MCO
CLI 优先的 AI 编码代理编排层：并行运行你选定的多个代理与模型，对比原始答案后再行动。
按维度查看评分与理由
证据显示有明确的三档执行模式（read_only/write/yolo），yolo 需显式 opt-in，且明确声明 --allow-pathscg 非操作系统沙箱、不自动推断 provider 团队，这些是最小权限与用户确认的良好设计；但敏感数据处理、回滚机制在文件中完全未提及，且核心运行时代码未提供，权限声明的实际实现无法核验，故各扣分。归属方面作者仅为匿名的 'mco maintainers'，npm 包名为个人账号 @tt-a1i，发布者未经核实。
文档声称隔离失败不丢弃成功结果、有机器可读错误契约和版本对齐检查脚本，内部一致性较好；但实际错误处理代码未见，扣分保留。
受众、使用场景、环境（终端/被调用 agent）描述清晰，明确列出 10 个 provider 及其沙箱边界，环境适配描述充分；触发精度仅靠文档断言，未见实现。
文档架构优秀：分层 guides/reference/contracts、双语 README、CHANGELOG/RELEASING 引用、MIT 许可一致、版本对齐检查脚本存在；但 CHANGELOG 内容本身未提供，命名 @tt-a1i/mco 与 org 名 mco-org 不一致略降归属稳定性，已知局限散见各段而非集中清单。
原始答案保留、不做自动归并的设计有明确差异化价值，输出格式（text/JSON/JSONL/Markdown）清晰；成本收益仅定性描述（多 agent 并行的 token 成本），无量化证据。
多数声明可溯源到具体文档和契约文件，CI 工作流佐证测试/打包流程；但核心 runtime 代码与错误契约正文未在证据中，跨源印证受限，事实与推断需谨慎区分。
- 静态审查未执行任何代码：read_only/write/yolo 权限翻译与沙箱行为均未经运行验证，使用前请在 dry-run 下自行确认策略解析结果。
- yolo 模式启用 provider 最宽泛的绕过配置；ACP 终端访问被标为可信 agent 能力——对不可信 prompt/agent 务必使用隔离。
- --allow-paths 不是操作系统级沙箱，并行写入者需自行用非重叠 --target-paths 划分，否则可能产生编辑冲突。
- 发布者身份未核实，npm 包位于个人 scope @tt-a1i 下；安装脚本会向调用方 agent 注入 Skill，建议安装前审查 skills/mco-cli 内容。
- 回滚与敏感数据（如 prompt 中含专有代码的传输与存储）处理未见任何说明，企业环境引入前需自行评估。
这个 Agent 能做什么，适合哪些场景？
MCO（mco-org/mco，MIT 许可）是一个轻量的 CLI 优先编排层，把 Claude Code、Codex、Gemini、Pi 等编码代理组成评审或执行团队。用户用 --providers 显式指定代理团队，MCO 并行调度各提供方，保留每一次调用的完整原始答案与运行状态。它刻意保持答案文本不透明，不会把自然语言输出转换成结论、严重度、置信度或自动决策，判断权留给人。权限通过 read_only / write / yolo 三档执行模式映射到各提供方的原生标志，review 默认只读，run 默认可写。安装后自带 mco-cli Skill，可被 Claude Code、Codex 等调用代理直接使用，也支持以文本、JSON、JSONL、Markdown 产物输出。各提供方 CLI 仍自行负责安装、认证与沙箱，MCO 本身不提供操作系统级沙箱。
MCO 读取 --repo 指定的仓库和 --prompt 提示词，把同一任务并行派发给选定的提供方 CLI（claude、codex、gemini、opencode、qwen、copilot、hermes、pi、grok、cursor），也可用 --agent 按名字/模型组合（如 fast=pi:model-a）。它将一个执行模式翻译为各提供方原生权限标志（read_only、write、yolo），支持 --divide files（文件轮转分片、不重叠）与 --divide dimensions（评审视角轮转）拆分范围，--debate / --synthesize 做辩论与综合，--chain 做基于产物的文件链式传递。输出保留每个调用的原始答案与操作状态，以文本、JSON、JSONL 或 Markdown 产物形式返回；--stream live / l 提供实时或机器可读事件，--dry-run 预览执行计划。提供方进程被隔离在统一的适配器契约之后（detect、run、poll、cancel、transport decode），单个调用失败不会丢弃其他成功答案。mco doctor 检查本机可用代理，mco agent models 发现提供方模型。
