Open Multi-Agent

给一个目标，自动得到任务 DAG。
原生 TypeScript 多智能体编排。

English · 中文

/.agent-workspace`。 const result = await orchestrator.runTeam( team, `Create a REST API for a todo list in ${process.cwd()}/.agent-workspace/todo-api/`, ) console.log(result.success, result.totalTokenUsage.output_tokens) ``` ### 本地运行示例 ```bash git clone https://github.com/open-multi-agent/open-multi-agent && cd open-multi-agent npm install export OPENAI_API_KEY=sk-... npx tsx packages/core/examples/basics/team-collaboration.ts ``` 三个 agent（architect、developer、reviewer）协作产出 REST API，`onProgress` 实时输出协调者的任务 DAG： ``` agent_start coordinator task_start design-api task_complete design-api task_start implement-handlers task_start scaffold-tests // 无依赖的任务并行执行 task_complete scaffold-tests task_complete implement-handlers task_start review-code // 实现完成后自动解锁 task_complete review-code agent_complete coordinator // 综合所有结果 Success: true Tokens: 12847 output tokens ``` 通过 Ollama 运行本地模型不需要 API key，见 [`providers/ollama`](examples/providers/ollama.ts)。其他 provider（`OPENAI_API_KEY`、`GEMINI_API_KEY` 等）见[支持的 Provider](#支持的-provider)。 ## 三种运行模式 | 模式 | 方法 | 适用场景 | 示例 | |------|------|----------|------| | 单智能体 | `runAgent()` | 一个智能体，一个提示词，最简入口 | [`basics/single-agent`](examples/basics/single-agent.ts) | | 自动编排团队 | `runTeam()` | 给一个目标，框架自动规划和执行 | [`basics/team-collaboration`](examples/basics/team-collaboration.ts) | | 显式任务管线 | `runTasks()` | 你自己定义任务图和分配 | [`basics/task-pipeline`](examples/basics/task-pipeline.ts) | 对需要严格把关的回答，`runConsensus()` 运行一个 proposer→judge 校验循环（可选的按任务 `verify` 钩子）。见 [Consensus](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/consensus.md)。 不执行 agent，只预览协调者拆解出的任务 DAG；也可将这份计划固定下来，之后无需再次调用协调者即可重放同一张图： ```ts // 先拆解一次，审阅计划 const preview = await orchestrator.runTeam(team, goal, { planOnly: true }) // 转成可 diff、可纳入版本控制的产物（纯 JSON） const plan = orchestrator.createPlanArtifact(preview) // 之后：重放完全相同的图（task id、依赖、assignee 都不变），不经过协调者 const result = await orchestrator.runFromPlan(team, plan) ``` 用一份可选的 `modelRouting` 策略，将不同编排阶段路由到不同模型：旗舰模型负责规划，廉价模型运行叶子任务。可按 phase、agent、任务 role/priority 或 leaf 状态匹配；first match wins，不设置则模型选择保持不变。见 [模型路由](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/model-routing.md)。 ## 功能一览 | 能力 | 说明 | |------|------| | **目标驱动协调者** | 一个 `runTeam(team, goal)` 调用，将目标拆解为任务 DAG，并行执行独立任务，合成最终结果。未分配的任务自动调度：`dependency-first`（默认）、`round-robin`、`least-busy` 或 `capability-match`。 | | **同队混用 provider** | 13 家内置 provider，外加任意 OpenAI 兼容端点（Ollama、vLLM、LM Studio、OpenRouter、Groq），同队可自由混用。将 tool call 作为纯文本输出的本地 server，由 fallback 解析器解析。([完整清单](#支持的-provider) · [配置](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/providers.md)) | | **扩展思考 / 推理** | 一份 `thinking` 配置映射到 Anthropic thinking、Gemini `thinkingConfig` 和 OpenAI `reasoning_effort`；推理以事件流式输出，并可选在切换 provider 时保留。([`cross-provider-reasoning`](examples/patterns/cross-provider-reasoning.ts)) | | **工具 + MCP** | 6 个内置（`bash`、`file_*`、`grep`、`glob`），全部**默认拒绝**（default-deny，用 `tools` / `toolPreset` 授予），外加 `delegate_to_agent` handoff（带 cycle + depth 护栏），用 `defineTool()` + Zod 自定义，任意 MCP server 通过 `connectMCPTools()` 接入。([工具配置](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/tool-configuration.md)) | | **流式 + 结构化输出** | 每个 adapter 都支持 token 级流式输出（团队运行时通过 `onAgentStream` 拿到每个 agent 的流）；用 Zod schema 校验最终答复，解析失败自动重试。([`structured-output`](examples/patterns/structured-output.ts)) | | **人工介入（Human-in-the-loop）** | 用 `onPlanReady`（任何 agent 执行前审批整个计划）和 `onApproval`（每轮任务之间审批）把关，或用 `planOnly` 先行预览。 | | **固定并重放计划** | 用 `createPlanArtifact` 将 `planOnly` 的拆解结果序列化，之后 `runFromPlan` 不再调用协调者，直接重放完全相同的任务图。（[`patterns/plan-replay`](examples/patterns/plan-replay.ts)） | | **生命周期钩子 + 取消** | `beforeRun` 改写 prompt，`afterRun` 后处理或拒绝结果；传入 `AbortSignal` 即可中途取消运行。 | | **可配置协调者** | 通过 `runTeam(team, goal, { coordinator })` 覆盖协调者的 model、provider、adapter、system prompt 或工具。 | | **可观测性** | `onProgress` 事件、`onTrace` span，运行结束后渲染任务 DAG 的 HTML dashboard。API key 和 token 会从 trace、bash 输出和 dashboard 中自动脱敏。([可观测性指南](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/observability.md)) | | **可插拔共享记忆** | 默认进程内 KV；实现 `MemoryStore` 接口即可换 Redis / Postgres / 自有后端。([共享记忆](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/shared-memory.md)) | | **Checkpoint & resume** | 可选的按运行 checkpoint，运行于任意 `MemoryStore` 之上：每个任务完成时快照，`restore()` 跳过已完成任务，崩溃或重启后可恢复运行。存盘 best-effort，不会拖慢运行。([checkpoint & resume](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/checkpoint.md)) | | **沙箱化文件系统工作目录** | 内置文件系统工具默认沙箱化在 `/.agent-workspace`；继承默认配置的 agent 共享同一根目录。需要 per-agent 隔离时显式设置 `AgentConfig.cwd`；改换共享根目录用 `OrchestratorConfig.defaultCwd`；传 `null` 关闭沙箱。([沙箱配置](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/tool-configuration.md)) | 生产级控制（[上下文策略](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/context-management.md)、任务重试退避、循环检测、工具输出截断/压缩）见 [生产级检查清单](#生产级检查清单)。 ## 编排控制 对一次 `runTeam` 运行的精细控制。全部可选；默认行为不变。 **注入团队上下文。** 将目标、roster、当前 worker 的角色注入每个 worker 的 prompt：帮助 worker 与整体目标保持一致，也让多步运行更易调试。默认关闭；省略时 worker prompt 保持逐字节不变。 ```ts await orchestrator.runTeam(team, goal, { revealCoordinator: true }) ``` **执行前审批。** 在任何 agent 执行前检查协调者的计划，并在每轮任务之间再次审批。这两个钩子在 orchestrator 上。返回 `false` 即中止，剩余任务标记为 `skipped`。 ```ts const orchestrator = new OpenMultiAgent({ onPlanReady: async (tasks) => tasks.length <= 10, // 审批整个计划 onApproval: async (completed, next) => next.length > 0, // 审批每一轮 }) ``` **取消运行。