OmO (omo-Befehl): Aufgaben mit mass ulw in einen parallelen Agenten-Graphen zerlegen

OmO fasst alle Fähigkeiten in einem einzigen omo-Befehl zusammen. Die Kernbedienung besteht darin, mass ulw einzugeben, wodurch die gesamte Aufgabe in einen parallel voranschreitenden Agenten-Graphen verwandelt wird. Laut offizieller Beschreibung umfassen die Ergebnisse Recherche über zehntausend Quellen hinweg, eine Präsentation, die Menschen wirklich verstehen, Backends, Frontends und Code.

Für wen es geeignet ist

• Menschen, die eine größere Aufgabe als Ganzes an Agenten übergeben wollen: Zu den offiziellen Beispielen gehören tiefgehende Recherche über tausende Quellen, eine komplette Machine-Learning-Pipeline, eine Migration, die niemand machen will, sowie Backend-, Frontend- und Codeentwicklung.
• Nutzer mit einem Abo bei Claude, ChatGPT, Kimi oder GLM: Der offizielle Text sagt aus, dass /login diese vier Abos abdeckt; ob andere Abos oder API-Zugänge unterstützt werden, ist nicht angegeben.
• Menschen, die im Terminal arbeiten und akzeptieren, dass eine Aufgabe in mehrere parallele Agenten aufgeteilt wird.
• Menschen, die globale und projektspezifische Konfiguration getrennt halten wollen: Die Einstellungen liegen in ~/.omo/omo.jsonc, ein Projekt kann eine eigene .omo/omo.jsonc ergänzen; die nächstgelegene Datei gilt.

Fälle, die nicht passen oder vorher zu bestätigen sind:

• Nutzer, die den npm-Paketnamen omo erwarten, sollten aufpassen: Der offizielle Text stellt klar, dass das omo-Paket auf npm jemand anderem gehört und nichts mit OmO zu tun hat; der Paketname von OmO ist omo-ai.
• Nutzer, die vorab klären müssen, ob omo lokale Dateien liest oder schreibt bzw. lokale Befehle ausführt: Die offizielle Dokumentation äußert sich dazu nicht, eine Aussage ist nicht möglich.
• Der offiziell unterstützte Umfang der Ein- und Ausgabesprachen ist nicht angegeben; gehen Sie nicht davon aus, dass Aufgaben in jeder Sprache unterstützt werden.

Erster Versuch in 3 Minuten

Empfohlener Hauptweg: Das offizielle Paket omo-ai global mit bun installieren; danach steht der omo-Befehl bereit.

bun add -g omo-ai

1. Voraussetzungen: bun ist auf dem Rechner installiert (ohne bun geht stattdessen npm, siehe nächster Schritt), und ein Abo-Konto bei einem der Anbieter Claude, ChatGPT, Kimi oder GLM ist vorhanden.
2. Den obigen Befehl zur Installation ausführen; das Äquivalent für npm-Nutzer ist npm i -g omo-ai, ebenfalls eine im offiziellen Text genannte Methode. Nochmals der Hinweis: Das Paket heißt omo-ai, und nach der Installation erhält man auf beiden Wegen denselben omo-Befehl.
3. Anmeldung: /login ausführen; laut offiziellem Text deckt es Claude-, ChatGPT-, Kimi- und GLM-Abos ab.
4. Eine Aufgabe mit niedrigem Risiko starten: mass ulw eingeben, gefolgt von einer Recherchefrage, etwa dem Auftrag, öffentliches Material zu einem Thema über Quellen hinweg zusammenzutragen. Laut offizieller Beschreibung verwandelt dieses Schlüsselwort die gesamte Aufgabe in einen Agenten-Graphen: Jeder Teil läuft auf dem Modell, das zu ihm passt, wird parallel ausgeführt und geprüft, bevor etwas als fertig gilt.
5. Erfolgssignale beobachten: Der offiziellen Beschreibung zufolge wird die Aufgabe in mehrere parallele Agenten zerlegt, jeder Teil wird nach Fertigstellung einzeln geprüft und am Ende zum Ergebnis zusammengeführt; wenn die Teile parallel voranschreiten und ein geprüftes Gesamtergebnis eintrifft, entspricht das der offiziell beschriebenen Fertigstellung.

