WARNING
本页面由 AI 自动翻译，部分技术术语可能与中文习惯存在差异。如有疑问，请以英文原文为准。
使用 oh-my-openagent 编排多代理工作流
oh-my-openagent (OMO) 是 OpenCode 的多模型代理编排插件。启用后，你可以在 OpenCode 中使用关键词 ultrawork（或别名 ulw）触发多代理协作。Sisyphus、Hephaestus、Oracle 和 Atlas 等专业代理分工协作，共同处理复杂的编码任务。
WARNING
本指南侧重于本地模型设置。与付费云模型相比，完全在本地模型上运行 OMO 会明显降低编排质量和多代理协作速度。对于实际工作，我们推荐混合设置：为主代理使用付费云模型，为子代理使用本地模型。
学习目标
在本教程结束时，你将学习如何：
- 在 Olares 上的 OpenCode 中启用 OMO。
- 将 OMO 配置为与本地模型、云模型或两者混合使用。
- 使用
ultrawork关键词触发多代理协作。 - 使用内置的 context7、grep_app 和 websearch MCP 服务器。
- 将文档查询路由到自托管的 Context7， alongside OMO。
前提条件
开始前，你需要：
你的 Olares 设备必须具有互联网访问权限。
在 Olares 上安装 OpenCode，chart 版本 1.0.6 或更高。
以下模型：
用途 模型 获取方式 核心代理 Qwen3.6-27B (llama.cpp) 从 Market 安装 轻量子代理 Qwen3.5-9B (Ollama) 通过 Ollama Engine Base 应用创建
配置 OMO 前，请先将两个模型连接到 OpenCode。
可选：使用其他模型
你也可以选择不同大小的模型，或改用其他模型提供商：
- 从应用市场安装其他模型应用。
- 通过引擎基座应用创建模型实例，使用自己的模型。
如果 AI Agent 应用已安装 Olares CLI 和 Agent Skills，可以让它部署模型并跳过手动设置。例如：
使用 Ollama 引擎基座在我的 Olares 上部署 qwen3.5:9b。模型能力要求
- 参数少于 7B 的本地模型通常无法正确处理
tool_use或结构化输出。避免将它们用于任何代理。 - 建议上下文窗口至少为 32K token。核心代理（Sisyphus、Hephaestus、Prometheus、Atlas）使用 64K 或更多时效果更好。
- 本地模型有时无法正确生成
write工具调用。
了解 Olares 上的 OMO
模型如何选择
OMO 将模型选择在你和配置文件之间分配：
- 主模型：你直接与之聊天的代理的模型。你在 OpenCode UI 的模型选择器中挑选它。它独立于
oh-my-openagent.json。 - 子代理模型：当主代理调用
delegate_task将工作交给子代理（如 Explore 或 Librarian）时，该子代理使用~/.config/opencode/oh-my-openagent.json中agents字段下为该代理定义的模型。
默认的 oh-my-openagent.json 为每个子代理配备了多层回退链：付费主模型、付费备用模型，以及 OpenCode 提供的免费模型作为最后的回退。如果第一个模型在运行时不可用，runtime_fallback 会自动沿链向下走到下一个。大致如下：
oh-my-openagent.json
└── agents
└── <agent name>
└── model chain: paid primary → paid backup → free fallback
(runtime_fallback auto-switches on failure)这使子代理委托即使在提供方宕机时也能继续工作。
配置文件中的默认模型
OMO 为每个代理的提示调整特定的模型系列。默认配置文件使用以下主模型和回退模型：
| 代理 | 推荐的 UI 模型（云） | 免费回退 |
|---|---|---|
| Sisyphus | Claude Opus 4.6 | Big Pickle |
| Hephaestus | GPT-5.4 | Big Pickle |
| Prometheus | Claude Opus 4.6 | Big Pickle |
| Atlas | Claude Sonnet 4.6 | Big Pickle |
| Oracle | GPT-5.4 | Big Pickle |
| Explore | Claude Haiku 4.5 | GPT-5 Nano |
| Librarian | MiniMax M2.7 | GPT-5 Nano |
有关每个代理和每个类别的推荐模型的完整列表，请参阅 Agent-to-model 匹配参考。
Olares 为 OMO 管理的文件
安装 OpenCode 时，Olares 会预配置 OMO。预安装项目位于全局 OpenCode 配置目录下，该目录映射到 Olares Files 中的 Application/Data/opencode/.config/opencode/。本指南的其余部分使用 ~/.config/opencode/ 作为此路径的简写。
文件清单
| 路径 | 作用 |
|---|---|
~/.config/opencode/opencode.json（plugin 字段） | 在全局配置中注册 "oh-my-openagent"。 |
~/.config/opencode/oh-my-openagent.json | 每个代理的推荐模型以及运行时回退链。仅在首次安装时写入。 |
~/.config/opencode/olares-baseline-instructions.md | Web 预览、包管理和 Olares 域约定。每次启动时刷新。 |
~/.config/opencode/skills/web-preview/ 和 system-admin/ | 技能文件。每次启动时强制更新。 |
/usr/local/lib/node_modules/oh-my-opencode/（容器内） | npm 包。持久化在系统快照中。 |
所有 Olares 管理的设置都位于全局配置目录中。它们永远不会写入你的工作空间 opencode.json。如果你的工作空间配置仍然包含旧的 Olares 管理的指令，Olares 只会在它们与之前的预设完全匹配时才删除它们。你添加或修改的任何内容都会被保留。
