OmO(omo 명령): mass ulw로 작업을 병렬 에이전트 그래프로 분해

OmO는 모든 기능을 하나의 omo 명령으로 모읍니다. 핵심 사용법은 mass ulw를 입력하는 것이고, 그러면 작업 전체가 병렬로 진행되는 에이전트 그래프가 됩니다. 공식 설명에 따른 산출물에는 만 개가 넘는 소스를 아우르는 리서치, 사람이 실제로 이해할 수 있는 덱(프레젠테이션 자료), 백엔드, 프런트엔드, 코드가 포함됩니다.

누구에게 적합한가

• 큰 작업을 통째로 에이전트에 맡기고 싶은 사람: 공식적으로 든 예는 수천 개 소스에 걸친 심층 리서치, 기계 학습 파이프라인 통째, 아무도 하고 싶지 않은 마이그레이션, 그리고 백엔드·프런트엔드·코드 개발입니다.
• Claude, ChatGPT, Kimi, GLM 중 하나를 구독 중인 사용자: 공식은 /login이 이 네 가지 구독을 포괄한다고 명시합니다. 다른 구독이나 API 연동 방식을 지원하는지는 공식적으로 설명되지 않았습니다.
• 터미널 작업에 익숙하고 작업이 여러 병렬 에이전트로 나뉘어 실행되는 것을 받아들일 수 있는 사람.
• 전역 설정과 프로젝트별 설정을 따로 두고 싶은 사람: 설정은 ~/.omo/omo.jsonc에 작성하고, 프로젝트에는 .omo/omo.jsonc를 둘 수 있으며, 가까운 쪽 파일이 적용됩니다.

적합하지 않거나 먼저 확인이 필요한 경우:

• npm 패키지 이름이 omo라고 생각하는 사용자는 주의하세요: 공식은 npm에 있는 그 omo 패키지는 다른 사람의 무관한 패키지이며 OmO의 패키지 이름은 omo-ai라고 분명히 말합니다.
• omo가 로컬 파일을 읽고 쓰는지, 로컬 명령을 실행하는지 사전에 확인해야 하는 사용자: 공식 문서에 이러한 동작이 기재되어 있지 않아 결론을 낼 수 없습니다.
• 지원되는 입력·출력 언어 범위는 공식적으로 설명되지 않았습니다. 어떤 언어의 작업이든 지원된다고 가정하지 마세요.

3분 만에 첫 시도 완료하기

권장 기본 경로: 공식 패키지 omo-ai를 bun으로 전역 설치합니다. 설치가 끝나면 omo 명령을 사용할 수 있습니다.

bun add -g omo-ai

1. 전제 조건: 머신에 bun이 설치되어 있고(bun이 없으면 npm을 대신 사용할 수 있습니다. 다음 단계 참조), Claude, ChatGPT, Kimi, GLM 중 하나의 구독 계정이 준비되어 있어야 합니다.
2. 위 명령을 실행해 설치합니다. npm 사용자용 동등 명령은 npm i -g omo-ai이며, 이 역시 공식 원문이 제시하는 방식입니다. 다시 강조합니다: 패키지 이름은 omo-ai이고, 어느 쪽으로 설치해도 얻는 것은 같은 omo 명령입니다.
3. 로그인: /login을 실행합니다. 공식은 Claude, ChatGPT, Kimi, GLM 구독을 포괄한다고 명시합니다.
4. 저위험 작업 시작하기: mass ulw 뒤에 리서치성 질문을 붙여 입력합니다. 예를 들어 어떤 주제의 공개 자료를 여러 소스에서 정리하게 하는 식입니다. 공식 설명에 따르면 이 키워드는 작업 전체를 에이전트 그래프로 바꿉니다. 각 부분은 자신에게 맞는 모델에서 실행되고, 병렬로 진행되며, 완료라고 불리기 전에 검사를 받습니다.
5. 성공 신호 관찰하기: 공식 설명에 따르면 작업은 여러 병렬 에이전트로 분해되고, 각 부분은 완료될 때마다 하나씩 검사되며, 마지막에 산출물로 종합됩니다. 각 부분이 병렬로 진행되고 검사를 마친 종합 결과를 받는다면, 그것은 공식이 설명하는 완료 방식에 부합합니다.

참고: 공식은 별도의 설치 스크립트도 제공합니다. 이 스크립트는 OS와 CPU에 맞는 네이티브 omo 바이너리를 ~/.local/bin에 넣고, 릴리스 체크섬과 대조해 검증하며, 미러에 접근할 수 없으면 GitHub Releases로 폴백합니다. 이 글에는 해당 스크립트 명령을 싣지 않았으므로 저장소 README를 기준으로 하세요. 첫 시도는 리서치·분석 유형의 작업을 권합니다. omo가 로컬 파일을 수정하는지 공식적으로 설명되지 않았으므로, 엔지니어링 유형의 작업은 먼저 통제 가능한 환경에서 확인하세요.

사용 사례

사례 1: 여러 소스에 걸친 심층 조사.

• 시나리오: 기술 선택이나 업계 판단을 위해 대량의 자료를 수집·통합합니다. 예를 들어 여러 후보 안에 대한 공개 자료와 평가를 비교합니다.
• 시작: omo에서 mass ulw 뒤에 리서치 질문을 붙여 입력합니다.
• 워크플로: 공식은 이를 deep research over thousands of sources라고 부릅니다. 작업은 에이전트 그래프로 나뉘고, 수천 개 소스를 깊이 파고들며, 각 부분이 병렬로 실행되고 검사됩니다.
• 기대할 수 있는 결과: 부분별 검사를 거쳐 종합된 리서치 산출물로, 이후 판단의 초안으로 쓸 수 있습니다. 산출물이 터미널에 나오는지 파일로 저장되는지는 공식적으로 설명되지 않았으며 실제 실행을 따릅니다.

사례 2: 작업을 덱으로 만들거나 엔지니어링 작업 수행하기.

• 시나리오: 사람이 실제로 이해할 수 있는 프레젠테이션 자료, 또는 기계 학습 파이프라인 통째, 아무도 하고 싶지 않은 마이그레이션, 프런트엔드·백엔드 코드가 필요한 경우.
• 시작: 마찬가지로 mass ulw에 작업 설명을 붙여 시작합니다.
• 워크플로: 작업은 병렬 에이전트로 나뉘고, 각 부분은 자신에게 맞는 모델을 사용하며, 완료 시 검사를 받습니다.
• 결과와 확인 포인트: 공식은 각 부분이 완료로 표시되기 전에 검사된다고 말합니다. 그러나 코드를 생성하거나 수정하기 전에 확인을 요청하는지, 변경 사항이 어디에 기록되는지는 공식적으로 설명되지 않았습니다. 실제 엔지니어링에 쓰기 전에 작은 프로젝트나 사본에서 검증하세요.

사용 한계

• 파일·명령 접근: 공식 문서는 omo가 로컬 파일을 읽고 쓰는지, 로컬 명령을 실행하는지, 확인 프롬프트가 있는지 설명하지 않습니다. 공식 설명에 따르면 리서치 유형 작업은 다수의 외부 소스에 접근합니다.
• 부작용과 확인 포인트: mass ulw는 작업을 여러 병렬 에이전트로 나눕니다. “완료 전 검사”의 구체적인 규칙은 세부가 공개되지 않았으며, 이를 근거로 어떠한 안전 보장도 추론할 수 없습니다.
• 실행 환경과 클라이언트: OmO는 senpi(pi의 포크)에서 실행됩니다. 로그인은 /login에 의존하며, 공식이 열거한 것은 Claude, ChatGPT, Kimi, GLM 네 가지 구독이고 다른 경로 지원 여부는 설명되지 않았습니다. 설정은 ~/.omo/omo.jsonc에 작성되고, 프로젝트에는 .omo/omo.jsonc를 둘 수 있으며, 가까운 쪽 파일이 적용됩니다.
• 공식의 명시적 제한: npm에서 omo라는 이름의 패키지는 이 프로젝트와 무관하며, 반드시 omo-ai를 사용해야 합니다.
• 아직 확인되지 않은 핵심 정보: 지원 운영체제 목록, 설정 항목 전체, 산출물 저장 위치, 언어 지원 범위, 사용량과 과금 규칙은 모두 공식 저장소를 기준으로 확인해야 합니다.