APM-Packages/apm-omos-agent-teams-v3.md

APM, Agent-Teams und das kleine Problem namens Realität

Wie APM-Packages um Agent Team-Empfehlungen erweitert werden können – mit oh-my-opencode-slim als erstem konkretem Target.

Ein Austauschformat so selbsterklärend wie in die Videospiele der 90er. Einfach Einlegen und Abspielen. Aktuell hat diese Vision mit der Realität des AI-Agenten-Ökosystems wenig zu tun. Nur die Gefahr des Vendor-Lock-Ins bleibt bestehen. Heute beginnt das Abenteuer zunächst als Textadventure.

Was willst du tun? (Instruktionen)

Wie soll es erledigt werden? (Skills)

Womit soll es erledigt werden? (Werkzeuge, MCP-Abhängigkeiten)

Wie soll das Agenten-Team zusammengesetzt sein?

Welche Modellkonfiguration sollen die Agenten erhalten? (Modell, Variante, Temperature, … pro Subagent)

Welche Untermenge der Werkzeuge erhalten die jeweiligen Agenten? (MCP-per-Subagent)

Welches Orchestrierungsmuster soll verwendet werden?

Was folgt, ist der klassische programmer Move: Man automatisiert (mittlerweile AI-unterstützt) in nur 10 Stunden erfolgreich eine Aufgabe die man händisch in 10 Minuten hätte erledigen können. Selbstverständlich ist all das praktisch nicht portabel, denn will man seinen mühsam definierten Workflow mit Freunden und Kollegen teilen muss alles passen. Welcher Harness soll verwendet werden? Sind die Modelle verfügbar und falls nein, kann ich sie substituieren? ...

Harnesskonfiguration

Kann das nicht jemand anderes erledigen?

Bevor es apt, yum oder pacman gab, war Software-Installation unter Unix vor allem eins: Handarbeit. Man lud sich den Quellcode als Tarball herunter, entpackte ihn irgendwo, konfigurierte, tippte make und hoffte auf das Beste.

Bevor es Docker gab, war das Ausrollen von Software ein heilloses Durcheinander aus Versionskonflikten, fehlenden Bibliotheken und dem klassischen „Runs on my Machine“.

Genau das machen wir heute mit Agenten-Frameworks. Wir kopieren Prompt-Templates per Hand in .codex/ oder .opencode/ Ordner, passen JSON-Dateien an und beten, dass das verwendete Modell die System-Prompts versteht. Ein Package soll mehr sein als ein Ordner voller Prompts. Wenn ich apm install <package> ausführe, will ich nicht nur Dateien in .opencode/ oder .codex/ kopiert bekommen – ich will ein funktionierendes Setup, das weiß, wie es arbeiten soll. Welche Rollen braucht diese Aufgabe? Welcher Agent recherchiert, welcher schreibt, welcher misstraut? Und welches Modell darf welche Rolle übernehmen, ohne dass ich das nach jeder Installation von Hand in einer Config zurechtbastle? Kann ich nicht einfach einen ACP-Client meiner Wahl auf meinen Agenten richten und mich darauf verlassen, dass MCPs, Skills, Dependencies, Orchestrierung usw. mit dem Auschecken eines Pakets bereits erledigt sind?

graph LR
    subgraph Package Registry
        A[Skills] --> B[Package]
        C[Instructions] --> B
        D[MCP-Abhängigkeiten] --> B
    end

    subgraph Bridge
        B -->|deklarative Empfehlung| E[Adapter]
    end

    subgraph Harness
        E --> F[Agenten-Team]
        E --> G[Modellkonfiguration]
    end

    style B fill:#f9f,stroke:#333
    style E fill:#bbf,stroke:#333

Ein Package Registry liefert Skills, Instructions, MCP-Abhängigkeiten und eine deklarative Empfehlung für ein Agenten-Team. Ein Harness-spezifischer Adapter übersetzt diese Empfehlung in die lokale Team- und Modellkonfiguration.

Das Ökosystem heute

Der Agenten-Stack entwickelt sich gerade mit der Geschwindigkeit eines explodierenden Werkzeugschuppens. Jeden Monat erscheint ein neues Manifest, ein neues Plugin-Format oder eine neue Orchestrierungsebene. Alles löst einen legitimen Teil des Problems. Fast nichts passt nahtlos zusammen. Das ist kein Vorwurf. Es ist der normale Zustand eines jungen Ökosystems. Der interessante Teil beginnt dort, wo die bestehenden Stücke bereits ausreichen, um eine sinnvolle Brücke zu bauen.

Die vorhandenen Formate lassen sich grob in fünf Gruppen einteilen.

Ebene	Beispiele	Zuständigkeit
Portable Komponenten	Agent Plugins	Skills und MCP-Server verteilen
Dependency Management	APM	Packages, Lockfile, Policies, Deployment
Team-Komposition	Spawnfile, Harness-Configs	Rollen, Delegation, Agentenbeziehungen
Runtime-Profile	oh-my-opencode-slim Presets	Modelle und Optionen je Agent
Governance	Agent Manifest	Identität, Grenzen, Verantwortung, Auditierbarkeit

Was fehlt, ist ein allumfassendes YAML-Format.

Ein paar Worte zu CrewAI

One Standard to rule them all? Ja genau das scheinen sich die Entwickler von CrewAI gedacht zu haben und tatsächlich: "CrewAI is rapidly becoming the standard for production-ready agentic automation". So steht es jedenfalls auf ihrer Website wobei >50.000 GitHub Sterne zeigen, dass das Projekt durchaus über Momentum verfügt. CrewAI löst die fehlende Standardisierung nicht durch Übersetzung zwischen Harnessen, sondern indem es die komplette Ausführungsschicht selbst besitzt: Agenten, Tasks, Tool-Aufrufe, State, Prozesse und Delegation laufen in der CrewAI-Runtime.

Damit scheidet es für unsere weiteren Überlegungen allerdings aus, denn CrewAI integriert die Welt in eine Runtime und nicht umgekehrt. Unser Ziel ist ein Format zu finden, dessen Pakete sich in die vorhandene Welt integrieren.

Agent Plugins

Agent Plugins 1.0 definiert ein bewusst kleines, portables Plugin-Format. Im Kern enthält ein Plugin eine plugin.json und kann Skills sowie MCP-Server bereitstellen. Erweiterungen sind möglich, müssen aber im extensions-Block über einen Reverse-Domain-Namespace isoliert werden. Das ist sehr gut für Interoperabilität. Ein Skill bleibt ein Skill. Ein MCP bleibt ein MCP. Der Standard versucht nicht, die Laufzeit eines jeden Agentenframeworks zu regieren. Offen bleiben jedoch Dependencies, getestete Versionen, Teamrollen, Modellprofile und die Aktivierung im konkreten Harness.

APM

APM besetzt die nächste Ebene: Package- und Dependency-Management für Agent-Kontext. Ein APM-Manifest kann Abhängigkeiten auf andere APM-Packages, MCP-Server und LSP-Server beschreiben. APM verwaltet Auflösung, Lockfile und Installation. Über Targets kompiliert es Primitives in Harness-spezifische Dateien. Das native opencode-Target installiert Skills, Agents und Commands in die passenden .opencode/-Pfade.

name: acme/research-assistant
version: 1.0.0
type: hybrid

targets:
  - opencode
  - omos

dependencies:
  apm:
    - acme/base-engineering
  mcp:
    - name: repository-search
      registry: false
      transport: stdio
      command: repository-search-mcp
      tools: [search_code, read_file]

APM beantwortet damit: Welche Artefakte gehören zusammen? Welche Versionen wurden zusammen getestet? Welche MCPs werden benötigt? Wohin werden Skills und Instructions installiert?

Was APM aktuell nicht standardisiert beschreibt, ist Team-Semantik: Rollen, Delegation, Modell-Empfehlungen und Aktivierung eines Team-Profils.

Spawnfile

Spawnfile adressiert die Teamachse. Agenten und Teams können deklarativ mit Rollen, Zuständigkeiten, Kommunikationswegen und Subagenten beschrieben werden. Die offene Stelle liegt bei Dependencies und Verteilung: Ein Team-Manifest installiert keine versionierten Skills, MCPs und Policies. Gültige Ziele sind momentan Spawnfile v0.1 ist ausdrücklich für autonome, langlebige Agent-Runtimes gedacht. Spawnfile listet OpenCode als Runtime – aber mit Status exploratory: Kein Adapter, kein generiertes opencode.json, kein .opencode/. Tatsächlich wird in v0.1 für keine Runtime ein natives Team-Artifact compiliert; Teams degradieren immer zu Kontext-Dokumenten in Agent-Workspaces.

Oh My Opencode Slim

Die wilde Welt der Agent-Harnesses

Wenn es um Multi-Agent-Orchestrierung geht, sieht die aktuelle Landschaft aus wie ein Experimentierfeld nach einem Chemieunfall. Jeder Harness hat seine eigene Vorstellung davon, wie Subagenten funktionieren sollten – und keine davon ist mit den anderen kompatibel.

Claude Code kennt Custom Subagents als Markdown-Dateien und experimentiert mit Agententeams, bei denen mehrere Claude-Instanzen über eine gemeinsame Task-List kommunizieren. GitHub Copilot definiert Custom Agents als SDK-Konfiguration mit TypeScript oder Python und bietet Fleet Mode für parallele Ausführung. Codex setzt auf ein Coordinator-Pattern, bei dem ein Hauptagent Tasks an spezialisierte Subagents delegiert. oh-my-opencode-slim wiederum arbeitet mit Presets und Custom Agents, die zur Laufzeit umgeschaltet werden können.

Das Ergebnis: Vier verschiedene Formate, vier verschiedene Delegationsmechanismen, vier verschiedene Wege, Modelle und MCPs pro Agent zu konfigurieren. Niemand hat sich auf ein gemeinsames Protokoll geeinigt. Jeder baut sein eigenes Ding.

Harness	Subagenten-Typ	Team-Unterstützung	Modell pro Agent	MCP pro Agent	Skill pro Agent	Delegation
oh-my-opencode-slim	Custom Agents + Built-in	❌ Nein (nur Presets)	✅ Ja (pro Preset)	✅ Ja (mcps-Array)	✅ Ja (skills-Array)	Automatisch via Orchestrator
Claude Code	Custom Subagents (.md-Files)	✅ Ja (Agent Teams, experimental)	✅ Ja (model-Feld)	✅ Ja (mcpServers-Feld)	✅ Ja (skills-Feld)	Automatisch + explizit
GitHub Copilot	Custom Agents (SDK)	⚠️ Teilweise (Fleet Mode)	✅ Ja (model-Feld)	✅ Ja (mcpServers-Feld)	✅ Ja (skills-Feld)	Automatisch via Intent-Matching
Codex	Multi-Agent V2	⚠️ Teilweise (Coordinator-Pattern)	✅ Ja	✅ Ja	✅ Ja	Explizit via Coordinator

Genau dafür hat Microsofts APM das targets-Feld vorgesehen. Es ist die ehrliche Antwort auf die Frage: „Wie deployen wir Agent-Kontext in eine Welt, in der jeder Harness seine eigenen Regeln hat?" Die Antwort lautet: Wir definieren Targets für jeden Harness und übersetzen das Package in das jeweilige Format.

Oder, weniger diplomatisch: Weil sich kein einziger der großen Player die Mühe gemacht hat, mit den anderen zu reden, bevor sie ihr Agenten-System gebaut haben, müssen wir jetzt für jeden von ihnen einen eigenen Übersetzer schreiben.

Claude Code macht es so. Copilot macht es anders. Codex hat wieder eine eigene Vorstellung. Und der Rest? Macht sein eigenes Ding. Das targets-Feld ist damit ein Eingeständnis: Niemand wird sich einigen. Also bauen wir Brücken zu allen. Stand August 2026 sieht APM laut Schema folgende Werte als Ziele vor: copilot, claude, grok-build, cursor, opencode, codex, gemini, antigravity, windsurf, kiro, agent-skills.

Damit klafft hier bereits die erste Lücke, denn was fehlt, ist ein allumfassendes YAML-Format. Wir können also warten bis dieser Standard definiert ist, oder wir bauen uns selbst eine kleine Kompositionsschicht. Für Oh My Opencode Slim nenne ich diesen Adapter im Folgenden omos. omos ist dabei ein Design für eine Erweiterung bzw. ein Sidecar-Tool. Es ist heute kein offiziell eingebautes APM-Target.

flowchart LR

    AP[Skills und MCPs] -->|Agent Plugins| PK[Package-Inhalt]

    APM[Dependencies, Lockfile, Installation] -->|APM| PK

    SF[Rollen und Teamstruktur] -->|Spawnfile/OMOS Community Presets| TM[Team-Modell]

    OMOS[oh-my-opencode-slim] -->|OMOS Community Presets| RT[aktive Runtime]

    PK -. fehlende Verbindung .-> TM

    TM -. fehlende Verbindung .-> RT

Die APM-OMOS-Idee

Oh My Opencode Slim ist ein schlankes, optimiertes Open-Source-Plugin für OpenCode, das auf Multi-Agenten-Orchestrierung ausgelegt ist und sitzt nahe an der Runtime. Sein Preset-System kann je Agent Modell, Temperatur, Variante und provider-spezifische Optionen setzen. Presets werden in der Config definiert und über den /preset-Befehl ausgewählt.

{
  "presets": {
    "deep-review": {
      "orchestrator": { "model": "ollama/qwen3.6:35b-a3b-q4_K_M" },
      "oracle": { "model": "ollama/qwen3.6:35b-a3b-q4_K_M", "variant": "thinking" },
      "librarian": { "model": "ollama/qwen3.5:9b" }
    }
  }
}

Das beantwortet die Frage, wie unterschiedliche Rollen unterschiedliche Modellprofile erhalten. Es fehlt die Herkunft: Welches Package empfiehlt dieses Team? Welche Skills und MCPs gehören dazu? Welche Version wurde getestet?

Ein APM-Package bleibt Source of Truth für Skills, Instructions, MCP-Abhängigkeiten, Versionen, Dependency-Closure und Policies. Zusätzlich enthält es ein Team-Profil als Empfehlung für Harness-Adapter.

schema: acme.team-profile/v1
id: acme.document-research
description: Team-Profil für Recherche, Erstellung und Qualitätsprüfung quellenbasierter Dokumente.

roles:
  - id: orchestrator
    purpose: Zerlegt Aufgaben, delegiert, integriert Ergebnisse
    model_class: strong-generalist
  - id: researcher
    purpose: Sammelt und bewertet Quellen
    model_class: fast-research
    capabilities:
      mcps: [websearch, openviking]
      skills: [job-matching]
  - id: writer
    purpose: Erstellt strukturierte Dokumententwürfe
    model_class: strong-writing
    capabilities:
      mcps: [sharelatex]
      skills: [application-writing]
  - id: checker
    purpose: Prüft Quellenbezug, Konsistenz und Vollständigkeit
    model_class: high-reasoning
    capabilities:
      mcps: [openviking]
      skills: [application-review]

Das Profil verwendet Modellklassen wie high-reasoning statt konkreter Modell-IDs. Der Nutzer hinterlegt in einer lokalen Mapping-Tabelle, welche Modell-IDs für welche Modellklasse verwendet werden sollen.

# ~/.config/apm-team/model-mapping.yaml
model_classes:
  strong-generalist: ollama/qwen3.6:35b-a3b-q4_K_M
  fast-research: ollama/qwen3.5:9b
  strong-writing: ollama/qwen3.6:35b-a3b-q4_K_M
  high-reasoning: ollama/qwen3.6:35b-a3b-q4_K_M

Diese Tabelle ist bewusst trivial. Sie ist kein intelligentes Routing und keine Policy-Engine. Der Nutzer entscheidet einmal, welches Modell seine Klasse „schnelle Recherche" oder „starkes Reasoning" erfüllt – und der Adapter übersetzt nur noch nach.

Was omos macht

omos ist der Übersetzer zwischen Team-Profil und oh-my-opencode-slim. Er liest installierte APM-Packages, findet Team-Profile, schlägt Modellklassen gegen die lokale Mapping-Tabelle nach und generiert Presets unter einem entsprechenden Namespace für das Projekt.

flowchart TD
    P[APM Package: team-profile.yaml] --> O[omos liest]
    M[~/.config/apm-team/model-mapping.yaml] --> O
    O -->|Prüfe| X{Alle Modellklassen gemappt?}
    X -->|Nein| E[Fehler: fehlendes Mapping für Rolle Y]
    X -->|Ja| G[Generiere OMOS-Preset mit konkreten Modell-IDs]
    G --> V[Validiere: Modelle in OMOS verfügbar?]
    V -->|Nein| F[Fehler: Modell Z nicht im OMOS-Setup]
    V -->|Ja| C[Schreibe .opencode/oh-my-opencode-slim.json]
    C --> D[Fertig]

omos rät nicht. Er übersetzt deterministisch:

1. Team-Profil lesen (Modellklassen + MCP/Skill-Capabilities).
2. Lokale Mapping-Tabelle laden (Modellklasse → konkrete Modell-ID).
3. OMOS-Preset generieren (konkrete Modell-IDs + MCP/Skill-Allowlists).
4. Validieren: Sind die Modelle im OMOS-Setup verfügbar?
5. Preset in .opencode/oh-my-opencode-slim.json schreiben.

Mehrere Packages, ein Projekt

Jedes Profil erhält eine globale, stabile ID wie acme.job-applications, acme.security-audit oder acme.code-review. omos merged Presets anhand dieser IDs. Das aktive Team wird nicht durch die letzte Installation gewählt.

flowchart LR
    A[Package: Job Applications] --> M[Preset Merge]
    B[Package: Security Audit] --> M
    C[Package: Code Review] --> M
    M --> P[Projekt-Preset-Registry]
    P --> U[Nutzer oder expliziter Workflow]
    U --> S[/preset acme-job-applications + Reload]

Beispiel: Autobewerber als Team-Package

Ein Bewerbungsassistent eignet sich gut als Beispiel, weil er alle Ebenen gleichzeitig berührt: Web-Recherche, personenbezogene Daten (das Kandidatenprofil), Dokumentenproduktion in LaTeX, Qualitätsprüfung und Benachrichtigungen. Der Mechanismus bleibt derselbe für Code-Review, Sales Research, Compliance oder Incident Response.

Konkret arbeite ich hier mit einem real existierenden Setup: Das Package job-application bringt eine Skill für Stellenrecherche und maßgeschneiderte Bewerbungsunterlagen mit. Es nutzt zwei MCP-Server:

• OpenViking als Langzeitgedächtnis für das Kandidatenprofil (Skills, Erfahrungen, persönliche Daten)
• ShareLaTeX zur Erstellung und Kompilierung der Anschreiben und Lebensläufe

Dazu kommen OpenCodes native Tools für Web-Recherche (websearch, webfetch).

Rollen und OMOS-Mapping

Fachliche Rolle	OMOS-Rolle	Zweck
Koordination	orchestrator	Zerlegt Aufgaben, delegiert, integriert
Recherche	librarian (Alias researcher)	Sucht und bewertet Stellen
Schreiben	Custom Agent writer	Erstellt Anschreiben und Unterlagen
Prüfung	oracle (Alias checker)	Prüft Fakten, Ton, Vollständigkeit
Benachrichtigung	Custom Agent notifier	Informiert den Nutzer

Was OMOS tatsächlich begrenzen kann

OMOS bietet pro Agent zwei brauchbare Kontrollflächen:

1. MCP-Zugriff (mcps-Array)
2. Skill-Zugriff (skills-Array)

Beides kann je Agent in einem Preset als Allowlist formuliert werden. [] bedeutet keine Freigabe; bei Konflikten gewinnt die Verweigerung.