oh-my-openagent.json 文件仅在首次安装时写入。如果你稍后通过 install 命令或手动更新它，你的更改不会被覆盖。
配置 OMO
启用 OMO
OMO 由 OPENCODE_OMO 环境变量控制：
false（默认）：插件不加载。npm 包和配置文件保留在磁盘上，因此稍后启用它不需要再次下载。true：插件在全局配置中注册，并安装 npm 包。
要启用 OMO：
打开 Settings 并导航到 Applications > OpenCode > Manage environment variables。
找到
OPENCODE_OMO环境变量并点击 edit_square。在 Value 下拉菜单中，选择
true，然后点击 Confirm。
点击 Apply 保存更改，并等待应用重启。
首次启动时，OMO 需要时间来完成其初始配置。这可能需要几分钟。
要稍后禁用 OMO，请重复上述步骤并将 OPENCODE_OMO 设置为 false。插件注册和 MCP 服务器停止，但 npm 包和 oh-my-openagent.json 配置保留在磁盘上，供下次重新启用。
配置本地模型
配置 ~/.config/opencode/oh-my-openagent.json，让 OMO 将任务委派给本地模型。以下两种情况可以跳过本节：
- 仅使用云模型：在 OpenCode 的提供方中添加 API 密钥并使用云模型。
- 仅使用免费回退模型：使用 OpenCode 自带的免费回退模型，但响应速度可能较慢，并受到额度限制。
OMO 在两个位置使用模型：
- 主代理：在 OpenCode 模型选择器中单独选择模型。本节不会更改该选择。
- 子代理和任务类别：将 Qwen3.6-27B 分配给核心代理和高负载任务，将 Qwen3.5-9B 用于 Explore、Librarian 和轻量任务。
需要重启
每次编辑 oh-my-openagent.json 后，都需重启 OpenCode 才能使更改生效。
打开文件管理器，前往
Application/Data/opencode/.config/opencode/，找到oh-my-openagent.json。
打开
oh-my-openagent.json，点击 edit_square 进入编辑模式。更新
agents部分，让子代理委派使用本地模型：a. 设置每个代理的
model字段。该值必须包含 OpenCode 中使用的 provider 前缀，后接准确的模型名称。b. 将 Qwen3.6-27B 分配给核心代理，将 Qwen3.5-9B 分配给 Explore 和 Librarian。为使用 Ollama 模型的代理添加
"stream": false。例如，如果 provider 名称分别为
qwen3.6-27b和qwen3.5-9b：json{ "agents": { "sisyphus": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" }, "hephaestus": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" }, "prometheus": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" }, "atlas": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" }, "explore": { "model": "qwen3.5-9b/qwen3.5:9b", "stream": false }, "librarian": { "model": "qwen3.5-9b/qwen3.5:9b", "stream": false } } }"stream": false要求Ollama 的流式模式返回 SDK 无法解析的 NDJSON。如果缺少
"stream": false，使用工具的代理，尤其是 Librarian 和 Explore，会静默回退到模型链中的下一个模型。这是 Ollama 的已知限制。在
categories部分，为quick和writing使用 Qwen3.5-9B，其他类别使用 Qwen3.6-27B。保留现有的fallback_models条目。例如：jsonc{ "categories": { "visual-engineering": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M", "fallback_models": [ // 保留现有的 fallback 条目 ] }, "quick": { "model": "qwen3.5-9b/qwen3.5:9b", "fallback_models": [ // 保留现有的 fallback 条目 ] }, "writing": { "model": "qwen3.5-9b/qwen3.5:9b", "fallback_models": [ // 保留现有的 fallback 条目 ] } } }
categories 部分
{
"categories": {
"visual-engineering": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{
"model": "qwen3.5-9b/qwen3.5:9b"
},
{
"model": "google/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "github-copilot/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "anthropic/claude-opus-4-6",
"variant": "max"
},
{
"model": "github-copilot/claude-opus-4.6",
"variant": "max"
},
{
"model": "opencode/big-pickle"
}
]
},
"ultrabrain": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{
"model": "qwen3.5-9b/qwen3.5:9b"
},
{
"model": "openai/gpt-5.4",
"variant": "xhigh"
},
{
