技术原理核心

oh-my-opencode 多 Agent 架构解析

oh-my-opencode 采用分层协作架构，通过 Sisyphus 协调器统一管理多个专业 Agent，形成类似人类开发团队的协作模式。理解这一架构是进行模型合理分配的前提。

核心组件架构

graph TD
    A[用户输入] --> B[Sisyphus<br/>协调器]
    B --> C{任务分类}
    
    C -->|探索/研究| D[Explore Agent]
    C -->|资料检索| E[Librarian Agent]
    C -->|架构咨询| F[Oracle Agent]
    C -->|代码实现| G[Developer Agent]
    C -->|UI/UX设计| H[Designer Agent]
    
    D --> I[结果聚合]
    E --> I
    F --> I
    G --> I
    H --> I
    
    I --> B
    B --> J[最终输出]

各 Agent 能力特征

Sisyphus（协调器）

作为中央调度中心，Sisyphus 负责：

• 意图识别：解析用户需求，判断任务类型和复杂度
• 任务分解：将复杂任务拆分为可并行执行的子任务
• 资源调度：根据任务特征分发给合适的 Agent
• 结果整合：汇总各 Agent 输出，形成最终响应

对模型的要求：需要强推理能力来理解复杂需求，同时要有较好的指令遵循能力。

Oracle（架构顾问）

Oracle 是只读的高 IQ 咨询 Agent，专用于：

• 复杂架构设计：多系统权衡、不熟悉模式咨询
• 深度调试：2+ 次失败修复尝试后的咨询
• 安全/性能决策：涉及安全和性能的重要决策

对模型的要求：最强的推理能力和领域知识，通常需要分配给能力最强的模型。

Librarian（资料检索）

Librarian 专注于外部资源搜索：

• 文档查询：官方 API 文档检索
• 最佳实践：社区最佳实践和模式搜索
• 开源参考：GitHub 等平台的代码示例搜索

对模型的要求：需要良好的信息整合能力，但对推理深度要求相对较低，可分配给成本较低的模型。

Developer（开发者）

Developer 负责代码实现：

• 代码生成：根据需求生成可运行的代码
• 代码重构：优化现有代码结构
• Bug 修复：诊断并修复代码问题

对模型的要求：强编码能力、多语言支持、良好的上下文理解。

Designer（UI/UX 设计）

Designer 专注于界面和体验设计：

• UI 实现：将设计稿转化为代码
• 交互设计：设计用户交互流程
• 视觉优化：美学调整和样式优化

对模型的要求：审美能力、前端技术栈熟练度、对设计规范的理解。

三款模型技术架构对比

GLM4.7（智谱 AI）

模型规格

核心技术特点

MoE 架构优化：GLM4.7 采用稀疏激活的混合专家架构，每次推理仅激活约 9% 的参数。这种设计在保证模型容量的同时显著降低了推理成本，使得大规模参数模型也能在相对有限的硬件资源上运行。

编码能力突出：在 SWE-bench Verified 基准测试中，GLM4.7 获得 73.8% 的分数，处于开源模型第一梯队。其优势体现在：

• 多语言代码生成（支持 Python、Java、C++、JavaScript、Rust、Go 等）
• 前后端全栈开发能力
• UI 设计美学提升，能生成符合现代设计规范的界面代码

上下文处理：202K 的上下文窗口使其能够处理大型代码库和复杂文档，适合长文档分析和多文件项目理解。

Kimi 2.5（月之暗面）

模型规格

核心技术特点

超大规模 MoE 架构：Kimi 2.5 采用 1 万亿参数规模的 MoE 架构，但仅激活 32 亿参数（3.2%），实现了效率与能力的平衡。384 个专家的设计比 DeepSeek-V3 多出 50%，提供了更细粒度的专业知识分布。

原生多模态能力：

• 集成 MoonViT 视觉编码器（400M 参数）
• 支持文本、图像、视频理解
• 15 万亿混合视觉和文本 tokens 预训练

超长上下文处理：支持 256K 标准上下文，扩展模式可达 512K，是处理超长文档、大规模代码库分析的理想选择。

Agent 能力强化：

• 支持智能体群模式
• 可并行执行 1500 个工具调用
• 优秀的任务拆解和多步骤规划能力

MiniMax 2.5

模型规格

核心技术特点

编程能力 SOTA：MiniMax 2.5 在多个编程基准测试中达到业界领先水平：

• SWE-Bench Verified：80.2%（刷新记录）
• Multi-SWE-Bench：51.3%（业界第一）
• BrowseComp（搜索）：76.3%

Agent 专用优化：

• 经过数十万个真实复杂环境的大规模强化学习训练
• 优化的任务拆解能力和 thinking token 效率
• BFCL 工具调用评分：76.8%
• 相比 M2.1 版本，Agent 能力提升 10.6%

成本与速度优势：

• 输出价格：$1.20/百万 token（比 GLM-5 便宜 2.7 倍）
• 推理速度：50-100 TPS
• 连续工作 1 小时仅需 $0.3-$1.0

架构师思维模式：模型演化出了原生 Spec 行为，能够在写代码前主动拆解功能、结构和 UI 设计，实现完整的前期规划。

模型-任务匹配理论框架

匹配维度

基于以上技术特点，我们从以下维度评估模型与任务的匹配度：

匹配原则

1. 能力适配原则：将任务分配给在该领域能力最强的模型
2. 成本效益原则：在保证质量的前提下，优先使用低成本模型
3. 上下文匹配原则：确保模型上下文长度能够覆盖任务需求
4. 速度敏感原则：对响应速度敏感的任务选择推理更快的模型

参考资料

• GLM-4.7 开源大模型实测与 API 接入指南 - GLM4.7 技术细节与实测
• Kimi K2.5 深度分析：1万亿参数多模态智能体的技术突破 - Kimi 2.5 架构详解
• MiniMax M2.5: 更快更强更智能，为真实世界生产力而生 - MiniMax 2.5 技术特性
• MiniMax-M2.5 对比 GLM-5 各擅什么 - 模型对比分析