** 传入 `AbortSignal`；触发 abort 即中止运行。 ```ts const controller = new AbortController() const run = orchestrator.runTeam(team, goal, { abortSignal: controller.signal }) // 在别处调用 controller.abort() 取消 ``` **配置协调者。** 给规划者单独指定 model、adapter 或额外指令，不影响 worker agent。 ```ts await orchestrator.runTeam(team, goal, { coordinator: { model: 'claude-opus-4-6', instructions: 'Prefer fewer, larger tasks.' }, }) ``` **无依赖 fan-out。** 需要 MapReduce 风格的并行时，直接用 `AgentPool.runParallel()`。见 [`patterns/fan-out-aggregate`](examples/patterns/fan-out-aggregate.ts)。 **Shell 和 CI。** 使用 JSON-first 的 `oma` 命令行工具。详见 [docs/cli.md](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/cli.md)。 ## 生态 `open-multi-agent` 2026-04-01 发布，MIT 协议。当前公开在用与集成的项目： ### 基于 OMA 构建 - **[temodar-agent](https://github.com/xeloxa/temodar-agent)**（约 60 stars）。WordPress 安全分析平台，作者 [Ali Sünbül](https://github.com/xeloxa)。在 Docker runtime 里直接用我们的内置工具（`bash`、`file_*`、`grep`）。已确认生产环境使用。 - **[Mark Galyan](https://github.com/apollo-mg)** 在本地量化模型上完全离线运行 OMA，借助 coordinator 与上下文压缩，在显存受限的条件下维持自治 agent 循环持续运行。自框架发布首月起持续贡献，涵盖上下文压缩、采样与工具调用解析。 - **[PR-Copilot](https://github.com/kidoom/PR-Copilot)**。AI pull request 审查助手，作者 [kidoom](https://github.com/kidoom)。运行一个 OMA 审查 team（coordinator + 限定范围的 reviewer agent），用 `defineTool` 定义仓库上下文工具，并加入自定义 `ContextStrategy` 做 token-aware 的 PR diff 压缩。公开代码，基于 `@open-multi-agent/core`。 - **[StuFlow](https://github.com/znc15/StuFlow)**。终端 AI 编码助手，作者 [znc15](https://github.com/znc15)。以 OMA 为编排内核：构建 team 并通过 `runAgent` / `runTasks` / `runTeam` 驱动，配自定义 `RunTeamOptions` coordinator，搭配 DeepSeek。公开代码，基于 `@open-multi-agent/core`。 如果在生产或 side project 中使用了 `open-multi-agent`，[请开个 Discussion](https://github.com/open-multi-agent/open-multi-agent/discussions)，我们会将其列在这里。 ### 集成 - **[Engram](https://www.engram-memory.com)** — "AI 记忆的 Git"。在 agent 之间即时同步知识并标记冲突。([repo](https://github.com/Agentscreator/engram-memory)) - **[@agentsonar/oma](https://github.com/agentsonar/agentsonar-oma)** — Sidecar，检测跨运行的委派环、重复和速率突增。 - **[CodingScaffold](https://github.com/JRS1986/CodingScaffold)** — agentic-coding 脚手架，把 OMA 列为可选编排后端，附带 `runTeam` 工作流模板。 做了 `open-multi-agent` 集成？见[集成提交指南](examples/integrations/README.md)：如何提交 reference / vendor 示例，以及如何被列入这里。 ### Provider 社区优惠 面向 `open-multi-agent` 用户的限时 provider 优惠。该列表不代表付费背书或唯一官方推荐。 - **[MiniMax](https://platform.minimaxi.com/subscribe/token-plan?code=98qruMqQhL&source=link)** — 在 OMA 的 TypeScript 多智能体工作流中使用 MiniMax M3。OMA 用户可在 2026-06-30 前享 MiniMax Token Plan 专属 88 折优惠。见 [MiniMax 接入指南](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/providers/minimax.md)。 ### Featured partner 面向已经深度集成 `open-multi-agent` 的产品和平台。