"model": "google/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "github-copilot/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "anthropic/claude-opus-4-6",
"variant": "max"
},
{
"model": "github-copilot/claude-opus-4.6",
"variant": "max"
},
{
"model": "opencode/big-pickle"
}
]
},
"deep": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{
"model": "qwen3.5-9b/qwen3.5:9b"
},
{
"model": "openai/gpt-5.4",
"variant": "medium"
},
{
"model": "github-copilot/gpt-5.4",
"variant": "medium"
},
{
"model": "anthropic/claude-opus-4-6",
"variant": "max"
},
{
"model": "github-copilot/claude-opus-4.6",
"variant": "max"
},
{
"model": "google/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "github-copilot/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "opencode/big-pickle"
}
]
},
"artistry": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{
"model": "qwen3.5-9b/qwen3.5:9b"
},
{
"model": "google/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "github-copilot/gemini-3.1-pro-preview",
"variant": "high"
},
{
"model": "anthropic/claude-opus-4-6",
"variant": "max"
},
{
"model": "github-copilot/claude-opus-4.6",
"variant": "max"
},
{
"model": "openai/gpt-5.4"
},
{
"model": "github-copilot/gpt-5.4"
},
{
"model": "opencode/big-pickle"
}
]
},
"quick": {
"model": "qwen3.5-9b/qwen3.5:9b",
"fallback_models": [
{
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M"
},
{
"model": "openai/gpt-5.4-mini"
},
{
"model": "github-copilot/gpt-5.4-mini"
},
{
"model": "anthropic/claude-haiku-4-5"
},
{
"model": "github-copilot/claude-haiku-4.5"
},
{
"model": "google/gemini-3-flash-preview"
},
{
"model": "github-copilot/gemini-3-flash-preview"
},
{
"model": "opencode/gpt-5-nano"
}
]
},
"unspecified-low": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{
"model": "qwen3.5-9b/qwen3.5:9b"
},
{
"model": "anthropic/claude-sonnet-4-6"
},
{
"model": "github-copilot/claude-sonnet-4.6"
},
{
"model": "openai/gpt-5.3-codex",
"variant": "medium"
},
{
"model": "google/gemini-3-flash-preview"
},
{
"model": "github-copilot/gemini-3-flash-preview"
},
{
"model": "opencode/big-pickle"
}
]
},
"unspecified-high": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{
"model": "qwen3.5-9b/qwen3.5:9b"
},
{
"model": "anthropic/claude-sonnet-4-6"
},
{
"model": "github-copilot/claude-sonnet-4.6"
},
{
"model": "openai/gpt-5.3-codex",
"variant": "medium"
},
{
"model": "google/gemini-3-flash-preview"
},
{
"model": "github-copilot/gemini-3-flash-preview"
},
{
"model": "opencode/big-pickle"
}
]
},
"writing": {
"model": "qwen3.5-9b/qwen3.5:9b",
"fallback_models": [
{
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M"
},
{
"model": "google/gemini-3-flash-preview"
},
{
"model": "github-copilot/gemini-3-flash-preview"
},
{
"model": "anthropic/claude-sonnet-4-6"
},
{
"model": "github-copilot/claude-sonnet-4.6"
},
{
