用 AI 代理在终端构建完整应用
结合 Qwen 等模型，通过代理逐步编写和迭代代码
适合人群：独立开发者
产品概览
omp 定位为开发者在本地项目中使用的命令行代理工具，通过 TUI 或 GUI 界面运行。用户在项目目录下启动后，可让代理执行 CLI 操作并调用不同模型处理任务。核心特色是支持模型中途切换和本地配置，避免单一模型限制。适合需要灵活路由模型、处理真实代码库的开发者，与云端共享代理或固定模型工具相比更注重本地持久化和多模型切换。
一句话描述
omp 是一个开源终端编码代理，支持 60 多个模型提供商并可在会话中切换模型。
用户通常拿它做什么
用户在终端输入 omp 启动后，让代理用 CLI 完成 AWS/GCP 操作或代码修改；遇到模型限制时输入 /switch 切换到其他模型继续任务。
适合人群
开发者和技术团队
使用方式
在项目目录中运行 CLI，配置模型服务商和端点，然后在终端中审批或检查 Agent 的操作。
关键信息
产品类型
CLI 编程 Agent
价格信息
未知
请在官方仓库中核对当前项目的价格和模型调用规则。
APIMaster 接入状态
已支持
~/.omp/agent/models.yml 或模型 Provider 配置
资料可信度
低
最后核验：2026-08-29
支持的模型 / API
服务商配置视版本而定自定义端点支持：待核验
主要功能与卖点
原生 LSP 集成
在终端内直接提供语义重命名、引用查找和诊断功能
完整 DAP 调试器
支持断点设置、变量查看和单步执行的进程内调试器
Hashline 内容哈希编辑
基于内容哈希的代码修改机制
持久 IPython 内核
跨会话和子代理保留导入、变量和打开文件的状态
浏览器自动化
内置浏览器操作能力
多模型提供商支持
在 TUI、-p、RPC、ACP 等接口下使用相同工具集调用不同模型
omp 适合哪些任务？
在 IDE 集成环境中调试 Python 程序
使用原生 DAP 调试器设置断点并检查变量
适合人群：Python 开发者
像 Jupyter 笔记本一样增量构建状态
通过持久内核逐步积累变量和文件状态进行迭代开发
适合人群：数据科学家与脚本开发者
执行带浏览器交互的自动化任务
让代理直接操作浏览器完成网页相关操作
适合人群：全栈开发者
omp 配置第三方 Key（APIMaster 接入方式）
配置步骤
- 1按官方说明打开 omp 的模型 Provider 配置，通常是编辑 ~/.omp/agent/models.yml。
- 2新增一个自定义 OpenAI-compatible provider，填写 APIMaster 的 Base URL 和你的 API Key。
- 3把模型名改成你要调用的 APIMaster 模型 ID，并保存配置。
- 4重启或刷新 omp 会话后切换到该 provider，用一次最小请求确认当前模型已经走第三方 Key。
社区讨论
讨论概览
用户通常将 omp 理解为一个集成 IDE 的 AI 编码代理工具，强调持久状态管理和模型路由功能，用于本地开发和代理工作流。讨论集中在与其他代理工具的对比上，特别是内存持久化、编排可靠性和实际交付能力。用户还关注模型路由在不同任务中的应用，以及与特定提供商的集成方式。
讨论最多的主题
- 1
持久 IPython 内核如何支持代理增量构建状态
用户讨论这个设计如何让变量、导入和文件在会话间保留，像 Jupyter 笔记本一样逐步迭代，而不是每次重新推导。
- 2
模型路由功能在任务类型或难度上的实际效果
用户分享路由如何根据任务自动选择模型，以及这对编码效率和成本的影响。
- 3
与 Droid 等其他代理工具在内存和编排上的对比
用户比较 omp 的耐用 harness 和共享代理，讨论哪种更适合真实项目交付和反馈循环。
- 4
与 Google 等提供商的集成和使用体验
用户询问如何配置提供商、反重力订阅等细节，以及 omp 在生产环境中的稳定性。
- 5
omp 作为本地编码代理的整体可靠性和适用场景
用户讨论它在个人应用开发、避免云端限制方面的优势，以及与 Claude 或其他模型的搭配方式。
常见问题
omp 是什么？
它是一个终端导向的 Coding Agent 项目，具体能力请以仓库现状为准。
它支持 APIMaster 吗？
目前未知。在官方文档或实际测试确认前，页面不会宣称支持。
它能修改本地文件吗？
这取决于启用的工具和权限，执行前应检查每个操作。