Omnigent | Meta-Harness AI Agent

รวม Agentic coding ให้อยู่ในที่เดียวกันได้ยังไง และผมใช้มันแล้วเป็นยังไงบ้าง

ไหนใครมี Subscription เจ้า Agent coding (Claude code, Codex, Pi etc..) มากกว่า 1 ตัวบ้างยกมือหน่อยยยย 🤚🏼

ผมแล้วหนึ่ง ซึ่งก็จะมีปัญหาที่คล้ายๆกันคือ บางทีเราอยากให้ Agent อีกเจ้าทำการ review ให้กับเรา แต่ทีนี้การจะทำแบบนั้น ก็ต้องผ่านหลายขั้นตอนเลยไม่ว่าจะเป็น การเขียนเป็น Markdown หรือส่งทั้ง Repo ให้ Agent ไปอ่านเอง เหล่านี้ล้วนเกิดปัญหามากมาย ยังไม่รวมถึงการที่เราอยากจะให้เพื่อนร่วมงานของเราทำงานต่อจากเราได้ด้วย

ผมผู้เขียนก็เลยได้ไปเจอ Open source ตัวหนึ่งที่ถูกพัฒนาโดย Databricks Data platform ที่มีชื่อเสียงมากมาย ได้ทำการปล่อยออกมาให้ได้ใช้กันฟรีๆเลยนั้นก็คือ

Omnigent – a Meta-harness

1. Omnigent | Meta-Harness AI Agent
2. Omnigent
   1. Agent Harness
   2. How Omnigent works behind the scenes
   3. Omnigent features
3. Summary – สรุปส่งท้าย

ปัจจุบันนี้ปี 2026 ปีที่มองไปทางไหนก็เจอแต่คนใช้ AI เขียนโค้ดให้ไม่ว่าจะเป็น Claude code, Codex หรือ Antigravity อื่นๆอีกเยอะมากมาย เขียนได้เป็นแถวเลยครับ ไม่ว่าจะของชาติไหนก็ตาม US หรือจีนก็มีให้เลือก

แต่ทีนี้การมีให้เลือกเยอะแบบนี้ก็มีปัญหาสำหรับบางคนอีก เช่นพอเวลามีบางค่ายที่มีการอัพเดท model ใหม่หรือ update agent harness ก็ต้องคอยตามไปเสมอ ทำให้บางคนเกิดมี subscription เยอะแยะมากมาย อย่างผู้เขียนก็มีทั้ง Claude, ChatGPT และ Google แต่ผู้เขียน sub แค่ 20 USD นะครับ เยอะกว่านี้ใช้ไม่คุ้ม งานหลักๆก็ไม่ค่อยได้โค้ดแล้ว 😅

อย่างที่หลายคนที่ใช้ Agentic coding อย่าง Claude code ก็น่าจะรู้อยู่แล้วว่าเราจะมีสิ่งที่คอยจะหยุดการทำงานของเรา นั้นก็คือ Usage Session อย่าง Claude ก็มี Usage Session รอบละ 5 ชั่วโมง ถ้าเต็มก็ต้องรอ แล้วการจะส่งงานไปทำต่อที่ Model อื่นๆก็ต้องใช้วิธีต่างๆมากมาย อย่างการให้ AI สรุป Session แล้วส่งต่อในรูปแบบ Handoff หรือรูปแบบอื่นๆที่ต่างคนต่างถนัดกันไป และยังไม่รวมถึงการ Collaboration หรือการทำงานร่วมกัน ลองนึกดูถ้าเราต้องพัฒนา Webapp อะไรบางอย่างในองค์กรแล้ว ถ้าเกิดเราอยากจะแชร์ Session ให้เพื่อนทำต่อก็ยากอีก(ไม่รวมมานั้งทำงานที่คอมเครื่องเดียวกัน🥺)

Omnigent

Databricks เห็นว่าปัจจุบันมีการใช้ Agent coding ในบริษัทมีหลายตัวเหลือเกินและการทำงานร่วมกันก็ทำได้ยาก เพราะแต่ละ Model ก็มีความสามารถที่ต่างกันออกไป แต่ละ ​Model ก็เก่งไม่เหมือนกันอีก แบบนี้ก็เลยพัฒนา open source ตัวหนึ่งที่ชื่อว่า Omnigent

Databricks คือใคร ถ้าใครไม่รู้จัก | Databricks คือ Data Platform ที่เป็นที่นิยมมากๆในงาน Data ไม่ว่าจะ AI หรือ Data pipeline ก็มีให้ได้ใช้หมดเลย

Omnigent คืออะไร ก็คือ A Meta-Harness ทำหน้าที่เป็นตัวเชื่อม AI Agent เข้าด้วยกัน เปรียบเสมือนหน้าด่านประตูที่รับงานจากผู้ใช้ก่อน แล้วก็ส่งต่อไปที่ Harness Agent coding ที่ผุ้ใช้มีไม่ว่าจะเป็น Claude code, Codex หรือ อื่นๆที่รองรับ