"model": "opencode/big-pickle"
}
]
}
}
}为两个本地模型添加并发限制：
json{ "background_task": { "providerConcurrency": { "qwen3.6-27b": 1, "qwen3.5-9b": 1 }, "modelConcurrency": { "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M": 1, "qwen3.5-9b/qwen3.5:9b": 2 } } }这样会将大模型限制为一个并发请求，同时允许轻量模型最多处理两个请求。
本地模型的 oh-my-openagent.json
{
"$schema": "https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/dev/assets/oh-my-opencode.schema.json",
"runtime_fallback": {
"enabled": true,
"max_fallback_attempts": 7
},
"agents": {
"sisyphus": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" },
"hephaestus": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" },
"prometheus": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" },
"atlas": { "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" },
"explore": { "model": "qwen3.5-9b/qwen3.5:9b" },
"librarian": { "model": "qwen3.5-9b/qwen3.5:9b" }
},
"categories": {
"visual-engineering": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{ "model": "qwen3.5-9b/qwen3.5:9b" },
{ "model": "google/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "github-copilot/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "anthropic/claude-opus-4-6", "variant": "max" },
{ "model": "github-copilot/claude-opus-4.6", "variant": "max" },
{ "model": "opencode/big-pickle" }
]
},
"ultrabrain": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{ "model": "qwen3.5-9b/qwen3.5:9b" },
{ "model": "openai/gpt-5.4", "variant": "xhigh" },
{ "model": "google/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "github-copilot/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "anthropic/claude-opus-4-6", "variant": "max" },
{ "model": "github-copilot/claude-opus-4.6", "variant": "max" },
{ "model": "opencode/big-pickle" }
]
},
"deep": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{ "model": "qwen3.5-9b/qwen3.5:9b" },
{ "model": "openai/gpt-5.4", "variant": "medium" },
{ "model": "github-copilot/gpt-5.4", "variant": "medium" },
{ "model": "anthropic/claude-opus-4-6", "variant": "max" },
{ "model": "github-copilot/claude-opus-4.6", "variant": "max" },
{ "model": "google/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "github-copilot/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "opencode/big-pickle" }
]
},
"artistry": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{ "model": "qwen3.5-9b/qwen3.5:9b" },
{ "model": "google/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "github-copilot/gemini-3.1-pro-preview", "variant": "high" },
{ "model": "anthropic/claude-opus-4-6", "variant": "max" },
{ "model": "github-copilot/claude-opus-4.6", "variant": "max" },
{ "model": "openai/gpt-5.4" },
{ "model": "github-copilot/gpt-5.4" },
{ "model": "opencode/big-pickle" }
]
},
"quick": {
"model": "qwen3.5-9b/qwen3.5:9b",
"fallback_models": [
