MCP connect

OmniCoreAgent

Open Python Agent Harness and Runtime for Production AI Agents

Everything around the model: parallel tool batches, structured observations, loop detection, memory, workspace files, MCP tools, subagents, background tasks, and serving.

Quick Start - Choose Your Path - What Makes It Different - Install - Cookbook - Features - Docs

______________________________________________________________________

快速开始

pip install omnicoreagent

export LLM_API_KEY=your_api_key

import asyncio
from omnicoreagent import OmniCoreAgent

agent = OmniCoreAgent(
    name="assistant",
    system_instruction="You are a helpful assistant.",
    model_config={"provider": "openai", "model": "gpt-4o"},
)

async def main():
    result = await agent.run("Research the top 3 open-source agent runtimes and summarize them.")
    print(result["response"])
    await agent.cleanup()

asyncio.run(main())

这是最小的路径：一个代理、一个模型、线束循环、会话内存， 护栏、工作区文件、错误处理和每次运行的指标。

上下文管理、工具输出卸载、BM25工具检索、子代理、技能、， 云工作区存储和生产后端是可选择的，因此一个小型代理可以保留 小。

准备好更深入了吗？这 食谱 有进步的例子 hello world到生产部署。

______________________________________________________________________

选择你的道路

______________________________________________________________________

是什么让它与众不同

大多数代理库都停留在“LLM+工具循环”上。OmniCoreAgent是围绕 之后出现的运行时问题：顺序工具速度慢、噪音大 观察、卡住循环、上下文耗尽、MCP服务器工具、耐用 工作空间文件和运行时服务。

1.代理分批调用工具，而不是强制序列

通常的工具循环如下：

LLM -> call tool A -> wait -> result -> LLM -> call tool B -> wait -> result

OmniCoreAgent允许模型一起请求独立的工具：

LLM -> [tool A + tool B + tool C in parallel] -> one structured observation -> LLM

模型在再次推理之前会获得批次的一个完整视图。A失败了 工具显示在成功的工具旁边，而不是默默地折叠 整个步骤。

本机函数调用本身不是运行时。OmniCoreAgent使用自己的 工具调用契约、解析器、解析器、并行运行器和结果格式化器 线束控制整个执行路径。

2.工具结果变成结构化观察

原始工具输出通常太嘈杂，无法进行下一步推理。大有效载荷， 错误、无关字段和提示注入内容都会扭曲循环。

OmniCoreAgent通过观察管道路由工具结果：

tool output -> parse -> format -> guardrail check -> offload when configured -> observation -> model

模型接收继续任务所需的信号，而不是无限转储 工具返回的每个字节。启用刀具卸载时，输出量大 被写入活动工作区，模型收到可读的预览 加上它以后可以使用的路径。

3.循环检测使用超出步数的签名

max_steps 它仍然有用，但它是一种钝器。它阻止了一个代理人 正在取得进展，就像陷入困境一样快。

OmniCoreAgent在整个循环中跟踪SHA256支持的工具调用签名。每 签名基于调用的工具名称、输入和输出。运行时 检测：

• 连续循环：同一个工具调用重复返回相同的结果。
• 图案循环：同一个工具重复一个小的交互模式。

当线束停止循环时，代理会得到一个原因。这使得调试 代理行为比“达到最大迭代次数”容易得多

4.线束已经组装好

OmniCoreAgent作为可工作的代理工具发货，而不是一袋断开连接的部件：

model + prompt + loop + tools + memory + context + workspace + guardrails + events

对于简单的特工，保持其较小的尺寸，然后在出现以下情况时打开较重的安全带 工作量需要他们：MCP工具、BM25工具检索、动态子代理、技能、， 云工作空间存储、Redis/Postgres/MongoDB内存、事件流和 OmniServe。

5.在模型调用之前管理上下文

启用上下文管理后，OmniCoreAgent会检查活动消息 每次LLM请求前的历史记录。如果超过配置的阈值 在调用模型之前，harness会自动应用所选策略：

messages -> threshold check -> truncate or summarize+truncate -> LLM

系统提示被保留，最近的消息被保留，旧的中间 根据配置，历史记录会被总结或删除。如果你设置 如果预算低于模型的实际上下文窗口，则线束将在 提供者拒绝了该请求。

______________________________________________________________________

在行动中看到它

import asyncio
from omnicoreagent import MemoryRouter, OmniCoreAgent, ToolRegistry

tools = ToolRegistry()

@tools.register_tool("search_web")
def search_web(query: str) -> dict:
    """Search the web for information."""
    return {"results": [f"Result for: {query}"]}

@tools.register_tool("read_file")
def read_file(path: str) -> dict:
    """Read a local project file."""
    return {"path": path, "content": f"Contents of {path}"}

agent = OmniCoreAgent(
    name="research-agent",
    system_instruction=(
        "You are a research assistant. Use tools in parallel when the calls are "
        "independent and you can reason over the results together."
    ),
    model_config={"provider": "openai", "model": "gpt-4o"},
    local_tools=tools,
    memory_router=MemoryRouter("in_memory"),
    agent_config={
        "max_steps": 20,
        "context_management": {"enabled": True},
        "tool_offload": {"enabled": True},
        "enable_subagents": True,
        "enable_advanced_tool_use": True,
    },
)

async def main():
    result = await agent.run(
        "Search for recent AI agent papers and read notes.md. Do both at once "
        "if neither depends on the other."
    )
    print(result["response"])
    await agent.cleanup()

asyncio.run(main())

运行时接受 search_web 和 read_file 在同一批中，返回两者 将结果放在一起，并从一个结构化的观察中继续。

______________________________________________________________________

只安装您需要的东西

pip install omnicoreagent                    # Core runtime
pip install "omnicoreagent[redis]"           # Redis memory + event streams
pip install "omnicoreagent[postgres]"        # PostgreSQL / SQL memory
pip install "omnicoreagent[mongodb]"         # MongoDB memory
pip install "omnicoreagent[s3]"              # S3 / R2 workspace storage
pip install "omnicoreagent[serve]"           # OmniServe REST/SSE API
pip install "omnicoreagent[all]"             # Everything

生产后端是可安装的额外组件。仅安装代理实际安装的内容 使用。

______________________________________________________________________

特性

______________________________________________________________________

实施图

OmniCoreAgent的功能由具体的运行时模块支持：

看 Agent Harness文档 查看完整的实施图。

______________________________________________________________________

食谱

所有的例子都在 食谱 并按用例进行组织。

______________________________________________________________________

配置

环境变量

对于第一次运行，大多数托管模型提供程序只需要 LLM_API_KEY. OmniCoreAgent默认内存和事件为内存存储，工作区文件为 在配置之前，本地磁盘和可选的生产集成将保持关闭状态 他们。

export LLM_API_KEY=your_api_key

仅当您选择使用Redis、MongoDB、SQL时，才添加后端特定变量 数据库存储、S3、R2或OmniServe部署设置。

完整线束配置示例

默认设置使第一个代理保持较小：工作区文件和护栏打开， 对话记忆在记忆中，高级安全带会一直关闭，直到 你启用它们。此示例显示了生产样式的切换。

agent_config = {
    "max_steps": 15,
    "tool_call_timeout": 30,
    "request_limit": 0,                  # 0 = unlimited
    "total_tokens_limit": 0,             # 0 = unlimited
    "memory_config": {
        "mode": "sliding_window",
        "value": 10000,
        "summary": {"enabled": False},
    },
    "enable_workspace_files": True,      # Default on
    "guardrail_mode": "full",            # Default
    "context_management": {"enabled": True},  # Default off
    "tool_offload": {"enabled": True},        # Default off
    "enable_advanced_tool_use": True,         # Default off
    "enable_subagents": True,                 # Default off
    "enable_agent_skills": True,              # Default off
}

当 enable_subagents 如果为true，工作区文件将自动启用，因此 子代理将输出、笔记、待办事项和工件写入活动 工作空间。

完整参考： 配置指南

______________________________________________________________________

发展

git clone https://github.com/omnirexflora-labs/omnicoreagent.git
cd omnicoreagent

uv venv && source .venv/bin/activate
uv sync --dev

pytest tests/ -v
pytest tests/ --cov=src --cov-report=term-missing

______________________________________________________________________

故障排除

更多帮助： 基本使用指南

______________________________________________________________________

贡献

git clone https://github.com/omnirexflora-labs/omnicoreagent.git
cd omnicoreagent

uv venv && source .venv/bin/activate
uv sync --dev
pre-commit install

看 贡献.md 作为指导方针。欢迎PR。

______________________________________________________________________

许可证

麻省理工学院-见 许可证.

______________________________________________________________________

作者

建造于 阿比奥拉·阿德希纳.

• GitHub: @Abiorh001
• X（推特）: @芒果
• 电子邮件: abiolaadedayo1993@gmail.com

OmniRexFlora生态系统

建立在

______________________________________________________________________

Star on GitHub - Report Bug - Request Feature - Documentation