Die 10 besten Open-Source-KI-Agent-Harnesses 2026

KI-Agent-Harnesses gibt es schon eine Weile, aber in den letzten anderthalb Jahren hat sich viel getan. Aus einfachen Agenten, die nur Bash-Befehle ausführen und Dateien bearbeiten konnten, sind Systeme geworden, die im Web recherchieren, externe Tools anbinden, Kontext managen, sich frühere Gespräche merken und komplexe Aufgaben erledigen.

Moderne KI-Harnesses unterstützen wiederverwendbare Skills, mehrere zusammenarbeitende Agenten und parallele Tool-Ausführung. Entwickler finden zudem bessere Wege, Kontext zu verwalten, Tokens zu sparen und Agenten schneller sowie zuverlässiger zu machen.

Spannend finde ich den Fokuswechsel: Statt primär die KI-Modelle zu verbessern, rückt das Harness darum herum in den Mittelpunkt. Viele der heutigen Leistungsgewinne bei KI-Agenten kommen von besseren Tools, smarteren Workflows und effizienterem Kontextmanagement – nicht nur von besseren Modellen.

Im Kern ist ein KI-Agent-Harness der Code, der ein KI-Modell mit seinen Tools verbindet, die Ausführung steuert und die Feedbackschleife schafft, durch die der Agent sein Vorgehen anhand der Ergebnisse anpasst und Fehler korrigiert.

In diesem Artikel stelle ich 10 der beliebtesten und nützlichsten Open-Source-KI-Agent-Harnesses im Jahr 2026 vor, zeige, was sie jeweils auszeichnet und wie du loslegst. GitHub-Sterne sind Stand November 2026. Einen tieferen Einblick in den Aufbau von Harnesses findest du in unserem Agent Harness Engineering Guide.

Was ist ein KI-Agent-Harness?

Ein KI-Agent-Harness ist das System, das einem KI-Modell die nötigen Tools und die Umgebung gibt, um Aufgaben zu erledigen.

Denke an das KI-Modell als Gehirn und an das Harness als alles, was die Ausführung ermöglicht. Ein Harness lässt das Modell auf seine eigenen Vorschläge reagieren: Es kann Dateien lesen, Befehle ausführen und Ergebnisse prüfen.

Beispiel: Deine Python-Anwendung stürzt ständig ab. Statt den Fehler in ChatGPT zu kopieren und die Vorschläge manuell umzusetzen, bittest du einen KI-Coding-Agenten:

"Finde heraus, warum meine Python-App abstürzt, behebe das Problem und stelle sicher, dass alle Tests bestehen."

Das Harness ermöglicht dem KI-Modell, deinen Code zu lesen, die Anwendung auszuführen, den Fehler zu finden, die relevanten Dateien zu bearbeiten und Tests zu starten. Schlagen die Tests fehl, sendet es die Ergebnisse zurück an das Modell, damit es eine andere Lösung versucht.

All das kann mit einer einzigen Anfrage und wenig manueller Intervention passieren.

Was macht ein KI-Agent-Harness eigentlich?

Die meisten KI-Agent-Harnesses bieten fünf zentrale Fähigkeiten:

• Tool-Ausführung: Ermöglicht dem Modell, Dateien zu lesen, Befehle auszuführen, Websites zu durchsuchen und mit Anwendungen zu interagieren.
• Kontextmanagement: Hält relevante Dateien, frühere Aktionen und Informationen bereit, die das Modell für seine Aufgabe braucht.
• Agent-Loop: Lässt das Modell wiederholt Tools nutzen, Ergebnisse prüfen und Fehler korrigieren, bis es fertig ist oder ein Limit erreicht.
• Berechtigungen und Sicherheit: Steuert, auf welche Dateien, Tools und Befehle der Agent zugreifen oder sie ausführen darf.
• Memory und Erweiterungen: Unterstützt wiederverwendbare Skills, externe Integrationen und – je nach Harness – Sitzung-übergreifendes Gedächtnis.

Einige Harnesses unterstützen auch mehrere Agenten, die parallel an unterschiedlichen Teilen eines Projekts arbeiten.

Dasselbe KI-Modell kann je nach Harness sehr unterschiedlich performen. In Tests von DeepSeek V4 Flash durch Composio erzielte dasselbe Modell je nach Harness zwischen 46,7% und 66,7%, wobei der minimale Pi-Agent vorne lag.

Ein gut gestaltetes Harness mit wenigen, aber sinnvollen Tools und sauberem Kontextmanagement kann mitunter deutlich komplexere Lösungen übertreffen. Deshalb lohnt es sich, ein Harness genauso sorgfältig zu wählen wie das Modell.

Schauen wir uns jetzt die Top 10 Open-Source-KI-Agent-Harnesses im Jahr 2026 an.

1. Codex CLI: Bestes Open-Source-KI-Agent-Harness für Software Engineering

Codex CLI ist meine Top-Empfehlung für einen Open-Source-KI-Coding-Agent. Von OpenAI entwickelt und überwiegend in Rust geschrieben, ist es schlank und auf Entwickler ausgelegt, die an professionellen Softwareprojekten arbeiten. Es hat rund 134K GitHub-Sterne.

Codex sticht dadurch hervor, wie viel es eigenständig übernimmt. Es kann komplette Projekte bauen, mit deinen bestehenden Tools arbeiten, Bugs fixen und Tests ausführen. Du kannst ihm eine komplexe Aufgabe geben und es erledigt den Großteil des Entwicklungsprozesses.

Der Hauptkompromiss ist der OpenAI-Fokus: Das Quickstart meldet dich mit einem ChatGPT-Konto oder einem OpenAI-API-Schlüssel an.

Was macht Codex CLI besonders?

• Rust-basiert und Open Source: Ein leichtgewichtiger, terminalzentrierter Agent mit offenem Harness, den Entwickler anpassen und erweitern können.
• Multi-Agent-Support: Delegiere Aufgaben an spezialisierte Subagenten und führe unabhängige Arbeiten parallel aus.
• Lokale und Cloud-Workflows: Starte lokal, verschiebe Tasks in die Codex Cloud und arbeite weiter über CLI, IDE oder Desktop-App.
• Erweiterbares Ökosystem: Nutze Model Context Protocol (MCP)-Server, wiederverwendbare Skills und Plugins, um externe Tools anzubinden und Workflows über das Coding hinaus zu automatisieren.
• Für echte Engineering-Praxis gebaut: Führe automatisierte Code-Reviews aus, integriere CI/CD-Pipelines, verwalte lang laufende Tasks und kontrolliere die Ausführung per Sandbox und Berechtigungen.

So installierst du Codex CLI

Jeder Installer in diesem Artikel piped ein Remote-Skript in deine Shell. Prüfe es vorher, wenn du sehen möchtest, was es tut.

macOS und Linux:

curl -fsSL https://chatgpt.com/codex/install.sh | shBereitgestellt von

Windows (PowerShell):

powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"Bereitgestellt von

npm oder Homebrew (jede unterstützte Plattform):

npm install -g @openai/codex
brew install --cask codexBereitgestellt von

Wechsle in dein Projektverzeichnis und starte Codex:

codexBereitgestellt von

Melde dich mit deinem ChatGPT-Konto an oder konfiguriere API-Zugriff, um mit dem Coden zu beginnen.

Du kannst Codex zum Beispiel beauftragen, ein komplettes Python-Dashboard mit Frontend, Backend, Tests und Doku zu bauen. Es übernimmt den Großteil der Implementierung, während du die Ergebnisse prüfst. Eine Schritt-für-Schritt-Anleitung findest du im OpenAI Codex CLI Tutorial.

2. OpenCode: Bestes Open-Source-KI-Agent-Harness für Modellauswahl

OpenCode gehört seit über einem Jahr zu meinen Lieblings-Coding-Agenten. Es läuft auf Windows, macOS und Linux, unterstützt eine große Bandbreite an KI-Modellen und lässt Entwicklern viel Freiheit, Workflows anzupassen.

Es ist zudem einer der populärsten Open-Source-Coding-Agenten mit rund 226K GitHub-Sternen. Besonders gefällt mir, dass du nicht an einen KI-Anbieter gebunden bist. Du kannst OpenAI, Anthropic, Google oder lokale Modelle innerhalb derselben Oberfläche nutzen.

Was macht OpenCode besonders?

• 75+ Modellanbieter: Wechsle zwischen kommerziellen und lokalen Modellen, ohne deine Coding-Umgebung zu ändern.
• Plattformübergreifend: Nutze Terminal, Desktop-App (aktuell Beta), Weboberfläche oder SDK über verschiedene Betriebssysteme.
• Parallele Agenten und Sessions: Führe mehrere Coding-Aufgaben gleichzeitig aus und erstelle spezialisierte Agenten für unterschiedliche Jobs.
• Hochgradig anpassbar: Erweitere Funktionen über Plugins, MCP-Server, Custom Commands und wiederverwendbare Skills.
• Client-Server-Architektur: Entkopple Agent und Interface und verbinde ihn mit anderen Tools, Anwendungen und Workflows.

Der einzige Wermutstropfen: OpenCode kann im Vergleich zu einfacheren Agenten etwas überladen wirken. Es bringt viele Features mit, die die meisten Entwickler nie brauchen, und größere Sessions fühlen sich manchmal weniger reaktionsschnell an. Wenn du Flexibilität und Modellauswahl schätzt, ist OpenCode aber kaum zu schlagen.

So installierst du OpenCode CLI

Windows (Windows Subsystem for Linux, WSL), macOS und Linux:

curl -fsSL https://opencode.ai/v2/install | bashBereitgestellt von

Nach der Installation wechsle in deinen Projektordner und starte OpenCode:

opencodeBereitgestellt von

Nutze /connect, um deinen bevorzugten KI-Anbieter zu konfigurieren, oder starte mit den verfügbaren kostenlosen Modellen. Du kannst auch die OpenCode Desktop-App laden, wenn du eine grafische Oberfläche bevorzugst.