{ "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" },
{ "model": "openai/gpt-5.4-mini" },
{ "model": "github-copilot/gpt-5.4-mini" },
{ "model": "anthropic/claude-haiku-4-5" },
{ "model": "github-copilot/claude-haiku-4.5" },
{ "model": "google/gemini-3-flash-preview" },
{ "model": "github-copilot/gemini-3-flash-preview" },
{ "model": "opencode/gpt-5-nano" }
]
},
"unspecified-low": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{ "model": "qwen3.5-9b/qwen3.5:9b" },
{ "model": "anthropic/claude-sonnet-4-6" },
{ "model": "github-copilot/claude-sonnet-4.6" },
{ "model": "openai/gpt-5.3-codex", "variant": "medium" },
{ "model": "google/gemini-3-flash-preview" },
{ "model": "github-copilot/gemini-3-flash-preview" },
{ "model": "opencode/big-pickle" }
]
},
"unspecified-high": {
"model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M",
"fallback_models": [
{ "model": "qwen3.5-9b/qwen3.5:9b" },
{ "model": "anthropic/claude-sonnet-4-6" },
{ "model": "github-copilot/claude-sonnet-4.6" },
{ "model": "openai/gpt-5.3-codex", "variant": "medium" },
{ "model": "google/gemini-3-flash-preview" },
{ "model": "github-copilot/gemini-3-flash-preview" },
{ "model": "opencode/big-pickle" }
]
},
"writing": {
"model": "qwen3.5-9b/qwen3.5:9b",
"fallback_models": [
{ "model": "qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M" },
{ "model": "google/gemini-3-flash-preview" },
{ "model": "github-copilot/gemini-3-flash-preview" },
{ "model": "anthropic/claude-sonnet-4-6" },
{ "model": "github-copilot/claude-sonnet-4.6" },
{ "model": "opencode/big-pickle" }
]
}
},
"background_task": {
"providerConcurrency": {
"qwen3.6-27b": 1,
"qwen3.5-9b": 1
},
"modelConcurrency": {
"qwen3.6-27b/unsloth/Qwen3.6-27B-GGUF:Q4_K_M": 1,
"qwen3.5-9b/qwen3.5:9b": 2
}
}
}保存文件。
重启 OpenCode：
a. 打开设置，前往应用 > OpenCode。
b. 点击停止，然后点击恢复。
确认插件已加载
启用 OMO 后，打开 OpenCode Web UI。你应该会在顶部的代理选择器中看到 Sisyphus、Prometheus、Atlas 和 Hephaestus。
你也可以点击右上角的状态图标来确认 oh-my-openagent 出现在 plugin 下。
使用 OMO
OMO 附带一组专业代理，每个代理的提示都针对特定角色进行了调整。你从代理选择器中选择 Sisyphus、Prometheus、Atlas 或 Hephaestus 作为主代理。其余的代理在多代理协作期间自动调度。
| 代理 | 角色 | 如何访问 |
|---|---|---|
| Sisyphus | 主编排器。r>在 ultrawork 模式下规划、委托给子代理并驱动并行执行。 | 代理选择器 |
| Hephaestus | 自主深度工作者。r>处理架构推理和长时间 自主编码会话。 | 代理选择器 |
| Prometheus | 战略规划师。r>就需求采访你并生成 详细计划。 | 代理选择器 |
| Atlas | 计划执行者。r>接管 Prometheus 计划并执行它。 | 代理选择器，或在规划后使用 /start-work |
| Oracle | 只读架构顾问。r>就架构决策和复杂 调试提供建议，不修改文件。 | 在 ultrawork 中自动调度 |
| Explore | 代码搜索代理。r>检索整个仓库的代码。 | 在 ultrawork 中自动调度 |
| Librarian | 文档搜索代理。r>搜索文档和代码。 | 在 ultrawork 中自动调度 |
其他支持代理（如用于计划差距分析的 Metis、用于计划审查的 Momus，以及用于视觉输入的 Multimodal Looker）在需要时由 Sisyphus 自动调度。
单代理模式
启用 OMO 后，代理选择器从 Plan/Build 变为 Sisyphus、Prometheus、Atlas 和 Hephaestus。你不需要每次都启动多代理协作。没有 ultrawork 关键词时，每个代理独立运行，行为类似于原始的 Build 或 Plan 模式，没有额外的资源使用。
| 任务 | 如何操作 |
|---|---|
| 直接编码 （以前的 Build） | 选择 Sisyphus 并正常聊天。与 原始的 Build 模式体验相同。 |
