2026 年的 AI 编程工具生态中，单模型 CLI 已不再是终点。围绕 Claude Code 和 OpenCode 两大基座，分别涌现出 oh-my-claudecode（OMC） 和 oh-my-openagent（OmO） 两个重量级多 Agent 编排框架。两者 GitHub star 数合计超过 9 万，代表了当前 Agentic Coding 编排层的两种核心思路：单模型深度增强 vs 多模型原生编排。

本文从架构设计、核心功能、安装配置、实际使用等维度展开系统对比，并提供可直接上手的实用教程。

项目概览

维度	oh-my-claudecode (OMC)	oh-my-openagent (OmO)
GitHub Stars	33.7k	57.6k
基座平台	Claude Code（Anthropic）	OpenCode
主语言	TypeScript 58% / JS 40%	TypeScript 93%
许可证	MIT	SUL-1.0
最新版本	v4.13.7 (2026-05-09)	v4.1.1 (2026-05-13)
npm 包名	oh-my-claude-sisyphus	oh-my-opencode / oh-my-openagent
核心定位	Teams-first Multi-agent orchestration for Claude Code	Multi-model agent harness for OpenCode
创建者	Yeachan Heo	code-yeongyu

设计哲学对比

OMC：零学习曲线的 Claude 增强

OMC 的核心主张是 “Don’t learn Claude Code. Just use OMC.” 在 Claude Code 生态内部做深度增强，通过 19 个专业 Agent、智能模型路由（Haiku 处理简单任务，Opus 处理复杂推理）和魔法关键词触发机制，将多 Agent 编排的复杂性隐藏在自然语言交互之下。

设计假设：Claude 系列模型已足够强大，编排层的核心价值在于将单一模型的能力最大化——通过 Agent 专业化分工、持久化执行循环和自动验证机制来实现。

OmO：多模型原生编排

OmO 的 Ultrawork 宣言开宗明义：“human intervention during agentic work represents system failure”（人类在 Agent 工作中的干预代表系统故障）。设计理念建立在一个核心判断之上——没有任何单一 AI 供应商能在所有任务类型上保持最优，因此需要根据任务特征将工作路由到最合适的模型。

设计假设：不同模型有不同的认知特长（Claude 擅长结构化输出、GPT 擅长显式推理、Gemini 擅长视觉任务），编排层的核心价值在于跨模型协调——通过分类路由、后备链和累积学习来实现。

架构对比

OMC 的双表面架构

OMC 在两个运行表面上提供能力：

┌─────────────────────────────────────────┐
│           Claude Code Session            │
│                                          │
│  ┌──────────┐  ┌──────────┐  ┌────────┐│
│  │ /team    │  │ /ralph   │  │ /ccg   ││
│  │ Pipeline │  │ Loop     │  │ Tri-AI ││
│  └────┬─────┘  └────┬─────┘  └───┬────┘│
│       │              │            │      │
│  ┌────▼──────────────▼────────────▼────┐│
│  │      19 Specialized Agents          ││
│  │   (architect, executor, designer,   ││
│  │    verifier, explorer, writer...)   ││
│  └─────────────────────────────────────┘│
└─────────────────────────────────────────┘

┌─────────────────────────────────────────┐
│           Terminal CLI (omc)             │
│                                          │
│  omc team 2:codex "..."                  │
│  omc team 2:gemini "..."                 │
│  omc team 1:claude "..."                 │
│       │                                  │
│  ┌────▼─────────────────────────────┐   │
│  │    tmux Worker Panes             │   │
│  │  ┌───────┐ ┌───────┐ ┌────────┐ │   │
│  │  │Claude │ │Codex  │ │Gemini  │ │   │
│  │  │ CLI   │ │ CLI   │ │ CLI    │ │   │
│  │  └───────┘ └───────┘ └────────┘ │   │
│  └──────────────────────────────────┘   │
└─────────────────────────────────────────┘

Session 内通过插件系统运行 Agent 编排（team 管道、ralph 循环等）；CLI 层通过 tmux 进程隔离的方式启动 Codex、Gemini 等第三方 CLI 工作节点。两个表面共享 skill 系统和状态存储。

