如果之前看过我写的 Harness 相关内容，那这篇我就不再重复解释“什么是 Harness”了。

这次介绍的是一个新开源项目：OpenHarness。

香港大学数据科学研究所（HKUDS） 开源的 OpenHarness，4 月 1 日刚发布、已斩获 5k+ Star，还在飞速攀升。

一开始我以为会是又一个新的 Harness 框架，但我实际看了才发现根本不一样。

不同于之前我介绍的 OpenSpec、ECC、Trellis 这类项目。OpenHarness 本身就是一套可运行的、实现 Harness 架构的 Agent Runtime。

说得再简单一些，你可以理解成是更类似于 ClaudeCode/Codex，但是又在上层直接集成了 Harness 的新 TUI。

当然，身为 cc/codex 党，暂时还没有切换工具的打算。

所以我看到的第一反应不是“OpenHarness 能帮我做到什么程度”，而是：

又出现了一个可以认真拆架构的 Harness 实现。

---

先做个整体介绍

它的项目Readme直接写了它的定位：Open Agent Harness。

从公开资料看，这个项目覆盖的不是单点能力，而是一整套 Agent 运行时链路：Agent Loop、43+ 工具、Skills、Memory、权限、Hooks、Tasks、多代理协调、CLI/TUI、插件生态系统。

我看这类项目有个很朴素的习惯：
先不听它讲得多牛逼，先看三件事——实际上手难度、支持什么能力、能做到什么程度

OpenHarness 在这三件事上，至少第一眼看过去是成立的。

它的结构也比较清楚，没有那种“功能很多，但不知道核心在哪”的感觉。项目里基本能看到几层很明确的划分：

• engine：负责 Agent Loop
• tools：负责工具注册和执行
• skills：负责按需加载知识
• plugins：负责扩展
• permissions / hooks：负责治理
• memory / tasks / coordinator：负责长期运行和协作
• ui：负责 CLI 和 TUI

说白了，它不是在回答“怎么做一个会调工具的聊天框”，而是在回答：

如果把 Agent 当成一个真正的系统，它的 Harness 底座应该怎么搭。

---

先说安装和上手

最简单的安装方式是一条脚本：

curl -fsSL https://raw.githubusercontent.com/HKUDS/OpenHarness/main/scripts/install.sh | bash

如果你想直接从源码装，也可以：

git clone https://github.com/HKUDS/OpenHarness.gitcd OpenHarnessuv sync --extra dev

依赖要求也比较标准，这些如果缺失的可以自行安装：

• Python 3.10+
• uv
• Node.js 18+（如果要用 React TUI）
• 一个可用的模型 API Key

后面按照终端的提示，或者在~/.openharness/settings.json 目录中进行环境配置。

# 这里是举例了kimi的接入export ANTHROPIC_BASE_URL=https://api.moonshot.cn/anthropicexport ANTHROPIC_API_KEY=your_kimi_api_keyexport ANTHROPIC_MODEL=kimi-k2.5

这里说一个坑，由于现在项目刚刚开始发展，版本号还处于 0.1.x 版本。如果你想试用的话，我建议主要使用 Linux/MacOS，至少截止4月6号，我自己在 Windows 上，包括 WSL 上都尝试了会报错。

---

不只局限于做个聊天壳

最直接的方式就是进交互模式：

uv run oh或者venv启动的话可以直接使用 oh 指令进入

如果你只是想丢一个 Prompt 测试，也很简单：

oh -p "解释这个代码库"

如果你想把它接到自动化流程里，它也支持结构化输出：

oh -p "列出main.py中的所有函数" --output-format json

或者流式 JSON：

oh -p "解决登录失败的问题" --output-format stream-json

这一点我还算是比较有意思。

因为很多项目的实际使用方式还是停留在“命令行聊天”，OpenHarness 至少已经把几种典型场景都考虑进去了：

• 人在回路里的交互式使用
• shell 脚本里的自动化调用
• 程序对程序的结构化消费

---

Provider 支持

OpenHarness 支持三种主流供应商 API 形态：

• Anthropic
• OpenAI-compatible
• GitHub Copilot

以我们最常用的 OpenAI 兼容模式为例，你可以这么切：

uv run oh --api-format openai \  --base-url "https://dashscope.aliyuncs.com/compatible-mode/v1" \  --api-key "sk-xxx" \  --model "qwen3.5-flash"

也可以走环境变量（当然也可以像前面说的在配置文件中配置）：

export OPENHARNESS_API_FORMAT=openaiexport OPENAI_API_KEY=sk-xxxexport OPENHARNESS_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1export OPENHARNESS_MODEL=qwen3.5-flashuv run oh

不局限于单一模型的这个思想，其实有点类似 OpenCode，但是又有些许不同。至少没有把自己绑死在某个模型供应商上。

---

特色能力部分

OpenHarness 官方文档里已经比较清楚列举了，整体还是以 Harness 体系构建为核心，我就直接拿来了。

🔧 工具（43+）

类别	工具	描述
文件输入输出	敲击、阅读、写作、编辑、glob、grep	带权限检查的核心文件操作
搜索	WebFetch、WebSearch、ToolSearch、LSP	网页和代码搜索功能
笔记本	笔记编辑	Jupyter笔记本单元编辑
代理人	代理、发送消息、TeamCreate/Delete	子代理生成与协调
任务	任务创建/获取/列表/更新/停止/输出	后台任务管理
MCP	MCPTool，ListMcpResources，ReadMcpResource	模型上下文协议集成
模式	进入计划模式、退出计划模式、工作树	工作流程模式切换
赛程	CronCreate/List/Delete， RemoteTrigger	定时执行与远程执行
元文化	技能、配置、简报、睡眠、AskUser	知识加载、配置与交互

每个工具都具备：

• pydantic 输入验证——结构化、类型安全输入
• 自描述 JSON 模式——模型会自动理解工具
• 权限集成——每次执行前检查
• 钩子支持 — PreToolUse/PostToolUse 生命周期事件

📚 技能系统

技能是按需知识——仅在模型需要时加载：

Available Skills:- commit: Create clean, well-structured git commits- review: Review code for bugs, security issues, and quality- debug: Diagnose and fix bugs systematically- plan: Design an implementation plan before coding- test: Write and run tests for code- simplify: Refactor code to be simpler and more maintainable- pdf: PDF processing with pypdf (from anthropics/skills)- xlsx: Excel operations (from anthropics/skills)- ... 40+ more

兼容人类/技能——只需复制文件到。.md``~/.openharness/skills/

🔌 插件系统

兼容 claude 代码插件。测试了 12 个官方插件：

插件	类型	它的作用
commit-commands	指挥	git提交、推送、PR工作流程
security-guidance	钩子	文件编辑的安全警告
hookify	命令 + 代理	创建自定义行为钩子
feature-dev	指挥	功能开发工作流程
code-review	代理人	多代理PR评审
pr-review-toolkit	代理人	专业的PR审核代理

# Manage pluginsoh plugin listoh plugin install <source>oh plugin enable <name>

🤝 生态系统工作流程

OpenHarness 作为轻量级束层，适用于 Claude 风格的工具约定：

• 面向OpenClaw的工作流程可以重用Markdown优先的知识和命令驱动的协作模式。
• Claude风格的插件和技能保持可移植性，因为OpenHarness让这些格式保持熟悉。
• ClawTeam 风格的多智能体工作很好地映射到内置的团队、任务和背景执行原语。

关于具体的使用建议而非泛泛的声明，请参见docs/SHOWCASE.md。

🛡️ 权限

多级安全与细粒度控制：

模式	行为	使用场景
默认	写/执行前先问问	日常发展
自动	允许一切	沙盒环境
计划模式	阻止所有写入	大型重构，先复习

路径层级规则在：settings.json

{  "permission": {    "mode": "default",    "path_rules": [{"pattern": "/etc/*", "allow": false}],    "denied_commands": ["rm -rf /", "DROP TABLE *"]  }}