Das generierte OMOS-Preset für unser Beispiel sieht dann so aus:

{
  "$schema": "https://unpkg.com/oh-my-opencode-slim@latest/oh-my-opencode-slim.schema.json",
  "presets": {
    "acme-job-applications": {
      "orchestrator": {
        "model": "ollama/qwen3.6:35b-a3b-q4_K_M",
        "mcps": [],
        "skills": ["job-application"]
      },

      "librarian": {
        "displayName": "researcher",
        "model": "ollama/qwen3.5:9b",
        "mcps": ["websearch", "openviking"],
        "skills": ["job-application"]
      },

      "writer": {
        "model": "ollama/qwen3.6:35b-a3b-q4_K_M",
        "mcps": ["openviking", "sharelatex"],
        "skills": []
      },

      "oracle": {
        "displayName": "checker",
        "model": "ollama/qwen3.6:35b-a3b-q4_K_M",
        "variant": "thinking",
        "mcps": ["openviking"],
        "skills": []
      },

      "notifier": {
        "model": "ollama/gemma4:12b",
        "mcps": [],
        "skills": []
      }
    }
  }
}

Damit erhält der Researcher keinen ShareLaTeX-Zugang. Der Writer sieht keine Job-Suchtools, darf aber auf Profilfakten zugreifen und in ShareLaTeX arbeiten. Der Checker kann Fakten gegen das Profil prüfen, aber nichts produzieren oder senden. Der Notifier bekommt gar keine externen Zugriffe.

Die wichtige Einschränkung

mcps und skills schützen nur den Zugriff auf genau diese zwei Ebenen. Die Aussage „der Agent darf niemals eine Bewerbung absenden" benötigt Verteidigung in mehreren Schichten:

Schicht	Durchsetzung
OMOS-Rollenprompt	Klare Verhaltensregel: nie einreichen
OMOS MCP-Allowlist	Submission-MCP gar nicht zuweisen
MCP-Server selbst	Submission-Tool verlangt Approval-Token
Workflow-State	submit nur aus Zustand user_approved erlaubt
OpenCode-/Sandbox-Policy	Schreib-, Shell- und Browserrechte begrenzen
User Interface	Explizite, sichtbare Freigabe vor jeder Außenwirkung

In unserem Beispiel existiert der Submission-Schritt schlicht nicht: Der Workflow endet bei kompilierten ShareLaTeX-Projekten und Projektlinks für den Nutzer. Die Bewerbung wird vom Menschen selbst abgeschickt. Damit ist die härteste Grenze bereits durch Architektur gezogen – nicht durch Prompt-Hoffnung.

Sobald man automatisches Absenden möchte (z. B. über ein Bewerbungsportal), braucht es einen eigenen Submission-MCP mit Approval-Token:

notification-draft       → darf Entwurf erzeugen
notification-send        → braucht userApprovalId
application-submit       → braucht userApprovalId + applicationDraftId

Und im Backend:

sequenceDiagram
    participant C as Checker
    participant N as Notifier MCP
    participant U as Nutzer
    participant S as Submission MCP

    C->>N: createDraftNotification(applicationDraftId)
    N-->>U: Stelle gefunden, Entwurf geprüft
    U->>U: Prüft PDF und Fakten
    U->>S: approve(applicationDraftId)
    S-->>S: issue userApprovalId
    U->>S: submit(applicationDraftId, userApprovalId)
    S-->>U: Bewerbung eingereicht

Der Notifier kann dann technisch niemals eine Bewerbung absenden, weil er keinen Submission-MCP besitzt und das Submission-Backend einen vom Nutzer stammenden Freigabenachweis verlangt.