Team 模式的执行管道：plan → prd → exec → verify → fix（循环）。

OmO 的三层架构

OmO 采用规划-执行-工作三层分离的设计：

┌─────────── Planning Layer ──────────────┐
│                                          │
│  Prometheus ──→ Metis ──→ Momus         │
│  (规划)        (缺口检测)   (验证)       │
│                                          │
│  Output: 50-200 行详细执行计划            │
└────────────────┬─────────────────────────┘
                 │
┌────────────────▼─────────────────────────┐
│           Execution Layer                 │
│                                           │
│  Atlas (指挥官)                           │
│  - 读取计划，分配任务                      │
│  - 不直接写代码                            │
│  - 累积学习：conventions / gotchas         │
│  - 验证每个子任务结果                      │
└────────┬───────┬───────┬─────────────────┘
         │       │       │
┌────────▼──┐ ┌──▼────┐ ┌▼──────────────┐
│Sisyphus-Jr│ │Oracle │ │visual-engineer │
│(执行)     │ │(架构) │ │(前端)          │
│           │ │       │ │               │
│ Category  │ │ Read  │ │ Gemini 3.1    │
│ Routing:  │ │ Only  │ │ Pro           │
│ deep/quick│ │       │ │               │
│ /ultrabrain│ │      │ │               │
└───────────┘ └───────┘ └───────────────┘

关键设计约束：Prometheus 只能写 Markdown 计划，Atlas 不能写代码，Junior 不能委托——严格的角色隔离防止职责混淆。

架构差异的本质

维度	OMC	OmO
模型策略	Claude 为主，Codex/Gemini 为辅助	多模型平等，按分类路由
Agent 命名	功能导向（executor, verifier）	神话导向（Sisyphus, Prometheus）
角色隔离	软隔离（Agent 类型区分）	硬隔离（工具级权限限制）
上下文管理	Session 内压缩 + 技能注入	累积学习 + boulder.json 持久化
多模型实现	进程级（tmux 独立 CLI）	API 级（分类路由到不同模型）

核心功能特性对比

Agent 系统

OMC 提供 19 个专业 Agent，按层级变体覆盖架构、研究、设计、测试、数据科学等领域。通过智能模型路由自动选择 Haiku（轻量任务）或 Opus（复杂推理），官方声称节省 30-50% token 开销（此数据来自项目方自身，未经第三方验证）。

OmO 采用命名 Agent 体系，每个 Agent 绑定特定模型并调优：

Agent	绑定模型	职责
Sisyphus	Claude Opus 4-7 / Kimi K2.6 / GLM-5.1	主编排器
Hephaestus	GPT-5.5	自主深度执行
Prometheus	Claude Opus 4-7 / Kimi K2.6	战略规划
Oracle	—	架构与调试（只读）
Atlas	—	执行指挥与验证

编辑系统

OMC 使用 Claude Code 原生的编辑工具。

OmO 独创了 Hashline 哈希锚定编辑 系统——每行代码标记内容哈希（LINE#ID），Agent 编辑时引用这些标记，如果文件已变更则哈希不匹配、编辑被拒绝。官方基准测试显示 Grok Code Fast 1 模型的编辑成功率从 6.7% 提升到 68.3%（此数据来自 OmO 项目 README，属单一来源）。

团队模式

OMC Team 管道（v4.1.7 起为标准编排模式）：

分阶段执行：plan → prd → exec → verify → fix（循环）
支持 Claude/Codex/Gemini CLI 混合工作节点
需要启用实验性 Agent Teams 功能

OmO Team 模式（v4.0，可选启用）：

最多 8 个并行成员
tmux 实时可视化（focus + grid 窗口布局）
内置团队技能：hyperplan（5 个敌对 Agent 审查计划）、security-research（3 个漏洞猎手 + 2 个 PoC 工程师）

Skill 系统

两者都支持可复用的 skill 机制：

维度	OMC	OmO
存储路径	`.omc/skills/` (项目) / `~/.omc/skills/` (用户)	`.opencode/skills/*/SKILL.md`
触发方式	关键词自动注入 + 斜杠命令	关键词自动注入
内置 skill	git-master, frontend-ui-ux 等	playwright, git-master, frontend-ui-ux
特色	`/skillify` 自动提取模式	skill 自带 MCP 服务器（按需启停）
管理命令	`/skill list\\|add\\|remove\\|edit\\|search`	类似

