OpenHarness – 港大开源的轻量级 AI Agent 框架

最近，AI Agent 领域又迎来一个值得关注的新玩家。香港大学数据智能实验室（HKUDS）开源了一个名为 OpenHarness 的轻量级框架。它用纯 Python 实现，代码量仅约 1.2 万行，却复刻了 Claude Code 近 98% 的核心工具能力。对于厌倦了庞大、臃肿的 Agent 框架，又希望保留强大工作流的开发者来说，这或许是一个新的选择。

OpenHarness是什么

简单来说，OpenHarness 是一个旨在“瘦身”的 AI Agent 框架。它的核心目标很明确：在保持强大功能的同时，追求极致的轻量与简洁。项目采用 MIT 许可证，其设计哲学是“Agent Harness”架构，即将大语言模型的“思考”层与“执行”层分离。模型负责决策（What），而框架则负责安全、高效地执行（How）。

最吸引人的一点是它的兼容性。它不仅完美兼容 Anthropic 的 Skills 技能生态和 Claude Code 的插件格式，还能通过简单的环境变量配置，轻松切换到 Kimi、DeepSeek、Ollama 等任何 OpenAI 兼容的模型端点，实现了真正的模型中立。

OpenHarness的主要功能

别看它体积小，功能却相当齐全。其核心能力可以概括为以下几个模块：

：实现了流式工具调用、指数退避重试、并行执行等工业级特性，并内置了实时 Token 计数与成本追踪。它还支持上下文自动压缩和“断点续聊”，让长对话管理更轻松。

：内置了 43 个以上的工具，覆盖了文件 I/O、Shell 命令、Web 搜索、浏览器自动化、MCP 协议、Notebook 编辑等常见场景，宣称复刻了 Claude Code 98% 的工具能力。

：技能以 Markdown 文件形式存在，支持按需加载。它完全兼容 anthropics/skills 官方生态，意味着你可以直接复用社区里上千个现成技能，并利用 Pydantic 进行严格的类型校验。

：项目启动时会自动注入 CLAUDE.md 中的项目规则，并通过 SQLite 持久化保存 MEMORY.md 记忆文件，实现跨会话的记忆留存。上下文管理也支持模板化，更加灵活。

：支持创建子 Agent 并进行任务委派，通过 Swarm 模式进行团队管理。后台任务的生命周期管理也已内置，未来还计划集成 ClawTeam。

：提供了从宽松到严格的四级权限模式（默认、自动、计划、严格），支持路径级规则、命令白名单，甚至交互式审批对话框。通过预执行和后执行工具钩子，可以对敏感操作进行拦截和审计。

：兼容 claude-code/plugins 格式，允许开发者自定义命令、钩子、Agent 类以及集成 MCP 服务器，扩展性很强。

OpenHarness的技术原理

理解其技术原理，就能明白它为何能如此轻量。

：这是其核心思想。框架作为“缰绳”（Harness），将 LLM 这匹“马”的智能与具体的工具执行、记忆存储、安全边界分离开。这种分离带来了清晰的职责划分和完整的可观测性。

：其工作流是经典的 ReAct 模式：LLM 输出 JSON 格式的工具调用指令 → Harness 解析并安全执行 → 流式返回结果给 LLM。循环持续直到模型决定停止。

：整个框架由超过 10 个独立的子系统构成，如引擎、工具注册表、技能加载器、权限治理等。各层通过明确定义的接口解耦，这是其能保持清晰和可维护性的关键。

：这是与 Claude Code 最直观的差异。它用纯 Python 3.10+ 编写，总计 11,733 行代码，仅为 Claude Code 的 1/44。它刻意剔除了企业级应用常见的遥测、OAuth 认证和数百个 React 组件等“臃肿”部分，仅保留一个可选的 React TUI 前端，通过标准输入输出与后端通信。

如何使用OpenHarness

上手 OpenHarness 的步骤非常清晰：

1. 环境准备
   ：确保 Python 版本在 3.10 以上，并通过 pip install uv 安装 uv 包管理器。同时，准备好你的 LLM API 密钥。

2. 安装项目
   ：使用 uv init my-project && cd my-project 初始化项目，然后运行 uv add "hkuds/openharness[cli]" 安装框架和 CLI。

3. 配置密钥
   ：通过环境变量 export ANTHROPIC_API_KEY=sk-... 设置密钥。如果想用 Kimi、DeepSeek 等其他模型，还需额外设置 ANTHROPIC_BASE_URL 指向对应端点。

4. 初始化项目
   ：运行 oh init，它会自动生成 CLAUDE.md（项目规则）和 MEMORY.md（记忆文件）的模板。

5. 启动与体验
   ：使用 oh run --model claude-3.5-sonnet 开始交互，或用 oh demo 快速体验演示任务。

6. 扩展使用
   ：将 .md 技能文件放入指定目录即可自动加载；通过 --permissions strict 参数开启严格管控模式；在 Swarm 模式下进行多 Agent 任务委派。

