Comment apprivoiser une douzaine d'agents de codage et les faire travailler ensemble dans Omnigent

Si vous avez déjà essayé d'exécuter Claude Code, Codex ou Cursor dans le terminal, vous avez probablement remarqué un problème. Chaque agent CLI a sa propre interface, ses propres drapeaux (flags) et ses propres habitudes lors de la modification de fichiers de projet. L'un gère mieux le refactoring, l'autre écrit des tests plus précisément, mais les faire travailler ensemble sur une seule tâche sans beaucoup de commutation manuelle représentait autrefois un défi.

Récemment, je suis tombé sur le dépôt Omnigent. C'est un méta-framework Python open source qui rassemble différents agents IA sous un même toit. Vous obtenez une couche d'orchestration partagée, une interface unifiée, des politiques de sécurité et la possibilité de vous connecter à une session depuis un ordinateur portable ou même un téléphone.

Ce que le méta-framework peut faire

L'idée centrale du projet est d'isoler les développeurs des spécificités des fournisseurs et interfaces particuliers. Au lieu de réécrire du code pour fonctionner avec différents SDK en coulisses, vous définissez les agents de manière déclarative et les combinez en groupes.

Voici ce qu'Omnigent peut faire en pratique :

1. Exécuter plusieurs agents différents dans une seule session. Par exemple, l'un gère la planification tandis que d'autres écrivent du code en parallèle dans des branches git.
2. Connecter n'importe quel modèle. Les clés API Anthropic ou OpenAI fonctionnent, tout comme les abonnements Claude Pro ou ChatGPT standard, ou des passerelles tierces comme OpenRouter, Ollama ou vLLM.
3. Persister le contexte de session entre les appareils. Vous pouvez commencer le travail dans le terminal, continuer via l'application de bureau, ou vérifier le statut depuis votre téléphone via l'interface web.
4. Partager des sessions avec vos collègues. La visualisation collaborative d'agents en temps réel, le mode copilote ou le fork d'un dialogue dans une branche séparée sont tous disponibles.
5. Isoler l'exécution dans des sandbox. Les mécanismes locaux comme bubblewrap sur Linux et seatbelt sur macOS sont pris en charge, ainsi que les environnements cloud comme Modal, E2B, Daytona ou Kubernetes.

Comment fonctionnent le lancement et la configuration

L'installation se fait avec une seule commande via l'utilitaire uv ou via un script d'installation :

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

Après l'installation, l'utilitaire CLI omnigent (ou l'alias court omni) devient disponible dans votre système.

Si vous exécutez la commande omnigent, le système vous предложит de récupérer les clés API trouvées dans votre environnement ou les autorisations de clients console précédents.

Ensuite, vous pouvez démarrer un environnement spécifique :

omnigent claude
omnigent codex
omnigent cursor

Lors du lancement, non seulement un processus console démarre, mais aussi un serveur web local sur le port 67 67. Si vous accédez à http://localhost:6767, une interface web s'ouvre qui reflète la sortie du terminal.

Agents déclaratifs via YAML

La partie la plus intéressante est la possibilité de décrire vos propres agents et leurs interactions dans une seule configuration. Voici un exemple de fichier d'agent basique :

name: my_agent
prompt: Вы помогаете анализировать данные и собирать отчеты.

executor:
  harness: claude-sdk

tools:
  word_count:
    type: function
    callable: mypackage.mymodule.word_count

  docs:
    type: mcp
    url: https://example.com/mcp

Le dépôt contient plusieurs exemples prêts à l'emploi. L'exemple Polly (examples/polly/) est particulièrement digne d'intérêt.

Polly est un tech lead multi-agents. Cet agent n'écrit pas de code lui-même. Il décompose une tâche et délègue les sous-tâches à d'autres agents (Claude Code, Codex ou Pi) dans des branches de worktree git isolées. Quand le code est prêt, Polly envoie le diff pour révision à un agent d'un autre fournisseur. Vous obtenez des pull requests prêtes à l'emploi et une revue de code croisée sans effort supplémentaire.

Un autre exemple est Debby. Elle envoie une requête à deux modèles (Claude et GPT) simultanément et affiche leurs réponses côte à côte. La commande /debate fait en sorte que les modèles critiquent mutuellement leurs décisions jusqu'à atteindre un consensus.

Sécurité et limites de budget

Accorder aux agents un accès complet au terminal et au système de fichiers peut être dangereux. Omnigent résout ce problème avec des politiques de sécurité.

Les politiques vérifient chaque action de l'agent et peuvent la bloquer, ou demander votre confirmation avant d'exécuter une commande. De plus, des règles peuvent être définies au niveau du serveur, par agent individuel ou pour la session en cours :

policies:
  approve_shell:
    type: function
    handler: omnigent.policies.builtins.safety.ask_on_os_tools
  budget:
    type: function
    handler: omnigent.policies.builtins.cost.cost_budget
    factory_params:
      max_cost_usd: 5.00
      ask_thresholds_usd: [3.00]

Dans cet exemple, l'agent demandera confirmation avant d'exécuter des commandes shell et s'arrêtera lorsque la limite de 5 dollars sera atteinte.

À qui le projet est destiné

Omnigent convient parfaitement aux équipes qui expérimentent activement avec les agents IA dans le développement quotidien. Si vous manquez de contrôle sur les dépenses, souhaitez exécuter des agents dans des sandbox cloud ou avez besoin d'un moyen pratique de partager des sessions avec vos collègues, ce projet couvrira ces besoins.

Le projet est en phase alpha, mais compte déjà 8,7k étoiles sur GitHub et une communauté active. Pour commencer, installez simplement le CLI et exécutez l'un des exemples prêts à l'emploi.