OmO 的 skill-embedded MCP 是一个差异化设计：每个 skill 可以携带自己的 MCP 服务器，按需启动、任务结束后关闭，避免常驻 MCP 占用上下文窗口。

内置 MCP 与工具链

OMC 在 v4.4.0 移除了 Codex/Gemini MCP 服务器，转向 tmux CLI 工作节点方案。内置 LSP 工具（rename、goto definition、find references、diagnostics）和 AST-Grep。

OmO 默认启用三个 MCP 服务器：

MCP	功能
Exa	Web 搜索
Context7	官方文档查询
Grep.app	GitHub 代码搜索

同样内置 LSP 和 AST-Grep 工具。

执行模式汇总

模式	OMC	OmO
团队编排	`/team`（分阶段管道）	Team Mode（并行成员）
持久执行	`/ralph`（verify/fix 循环）	Ralph Loop / `ulw-loop`
最大并行	`/ultrawork`	`ultrawork` / `ulw`
自主执行	`/autopilot`	内置于 ultrawork
三模型合成	`/ccg`（Claude+Codex+Gemini）	通过分类路由实现
需求澄清	`/deep-interview`（苏格拉底式提问）	Prometheus 访谈模式
计划共识	`/ralplan`	`hyperplan`（5 Agent 对抗审查）

安装与配置教程

OMC 安装

前置条件

Claude Code CLI（需要 Claude Max/Pro 订阅或 Anthropic API key）
tmux（Team 模式和限流检测必需）
可选：Gemini CLI、Codex CLI（多模型编排）

方法一：插件市场（推荐）

在 Claude Code session 中依次执行：

1 2	`/plugin marketplace add https://github.com/Yeachan-Heo/oh-my-claudecode /plugin install oh-my-claudecode`

方法二：npm 全局安装

1	`npm i -g oh-my-claude-sisyphus@latest`

初始化设置

# session 内
/setup
# 或
/omc-setup

# 终端
omc setup

启用 Team 模式

编辑 ~/.claude/settings.json：

{
  "env": {
    "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  }
}

可选：多模型支持

1 2	`npm install -g @google/gemini-cli # Gemini CLI npm install -g @openai/codex # Codex CLI`

三个 Pro 计划（Claude + Gemini + ChatGPT）月费约 $60。

OmO 安装

前置条件

OpenCode（OmO 是 OpenCode 的插件）
tmux（Team Mode 和交互式终端必需）
推荐订阅：ChatGPT ($20) + Kimi Code ($19) + GLM Coding ($10)

安装方式

将以下提示粘贴到 LLM Agent 中（Claude Code、AmpCode、Cursor 均可）：

1 2	`Install and configure oh-my-openagent by following the instructions here: https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/refs/heads/dev/docs/guide/installation.md`

手动安装参考 docs/guide/installation.md。

诊断检查

1	`bunx oh-my-opencode doctor`

验证插件注册、配置、模型和环境是否正常。

配置文件位置

作用域	路径
用户级	`~/.config/opencode/oh-my-openagent.jsonc`
项目级	`.opencode/oh-my-openagent.jsonc`

支持 JSONC 格式（允许注释和尾逗号）。

分类路由配置示例

{
  "categories": {
    "visual-engineering": {
      "model": "google/gemini-3.1-pro",
      "variant": "high",
      "description": "Frontend, UI/UX, design"
    },
    "ultrabrain": {
      "model": "openai/gpt-5.5",
      "variant": "xhigh",
      "description": "Deep logical reasoning"
    },
    "quick": {
      "model": "openai/gpt-5.4-mini",
      "description": "Trivial tasks, typo fixes"
    }
  }
}