条款和申请方式见 [Featured partner 计划](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/featured-partner.md)。 ## 示例 [`examples/`](./examples/) 按类别分为 basics、cookbook、patterns、providers、integrations。完整索引见 [`examples/README.md`](./examples/README.md)。（[`production/`](./examples/production/README.md) 正在征集贡献，见收录标准。） ### 真实业务流程（[`cookbook/`](./examples/cookbook/)） 端到端可直接运行的场景，每个都是完整、开箱即用的工作流。 - [`contract-review-dag`](examples/cookbook/contract-review-dag.ts)：四任务 DAG 做合同审阅，分支并行 + 出错按步骤重试。 - [`meeting-summarizer`](examples/cookbook/meeting-summarizer.ts)：三个专精 agent 并行处理会议转录稿，聚合 agent 合成含行动项和情绪分析的 Markdown 报告。 - [`competitive-monitoring`](examples/cookbook/competitive-monitoring.ts)：三个来源 agent 并行从信息流抽取声明，聚合 agent 跨源校对、标记矛盾。 - [`translation-backtranslation`](examples/cookbook/translation-backtranslation.ts)：用一个 provider 翻译 EN 到目标语言，另一个 provider 回译，标记语义漂移。 - [`incident-postmortem-dag`](examples/cookbook/incident-postmortem-dag.ts)：三个独立根任务在 t=0 并行展开，再由 root-cause 假设器和复盘撰写器合成为一份文档。 - [`personalized-interview-simulator`](examples/cookbook/personalized-interview-simulator.ts)：有状态的面试官（跨轮次用 `Agent.prompt()`）加一个读取完整转录的观察者，用 `readline` 接入人工输入，结束时产出 Zod 校验的复盘。 ### 模式与集成 - [`basics/team-collaboration`](examples/basics/team-collaboration.ts)：`runTeam()` 协调者模式。 - [`patterns/structured-output`](examples/patterns/structured-output.ts)：任意 agent 产出 Zod 校验过的 JSON。 - [`patterns/multi-perspective-code-review`](examples/patterns/multi-perspective-code-review.ts)：生成器产出代码，安全、性能、风格三个评审并行，再由合成器返回 Zod 校验的发现列表。 - [`patterns/cross-provider-reasoning`](examples/patterns/cross-provider-reasoning.ts)：通过 `preserveReasoningAsText` 在切换 provider 时保留推理模型的思考流。 - [`patterns/cost-tiered-pipeline`](examples/patterns/cost-tiered-pipeline.ts)：每个阶段分配不同 model，用 `onTrace` 的 token 计数估算各 model 的 USD 成本。 - [`patterns/fan-out-aggregate`](examples/patterns/fan-out-aggregate.ts)：`AgentPool.runParallel()` 做 MapReduce 风格 fan-out。 - [`patterns/agent-handoff`](examples/patterns/agent-handoff.ts)：`delegate_to_agent` 同步子智能体委派。 - [`patterns/plan-replay`](examples/patterns/plan-replay.ts)：用 `planOnly` 将目标拆解一次，用 `createPlanArtifact` 序列化，再用 `runFromPlan` 重放同一张 DAG，不再调用协调者。 - [`integrations/trace-observability`](examples/integrations/trace-observability.ts)：`onTrace` 回调，给 LLM 调用、工具、任务发结构化 span。 - [`integrations/mcp-github`](examples/integrations/mcp-github.ts)：用 `connectMCPTools()` 把 MCP 服务器的工具暴露给 agent。 - **Provider 示例**：[`examples/providers/`](examples/providers/) 下的脚本，覆盖托管 provider、OpenAI 兼容端点和本地模型。 ### 完整应用 带有独立 `package.json` 的克隆即可运行的应用，而非 `npx tsx` 脚本。每个都将 OMA 嵌入了真实后端。 - [`integrations/express-customer-support`](examples/integrations/express-customer-support/)：Express REST API。