omni
Agente AI auto-alojado open-source para empresas que conecta herramientas existentes como Google Workspace, Microsoft 365 y Slack. Realiza tareas transversales con contexto corporativo, respuestas fundamentadas con citas y ejecución sandboxeada de código.
Ficha actualizada 28 sept 2026, 5:06 · upstream 28 sept 2026, 4:53 · release v0.1.25
Qué es omni
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Omni es un agente de inteligencia artificial diseñado para ejecutarse en infraestructura propia, permitiendo a las empresas mantener el control sobre sus datos mientras automatizan flujos de trabajo empresariales. Conecta con herramientas que la organización ya utiliza, incluyendo Google Drive, Gmail, Slack, Jira, HubSpot y sistemas internos, permitiendo consultas unificadas sin cambiar de plataforma.
El sistema utiliza PostgreSQL con ParadeDB para búsqueda completa de texto BM25 y pgvector para búsqueda semántica, todo dentro de una sola base de datos. Los servicios principales están escritos en Rust para optimizar rendimiento en indexación y orquestación de conectores, mientras que Python maneja la ejecución del agente y la orquestación de modelos. La interfaz web utiliza SvelteKit.
La arquitectura incluye ejecución de código sandboxeada con restricciones de Landlock, límites de recursos y sistema de archivos solo lectura para seguridad. Soporta múltiples proveedores de modelos incluyendo Anthropic, OpenAI, Gemini, AWS Bedrock y endpoints compatibles con la API de OpenAI como vLLM o Ollama.
- Investigar incidentes técnicos consultando documentación interna, tickets de Jira y registros en Slack para generar informes estructurados
- Analizar datos empresariales conectando hojas de cálculo, bases de datos internas y documentos almacenados en Google Drive o SharePoint
- Responder preguntas sobre políticas corporativas con citas a fuentes específicas de Confluence, Notion o intranets propias
- Automatizar tareas repetitivas como crear tickets en Jira desde Slack, actualizar documentación o generar reportes periódicos
- Auditar accesos y permisos consultando logs de sistemas internos mientras respeta las restricciones de seguridad existentes
- Arquitectura monolítica con PostgreSQL que elimina la necesidad de Elasticsearch o bases de datos vectoriales dedicadas, reduciendo complejidad operativa
- Ejecución sandboxeada de código Python y bash en contenedores aislados con Landlock para prevenir accesos no autorizados a servicios internos
- Conectores modulares escritos en diferentes lenguajes sin afectar el núcleo del sistema, permitiendo integraciones personalizadas con SDKs disponibles
- Soporte nativo para múltiples proveedores de modelos LLM incluyendo endpoints compatibles con la API de OpenAI para máxima flexibilidad
- Búsqueda híbrida combinando BM25 y vectores en una sola base de datos PostgreSQL optimizada con ParadeDB
- Licencia Apache 2.0 que permite uso empresarial, modificación y redistribución sin restricciones de propiedad intelectual
- No incluye Dockerfile ni docker-compose por defecto según análisis técnico, requiriendo configuración manual o uso de scripts externos para despliegue
- La ejecución sandboxeada limita la capacidad del agente para interactuar con servicios externos o internet directamente desde el entorno de código
- Dependencia de PostgreSQL como única base de datos centralizada puede convertirse en punto único de fallo en entornos de alta disponibilidad
- Los conectores empresariales requieren configuración manual de credenciales y permisos por cada integración, sin autenticación centralizada automática
- La interfaz web no incluye documentación detallada sobre escalado horizontal o particionamiento de datos para grandes volúmenes corporativos
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Recomendaciones: Utilizar Docker Compose para despliegues iniciales en servidores únicos. Para producción, considerar Terraform con AWS/GCP según la documentación oficial. Asegurar al menos 4 núcleos CPU, 8GB RAM y 30GB disco como mínimo. Configurar red Docker aislada para el sandbox de ejecución de código. Implementar backups automáticos de PostgreSQL antes de producción. Verificar compatibilidad del endpoint de LLM con la API de OpenAI si se usa proveedor personalizado.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.