🖥️ 终端用户界面

React/Ink TUI 提供完整互动体验：

• 命令选择器：输入→方向键选择 → 进入/
• 权限对话框：互动 y/n 含工具详情
• 模式切换器：→从列表中选择/permissions
• 会议简历：→历史中的精选/resume
• 动画旋转器：工具执行过程中的实时反馈
• 键盘快捷键：底部显示，上下文感知

📡 CLI

oh [OPTIONS] COMMAND [ARGS]Session:     -c/--continue, -r/--resume, -n/--nameModel:       -m/--model, --effort, --max-turnsOutput:      -p/--print, --output-format text|json|stream-jsonPermissions: --permission-mode, --dangerously-skip-permissionsContext:     -s/--system-prompt, --append-system-prompt, --settingsAdvanced:    -d/--debug, --mcp-config, --bareSubcommands: oh mcp | oh plugin | oh auth

---

关于和同类产品的比较

既然是一整套 TUI 工具，比较的当然就是 Claude Code、OpenCode 了。
开发者是这么说的：OpenHarness = Claude Code 级别的 agent 能力 + 多 provider 支持 + 多 channel 接入 + harness engineering 自动化验证

·	Claude Code / OpenCode	OpenHarness
定位	Terminal AI coding assistant	Agent Harness framework
核心	单 agent 对话	多 agent 编排 (swarm coordinator + in-process teammates)
provider	绑定单一 provider	24+ LLM provider 注册表 (Anthropic/OpenAI/DeepSeek/Gemini/Kimi/Ollama…)
channels	仅 CLI	CLI + 11 种 IM channel (Telegram/Slack/Discord/飞书/钉钉/微信…)
可编程性	有限 (hooks + MCP)	完整 (hooks + skills + plugins + agent definitions + permission sync)
验证	无	harness-eval: 在陌生代码库上用真实 API 跑端到端验证

关键差异化能力

• Harness Engineering 方法论：不是"写代码然后手动测"，而是：spawn agent → 自动执行 → 自动验证 → 报告结果。整个开发循环都在 harness 内完成。
• Swarm 多 agent 协作：支持 coordinator 编排多个 in-process teammate 并发工作，不是只有单个 agent 独立对话。
• Provider 无关：同一套 harness 可以跑在 Claude、GPT、Kimi、DeepSeek、Gemini、本地 Ollama 等任何 LLM 上。OpenAI-compatible endpoint 开箱即用。
• 快速扩充中：现阶段直接对标 Claude Code 的核心能力（从其源码提取转写），同时在快速扩展到更多应用场景：

• 类 openclaw 的 auth 管理
• IM channel 集成（可以通过 Telegram/Slack 等使用）
• 一键安装 (curl | bash)
• 可换肤 TUI

---

写在最后

为什么会关注 OpenHarness，不是我觉得它是标准答案，而是看看这个项目能不能给我带来新的思路。

如果你之前已经理解了 Harness 的重要性，那这次看 OpenHarness，重点就不该还是停留在“哦，原来 Harness 很重要”。

更值得看的，其实是：一个新的开源团队，正在怎么把 Harness 真正做成系统。

团队里到底如何推进构建，这个最终形态到底是什么样子，现在我还不清楚。

究竟是通过团队自己整理出一份自己的 Harness 架构组成清单呢，还是找到接入一套够轻量成熟完备的 Harness 框架？亦或是连入口工具都统一，OpenHarness 这种整合了 Harness 的入口工具？

像我以前的文章里说的，没有所谓的“标准答案”。

至少现在还没有。

OpenHarness 当然还早，可能现在连正常使用起来都费劲。

但至少它给了我们一个新的思考方向。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】