Ergänzung: Das offizielle Projekt stellt zusätzlich ein Installationsskript bereit, das die zum System und zur CPU passende native omo-Binärdatei in ~/.local/bin ablegt, sie gegen die Release-Prüfsummen verifiziert und bei unerreichbarem Spiegel auf GitHub Releases ausweicht; dieser Artikel übernimmt den Skript-Befehl nicht, maßgeblich ist die README des Repositories. Für den ersten Versuch wird eine Recherche- oder Analyseaufgabe empfohlen; ob omo lokale Dateien verändert, ist offiziell nicht angegeben – Engineering-Aufgaben bitte zuerst in einer kontrollierten Umgebung prüfen.

Anwendungsfälle

Fall 1: Tiefgehende Recherche über mehrere Quellen.

• Szenario: Eine große Materialmenge für eine Technologieentscheidung oder Brancheneinschätzung sammeln und zusammenführen, etwa öffentliches Material und Bewertungen mehrerer Kandidaten vergleichen.
• Start: In omo mass ulw plus eine Recherchefrage eingeben.
• Workflow: Offiziell deep research over thousands of sources genannt – die Aufgabe wird in einen Agenten-Graphen zerlegt, gräbt sich über tausende Quellen hinweg, und die Teile laufen parallel und werden geprüft.
• Zu erwartendes Ergebnis: Ein nach Teilen geprüftes, zusammengeführtes Rechercheergebnis, das als Grundlage für weitere Entscheidungen dienen kann; ob das Ergebnis im Terminal oder in Dateien landet, ist offiziell nicht angegeben, maßgeblich ist die tatsächliche Ausführung.

Fall 2: Arbeit in eine Präsentation verwandeln oder Engineering-Aufgaben annehmen.

• Szenario: Eine Präsentation, die Menschen wirklich verstehen, oder eine komplette Machine-Learning-Pipeline, eine Migration, die niemand machen will, oder Frontend- und Backend-Code ist nötig.
• Start: Ebenso mit mass ulw plus Aufgabenbeschreibung starten.
• Workflow: Die Aufgabe wird in parallele Agenten zerlegt, jeder Teil nutzt das passende Modell und wird nach Fertigstellung geprüft.
• Ergebnis und Kontrollpunkte: Laut offiziellem Text wird jeder Teil geprüft, bevor er als fertig markiert wird; ob vor dem Erzeugen oder Ändern von Code um Bestätigung gebeten wird und wohin Änderungen geschrieben werden, ist nicht angegeben. Erst in einem kleinen Projekt oder einer Kopie validieren, dann in echter Engineering-Arbeit einsetzen.

Grenzen der Nutzung

• Datei- und Befehlszugriff: Die offizielle Dokumentation sagt nicht, ob omo lokale Dateien liest oder schreibt oder lokale Befehle ausführt, und ob es Bestätigungsaufforderungen gibt; der offiziellen Beschreibung nach greift eine Rechercheaufgabe auf viele externe Quellen zu.
• Nebenwirkungen und Kontrollpunkte: mass ulw zerlegt eine Aufgabe in mehrere parallele Agenten; die konkreten Regeln der „Prüfung vor Abschluss“ sind nicht öffentlich, und daraus lässt sich keine Sicherheitsgarantie ableiten.
• Laufzeitumgebung und Clients: OmO läuft auf senpi, einem Fork von pi; die Anmeldung läuft über /login, und offiziell sind Claude-, ChatGPT-, Kimi- und GLM-Abos gelistet, andere Wege werden nicht genannt. Die Konfiguration liegt in ~/.omo/omo.jsonc, ein Projekt kann eine eigene .omo/omo.jsonc ergänzen; die nächstgelegene Datei gilt.
• Offizielle klare Einschränkung: Das npm-Paket namens omo hat nichts mit diesem Projekt zu tun; verwenden Sie unbedingt omo-ai.
• Noch unbestätigte Kerninformationen: Liste der unterstützten Betriebssysteme, der volle Umfang der Konfigurationsoptionen, der Speicherort der Ergebnisse, der Umfang der Sprachunterstützung sowie Nutzungs- und Abrechnungsregeln – all das ist am offiziellen Repository zu prüfen.