แต่ก่อนลงไปรายละเอียดของ Omnigent ทำงานยังไง มารู้จักกับ Agent harness กันแบบไวๆกันก่อน

Agent Harness

Agent Harness คือ คือ Runtime System (Layer ที่อยู่ล้อมรอบ AI Model) ทำหน้าที่เป็นโครงสร้างควบคุมหลักที่เปลี่ยนให้ AI ทำงานได้อย่างมีประสิทธิภาพ

ตัวอย่างองค์ประกอบด้านต่างๆของ Agent Harness

• Context Management (การจัดการบริบท): ควบคุมและป้อนข้อมูลที่จำเป็น เพื่อให้ AI เข้าใจบริบทของงานอย่างถูกต้อง
• Tool Calling (การเรียกใช้เครื่องมือ): เชื่อมต่อและสั่งการเครื่องมือหรือ API ภายนอก
• Memory System (ระบบความจำ): จัดเก็บและดึงข้อมูลที่เกี่ยวข้องกลับมาใช้ในการทำงาน
• Permission Control (การควบคุมสิทธิ์): กำหนดขอบเขตและความปลอดภัยในการเข้าถึงข้อมูลหรือดำเนินการต่างๆ
• Error Recovery (การจัดการข้อผิดพลาด): เฝ้าระวัง กู้คืนระบบ และแก้ไขปัญหาเมื่อกระบวนการทำงานเกิดข้อผิดพลาด
• Logging & Observability (การติดตามและตรวจสอบ): บันทึกประวัติและตรวจสอบสถานะการทำงานของ Agent อย่างละเอียด
• Workflow Orchestration (การจัดลำดับขั้นตอน): ควบคุมและวางลำดับการทำงานทั้งหมดให้เป็นไปตามกระบวนการที่วางไว้

ถ้าพูดแบบง่ายๆให้เข้าก็คือระบบที่ทำให้ AI model ทำงานได้อย่างตรงจุดมากขึ้น ถ้า Model ต้องการ Tool ไหนก็จะมี Harness นี่แหละคอยจัดการให้ เปรียบเทียบกับ คอมพิวเตอร์ก็คือ Operating System หรือก็คือ OS นั้นแหละครับ CPU RAM จะทำงานร่วมกันได้ยังไงเวลาจะทำอะไรซักทีหนึ่ง

ลองไปอ่านกันเพิ่มที่ https://claude.com/blog/harnessing-claudes-intelligence

How Omnigent works behind the scenes

มาดูกันต่อครับว่า Omnigent ทำงานยังไง หลังจากที่ทุกคนน่าจะพอเข้าใจแล้วกับคำว่า Agent Harness คืออะไร ทีนี้ก็มาดูการทำงานกัน

แต่ก่อนจะไป มาดูสิ่งทีต้องมีก่อนที่จะไปกันต่อ

• Python 3.12+
• Node.js 22 LTS and npm
• tmux

ในบทความนี้จะไม่ได้ลงลึกมาก จะเขียนในส่วนเบื้องต้นเท่านั้น

Omnigent นั้นอย่างที่บอกว่าเป็น Meta Harness ที่จะทำงานก่อนที่จะส่งต่อให้ Agent อีกทีหนึ่ง โดย Omnigent จะทำตัวเป็นหน้ากากครอบ Agent อีกทีหนึ่ง ถ้าสมมุติว่าเราเลือกที่จะใช้งาน Claude code นั้น แค่กดคำสั่ง

omni claude 

ก็จะได้หน้าต่าง claude code แบบปรกติที่ใช้งานเลย แต่ที่ต่างคือจะมี URL สำหรับหน้า UI Omnigent มาด้วย

ไม่เพียงแค่นี้ Omnigent จะมีหน้าต่าง UI เพิ่มเข้ามาด้วยพร้อมกับเก็บ Session ให้กับเรา ถ้าเป็นปรกติแล้วถ้าเราอยากจะกลับไปทำงานต่อใน session ก่อน ในตัว claude code นั้นเราต้องบันทึก session id เอง และ resume session เอาเอง แต่ Omnigent ทำให้เราสามารถใช้งานผ่านหน้า UI แล้วเลือก session ที่เราทำค้างไว้ได้เลยด้วย

Omnigent จะมี UI สองแบบ แบบที่เกิดจากการเปิด Code agent ผ่าน terminal หน้า UI จะเปิดผ่าน website เป็นแบบ localhost หรืออีกแบบคือ Download จากหน้า website จะเป็น Desktop Application ที่ทำงานได้ทันทีไม่ได้ต้องทำผ่าน website แต่ทั้งหมดนี้ feature เดียวกัน

Omnigent features

ผมว่าการจะเข้าใจให้ง่ายขึ้นว่า Omnigent ทำอะไรได้บ้าง ผมว่ามาดู Feature กันทีละส่วนดีกว่า