`runTasks()` 驱动 `POST /tickets`，每个 agent 用 Zod schema，provider 通过环境变量可切换，并提供 HTTP 错误码映射。一个 DeepSeek key 即可运行（`npm install && npm start`）。 - [`integrations/with-vercel-ai-sdk`](examples/integrations/with-vercel-ai-sdk/)：Next.js 应用。OMA `runTeam()` 配合 AI SDK `useChat` 流式输出（`npm install && npm run dev`）。 运行任意脚本：`npx tsx packages/core/examples/.ts`；上面的完整应用用各自的 `npm` 脚本运行。 ## 与其他框架对比 大多数 TypeScript 团队在选择多智能体编排层时，实际是在 OMA、LangGraph JS、Mastra 之间取舍。差异在于机制。 **对比 LangGraph JS。** LangGraph 需先设计好声明式图（节点、边、条件路由），再编译为可调用对象；OMA 的 Coordinator 则在运行时将目标拆解为任务 DAG，并自动并行其中的无依赖项。两者均支持 checkpoint 与 resume，只是 LangGraph 的持久化生态更为完善。若需让编排随目标自适应、而非预先固定图结构，OMA 更为合适。 **对比 Mastra。** 两者均为原生 TypeScript，差异在于由谁驱动编排。Mastra 需手工连接工作流；OMA 则是目标驱动：将目标交给 Coordinator，即可在运行时自动构建任务 DAG。`runTeam(team, goal)` 一行调用即可。 **对比 CrewAI。** CrewAI 是 Python 生态中成熟的多智能体方案。OMA 将目标驱动的任务拆解引入 TypeScript 后端，运行时精简（三个核心依赖，外加按需安装的可选 peer），直接嵌入 Node.js，无需在既有技术栈之外另行部署独立的 Python 服务。 **对比 Vercel AI SDK。** AI SDK 是 LLM 调用层（provider 抽象、流式、tool call、结构化输出），而非多智能体编排器。单 agent 调用单独用它即可；一旦需要协同的团队，则选用 OMA。OMA 亦提供可选的 AI SDK bridge。 ## 架构 ``` ┌─────────────────────────────────────────────────────────────────┐ │ OpenMultiAgent (Orchestrator) │ │ │ │ createTeam() runTeam() runTasks() runAgent() getStatus() │ └──────────────────────┬──────────────────────────────────────────┘ │ ┌──────────▼──────────┐ │ Team │ │ - AgentConfig[] │ │ - MessageBus │ │ - TaskQueue │ │ - SharedMemory │ └──────────┬──────────┘ │ ┌─────────────┴─────────────┐ │ │ ┌────────▼──────────┐ ┌───────────▼───────────┐ │ AgentPool │ │ TaskQueue │ │ - Semaphore │ │ - dependency graph │ │ - runParallel() │ │ - auto unblock │ └────────┬──────────┘ │ - cascade failure │ │ └───────────────────────┘ ┌────────▼──────────┐ │ Agent │ │ - run() │ ┌────────────────────────┐ │ - prompt() │───►│ LLMAdapter │ │ - stream() │ │ - 13 built-in │ └────────┬──────────┘ │ providers │ │ │ - OpenAI-compatible │ │ │ - AI SDK bridge │ │ └────────────────────────┘ ┌────────▼──────────┐ │ AgentRunner │ ┌──────────────────────┐ │ - conversation │───►│ ToolRegistry │ │ loop │ │ - defineTool() │ │ - tool dispatch │ │ - 6 built-in tools │ └───────────────────┘ │ + delegate (opt-in) │ └──────────────────────┘ ``` ## 支持的 Provider 修改 `provider`、`model`，并设置对应的环境变量。agent 配置结构不变。 ```typescript const agent: AgentConfig = { name: 'my-agent', provider: 'anthropic', model: 'claude-sonnet-4-6', systemPrompt: 'You are a helpful assistant.', } ``` | 类型 | 配置方式 | 服务 | |------|--------|------| | 内置，无需额外安装 | 设 `provider` 为 `anthropic`、`openai`、`azure-openai`、`copilot`、`grok`、`deepseek`、`doubao`、`hunyuan`、`minimax`、`mimo`、`qiniu`；由自带的 `@anthropic-ai/sdk` / `openai` SDK 提供 endpoint。 | Anthropic、OpenAI、Azure OpenAI、GitHub Copilot、xAI Grok、DeepSeek、Doubao（火山引擎）、Hunyuan（腾讯混元 MaaS）、MiniMax、MiMo、Qiniu | | 内置，需装 peer | `npm i @google/genai` 后设 `provider: 'gemini'`；`npm i @aws-sdk/client-bedrock-runtime` 后设 `provider: 'bedrock'`。 | Google Gemini、AWS Bedrock | | OpenAI 兼容端点 | 设 `provider: 'openai'` + `baseURL`，必要时加 `apiKey`。无需额外安装。 | Ollama、vLLM、LM Studio、llama.cpp server、OpenRouter、Groq、Mistral、Moonshot（Kimi）、Qwen、Zhipu（智谱） | | Vercel AI SDK | 从 `@open-multi-agent/core/ai-sdk` 导入 `AISdkAdapter`；安装可选 peer `ai` 加一个 `@ai-sdk/*` provider。 | [任意 AI SDK provider](https://ai-sdk.dev/providers)（60+ 模型与平台） | 详见 [docs/providers.md](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/providers.md)，含环境变量、模型示例、本地模型工具调用、超时设置、常见问题。 ### 依赖 安装 `@open-multi-agent/core` 会引入三个运行时依赖：`@anthropic-ai/sdk`、`openai`、`zod`。内核仅此而已：Anthropic、OpenAI 及所有 OpenAI 兼容端点仅凭这三个依赖即可运行。 其余均为可选 peer 依赖，按需安装；每个都是懒加载，未用到的项目不会引入。 | 能力 | 安装 | 触发 | |------|------|------| | Gemini provider | `npm i @google/genai` | `provider: 'gemini'` | | Bedrock provider | `npm i @aws-sdk/client-bedrock-runtime` | `provider: 'bedrock'` | | MCP 工具 | `npm i @modelcontextprotocol/sdk` | `connectMCPTools()` | | Vercel AI SDK bridge | `npm i ai @ai-sdk/` | `new AISdkAdapter(...)` | ### Vercel AI SDK（可选） 安装好 bridge 的 peer 后（见上方表格），在 `AgentConfig` 上传入 `adapter: new AISdkAdapter(model)`，即可让该 agent 改用 AI SDK，而非内置的 `provider` 工厂。设置 `adapter` 后，`provider`、`apiKey`、`baseURL`、`region` 均被忽略。混合团队照常工作：只有带 `adapter` 的 agent 才使用 AI SDK。 ```typescript import { openai } from '@ai-sdk/openai' import { AISdkAdapter } from '@open-multi-agent/core/ai-sdk' import { OpenMultiAgent } from '@open-multi-agent/core' const oma = new OpenMultiAgent() await oma.runAgent( { name: 'researcher', model: 'gpt-4o', adapter: new AISdkAdapter(openai('gpt-4o')), systemPrompt: 'You are a researcher.', }, 'What are the latest AI trends?', ) ``` 协调者也支持同样的钩子：`runTeam(team, goal, { coordinator: { adapter: new AISdkAdapter(...) } })`。 ## 生产级检查清单 上线前逐一配置以下项目：控制 token 开销、从失败中恢复、问题可排查。 | 关注点 | 配置项 | 作用域 | |--------|--------|--------| | 控制对话长度 | `maxTurns`（每个 agent）+ `contextStrategy`（`sliding-window` / `summarize` / `compact` / `custom`） | `AgentConfig` | | 控制运行时长 | `timeoutMs`（每个 agent，运行挂起时中止；本地模型常见） | `AgentConfig` | | 限制工具输出 | `maxToolOutputChars`（或单工具 `maxOutputChars`）+ `compressToolResults: true` | `AgentConfig` 和 `defineTool()` | | 失败重试 | 任务级 `maxRetries`、`retryDelayMs`、`retryBackoff`（指数退避倍率） | 通过 `runTasks()` 用的任务配置 | | 崩溃/重启后恢复 | `checkpoint`（给 `runId` 或持久化 `MemoryStore`）+ `restore()` 恢复运行，跳过已完成任务 | `OrchestratorConfig` / 运行选项 | | 总额封顶 | orchestrator 上设 `maxTokenBudget` | `OrchestratorConfig` | | 卡死检测 | `loopDetection` + `onLoopDetected: 'terminate'`（或自定义 handler） | `AgentConfig` | | 追踪与审计 | `onTrace` 接你的 tracing 后端；落盘 `renderTeamRunDashboard(result)` | `OrchestratorConfig` | | 脱敏密钥 | 自动：API key、token、Authorization header 从 trace、bash 输出、dashboard payload 中剥除 | 内置（默认开启） | | 按需授予工具 | 内置工具默认拒绝（default-deny）：agent 只拿到自己在 `tools` / `toolPreset` 里列出的工具，都不写则一个都没有。