| 先规划，再执行 （以前的 Plan） | 选择 Prometheus。它采访你并生成 计划。输入 /start-work 交给 Atlas。 |
| 深度自主编码 | 选择 Hephaestus。适合大型、复杂任务，可 自主运行。 |
多代理协作模式
在聊天框中输入 ultrawork（或别名 ulw）后跟任务描述。例如：
ulw Implement a REST API user registration feature with email verification.OMO 分析任务，将其分配给专业代理，并并行运行它们直到任务完成。当 ultrawork 激活时，聊天框上方闪烁的颜色指示当前正在工作的代理。
Prometheus 规划模式
意外的技能触发
任务描述中的某些关键词可能会触发 OpenCode 调用 /web-preview 技能。如果发生这种情况，请要求代理忽略它并继续规划。
对于大型、复杂任务，先规划：
在代理选择器中切换到 Prometheus。
描述你的任务。例如：
textBuild a CLI tool that scans a folder and generates a summary report of its contents.回答 Prometheus 的问题以明确范围和细节。
Prometheus 在
.sisyphus/plans/下生成计划文件后，输入/start-work将执行交给 Atlas。如果没有计划文件，/start-work没有内容可传递给 Atlas，因此不会执行任何操作。规划期间请耐心等待
如果 Prometheus 没有立即产生输出，或代理状态显示
background output，代理仍在工作。等待它完成后再发送另一条消息。
常用命令
| 命令 | 描述 |
|---|---|
ultrawork / ulw | 启动多代理协作模式。在聊天框中作为关键词输入。 |
/start-work | 执行 Prometheus 生成的计划。 |
/init-deep | 为每个项目目录生成 AGENTS.md 上下文文件。 |
/ulw-loop | 循环运行 ultrawork 直到任务达到 100% 完成。 |
/handoff | 生成上下文摘要，以便你可以在新会话中继续工作。 |
使用内置 MCP 服务器
OMO 注册了三个远程 MCP 服务器，为代理提供对外部知识的实时访问。这些服务器不是 OpenCode 原生的。OMO 通过钩子注入它们。启用 OMO 后，你可以在 Settings 的 MCP 标签页下找到它们。
| MCP 服务器 | 使用场景 | API key |
|---|---|---|
| context7 | 针对官方 文档的实时查询。 | 基本使用不需要。 添加 key 以获得更高配额。 |
| grep_app | GitHub 全站代码搜索。 | 不需要。 |
| websearch | 实时网页搜索。 | 基本使用不需要。 添加 key 以获得更高配额， 或从 Exa 切换到 Tavily。 |
下面的示例显式命名 MCP 工具。你也可以让代理在检测到意图时自动选择。
要提高 context7 或 websearch 的配额，或将 websearch 提供方从 Exa 切换到 Tavily，请参阅 配置 API key。
context7：实时官方文档
AI 的训练数据有截止日期。当你使用较新的库版本时，AI 可能会生成已弃用的 API 或不存在的方法。Context7（由 Upstash 在 https://mcp.context7.com/mcp 提供）直接从源文档中提取最新内容并将其注入对话中。
例如，输入：
Implement a form submission with React 19's useActionState Hook. use context7
grep_app：GitHub 全站代码搜索
当 AI 不确定最佳实践或 API 用法时，它可以搜索 GitHub 项目中的真实代码作为参考。此 MCP 服务器由 Vercel 在 https://mcp.grep.app 提供。
例如，输入：
Find real examples of Drizzle ORM with PostgreSQL migrations. use grep_app
websearch：实时网页搜索
此 MCP 服务器默认使用 Exa AI (https://mcp.exa.ai/mcp?tools=web_search_exa)，可以通过配置切换到 Tavily。
例如，输入：
What are the major changes in Kubernetes 1.32 released in 2026? use websearch
配置 API key 和切换提供方
context7 和 websearch 都可以在没有 key 的情况下工作，但添加 key 会提高你的配额并解除速率限制。你也可以将 websearch 从 Exa（默认）切换到 Tavily。grep_app 没有 key。
要配置任何这些，请在 ~/.config/opencode/oh-my-openagent.json 的 mcp 字段下添加内置 MCP 定义的覆盖。覆盖会完全替换内置定义，因此 type、url 和 enabled 都必须存在。如果你设置多个覆盖，请将它们放在同一个 mcp 对象下。
需要重启
每次编辑 oh-my-openagent.json 后重启 OpenCode，以使新定义生效。
为 context7 添加 API key
从 context7.com 获取 key，然后将其添加到 oh-my-openagent.json：
{
"mcp": {
"context7": {
"type": "remote",
"url": "https://mcp.context7.com/mcp",
"enabled": true,
"headers": {
"CONTEXT7_API_KEY": "YOUR_CONTEXT7_KEY"
}
}
}
}要验证 key 是否激活，请要求代理使用 use context7 查找最近发布的库，然后检查你的 Context7 仪表板以了解使用量的增加。
为 websearch 添加 API key（Exa）
默认情况下，websearch 使用 Exa。从 exa.ai 获取 key，然后将其添加到 oh-my-openagent.json：
{
"mcp": {
"websearch": {
"type": "remote",
