OpenRig开源项目走红，用YAML编排ClaudeCode与Codex组建多Agent团队

近期，一个名为 OpenRig 的开源项目在 GitHub 上迅速走红——4月1日创建以来，仅一周内星标增长超2000颗，总星数逼近7000，当前版本为0.6.10，采用 Apache-2.0 许可协议。该项目并非训练新模型或改造现有 Agent，而是提供了一种轻量但严谨的“多 Agent 编排框架”，其核心理念凝练于 README 首句：“A harness wraps a model. A rig wraps your harnesses.” 换言之，Claude Code 或 Codex 各自是包裹模型的运行时（harness），而 OpenRig 则进一步将多个 harness 封装为一个可协同工作的团队（rig）。

图中所示为 OpenRig 内置的 “factory” 团队配置：7 个 seat 分属 3 个 pod（领导、开发、评审），其中 build（Claude Code）负责编码，qa（Codex）负责测试，r1/r2（分别用 Claude Code 与 Codex）仅能观察输出、无派活权限。所有关系——如 lead 对其余成员的 delegates_to（派活）、r1 对 build/design 的 can_observe（只读观察）——全部显式声明于 YAML 中，而非隐含在 Prompt 里。这种做法使团队结构具备可审查性、可 diff 性与运行时动态伸缩能力（rig grow/shrink）。

最简示例 “starter” 团队仅含两个 seat：build（Claude Code）与 review（Codex），由前者向后者提交 diff 与行为承诺，经 rig queue handoff 交接。值得注意的是，内置团队普遍采用“Claude Code 执行 + Codex 审核”的配对模式。结合补充材料可见，Anthropic 自身也在推动类似分工：Codex 擅长 Computer Use（操作浏览器、调用工具），而 Claude Code 在工程逻辑与代码生成上更成熟。腾讯新闻相关分析指出，“让 Codex 当监工”是合理策略——它可接管卡点推进、跨应用操作等事务，使 Claude Code 专注核心编码。

这一思路在 Anthropic 最新实测中得到验证：在 11.6 万行代码中预埋 70 个 Bug，单 Agent 最高仅检出 27 个；而启用“动态工作流”（Managed Agents）后，三次运行均稳定检出 66 个，准确率超 94%。该功能允许主 Agent 自主拆解任务、调度子线程并汇总结果，已进入公测阶段。与此同时，Claude Code Projects 也扩大开放范围，支持用户在一个项目对话中持续提需求，由系统自动分配线程、积累项目记忆、协调多仓库修改。

OpenRig 与 Anthropic 的内部演进形成互补：前者面向开发者，提供可嵌入本地环境的开源编排层；后者面向终端用户，将协作能力封装为云服务。二者共同指向一个趋势——AI 协作正从“人工传话”转向“系统级协调”。

在技术实现上，OpenRig 的消息传递机制颇具巧思。其 rig send 命令并非简单粘贴文本,而是先抓取目标 Agent 的 tmux 面板状态，判断其是否空闲、正在工作或阻塞在弹窗确认环节。例如，若对方处于“停在弹窗上”状态，则需用户手动批准才能继续；若为“正在工作”，则附加提示信息避免打断。此外，为防止消息伪造，系统强制清洗输入：控制字符、换行符、零宽字符一律替换为空格，且摘要行长度限制为 120 字，杜绝仿造 From: 或 Reply: 等邮件头格式。

这种对“状态可见性”与“操作原子性”的重视，正是 OpenRig 区别于多数多 Agent 方案的关键。多数方案依赖 Agent 主动汇报进度，而 OpenRig 通过 daemon 定期扫描任务队列（每5分钟一次），主动识别“领了未做”或“交出无人接”的异常条目，并生成新任务重新派发，确保工作流不因单点停滞而中断。

从行业视角看，OpenRig 的出现填补了开源生态中的关键空白。当前主流多 Agent 框架（如 AutoGen、CrewAI）多聚焦于 Prompt 工程与对话路由，任务状态仍高度依赖内存或临时变量；而 OpenRig 将持久化、可审计、可恢复的协作逻辑外置，更贴近真实软件工程场景的需求——尤其适合需要长期运行、多人介入、结果可追溯的开发与运维任务。

其架构也体现了对“Agent 本质”的清醒认知：每个 member 仍是标准的 Claude Code 或 Codex 会话，运行于独立 tmux session，开发者可随时 attach 进去调试。OpenRig 不侵入 Agent 内部，仅在其外围构建协作骨架，既保障兼容性，又降低维护成本。

图表显示，在三次独立测试中，动态工作流（橙色柱）始终检出 66 个 Bug，而单 Agent（灰色柱）表现波动较大，最高仅 27 个。这印证了结构化协作的价值：当任务被明确拆解、责任归属清晰、交接有迹可循时，系统整体可靠性显著提升。

目前，OpenRig 仍处于快速迭代阶段，0.6.x 版本已支持多种 runtime（包括 pi 等），并提供详尽的 CULTURE.md 文档规范团队行为准则。对于希望将多 Agent 协作能力集成至自有工具链的开发者而言，它提供了一种低侵入、高可控的落地路径。

随着 Claude Managed Agents 与 OpenRig 等项目的推进，AI 协作正逐步摆脱“多个窗口并行”的原始形态，转向具备组织结构、状态管理与容错能力的工程化系统。这不仅是效率提升，更是人机协作范式的深层转变：人类从“任务调度员”退居为“目标设定者”与“关键决策者”，而系统自行承担起协调、追踪与兜底的职责。