`bash` 一旦授予仍无沙箱，且每次工具结果都会发给你的模型 provider，因此读取/执行权限需刻意授予。`defaultToolPreset` 可一行恢复旧的「全部工具」行为 | `AgentConfig` / `OrchestratorConfig` | | 限定 agent 文件操作范围 | `cwd` / `defaultCwd`（默认 `.agent-workspace` 子目录；用 `process.cwd()` 放宽、`null` 关闭） | `AgentConfig` / `OrchestratorConfig` | ## 文档 - [Provider](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/providers.md) — 环境变量、模型示例、本地模型工具调用、超时、常见问题。 - [工具配置](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/tool-configuration.md) — 工具预设、自定义工具、文件系统沙箱、MCP。 - [可观测性](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/observability.md) — `onProgress` 事件、`onTrace` span、运行后 dashboard。 - [共享记忆](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/shared-memory.md) — 默认存储与自定义 `MemoryStore` 后端。 - [Checkpoint & resume](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/checkpoint.md) — 可选的按运行快照/恢复，跑在任意 `MemoryStore` 上；崩溃、重启后可续跑。 - [上下文管理](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/context-management.md) — 滑动窗口、摘要、压缩、自定义压缩器。 - [CLI](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/cli.md) — 面向 shell 和 CI 的 JSON-first `oma` 命令行。 - [Consensus](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/consensus.md) — `runConsensus` proposer→judge 原语、按任务的 `verify` 钩子，以及预算不变量。 - [模型路由](https://github.com/open-multi-agent/open-multi-agent/blob/main/docs/model-routing.md) — 可选的 `modelRouting` 策略：按 phase / agent / role / priority / leaf 匹配，first match wins。 ## 参与贡献 Issue、feature request、PR 都欢迎。特别欢迎以下方面的贡献： - **生产级示例。** 端到端可运行的真实场景工作流。收录条件与提交格式见 [`examples/production/README.md`](./examples/production/README.md)。 - **文档。** 指南、教程、API 文档。 - **翻译。** 将这份 README 翻译为其他语言。[提交 PR](https://github.com/open-multi-agent/open-multi-agent/pulls)。 ## 贡献者

按领域展开贡献者致谢

**框架功能** - [@ibrahimkzmv](https://github.com/ibrahimkzmv)（token 预算、上下文策略、依赖隔离上下文、工具预设、glob、MCP 集成、可配置 Coordinator、CLI、Dashboard 渲染、trace 事件类型） - [@apollo-mg](https://github.com/apollo-mg)（上下文压缩修复、采样参数） - [@tizerluo](https://github.com/tizerluo)（onPlanReady、onAgentStream） - [@CodingBangboo](https://github.com/CodingBangboo)（planOnly 模式） - [@Xin-Mai](https://github.com/Xin-Mai)（output schema 验证） - [@JasonOA888](https://github.com/JasonOA888)（AbortSignal 支持） - [@EchoOfZion](https://github.com/EchoOfZion)（简单目标跳过 Coordinator） - voidborne-d（OpenAI 混合内容修复、text-tool-extractor 深度修复） - [@NamelessNATM](https://github.com/NamelessNATM)（agent 