实际使用场景对比

场景一：修复 TypeScript 类型错误

OMC 方式：

# 一句话触发
/team 3:executor "fix all TypeScript errors"

# 或使用魔法关键词
ulw fix all TypeScript type errors in src/

Team 管道自动执行：分析错误 → 制定修复计划 → 并行执行 → 验证通过。

OmO 方式：

# 触发 ultrawork
ulw fix all TypeScript errors

# Sisyphus 自动将任务分类为 quick/deep，
# 路由到对应模型并行执行

Sisyphus 按错误复杂度分类，简单类型错误路由到 GPT-5.4 Mini（快速），复杂架构级类型问题路由到 GPT-5.5 xhigh（深度推理）。

场景二：全栈功能开发

OMC 方式：

# 先用 deep-interview 澄清需求
/deep-interview "add user authentication with OAuth2"

# 苏格拉底式提问完成后，启动 team 执行
/team 3:executor "implement the OAuth2 auth plan"

执行流程：deep-interview 暴露隐藏假设 → team plan 阶段生成执行计划 → executor Agent 并行实现 → verifier 自动验证。

OmO 方式：

# 按 Tab 键进入 Prometheus 模式
# Prometheus 自动进入访谈模式

# 规划完成后
/start-work

# Atlas 接管，分配子任务给不同模型
# 前端 → Gemini 3.1 Pro (visual-engineering)
# 后端逻辑 → GPT-5.5 (ultrabrain)
# 简单配置 → GPT-5.4 Mini (quick)

场景三：代码审查与安全审计

OMC 方式：

# CLI 方式，启动 Codex 和 Gemini 并行审查
omc team 2:codex "review auth module for security issues"
omc team 1:gemini "check UI components for accessibility"

# 或 session 内三模型合成
/ccg review the payment module for security vulnerabilities

OmO 方式：

# 使用团队技能
# hyperplan: 5 个敌对 Agent 从不同角度审查
# security-research: 3 漏洞猎手 + 2 PoC 工程师

# Team Mode 下自动编排安全审计流水线

选型决策指南

选 OMC 的场景

已经深度使用 Claude Code：OMC 是 Claude Code 的原生插件，零迁移成本
Claude 模型满足需求：如果项目主要需要的能力（代码生成、推理、测试）Claude 都能覆盖，OMC 的深度增强比多模型切换更高效
追求简单上手：插件市场一键安装，魔法关键词即用，不需要配置多个 API key
MIT 许可证需求：OMC 采用 MIT 许可，对商业使用更友好
需要 Telegram/Discord/Slack 通知：OMC 内置完整的通知系统

选 OmO 的场景

需要真正的多模型编排：前端用 Gemini、逻辑用 GPT、文档用 Claude——按任务特征自动路由
已经使用 OpenCode：OmO 是 OpenCode 的原生增强
对编辑可靠性要求高：Hashline 哈希锚定编辑显著减少了编辑失败率
需要跨模型后备链：当首选模型不可用时，自动切换到下一个可用模型
需要累积学习：每个子任务的经验教训自动传递给后续任务，避免重复犯错
更大的社区生态：57.6k stars，66+ 衍生项目，多语言 README

两者的共同局限

复杂性税：多 Agent 编排引入额外的 token 消耗和延迟。简单任务直接使用基座工具可能更高效
平台绑定：OMC 绑定 Claude Code，OmO 绑定 OpenCode。选择任一都意味着一定程度的平台锁定
性能数据缺乏第三方验证：两个项目的效率提升数字（OMC 的 “30-50% token 节省”、OmO 的 “6.7%→68.3% 编辑成功率”）均为自我宣称
tmux 依赖：两者的高级功能（团队模式、多模型工作节点）都依赖 tmux，在纯 IDE 集成场景下存在摩擦

结论

OMC 和 OmO 代表了 Agentic Coding 编排层的两条路线。OMC 选择在 Claude 生态内做纵深——用 19 个专业 Agent 和多种执行模式榨取单一模型族的最大价值；OmO 选择横向展开——用分类路由和三层架构将不同模型的认知特长组合成一个协作系统。

两者并非互斥。技术选型的核心考量不在于哪个"更好"，而在于：当前的工作流是需要单一模型的深度能力，还是需要多模型的互补组合。对于已经在 Claude Code 生态中的团队，OMC 是阻力最小的增强路径；对于追求模型多样性和自动路由的团队，OmO 提供了更完整的多模型编排方案。

参考来源

oh-my-claudecode GitHub — v4.13.7, 33.7k stars, 2026-05-09
oh-my-openagent GitHub — v4.1.1, 57.6k stars, 2026-05-13
OmO Orchestration Guide
OmO Configuration Reference
OmO Ultrawork Manifesto