- 需要在合并前获得多模型交叉意见的工程师：用 mco review --providers claude,codex,pi 对仓库做只读高风险缺陷评审。
- 想让不同模型分工实现功能的开发者：用 mco run --execution-mode write 加 --divide files 把无重叠的文件范围分给并行写者。
- 在多个模型之间做对比选型或调参的人：用 --agent fast=pi:model-a --agent careful=pi:model-b 对比同一任务的不同模型表现。
- 把多代理评审嵌入 CI 的人员：用 --stream l 获取机器可读事件流与机器可读错误契约。
- 希望由 Claude Code、Codex 等调用代理来驱动 MCO 的用户：安装 mco-cli Skill 后由调用代理读取 mco -h、确认提供方团队再执行。
- 想快速诊断环境的用户：运行 mco doctor -- 检查本机可用的代理与 Skill 健康状况。
这个 Agent 有哪些优点和局限？
- 答案保持原始与不透明：MCO 不伪造结论、严重度或共识评分，评审者看到的是每次调用的完整原文，便于独立判断。
- 覆盖十种内置提供方（claude、codex、gemini、opencode、qwen、copilot、hermes、pi、grok、cursor），且不依赖检测到的二进制自动推断团队，团队选择显式可审计。
- 提供方进程被统一适配器契约隔离，单点失败不丢弃其他成功答案，适合 CI 等对健壮性有要求的场景。
- 权限模型清晰：read_only / write / yolo 三档映射到各提供方原生标志，且 yolo 需显式选择加入。
- 运行依赖每个提供方 CLI 的本地安装、认证与模型访问，MCO 不代管这些，环境准备成本在用户侧。
- --allow-paths 只校验 MCO 请求的范围，不是操作系统级沙箱；沙箱强度取决于底层提供方 CLI，安全边界有限。
- MCO 不创建或管理 worktree；并行写者需自行用不重叠的 --target-paths 分区，否则可能产生编辑冲突。
- hermes oneshot 绕过审批、ACP 终端访问属受信代理能力等特殊路径有额外约束（如必须显式 yolo），采用前需阅读提供方权限参考。
如何安装或部署这个 Agent？
前置条件：Python 3.10+、npm/npx，以及至少一个提供方 CLI（如 claude、codex、pi），其安装与认证由提供方自行负责。安装：
npx @tt-a1i/mco@latest install该命令同时安装 CLI 和捆绑的 mco-cli Skill；如需指定哪些调用代理获得 Skill：
npx @tt-a1i/mco@latest install --agent codex --agent claude-code --yes随后运行 mco doctor -- 检查本机可用代理。从源码开发安装：git clone https://github.com/mco-org/mco.git 后执行 python3 -m pip install -e .。
如何使用这个 Agent？
只读多代理评审：
mco review --repo . --prompt "Review this repository for high-risk bugs." --providers claude,codex,pi可写编码任务：
mco run --repo . --prompt "Implement the requested change and run the relevant tests." --providers codex,pi --execution-mode write单次运行固定模型：
mco review --providers codex,pi --provider-models- '{"codex":"gpt-5.4","pi":{"provider":"seal","model":"deepseek-v4-pro"}}' --prompt "..."预览不执行：加 --dry-run --；实时进度用 --stream live，机器可读事件用 --stream l。若不提供 --providers 或 --agent，则使用顶层 providers 配置作为保存的默认值；都没有则必须显式选择团队。
这个 Agent 与同类方案有什么区别？
README 提到同组织的 Hive（hivehq.dev）作为带持久代理身份和共享任务图的浏览器工作台；若只需要本地 CLI 编排和原始答案对比，MCO 更轻量，若需要持久化任务图可考虑 Hive。