委派基础实现） - [@MyPrototypeWhat](https://github.com/MyPrototypeWhat)（reasoning blocks、reasoning_effort、采样参数对齐、trace 输入输出） - [@SiMinus](https://github.com/SiMinus)（流式 reasoning 事件） - [@matthewYang08](https://github.com/matthewYang08)（OpenAI reasoning 转文本回退） - [@dvirarad](https://github.com/dvirarad)（OpenAI 系列 adapter 健壮性） - [@cat0825](https://github.com/cat0825)（model routing 策略、plan 重放、结构化共享记忆 handoff） - [@mvanhorn](https://github.com/mvanhorn)（checkpoint & resume） **Provider 集成** - [@ibrahimkzmv](https://github.com/ibrahimkzmv)（Gemini） - [@hkalex](https://github.com/hkalex)（DeepSeek、MiniMax） - [@marceloceccon](https://github.com/marceloceccon)（Grok） - [@Klarline](https://github.com/Klarline)（Azure OpenAI） - [@Deathwing](https://github.com/Deathwing)（GitHub Copilot） - [@JackChiang233](https://github.com/JackChiang233)（Qiniu） - [@CodingBangboo](https://github.com/CodingBangboo)（AWS Bedrock） - [@kidoom](https://github.com/kidoom)（MiMo、Doubao） - [@KaitlynFeng](https://github.com/KaitlynFeng)（Hunyuan） - [@octo-patch](https://github.com/octo-patch)（MiniMax-M3 模型升级） **示例与 Cookbook** - [@mvanhorn](https://github.com/mvanhorn)（研究聚合、代码评审、会议总结、Groq 示例、Mistral 示例） - [@Kinoo0](https://github.com/Kinoo0)（代码评审升级） - [@Optimisttt](https://github.com/Optimisttt)（研究聚合升级） - [@Agentscreator](https://github.com/Agentscreator)（Engram 记忆集成） - [@fault-segment](https://github.com/fault-segment)（合同审查 DAG） - [@HuXiangyu123](https://github.com/HuXiangyu123)（分级成本示例） - [@zouhh22333-beep](https://github.com/zouhh22333-beep)（翻译/回译） - [@pei-pei45](https://github.com/pei-pei45)（竞品监测） - [@mmjwxbc](https://github.com/mmjwxbc)（面试模拟器） - [@binghuaren96](https://github.com/binghuaren96)（事故复盘 DAG） - [@DaiMao-UT](https://github.com/DaiMao-UT)（论文复现分诊） - [@oooooowoooooo](https://github.com/oooooowoooooo)（罕见病信息分诊） - [@CodingBangboo](https://github.com/CodingBangboo)（Express 客服流水线） - [@nuthalapativarun](https://github.com/nuthalapativarun)（Doubao、Zhipu provider 示例） - [@goodneamtakenbydogs](https://github.com/goodneamtakenbydogs)（Moonshot、Qwen provider 示例） - [@suans4746-del](https://github.com/suans4746-del)（叙事谜题提示仲裁） - [@gregkonush](https://github.com/gregkonush)（Bilig WorkPaper MCP 集成） **文档与测试** - [@tmchow](https://github.com/tmchow)（llama.cpp 文档） - [@kenrogers](https://github.com/kenrogers)（OpenRouter 文档） - [@jadegold55](https://github.com/jadegold55)（LLM adapter 测试覆盖） - [@btroops](https://github.com/btroops)（DeepSeek 工具调用测试） - [@nuthalapativarun](https://github.com/nuthalapativarun)（上下文管理文档） - [@Oxygen56](https://github.com/Oxygen56)（errors.ts 测试、Grok/DeepSeek/Doubao provider 文档） - [@RheagalFire](https://github.com/RheagalFire)（LiteLLM 网关文档）

## 许可证 MIT