切换回幻灯片,深入解答了一个核心疑问:既然 Omnigent 具备如此丰富的高阶功能,Databricks 为什么选择将其完全开源?Matei 解释道,与 AI 智能体协作的方式绝不能被困在某一个孤立的 Harness 或 SDK 层次内部,整个行业必然需要一个位于最顶层的“元 Harness”(Meta-Harness)层。正如历史上的数据格式与共享协议一样,唯有全面拥抱开源,形成全行业共同认可的开放规范,整个生态系统才能顺畅运转。Databricks 内部已经在深度依赖并使用 Omnigent,开源后仅从上周六到演讲当天,社区就已经提交了大量高质量的贡献代码。 此外,开源 Omnigent 还直接填补了智能体前端应用的空白。绝大多数开发者在构建智能体时,都迫切需要一个现成可用的应用壳工程——不仅要支持编码任务,更需要开箱即用的协同办公、状态共享与安全权限体系。Omnigent 恰好提供了这样一个具备优秀交互体验的开源应用,甚至还原生支持移动端访问。展望未来,Omnigent 将接入更广泛的生态支持,并正在研发智能体自动化优化(Auto-optimization)等前沿能力。Matei Zaharia 坚定地指出:“We really think that AI needs a layer above the harness.” 这套抽象层彻底降低了开发和使用门槛,在 Databricks 内部,如今不仅是软件工程师,就连产品经理(PM)和设计师也在日常高频使用这套工具构建智能体。 ## Notable quotes > [00:00](https://www.youtube.com/watch?v=3Xv0VjYhpCk&t=0s) If everyone is just vibe coding their own thing, they will still be incoherent. So you know, there's no amount of faster coding will solve this problem. — Matei Zaharia ## Mentioned Matei Zaharia, Ankit, Databricks, Omnigent, Claude, Claude Code, Codex, OpenAI Codex, OpenAI Agents SDK, Cursor, Windsurf, Anti-gravity, Genie, Polly, Harvey AI, Anthropic, UC Berkeley, Model Context Protocol (MCP), Docker, PostgreSQL, OpenTelemetry, GitHub, Slack, Google Docs ## Video description Introducing Omnigent: A Meta-Harness for AI Agents Omnigent makes AI agents interoperable, so sessions, policies, and skills stay with users regardless of where the agent or model is running. Learn more about Omnigent: https://www.databricks.com/blog/introducing-omnigent-meta-harness-combine-control-and-share-your-agents 00:00 — Why the agentic stack needs a new layer 01:55 — What's an AI agent harness? 02:40 — The problem with too many harnesses 03:40 — The interoperablity hurdle 07:52 — Introducing Omnigent 10:19 — Composition, collaboration, and control 12:06 — Matei demos Omnigent 22:03 — Why open source Omnigent? Presenters: Matei Zaharia, Co-founder and CTO, Databricks [Source](https://www.youtube.com/watch?v=3Xv0VjYhpCk)

Source quotes

[0:00] Matei Zaharia: If everyone is just vibe coding their own thing, they will still be incoherent. So you know, there's no amount of faster coding will solve this problem.