Omni：开源企业级 AI Agent，让工作流工具真正「互通」

当 Slack 消息、Jira 工单和 Google Drive 文档散落在不同角落

想象一个场景：周一早上，产品经理突然在 Slack 里问你："上个月那个客服工单分析报告，发我一下。"你翻了半天 Slack 记录、打开了 Jira、又去 Google Drive 找了半天，最后在一个月前的文档里才找到。这种「信息在工具里，人在工具之间跑来跑去」的痛苦，是每个中大型企业都在经历的问题。

Omni 就是来解决这个问题的——它是一个开源、自托管的企业级 AI Agent，能够连接公司已有的所有工具（Google Drive、Slack、Confluence、Jira、HubSpot……），在一个对话界面里帮你找到答案、分析数据、甚至替你执行跨系统的任务。

图：Omni 的 AI 助手界面，可以在一个对话窗口里调用多种工具获取上下文信息（来源：GitHub 仓库）

---

背景：从 Glean 的痛点出发

Omni 的创始人在 Hacker News 上分享过创业初衷：很多中大型企业想要类似 Glean（企业搜索+AI 平台）的体验，但 Glean 是 SaaS 服务——数据要上传到第三方服务器。对于金融、医疗、法律等数据敏感行业，这是不可接受的合规风险。

Omni 的定位就是做一个完全自托管的开源替代品：

• 数据永远留在自己的服务器
• 支持部署在本地数据中心、私有云或任何隔离环境
• 没有任何厂商绑定

2025 年 9 月项目开源，2026 年初获得社区关注，迅速成为企业 AI Agent 赛道的热门开源项目。

---

核心技术：Postgres 一站式解决搜索难题

Omni 最独特的技术决策是只用 Postgres 一种数据库。

传统的企业 AI 搜索方案通常需要维护： Elasticsearch（全文搜索）+ Pinecone/Qdrant（向量数据库）+ PostgreSQL（业务数据）。三个系统意味着三套运维、三套备份、三套监控。

Omni 通过 PostgreSQL + ParadeDB + pgvector 的组合，把三种能力合为一体：

能力	技术实现
全文搜索	ParadeDB（Postgres 内置 BM25，无需 Elasticsearch）
向量语义搜索	pgvector（Postgres 扩展）
业务数据存储	原生 Postgres

这样企业只需要维护一个数据库实例，运维复杂度大幅降低。这也是 Omni 在架构宣传中反复强调的核心卖点。

---

架构解析：Rust + Python + SvelteKit 的三角组合

Omni 的代码库采用 Monorepo 结构，核心由三种语言组成：

Rust（核心服务层）

• services/searcher：搜索服务，处理 BM25 + pgvector 混合查询
• services/indexer：索引服务，负责从各连接器拉取数据并建立索引
• services/connector-manager：连接器编排器，管理所有插件的生命周期
• services/sandbox：代码执行沙箱，运行用户提交的 Python/bash 代码

Rust 的选择主要出于性能和内存效率考虑——搜索和索引是高 IO 场景，Rust 的零成本抽象和优秀并发模型非常适合。

Python（Agent 运行时）

• services/ai：AI 推理编排，支持 Anthropic、OpenAI、Gemini 等多模型调用
• connectors/*：各工具的连接器实现（Google Drive、Slack、Jira、Confluence 等，均为 Python）

Python 连接器的优势是开发效率高，AI 领域生态丰富，大模型 API 调用（Anthropic Messages API / OpenAI Chat Completions）用 Python 实现最为自然。

SvelteKit（Web 前端）

• 完整的对话式 AI 助手界面
• 统一搜索界面
• 支持浅色/深色模式

---

亮点功能：不止是搜索

1. 权限感知的上下文索引

Omni 并不是简单地把所有文档都索引一遍就完事。它会继承源系统的权限体系——你在 Omni 里搜到的内容，永远不会超出你在 Google Drive 或 Confluence 里原本有权限访问的范围。这解决了企业 AI 搜索最敏感的合规问题。

2. 带引用的可信回答

当 Omni 回答"上个月有哪些高优先级客服工单"时，它不仅给出答案，还会标注每个信息来自哪个文档、哪条 Slack 消息——用户可以一键溯源，避免 AI 幻觉带来的误导。

3. 沙箱代码执行

Omni 的 Agent 可以执行用户提交的 Python 或 bash 代码来完成数据分析任务。这个执行环境是完全隔离的：

• 使用 Linux Landlock 强制文件系统限制
• 容器 root 文件系统为只读
• 有 CPU/内存资源上限
• 无法访问内部服务或互联网

相当于给 AI 发了一个「受限的 Linux 虚拟机」，安全边界明确。

4. 20+ 工具连接器，开箱即用

官方已提供连接器：Google Workspace、Microsoft 365、Slack、Jira、Confluence、HubSpot、Notion、GitHub、Linear、ClickUp、Nextcloud、Paperless-ngx、IMAP、Fireflies……基本上覆盖了主流企业工具链。每个连接器独立容器部署，互不影响。

5. MCP 协议支持

除了自带连接器，Omni 还支持 MCP（Model Context Protocol） 协议，可以接入任何兼容 MCP 的工具生态。

---

部署体验：Docker Compose 一键启动

Omni 提供了完整的 Docker Compose 配置，包含 15+ 个容器：

postgres (ParadeDB)  → 搜索+向量+业务数据
redis                → 缓存+消息队列
web                  → SvelteKit 前端 (port 3000)
searcher             → Rust 搜索服务
indexer              → Rust 索引服务
ai                   → Python AI 推理服务
sandbox              → 代码执行沙箱
connector-manager    → Rust 连接器编排
google-connector     → Google Workspace 连接器
slack-connector      → Slack 连接器
atlassian-connector  → Jira + Confluence 连接器
...（10+ 更多连接器）
caddy                → 反向代理 + HTTPS

官方 .env.example 提供了详细的配置模板，包括每个容器的 CPU 资源限制。单服务器部署建议 4 核 CPU + 8GB 内存以上。

对于生产环境，官方还提供 Terraform 配置，支持一键部署到 AWS 或 GCP。

---

局限性：不回避的问题

1. Postgres 单库瓶颈

虽然「只用 Postgres」降低了运维复杂度，但 ParadeDB + pgvector 对复杂查询的并发处理能力是否有天花板，官方也承认「大型组织需要实际测试」——这是 Omni Beta 阶段最被社区关注的技术问题之一。

2. 部署门槛依然不低

Docker Compose 虽然「一键」，但 15+ 个容器意味着企业需要有基本的容器化运维能力。对于完全没有 DevOps 经验的团队，初期配置和调试仍需要一定时间。

3. 连接器质量参差不齐

官方提供 20+ 连接器，但部分连接器（如 Darwinbox、WindShift）明显是为特定客户定制开发的，企业实际使用时可能需要自己扩展或调整。

---

总结：开源企业 AI Agent 的重要里程碑

Omni 的出现，标志着企业级 AI Agent 开源生态的一次重要补全。它解决了三个核心矛盾：

• 数据隐私 vs. AI 能力：完全自托管，数据不出内网
• 功能强大 vs. 运维简单：Postgres 一库 + Docker Compose 一键部署
• 通用平台 vs. 企业定制：连接器 SDK 支持构建公司特定集成

如果你所在的企业在用 Glean、Workplace Search 或类似的 SaaS AI 工具，又对数据主权有要求，Omni 值得关注。如果你的团队有 Docker 部署能力，Omni 的上手门槛也在可控范围内。

开源地址：https://github.com/getomnico/omni 许可证：Apache 2.0