Das Team-Profil

schema: acme.team-profile/v1
id: acme.job-applications
description: Human-in-the-loop-Team zur Recherche, Vorbereitung und Prüfung individueller Bewerbungsunterlagen.

roles:
  - id: orchestrator
    purpose: Zerlegt Aufgaben, delegiert, integriert Ergebnisse
    model_class: strong-generalist
    capabilities:
      mcps: []
      skills: [job-application]

  - id: researcher
    purpose: Sucht und bewertet Stellenausschreibungen gegen das Kandidatenprofil
    omos_agent: librarian
    model_class: fast-research
    capabilities:
      mcps: [websearch, webfetch, openviking]
      skills: [job-application]

  - id: writer
    purpose: Erstellt auf Fakten basierende Anschreiben und Lebensläufe in ShareLaTeX
    omos_agent: custom
    model_class: strong-writing
    capabilities:
      mcps: [openviking, sharelatex]
      skills: []

  - id: checker
    purpose: Prüft Fakten, Ton und Vollständigkeit gegen das Profil
    omos_agent: oracle
    model_class: high-reasoning
    capabilities:
      mcps: [openviking]
      skills: []

  - id: notifier
    purpose: Informiert den Nutzer über fertige Entwürfe
    omos_agent: custom
    model_class: cheap-reliable
    capabilities:
      mcps: []
      skills: []

Die lokale Mapping-Tabelle:

# ~/.config/apm-team/model-mapping.yaml
model_classes:
  strong-generalist: ollama/qwen3.6:35b-a3b-q4_K_M
  fast-research: ollama/qwen3.5:9b
  strong-writing: ollama/qwen3.6:35b-a3b-q4_K_M
  high-reasoning: ollama/qwen3.6:35b-a3b-q4_K_M
  cheap-reliable: ollama/gemma4:12b

Das generierte OMOS-Preset wurde oben bereits gezeigt. Die Aktivierung läuft dann so:

apm install tbi/APM-Packages
omos render --harness omos   # schreibt .opencode/oh-my-opencode-slim.json
opencode                      # Start lädt die Projekt-Config

Im TUI:

/preset acme-job-applications
# Apply → schreibt Preset-Namen in die Config
# Reload OpenCode → Team ist aktiv

Der Nutzer erhält danach keine unsichtbare Bewerbungsmaschine. Er erhält ein explizit aktiviertes, nachvollziehbares Team mit klaren Zuständigkeiten.

Wie das heute beginnen kann

Die Idee muss nicht auf eine APM-Spec-Änderung warten.

Ein erster Prototyp braucht nur drei Bausteine:

1. Ein normales APM-Package Skills, Instructions und MCP-Abhängigkeiten werden über APM installiert.

2. Ein Team-Profil als zusätzliche Package-Datei Zum Beispiel team-profile.yaml, mit versioniertem Schema und eindeutiger ID.

3. Ein omos Sidecar-CLI Es liest die installierten Packages, generiert namespacete OMOS-Presets und validiert Konflikte.

APM selbst muss dafür zunächst keine unbekannten Targets akzeptieren. Tatsächlich kennt das aktuelle Manifest nur einen festen Satz dokumentierter Targets; unbekannte Zielnamen führen zu einem Fehler.

Das Sidecar ist daher der pragmatische Anfang. Es kann als externes Tool reifen, Daten über realistische Nutzung liefern und später als offizieller APM-Adapter oder als Erweiterung im APM-Ökosystem landen.

Der Kern

Die Idee lautet nicht: „APM wird jetzt ein Multi-Agent-Framework."

APM soll sein, was es gut kann: Package-Management für Agent-Kontext.

oh-my-opencode-slim soll sein, was es gut kann: konkrete Rollen, Modelle und Laufzeit-Presets verwalten.

Dazwischen liegt ein kleines, wertvolles Stück Infrastruktur:

Ein APM-Package beschreibt nicht nur, welche Fähigkeiten installiert werden. Es kann auch erklären, welches Team diese Fähigkeiten sinnvoll verwendet.

Damit wird ein Package vom Ordner voller Skills zu einem reproduzierbaren Arbeitsmodell:

• versionierte Rollen;
• überprüfbare Tool-Zugriffe;
• lokale Modell-Policies;
• mehrere Teams pro Projekt;
• explizite Aktivierung;
• menschliche Freigabe an kritischen Grenzen.

Und das ist wesentlich nützlicher als ein weiterer „autonomer Agent", der nach drei Minuten Browserzugriff beschließt, dass er nun Personalabteilung spielen darf.