• Coding Agent
  • feature ที่เป็นการเรียกใช้งาน Agent ตามที่เราต้องตามที่เขียนไปก่อนหน้าไม่ว่าจะเป็น Claude code, Codex etc.. โดยที่ Omnigent จะเพิ่ม feature ในการทำงานและหน้า UI ให้

• Polly (Multi-AI Coding)
  • Polly agent เป็น orchestrator ที่จะทำหน้าที่ทำความเข้าใจ task งาน ก่อนจะส่งงานต่อไปให้ Agent ตัวอื่นๆ เช่นให้ Claude code เขียนโค้ด และให้ Codex มารีวิวโค้ดให้ ตัว Polly Agent จะเป็นตัวตัดสินใจเอง ดูจากตัวอย่างด้านล่างจากการใช้
  • โดย Polly Agent นั้นจะทำงานได้โดยเราเลือกว่าจะเอาอะไรเป็น model ให้ Polly ใช้ถ้ามี Claude code เราก็ใช้ Claude SDK เป็นสมองให้ Polly Agent
  • ทั้งหมดนี้ทำให้เราสามารถใช้ Agent ด้วยกันได้ทันที ไม่ต้องไปเปิดปิด agent ใหม่

• Debby (Brainstorming agent)
  • Debby เป็น Agent ที่ทำงานโดยการเอา input ของผู้ใช้ไปให้ Agent ที่เรามีอย่างสมมุติผมมี Claude และ Codex ตัว Debby ก็จะเอา input ไปให้ทั้งสองตัวแล้วทำหน้าที่คนกลางโดยให้ Agent ทั้งสองตัวนั้น Debate กันไปเรื่อยๆจนกว่าจะได้ข้อสรุปกลับมาให้ผู้ใช้ เหมาะกับการวางแผนการทำงานก่อนที่จะนำไปพัฒนาจริงๆ
  • โดยตัวอย่างผมให้ Debate กันเรื่องชื่อเล่นผมเอง (เพื่อการเทสแบบไวๆ)

• Collaborate from Anywhere
  • Feature ที่ต้องทำการ deploy Omnigent ก่อน โดยต้องทำเป็น Image container แล้วก็ deploy โดยใน Document แนะนำไปใช้ Railway แต่ส่วนใครจะใช้อะไรก็ได้หมด
  • สาเหตุที่ต้อง deploy ขึ้นไปก่อนนั้นเพราะเราต้องการให้มีพื้นที่สำหรับเป็น sandbox ให้ Omnigent รวมไปถึงมี Database ที่เอาไว้เก็บ Session ต่างๆ
  • พอ Deploy ได้แล้ว ทีนี้ใครก็ตามที่เราอนุญาต จะสามารถเข้าไปใช้งานได้ทันที สามารถทำแบบ
    • Share a live session – ที่เพื่อนเราสามารถเห็นเราสั่งงาน Agent ได้เลย
    • Co-drive – เป็นการให้เพื่อนเรามาร่วมกันทำงานกับเราได้ อย่างเช่นมาแก้บัคบางอย่างที่เพื่อนเก่งในด้านนั้น เพียงแต่ว่าจะต้องใช้ Agent Credentials ของตัวเองมาเชื่อมต่อ
    • Fork – เหมือนกับการ Fork Git นั้นแหละเพียงแต่ว่าเพื่อนสามารถเอา Session เราไปทำต่อในพื่นที่ของตัวเองได้เลย

Summary – สรุปส่งท้าย

Omnigent เป็น open source ที่ดีมากๆอีกตัวหนึ่งที่จะมาช่วยให้การใช้งาน AI Agent หลายๆค่ายนั้นสามารถทำงานร่วมกันได้อย่างดียิ่งขึ้น และอีกทั้งสามารถ Deploy ขึ้นไปใช้บน Cloud เพื่อรองรับการทำงานร่วมกันกับเพื่อนๆของเรา โดยไม่ต้องกังวลเรื่องที่จะต้องมาใช้งานที่เครื่องส่วนตัวเรา หรือจะต้องกังวลว่าจะส่งต่อ Session กันยังไงดี กลัวว่าส่งไปแล้วได้ข้อมูลไม่ครบ ครั้นจะไปเขียนเป็น Markdown แล้วส่งผ่าน Slack Team etc.. ก็กลัวขาดบางอย่างไป ก็ได้นี่แหละครับ Omnigent มาตอบโจทย์ตรงนี้

แค่นี้การพัฒนาอะไรขึ้นมา ก็สนุกได้อีกเยอะเลย 😇 หวังว่าทุกคนที่อ่านจะได้อะไรกลับบ้างนะครับ ยังมี feature ที่ผมพูดไม่หมด ยังมีอีกมากแนะนำว่าดูใน Document อีกทีนะครับ🙏🏽

REF:

https://omnigent.ai

https://github.com/omnigent-ai/omnigent