Open Multi-Agent: ein TypeScript-Framework, das Aufgaben-Graphen zur Laufzeit plant

Beschreibe das Ziel, nicht den Graphen

Open Multi-Agent ist ein TypeScript-Orchestrierungs-Framework für KI-Agenten, das in einer Node.js-Anwendung läuft. Der Slogan im README lautet: Beschreibe das Ziel, nicht den Graphen. Statt einen Workflow Knoten für Knoten zu verfassen, übergibt der Entwickler ein Ziel an einen Koordinator, der zur Laufzeit einen Aufgaben-DAG aufbaut. Ein deterministischer Scheduler führt diesen DAG dann über ein Team von Agenten aus, und der abgeschlossene Lauf wird als Daten gespeichert, die geprüft, genehmigt und wiedergegeben werden können. Das README verortet das Projekt auf der Orchestrierungsebene, zwischen einem Graph-First-Framework, bei dem jeder Knoten vorab verfasst wird, und einem LLM-Toolkit für einen einzelnen Agentenaufruf.

Wie ein Lauf geplant und ausgeführt wird

Die zentrale API ist runTeam(), die ein Agententeam und ein Ziel entgegennimmt. Im Beispiel des README wird ein Team mit zwei Agenten erstellt, einem Researcher und einem Analysten, Shared Memory wird aktiviert, und das Ziel "Vergleiche drei Ansätze und empfehle einen" wird übergeben. In diesem Code wird kein Aufgaben-Graph deklariert; der Koordinator plant ihn zur Laufzeit. Das Framework bietet außerdem runAgent() für einen einzelnen Agenten und runTasks() für eine explizite Pipeline. Das Ergebnisobjekt legt die Aufgabenliste mit Status, Beauftragtem und Abhängigkeiten offen, dazu die Ausgabe des Koordinators und die Gesamtzahl der Tokens.

Erste Schritte

Das README listet Node.js 20 oder neuer als Voraussetzung auf. Es gibt zwei Einstiegswege. Der erste erstellt ein neues Projekt mit `npm create oma-app@latest my-oma`; in einem interaktiven Terminal wählt dieser Befehl einen Starter und eine Laufzeit, installiert Abhängigkeiten und führt eine deterministische lokale Demo aus, die keinen API-Schlüssel benötigt und keine Modellanfrage stellt, weil skriptgesteuerte Modellantworten den echten Scheduler, die Ergebnisaggregation und das Offline-Dashboard antreiben. Der zweite fügt das Kernpaket zu einem bestehenden Backend hinzu mit `npm install @open-multi-agent/core` und setzt dann OPENAI_API_KEY, um das Beispiel auszuführen. Die Dokumentation behandelt auch andere gehostete Modelle, lokale Server, OpenAI-kompatible Endpunkte und AI-SDK-Anbieter.

Kontrolle, Wiederherstellung und Budgets

Das README listet mehrere Kontroll- und Zuverlässigkeitsfunktionen auf. Pläne und einzelne Zuweisungen können vor der Ausführung geprüft und genehmigt werden, und genehmigte Pläne können für die Wiedergabe eingefroren werden. Wenn die Topologie nicht abweichen darf, können erforderliche Rollen und Reihenfolgen deklariert werden, und Ausgaben können durch Multi-Agenten-Konsens verifiziert werden. Unterbrochene Läufe werden von Checkpoints aus fortgesetzt, oder das Framework kann sich für eine append-only Planreparatur an Aufgaben-Ergebnisgrenzen entscheiden. Wiederholungen, Timeouts, Schleifenerkennung sowie Token- und Kostenbudgets halten die Ausführung begrenzt. Das README quantifiziert nicht, wie diese Funktionen in der Produktion abschneiden; es beschreibt nur ihre Existenz.

Beobachtbarkeit und Auswertung

Jeder Lauf trägt eine stabile Identität, Ausführungsbelege und Traces. Der integrierte Offline-Run-Viewer spielt den Aufgaben-DAG und ein Span-Wasserfalldiagramm ab und zeigt für jede Aufgabe Status, Beauftragten, Tokens und Tool-Aufrufe. Ein optionaler OpenTelemetry-Adapter exportiert Traces in einen zentralen Monitoring-Stack, und dieselben Aufzeichnungen speisen versionierte EvalSets, Offline-Berichte, CI-Gates und Produktions-Sampling. Das README merkt an, dass Kernnutzer Traces lokal speichern und mit dem Run Viewer prüfen können und dass das OTel-Paket nur nötig ist, wenn Traces im selben Überwachungssystem wie der Rest der Anwendung erscheinen sollen.

Laufzeit und Anbieter

Das Framework unterstützt mehrere Ausführungs-Backends. Process- und ACP-Backends setzen Claude Code, Gemini CLI und Codex auf denselben Aufgaben-DAG, denselben Shared Memory und dieselben Budgets wie LLM-Agenten. Cloud- und lokale Modelle können gemischt werden, mit nativ integrierten chinesischen Anbietern, OpenAI-kompatiblen Endpunkten und AI-SDK-Anbietern, dazu ein Fallback-Parser für lokale Modelle, die Tool-Aufrufe als Text ausgeben. Das README sagt, dass das Projekt auf eigener Infrastruktur und mit eigenen Anmeldedaten läuft, lokal, offline oder in einer abgeschotteten Umgebung, dokumentiert aber nicht, wie der abgeschottete Betrieb verifiziert wurde.

Ökosystem und Lizenz

Das README nennt fünf bekannte Nutzer und fünf Integrationen. Zu den Nutzern gehören eine WordPress-Sicherheitsanalyseplattform, ein Mitwirkender, der OMA vollständig offline auf lokalen quantisierten Modellen betreibt, ein KI-Pull-Request-Review-Assistent, ein Terminal-KI-Codierungsassistent und ein Studio, das Dokumente in Diagramme umwandelt. Zu den Integrationen gehören ein Speichersynchronisationsdienst, ein Sidecar zur Erkennung von Delegationszyklen über Läufe hinweg, ein agentisches Codierungsgerüst, ein Formel-Arbeitsmappen-MCP-Server und ein HTTP-Adapter. Das Projekt wird als drei Pakete verteilt: @open-multi-agent/core, @open-multi-agent/otel und create-oma-app. Es wurde am 2026-04-01 unter der MIT-Lizenz veröffentlicht, die Rechte zur Nutzung, Vervielfältigung, Änderung, Zusammenführung, Veröffentlichung, Verteilung, Unterlizenzierung und zum Verkauf der Software gewährt, sie aber wie sie ist ohne Gewährleistung bereitstellt. Das README enthält keine Angaben zu Sicherheitszertifizierungen, Supportgarantien oder Benchmark-Ergebnissen.

Redaktionelles Fazit

Das README präsentiert Open Multi-Agent als Orchestrierungsebene für TypeScript-Teams, die Aufgaben-Graphen zur Laufzeit aus Zielen entstehen lassen wollen, mit Kontroll-, Beobachtbarkeits- und Wiederherstellungsfunktionen für den Produktionsbetrieb, veröffentlicht unter der MIT-Lizenz.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes