OpenHarness测评：港大开源AI Agent框架的轻量级优势解析

香港大学数据智能实验室（HKUDS）近期开源了OpenHarness，一个仅用约1.2万行纯Python代码实现的轻量级AI Agent框架。该项目精准复现了Claude Code近98%的核心工具能力，为寻求强大工作流但拒绝框架臃肿的开发者提供了一个高效、简洁的新选择。

OpenHarness是什么

OpenHarness是一个致力于“瘦身”的AI Agent框架，其核心设计目标是在保留强大功能的同时，实现极致的轻量与简洁。该项目采用MIT许可证，其架构哲学是“Agent Harness”模式，即将大语言模型的“思考”决策层与“执行”操作层进行清晰分离。模型专注于决定“做什么”，而框架则负责安全、高效地处理“如何做”。

其突出的兼容性是一大亮点。框架不仅完全兼容Anthropic的Skills技能生态与Claude Code的插件格式，更能通过简单的环境变量配置，无缝切换至Kimi、DeepSeek、Ollama等任何兼容OpenAI API的模型端点，实现了真正的模型中立性。

OpenHarness的主要功能

尽管代码精炼，其功能模块却相当完备：

1. 健壮的 Agent 核心循环：集成了流式工具调用、指数退避重试、并行执行等工业级特性，并内置实时Token计数与成本追踪。同时支持上下文自动压缩与“断点续聊”功能，简化长对话管理。

2. 丰富的工具集：内置超过43个工具，覆盖文件I/O、Shell命令、网络搜索、浏览器自动化、MCP协议、Notebook编辑等高频场景，宣称复刻了Claude Code 98%的工具能力。

3. 即插即用的技能系统：技能以Markdown文件形式存在，支持按需加载。完全兼容anthropics/skills官方生态，可直接复用社区上千个现成技能，并利用Pydantic进行严格的类型校验。

4. 持久的记忆与上下文管理：项目启动时自动注入CLAUDE.md中的项目规则，并通过SQLite持久化保存MEMORY.md记忆文件，实现跨会话记忆留存。上下文管理支持模板化，灵活性高。

5. 多 Agent 协调能力：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已内置，未来计划集成ClawTeam。

6. 细致的权限治理：提供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、命令白名单及交互式审批对话框。通过预执行和后执行工具钩子，可对敏感操作进行拦截与审计。

7. 高度可扩展的插件系统：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，扩展性极强。

OpenHarness的技术原理

理解其技术架构，便能洞悉其轻量化的根源。

架构设计：Harness 模式：这是核心思想。框架作为“缰绳”，将LLM的智能决策与具体的工具执行、记忆存储、安全边界解耦。这种分离带来了清晰的职责划分与完整的系统可观测性。

核心循环：标准的 ReAct：工作流遵循经典的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。循环持续直至模型决定停止。

模块化子系统：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，这是其保持清晰架构与高可维护性的关键。

轻量级工程实现：这是与Claude Code最直观的差异。它采用纯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中常见的遥测、OAuth认证及数百个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的流程非常清晰：

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。如需使用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

综合评估，OpenHarness的优势集中在以下几个方面：

• 极致轻量：44倍的代码压缩比是其最大亮点，大幅降低了阅读源码、二次开发和学习Agent原理的门槛。
• 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而言迁移成本极低。
• 模型中立：不绑定任何特定厂商，通过一个环境变量即可切换后端模型，提供了极大的灵活性。
• 开箱即用的安全：内置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，安全性更高。
• 测试完备：包含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，为代码质量提供了坚实保障。

OpenHarness的关键信息和使用要求

在决定采用前，需要明确几个关键点：

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

从对比中可以看出，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价值：

• 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复杂性。
• 本地私有化智能助手：结合Ollama等本地模型，可在完全离线环境中部署功能强大的代码助手，满足金融、医疗等行业对数据隐私的严苛要求。
• 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模式使得构建能分解复杂任务、并行执行的智能团队成为可能，适用于竞品分析、多源信息调研等场景。
• 技能驱动的领域专用工具：通过加载现成或自建的Markdown技能，可快速打造精通特定领域（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。

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。