"url": "https://mcp.exa.ai/mcp?tools=web_search_exa",
"enabled": true,
"headers": {
"x-api-key": "YOUR_EXA_KEY"
}
}
}
}要验证 key 是否激活，请要求代理运行网页搜索，并在成功搜索后检查 dashboard.exa.ai 以了解使用量的增加。
将 websearch 从 Exa 切换到 Tavily
Tavily 是一个替代网页搜索提供方，每月提供 1,000 次免费搜索。从 app.tavily.com 获取 key，然后将 websearch 指向 Tavily：
{
"mcp": {
"websearch": {
"type": "remote",
"url": "https://mcp.tavily.com/mcp/",
"enabled": true,
"headers": {
"Authorization": "Bearer YOUR_TAVILY_KEY"
}
}
}
}要验证，请从代理运行网页搜索，并检查你的 Tavily 仪表板 以了解使用量的增加。要切换回 Exa，请用上面的 Exa 定义替换此块。
禁用特定 MCP 服务器
使用自托管的 Context7
OMO 的内置 context7 服务器在 https://mcp.context7.com/mcp 查询公共 Context7 云。要使用你自己的实例，请在 Olares 上安装 Context7 并在 OpenCode 中注册它。有关步骤，请参阅 将 Context7 连接到 OpenCode。
opencode.json 中的条目优先于 OMO 的内置 MCP 服务器。如果你已经在 opencode.json 中有自托管的 Context7 条目，启用 OMO 时会发生什么取决于条目名称：
- 如果名称不是
context7，你的自托管实例和 OMO 的内置context7服务器都会无冲突地加载。 - 如果名称是
context7，它会与 OMO 的内置服务器冲突。在opencode.json中重命名你的条目（例如，改为context7-local），或添加"disabled_mcps": ["context7"]到~/.config/opencode/oh-my-openagent.json以禁用 OMO 的内置服务器。
高级配置
根据你的订阅重新生成 oh-my-openagent.json
预安装的配置启用了所有提供方。如果你只订阅了其中一些，请要求代理重新生成最佳配置。
使用 --claude、--openai、--gemini 和 --copilot 标志（每个设置为 yes 或 no）来匹配你的实际订阅。例如，如果你订阅了 Claude 和 Copilot 但没有订阅 OpenAI 或 Gemini，请在聊天窗口中输入：
Run: npx oh-my-opencode install --no-tui --claude=yes --openai=no --gemini=no --copilot=yes根据你实际拥有的提供方调整 yes/no。这会更新 ~/.config/opencode/oh-my-openagent.json。
版本要求
此命令需要 OpenCode 版本 1.4.0 或更高。它会重写所有代理的配置，但只有子代理模型从文件中生效。主代理始终使用你在 OpenCode UI 中选择的模型。
手动覆盖代理的模型
要为代理设置特定模型，请编辑 ~/.config/opencode/oh-my-openagent.json 并更新 model 字段：
{
"agents": {
"sisyphus": { "model": "kimi-for-coding/k2p5" },
"oracle": { "model": "openai/gpt-5.4", "variant": "high" }
}
}WARNING
Explore 和 Librarian 是使用工具的代理。为它们分配高能力模型会增加 token 使用量而不会改善结果。
常见问题
ultrawork 无响应或抛出错误
要求 OpenCode 运行诊断：
Run: npx oh-my-opencode doctor通常这意味着没有提供方已通过身份验证。
oh-my-openagent.json 中的设置与 UI 中选择的模型有什么关系？
UI 选择控制主代理（你与之聊天的代理）。oh-my-openagent.json 控制子代理，它们是通过 delegate_task 由主代理分派的后台任务。两者是独立的。
我可以同时使用多个提供方吗？
可以，而且推荐这样做。你配置的提供方越多，UI 选择器中可用的模型就越多，子代理委托可用的回退选项也越多。你仍然需要手动为主代理选择模型。
use context7、use grep_app 或 use websearch 不起作用
确认 OMO 已启用。Settings 中的 MCP 标签页应在每个服务器旁边显示绿色圆点。如果服务器是灰色或断开连接的，远程端点可能暂时不可用。稍后再试。
首次启动时插件安装失败
检查 init-packages 容器的 Pod 日志并搜索 oh-my-opencode。如果 npm 下载超时，请确认你的 Olares 可以访问互联网。
重启后我的身份验证数据会保留吗？
会。身份验证存储在 ~/.config/opencode/ 下，重启后自动重新加载。
Olares 升级会覆盖我的配置吗？
不会。oh-my-openagent.json 仅在文件不存在时写入。全局 opencode.json 只管理 Olares 拥有的 plugin 和 instructions 条目。你添加的任何其他条目都会被保留。技能文件（web-preview、system-admin）在每次启动时强制更新到最新版本。
我会知道模型何时自动切换吗？
会。当 runtime_fallback 切换到另一个模型时，会出现一个 toast 通知，显示当前正在使用的模型。
了解更多
- 将 OpenCode 设置为你的 AI 编码代理：安装 OpenCode 并将其连接到 Ollama。
- 使用技能和插件扩展 OpenCode：通过技能和插件添加功能。
- 使用 Context7 将 AI 编码助手连接到最新文档：在 OpenCode 中将 Context7 注册为远程 MCP 服务器。
- OMO 概述：OMO 架构和代理的官方介绍。
- Agent-to-model 匹配参考：每个代理和任务类别的推荐模型。