Open Multi-Agent: Goal-Driven Multi-Agent Orchestration for TypeScript

Source: GitHub — open-multi-agent/open-multi-agent (★6.5k, TypeScript, MIT) Launched: 2026-04-01 (MIT) 核心定位: TypeScript 多智能体编排框架，从目标到任务 DAG，自动分解、自动并行、自动合成

核心洞察

与大多数需要预先设计图结构的框架不同，OMA 的 Coordinator Agent 在运行时动态将目标分解为任务 DAG。这是关键架构差异：

传统 approach:   工程师设计图 → 执行器运行
OMA approach:    工程师描述目标 → Coordinator 动态分解为 DAG → 确定性调度器执行

架构设计

User Goal
  ↓
Coordinator Agent (LLM-based)
  ↓  decomposes
Task DAG (JSON plan — inspectable & replayable)
  ↓
Deterministic Scheduler
  ├── Agent A (task 1) ──┐
  ├── Agent B (task 2) ──┤ parallel (independents)
  ├── Agent C (task 3) ──┘
  └── Synthesizer → final result

核心概念

组件	职责
Coordinator	LLM agent 将目标分解为任务 DAG，分配依赖和并行边界
Deterministic Scheduler	执行任务 DAG，保证可重现
MemoryStore	默认内置 + 可插拔后端（共享内存、检查点/恢复）
Context Management	滑动窗口、摘要、压缩、自定义压缩器
Consensus	`runConsensus` 提议→评判原语 + per-task verify hook

与传统框架的对比

对比维度	OMA	LangGraph JS	Mastra	CrewAI
语言	TypeScript	TypeScript	TypeScript	Python
图定义方式	运行时自动生成	预先声明	手动编排	手动编排
并行化	自动（DAG 调度）	需手动设计	需手动设计	需手动设计
核心依赖	3 个	较重	中等	中等
模型支持	多模型（包括 local）	多模型	多模型	多模型

关键特性

Plan Preview & Replay: 可用 planOnly 预览 Coordinator 的任务 DAG，用 createPlanArtifact 冻结，再用 runFromPlan 精确重现
Model Routing: opt-in 策略 — 按 phase/agent/role/priority 匹配不同模型，优先规则
Observability: onProgress 事件、onTrace spans、post-run dashboard
MCP 集成: 可插拔 MCP 工具连接
共享记忆: 默认 MemoryStore + 自定义后端（支持跨 agent 状态共享）

内置的 Consensus 机制

OMA 的 runConsensus 提供了一种 agent 间达成一致的 primitive：

Proposer 提出方案
Judge 评估
预算上限保证终止
per-task verify hook 可添加验证条件

这是一个比简单投票更灵活的共识模式。

与已有研究的关系

该项目与 gbrain 中已有的 research/2026-multi-agent-orchestration-patterns 中的 Supervisor/Orchestrator 模式高度吻合。OMA 的 Coordinator 模式可以作为 Supervisor 模式的 TypeScript 参考实现。

技术细节

安装: npm create oma-app@latest 或 npm install @open-multi-agent/core
模型: Anthropic、OpenAI、OpenAI-compatible endpoints、Gemini、Bedrock、Ollama
Ollama 本地模型: 零 API key 可用
许可证: MIT

知识库

探索

Open Multi-Agent: TypeScript 原生目标驱动编排框架