OpenHarness：港大开源轻量级AI智能体驾驭框架，一键解锁工具调用与多智能体协同

一、OpenHarness是什么

OpenHarness（简称oh）是由香港大学数据科学研究院（HKUDS） 数据智能实验室开源的轻量级AI智能体驾驭框架（Agent Harness），核心定位是为大语言模型（LLM）提供完整的运行时基础设施，将普通LLM快速转化为具备工具调用、记忆管理、安全治理、多智能体协同能力的全能AI助手。

该项目于2026年4月1日正式发布，采用MIT开源协议，完全免费可商用。其设计理念是“模型即智能体，代码即驾驭”（The model is the agent. The code is the harness.），不训练新模型，而是专注于为已有大模型构建高效、安全、可扩展的“骨架”，解决智能体开发中工具集成、记忆管理、安全管控、循环执行等通用痛点。

OpenHarness最大亮点在于极致轻量化：仅用1.17万行Python代码、163个文件，实现了Claude Code（51.2万行TypeScript代码）约98%的工具覆盖能力、61%的命令覆盖能力，体积缩小44倍，同时保持完整的智能体核心能力与高度兼容性，兼容Anthropic官方Skills技能包、Claude Code插件生态，支持任意大模型（OpenAI、Kimi、DeepSeek、通义千问、本地Ollama模型等）接入。

二、功能特色

OpenHarness构建了10大核心子系统，覆盖智能体全生命周期能力，功能特色可归纳为6大核心维度：

1. 完整智能体循环（Agent Loop）

作为框架核心，实现“思考→调用工具→执行→观察结果→再决策”的标准智能体闭环，具备三大关键能力：

• 流式工具调用：边思考边执行工具，实时反馈结果，提升交互效率；

• 稳定执行保障：带指数退避的API重试机制、并行工具执行、令牌计数与成本追踪；

• 自动生命周期管理：支持会话恢复、上下文自动压缩、步骤计数与超时控制。

2. 丰富工具与技能生态

• 43+内置核心工具：全覆盖文件IO、Shell执行、Web搜索、数据爬取、图表生成、MCP协议、任务管理、代码编辑、网络请求等场景；

• 40+按需加载技能：基于Markdown文件动态加载，兼容anthropics/skills生态，涵盖代码提交、测试、安全审查、文档生成等专业技能；

• 插件化扩展：支持自定义工具、事件钩子、智能体类型，兼容12+官方Claude Code插件，扩展能力无上限。

3. 多级记忆与上下文管理

• 双层记忆架构：工作记忆（实时管理对话上下文）+ 持久记忆（MEMORY.md文件跨会话存储）；

• 上下文优化：自动上下文压缩（突破Token限制）、会话历史管理、多轮对话续接；

• CLAUDE.md自动注入：自动发现项目目录下的CLAUDE.md文件，注入项目规范、接口文档等上下文。

4. 全链路安全与权限治理

• 多级权限控制：路径级文件管控、命令执行范围限制、工具调用白名单；

• 沙箱隔离机制：独立执行空间，防止恶意操作，保障本地环境安全；

• 交互式审批：工具调用前弹窗确认，敏感操作二次验证；

• 全链路可观测：操作日志、Token消耗、成本统计、实时状态监控。

5. 多智能体协同能力

• 团队化协作：支持创建子智能体、任务委派、角色分工、信息共享；

• 复杂任务调度：多智能体并行执行、结果汇总、冲突协调；

• 层级化管理：主智能体统筹、子智能体专项执行，适配大型任务拆解。

6. 极简使用与交互体验

• 一键启动：单命令oh即可启动完整智能体环境，支持3种使用模式：

• 交互式TUI（React终端界面）：日常开发对话，可视化命令选择、权限弹窗；

• 单次提问模式：oh -p "任务指令"，快速执行单任务；

• 脚本集成模式：嵌入Python代码，批量自动化执行；

• 跨平台兼容：支持Windows、Mac、Linux全系统，Python 3.10+即可运行；

• 零配置上手：内置默认配置，支持API密钥自动读取、模型自动适配。

三、技术细节

1. 核心架构设计

OpenHarness采用模块化、低耦合、高内聚的架构，拆分为10个边界清晰的子系统，每个模块带完整Pydantic类型校验与权限检查：

2. 技术栈与依赖

• 核心语言：Python 3.10+（异步asyncio、类型注解）

• 前端交互：React + Ink（终端UI框架）

• 数据校验：Pydantic 2.0+（工具输入/输出、配置校验）

• 工具依赖：requests（网络）、pyyaml（配置）、rich（终端格式化）、aiofiles（异步文件）

• 测试体系：pytest（114+单元测试）、6套E2E测试套件

• 部署支持：Docker容器化、本地直接运行、无云服务依赖

3. 核心技术亮点

1. 轻量化复刻：1.1万行代码实现Claude Code核心能力，代码量减少97.7%，性能无明显损耗；

2. 模型无关设计：抽象网关层，支持OpenAI、Anthropic、Kimi、DeepSeek、通义千问、Ollama本地模型等任意LLM接入，通过--api-format参数切换协议；

3. 流式处理优化：全链路异步流式，工具调用结果实时返回，减少用户等待时间；

4. 安全沙箱：基于系统权限隔离+路径白名单，双重保障文件与命令执行安全；

5. 生态兼容：100%兼容Anthropic Skills技能包、Claude Code插件，降低迁移成本。

四、应用场景

OpenHarness凭借轻量化、全功能、高安全特性，适配个人开发、企业生产、学术研究三大核心场景，覆盖10+细分领域：

1. 个人开发者场景

• AI编程助手：替代GitHub Copilot、Claude Code，支持本地代码编辑、调试、重构、文档生成；

• 自动化办公：文档处理、数据整理、报表生成、邮件发送、日程管理；

• 本地数据处理：隐私数据清洗、分析、可视化，避免数据上传云端；

• 命令行增强：Shell命令智能补全、复杂任务自动化执行。

2. 企业级应用场景

• 企业AI助理：客户服务、数据分析、报表生成、内部系统操作；

• DevOps自动化：服务器运维、日志分析、部署监控、故障排查；

• 内容创作：文案撰写、翻译、润色、短视频脚本生成；

• 私有部署智能体：金融、医疗、政务等敏感领域，本地部署保障数据安全；

• 多智能体团队：大型项目拆解、多人协作任务、跨部门流程自动化。

3. 学术研究场景

• AI智能体架构研究：快速实验不同智能体决策逻辑、工具调用策略；

• 安全机制验证：测试权限管控、沙箱隔离、恶意操作防护效果；

• 多智能体协同研究：探索团队协作、任务分配、冲突解决机制；

• 轻量化模型适配：为小参数模型补充工具能力，降低部署成本。

4. 其他创新场景

• AI教育工具：编程教学、实验指导、作业批改；

• 嵌入式智能体：边缘设备、IoT设备轻量化AI助手；

• 开源项目赋能：为开源软件添加AI交互能力，提升用户体验。

五、使用方法

1. 环境准备

• 系统要求：Windows 10+/macOS 10.15+/Linux（Ubuntu 20.04+）

• Python版本：3.10及以上（推荐3.11+）

• 依赖安装：

# 检查Python版本
python --version
# 安装OpenHarness
pip install openharness
# 验证安装
oh --version

2. 快速启动（3种模式）

模式1：交互式TUI（推荐）

# 直接启动，自动读取环境变量API密钥
oh
# 或指定模型与API密钥
oh --api-key sk-xxx --model gpt-4o
# 支持本地Ollama模型
oh --api-format openai --base-url http://localhost:11434/v1 --model llama3

启动后进入React终端界面，支持：

• 自然语言对话输入

• 工具调用自动弹窗确认

• 会话历史查看与恢复

• 多智能体创建与管理

模式2：单次提问模式

# 单命令执行任务
oh -p "分析当前目录代码，列出3个优化点"
# 指定输出格式
oh -p "生成项目README文档" --output README.md

模式3：脚本集成模式

# Python代码嵌入
from openharness import OpenHarness

# 初始化
agent = OpenHarness(
  api_key="sk-xxx",
  model="gpt-4o",
  tools=["file", "shell", "search"] # 启用指定工具
)

# 执行任务
result = agent.run("分析data.csv数据，生成可视化图表")
print(result)

3. 核心配置

• API配置：支持环境变量（OPENAI_API_KEY、ANTHROPIC_API_KEY）或命令行参数

• 工具配置：~/.openharness/config.yaml配置工具白名单、权限路径

• 记忆配置：MEMORY.md存储持久记忆，CLAUDE.md注入项目上下文

• 权限配置：

# 权限示例
permissions:
 file:
  allow_paths: ["./projects", "./data"]
  deny_paths: ["/etc", "~/.ssh"]
 shell:
  allow_commands: ["ls", "grep", "git"]
  deny_commands: ["rm -rf", "sudo"]

4. 自定义扩展

添加自定义工具

from pydantic import BaseModel, Field
from openharness.tools.base import BaseTool, ToolResult

class WeatherInput(BaseModel):
  city: str = Field(description="城市名称")

class WeatherTool(BaseTool):
  name = "weather"
  description = "获取城市天气"
  input_model = WeatherInput

  async def execute(self, context, input: WeatherInput) -> ToolResult:
    # 调用天气API
    return ToolResult(success=True, data=f"{input.city}：晴天，25℃")

# 注册工具
agent.register_tool(WeatherTool())

加载自定义技能

创建skills/my_skill.md：

# 技能：项目文档生成
## 描述
自动生成项目技术文档、API文档、使用手册
## 输入
- project_path: 项目路径
- doc_type: 文档类型（tech/api/user）
## 执行
1. 读取项目代码与配置
2. 分析模块与接口
3. 生成对应格式文档

启动时自动加载：oh --skills-dir ./skills

六、竞品对比

选取Claude Code（官方原型）、LangChain（主流框架）、AutoGPT（经典智能体） 三大同类产品，从核心维度对比：

1. 核心指标对比表

2. 核心差异分析

OpenHarness vs Claude Code

• 优势：完全开源、本地部署、模型无关、轻量化、二次开发简单、兼容插件生态；

• 劣势：沙箱安全强度略低、企业级支持不足；

• 选型建议：需要本地部署、研究魔改、多模型适配选OpenHarness；追求稳定生产选Claude Code。

OpenHarness vs LangChain

• 优势：极简使用（一键启动）、轻量化（内存占用<200MB）、智能体循环原生优化、安全治理完善；

• 劣势：生态工具数量少于LangChain、复杂链支持较弱；

• 选型建议：快速构建智能体、本地隐私场景选OpenHarness；需要海量工具集成、复杂流程开发选LangChain。

OpenHarness vs AutoGPT

• 优势：流式执行、稳定可靠、权限安全、多智能体协同、交互体验佳；

• 劣势：自主决策能力较弱、依赖模型指令理解；

• 选型建议：稳定工具调用、安全可控场景选OpenHarness；实验性自主智能体选AutoGPT。

七、常见问题解答

Q：OpenHarness支持哪些大模型？

A：支持所有兼容OpenAI/Anthropic协议的大模型，包括OpenAI GPT系列、Kimi、DeepSeek、通义千问、文心一言、Llama 3、本地Ollama模型等，通过--api-format参数切换协议即可。

Q：本地部署是否需要GPU？

A：不需要。OpenHarness仅作为框架运行，模型调用依赖云端API或本地Ollama，框架本身CPU即可流畅运行，内存占用<180MB。

Q：如何保障本地文件安全？

A：内置多级权限管控：1. 路径白名单/黑名单配置；2. 文件操作交互式审批弹窗；3. Shell命令白名单；4. 沙箱隔离执行；5. 全链路操作日志记录。

Q：是否支持Windows系统？

A：完全支持Windows 10及以上版本，支持PowerShell、WSL环境，工具与权限功能与Mac/Linux一致。

Q：如何添加自定义工具/技能？

A：工具通过Python类继承BaseTool实现并注册；技能通过Markdown文件编写，放置在skills目录自动加载，详细步骤见官方文档。

Q：记忆数据存储在哪里？

A：持久记忆存储在当前目录MEMORY.md文件，上下文记忆在内存中，会话结束后自动同步到文件，支持跨会话恢复。

Q：与OpenClaw、nanobot的关系？

A：OpenHarness是底层驾驭框架，OpenClaw、nanobot是基于OpenHarness开发的CLI智能体应用，可直接通过oh命令集成使用。

Q：生产环境是否稳定可用？

A：项目已通过114+单元测试、6套E2E测试，支持生产环境，但敏感场景建议配合权限严格配置与监控。

Q：如何更新到最新版本？

A：执行pip install --upgrade openharness即可更新，更新后执行oh --version验证版本。

Q：是否支持离线使用？

A：支持离线模式：1. 接入本地Ollama模型；2. 禁用网络工具；3. 仅使用本地文件/Shell工具，完全离线运行。

八、相关链接

• GitHub仓库：https://github.com/HKUDS/OpenHarness

九、总结

OpenHarness作为香港大学数据科学研究院开源的轻量级AI智能体驾驭框架，以极致轻量化设计、完整核心能力、高度安全管控与极简使用体验，重新定义了AI智能体开发的基础设施标准，通过1.1万行Python代码高效实现了Claude Code的核心能力，同时突破模型绑定、闭源限制、本地部署等痛点，兼容任意大模型与Anthropic生态，内置43+工具、多级权限、持久记忆与多智能体协同功能，一行命令即可启动完整智能体环境，既满足个人开发者快速构建AI助手的需求，也适配企业私有部署、学术研究验证的场景，凭借开源开放、安全可控、高效易用的核心优势，成为AI智能体开发领域极具竞争力的轻量化解决方案，为开发者提供了低门槛、高效率、高安全的智能体开发新选择。