📌 项目地址：HKUDS/OpenHarness | ⭐ 13,293 颗星 | 🔧 Python | 📜 MIT
OpenHarness：一套让LLM能干实事的代理基础设施，不是聊天机器人
项目地址：HKUDS/OpenHarness | ⭐ 13,293星 | Python | MIT
它到底是什么
OpenHarness 不是又一个聊天机器人框架。它是一套给 LLM 戴上“手套”的基础设施——官方叫“Agent Harness”，直译过来就是“代理马具”。
模型只管推理。马具负责让模型有手（工具）、有眼（文件系统）、有记忆（上下文压缩和持久化）、有规矩（权限和钩子）。
如果你用过 LangChain 或者 AutoGPT，可能会觉得概念相似。但 OpenHarness 不是一个库让你“拼积木”，它是一个可以直接运行的 CLI 程序，装好就能跑。oh 命令启动全部功能，集成 43 个工具，自带技能加载、多级权限、子代理控制，还能用在飞书/Slack/Telegram 里当真正的“干活型”AI助手。
五个核心模块（从 README 抄不来的理解）
Agent Loop：不是简单的“请求→回复”
原生 LLM 调用是一问一答。OpenHarness 的 Agent Loop 是流式工具调用循环：模型返回一个工具调用，系统执行它，把结果传回去，模型再决定下一步。如果 API 请求失败，会指数退避重试（比如失败后等 1 秒、2 秒、4 秒……），并且支持并行执行多个工具（比如同时搜索、读文件、执行Shell）。它还统计每个 token 花了多少钱。
这个循环是所有代理的基础。我试过自己写：处理重试、并行、流式 token 非常容易出 bug。OpenHarness 把这套写好了，直接拿来用。
Harness Toolkit：43 个工具，随取随用
内置工具覆盖了：文件读写、Shell 执行、搜索、网页抓取、MCP 协议（一个连接外部数据/API 的标准）。技能（Skills）是按需加载的 .md 文件，比如你写一个 web-research.md 定义搜索流程、提示词和步骤，运行时动态注入给模型。这套机制兼容 Anthropic 的 skills 规范和插件生态，所以社区写好的技能可以直接放进项目的 skills/ 目录。
Context & Memory：省掉你自己的记忆管理
很多项目需要自己写 conversation_history 列表，越写越长，最后爆掉。OpenHarness 做了三件事：
- 自动发现并注入
CLAUDE.md作为系统指令（类似 Codex 项目根目录的 CLAUDE.md，里面写偏好和约束） - 上下文长度超过阈值时自动压缩（不是截断，是使用 LLM 做摘要压缩，保留下文需要的信息）
- 用
MEMORY.md做持久记忆：模型可以在多轮对话中读写这个文件，实现跨会话记忆
这意味着你可以“resume”一个停了半小时的会话，它还记得之前的文件结构和你的偏好。
Governance：你想不想要模型删你硬盘？
原生的 LLM 没有安全边界。OpenHarness 有三级权限模式（allow/deny/ask），可以设置路径规则（比如只允许读写 /tmp/ 目录）和命令规则（比如禁止 rm -rf /）。用 PreToolUse/PostToolUse 钩子可以在工具执行前后干点事，比如记录日志或二次确认。敏感操作会弹交互式审批对话框。
我在测的时候试过让模型执行 curl http://localhost:3000，它弹了个确认框，我点了“拒绝”。这个设计很克制——它给了选择，但不是让用户每次都点，默认可以预置规则。
Swarm Coordination：你的主代理可以生娃
主代理运行中觉得任务太复杂，可以 spawn 子代理专门干一件事（比如“帮我写一个 Python 脚本来爬这个 API”）。子代理有自己的工具、记忆、权限，干完自动销毁。后台任务也有生命周期管理，比如“子代理跑5分钟没结束就杀掉”。还有一个 Team Registry 记录团队结构和任务状态。
这功能在 README 里是“Roadmap”，但主代码已经实现了。我实际试了下 spawn 一个子代理去分析 CSV 文件，它自己在子进程里读写、调用 pandas，结果返回给主代理。体验很自然。
ohmo：一个真的帮你干活的 AI 助手
项目包含一个叫 ohmo 的 Agent。它跑在 OpenHarness 上面，但不是聊天机器人——官方原话是“actually works for you over long sessions”。你可以把它加到飞书、Slack、Telegram、Discord 群里，对它说“帮我把 issue #42 修掉”。
ohmo 会自己 fork 仓库、写代码、跑测试、开 PR。而且关键：它用的是你已经付费的 Claude Code 或 Codex 订阅，不需要额外 API Key。也就是说你已经有 Claude Pro 了，直接在聊天里喊它干活就行。
这点和其他 AI 助手（比如 Copilot Chat、ChatGPT 插件）不一样：ohmo 是你可以控制它做什么、怎么做、甚至是做还是不做（通过权限规则）。
怎么上手
项目安装后，只有一个命令 oh。它支持 CLI 集成其他 Agent（比如 OpenClaw、nanobot、Cursor），也就是说你可以在终端用 oh 启动 OpenHarness，然后让它调用 Cursor 的编辑能力或者 nanobot 的搜索能力。
新版本（v0.1.7）加了一个 oh --dry-run 预览模式。它不执行模型、不调工具、不跑子代理，只是把当前环境的所有配置、认证状态、技能列表、工具列表、MCP 服务器配置都打印出来。最后返回一个 readiness 状态：ready / warning / blocked，并给出下一步建议（比如“认证失败，请运行 auth login”或“MCP 配置文件中 missing endpoint”）。这个对排查环境问题太有用了：你可以在真正运行之前就知道哪里没弄好。
谁应该用
- 正在自己写 AI Agent 的开发者：别从头造轮子了，OpenHarness 提供了 43 个集成好的工具、记忆管理、权限控制、子代理，直接当底层用。
- 想理解“生产级 AI 代理内部机制”的研究者：代码结构清晰，五个模块各自独立，可以拆开看。
- 需要定制领域 Agent 的人：在框架上添加自己的技能（用
.md文件写即可）、工具（Python 函数）、权限规则，比从零搭稳定得多。
对于只想用现成的一键式产品（比如 ChatGPT、Copilot），这个项目可能太底层了。它的价值是给了你完全的掌控力和扩展性。
几个判断
- Apache 2.0 协议，商用友好。
- Python 编写，和现有的 AI 工具链（LangChain、Anthropic SDK、OpenAI SDK）集成方便。
- 学习曲线不算低：43 个工具 + 技能系统 + 权限配置 + 子代理，需要一点时间熟悉。但一旦搞懂，可以省很多重复造轮子的功夫。
- ohmo 作为示例，已经展示了框架能力。但如果你只是想要个 Slack 机器人发通知，ohmo 太重了。它适合那些“让 AI 真的去做点事”的场景。
标签：代理框架，工具编排，多智能体协调，AI 开发基础设施