OpenHarness的项目地址

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

OpenHarness的核心优势

综合来看，OpenHarness 的优势集中在以下几点：

• 极致轻量
  ：44 倍的代码压缩比是其最大卖点，让阅读源码、二次开发和学习 Agent 原理的门槛大幅降低。

• 生态兼容
  ：几乎无缝对接 Claude Code 的工作流和技能生态，对于已有相关经验的开发者来说迁移成本极低。

• 模型中立
  ：不绑定任何特定厂商，通过一个环境变量就能切换后端模型，提供了极大的灵活性。

• 开箱即用的安全
  ：内置了多层权限治理和交互确认机制，在本地运行时可以设定严格模式，让人更放心。

• 测试完备
  ：包含了 114 个单元测试和 6 个端到端测试套件，这在开源 AI Agent 项目中难能可贵，也为代码质量提供了保障。

OpenHarness的关键信息和使用要求

在决定采用前，有几个关键点需要明确：

• 项目状态
  ：由香港大学数据智能实验室于 2026 年 4 月初开源，目前版本为 v0.1.0，处于早期但活跃阶段。

• 技术栈
  ：强制要求 Python 3.10+ 和 uv 包管理器，不支持传统的 pip 直接安装。

• 模型配置
  ：虽然支持多模型，但配置上统一使用 ANTHROPIC_* 系列环境变量来指向不同的端点，需要稍加适应。

• 网络要求
  ：部分工具如网络搜索需要联网，但若完全使用本地模型（如 Ollama），核心功能可离线运行。

OpenHarness的同类竞品分析

要看清 OpenHarness 的定位，最好的方式是与当前主流方案进行对比。

对比维度	OpenHarness (港大 HKUDS)	Claude Code (Anthropic)	OpenClaw (开源社区)
开发方	香港大学数据智能实验室 (HKUDS)	Anthropic (AI 独角兽公司)	原 Clawdbot 团队/开源社区
发布时间	2026 年 4 月 1 日	2025 年 2 月 (v2.1+ 持续迭代)	2025 年 11 月 (Clawdbot) → 2026 年 1 月 (OpenClaw)
代码规模	11,733 行 (Claude Code 的 1/44)	512,000+ 行 TypeScript	430,000+ 行 Node.js
编程语言	Python 3.10+	TypeScript (Bun 运行时)	TypeScript/Node.js
开源许可	MIT	闭源 (2026.3.31 曾意外泄露源码)	MIT
架构设计	Agent Harness 模式：智能层与执行层分离，扁平模块化子系统	多层治理架构：Agent 循环 + 上下文压缩 + 权限控制平面	三层 Hub-and-Spoke：Gateway + Channel + LLM 层
模型支持	任意 OpenAI 兼容端点 (Kimi/DeepSeek/Ollama)	仅 Anthropic 模型 (Claude 4.6/Opus)	多模型 (Claude/GPT/本地模型)
工具能力	43 个工具 (复刻 Claude Code 98%)	40+ 工具 + 85 个斜杠命令	内置工具 + 13,729+ ClawHub 技能
记忆机制	CLAUDE.md + MEMORY.md 跨会话持久化	三层压缩 (Micro/Auto/Full) + Kairos 永久记忆 (泄露版)	SOUL.md 人格定义 + Markdown 记忆
多 Agent 支持	Swarm 模式子 Agent 委派 (Asyncio)	Coordinator 模式 (泄露功能) + 子 Agent 工具	异步多 Agent 工作流 + OpenClaw-RL 强化学习
扩展方式	Skills (Markdown) + Plugins + MCP	Skills + Plugins + MCP + 108 个内部 Feature Flags	Skills (ClawHub) + 50+ 通讯频道
前端交互	React TUI (可选，后端可独立运行)	React + Ink 终端 UI (紧耦合)	WebChat + Control UI + 多平台 Bot
部署模式	本地 CLI / 容器	终端 CLI / 企业托管	自托管 Gateway (Port 18789) / VPS
安全治理	四级权限模式 + Hooks + 路径规则	六级权限模式 + 沙箱 + 分类器模型审核	基础沙箱 + 手动审批 (NanoClaw 提供强化版)
目标用户	AI 研究者、独立开发者、多 Agent 团队	专业开发者、企业团队	隐私优先用户、自动化需求者
成熟度	v0.1.0 早期 (1,300 Stars)	生产级 (数百万用户)	250,000+ Stars，生态庞大

从对比中不难看出，OpenHarness 在“轻量”、“灵活”和“学习成本”上找到了一个独特的平衡点，尤其适合那些希望深入 Agent 内部机制，或需要高度定制化、模型无关解决方案的开发者。

OpenHarness的应用场景

基于其特性，OpenHarness 能在多个场景中发挥作用：

• AI Agent 研究与原型开发
  ：其精简的代码库是研究 Agent 核心机制（如工具调用、记忆、多 Agent 协调）的理想沙盒，避免了从数十万行企业级代码中抽丝剥茧的痛苦。

• 本地私有化智能助手
  ：结合 Ollama 等本地模型，可以在完全离线的环境中部署一个功能强大的代码助手，满足金融、医疗等行业对数据隐私的苛刻要求。

• CI/CD 自动化流水线
  ：其无头模式能输出结构化 JSON，非常适合集成到 GitHub Actions 等 CI/CD 流程中，自动执行代码审查、生成测试用例或更新文档。

• 多 Agent 协作系统
  ：Swarm 模式使得构建一个能分解复杂任务、并行执行的智能团队成为可能，可用于竞品分析、多源信息调研等场景。

• 技能驱动的领域专用工具
  ：通过加载现成的或自建的 Markdown 技能，可以快速打造一个精通特定领域（如数据分析、DevOps）的专属助手。

• 开发者 CLI 工作流增强
  ：直接嵌入终端工作流，用自然语言替代复杂的 Shell 命令，处理文件批量操作、代码重构等日常开发任务，提升效率。

总而言之，OpenHarness 的出现，为 AI Agent 领域提供了一个“小而美”的新选项。它未必适合所有场景，但对于追求可控性、轻量化和模型自由的开发者及研究者而言，无疑是一个值得投入时间探索的框架。