Wenn du OpenCode mit einem lokal laufenden Modell testen möchtest, sieh dir unsere Anleitung zum lokalen Ausführen von Qwen3.8-Flash-Next mit OpenCode an.

3. OpenClaw: Bestes Open-Source-KI-Agent-Harness für persönliche Automatisierung

OpenClaw ist eines der größten Open-Source-Agent-Projekte 2026 mit etwa 394K GitHub-Sternen. Anders als die meisten Coding-Agenten auf dieser Liste ist OpenClaw als persönlicher KI-Assistent gedacht, der Aufgaben in deinen Anwendungen wirklich ausführen kann.

Quelle: Unser Guide zu OpenClaw

Spannend an OpenClaw ist, dass du es auf deinem Rechner oder Server betreiben und über WhatsApp, Telegram, Discord, Slack und weitere Plattformen ansprechen kannst. Es kann Kontext behalten, Befehle ausführen, im Web browsen und Alltagsaufgaben automatisieren.

Es dient außerdem als Plattform für andere Coding-Agenten, darunter Codex, und die Assistant-Schicht basiert auf Pi, einem weiteren Harness in dieser Liste.

Was macht OpenClaw besonders?

• KI-Assistent über mehrere Apps: Verbinde einen Agenten mit WhatsApp, Telegram, Slack, Discord und 20+ weiteren Messaging-Kanälen.
• Always-on-Agent: Betreibe ihn auf deinem Rechner oder Server, damit er Aufgaben übernimmt und aus der Ferne antwortet.
• Persistentes Gedächtnis und Kontext: Behalte Gespräche, Projektinfos und nützlichen Kontext über Sessions hinweg.
• Agent- und Modell-Flexibilität: Binde verschiedene KI-Anbieter, lokale Modelle und unterstützte Coding-Agent-Runtimes ein, darunter Codex.
• Automatisierungs-Ökosystem: Nutze Skills, Plugins, Browser-Tools, geplante Tasks und Multi-Agent-Routing für individuelle Workflows.

Der Hauptnachteil ist die Komplexität und der Sicherheitsbedarf. OpenClaw kann auf sensible Tools und Dateien zugreifen, daher musst du Berechtigungen, Sandboxing und externe Integrationen sorgfältig konfigurieren.

Ich empfehle OpenClaw Entwicklern, die über Coding-Assistenten hinausgehen und persönliche KI-Agenten bauen wollen, die in mehreren Anwendungen arbeiten.

So installierst du den OpenClaw KI-Agent

macOS, Linux und Windows (WSL2):

curl -fsSL https://openclaw.ai/install.sh | bashBereitgestellt von

Windows (PowerShell):

iwr -useb https://openclaw.ai/install.ps1 | iexBereitgestellt von

Der Installer startet das Onboarding. Falls nötig, führe aus:

openclaw onboard --install-daemonBereitgestellt von

Starte nach der Konfiguration das Web-Dashboard:

openclaw dashboardBereitgestellt von

Verbinde dein bevorzugtes KI-Modell und deine Messaging-Plattform, um loszulegen.

Beispielsweise kannst du OpenClaw so konfigurieren, dass es deine Entwicklungsprojekte überwacht, Updates zusammenfasst, freigegebene Tasks ausführt und Ergebnisse direkt an Telegram oder WhatsApp sendet.

4. Hermes Agent: Bestes Open-Source-KI-Agent-Harness für persistentes Gedächtnis

Hermes Agent von Nous Research merkt sich nützliche Informationen über dich, deine Gespräche und deine Projekte über Sessions hinweg.

Spannend ist, wie Hermes persistentes Gedächtnis mit einem vollwertigen KI-Agenten kombiniert. Es kann Code schreiben, Befehle ausführen, wiederverwendbare Skills lernen und Aufgaben automatisieren – und dabei wichtigen Kontext aus früheren Unterhaltungen im Blick behalten.

Quelle: Hermes AI Agent by Nous Research | Official Site

Es hat rund 260K GitHub-Sterne.

Was macht Hermes Agent besonders?

• Persistentes Gedächtnis: Speichert wichtige Präferenzen, Projektdetails und Learnings über Gespräche hinweg.
• Konversationshistorie durchsuchen: Nutzt SQLite, um frühere Sessions zu durchsuchen und Infos zurückzuholen, die nicht im aktiven Kontext sind.
• Sich selbst verbessernde Skills: Erstellt wiederverwendbare Skills aus erledigten Aufgaben und verfeinert sie mit wachsender Erfahrung.
• Plattformübergreifend: Chatte über Terminal, Telegram, Discord, Slack, WhatsApp und andere unterstützte Plattformen.
• Autonome Workflows: Plane Tasks, delegiere Arbeit an Subagenten und verbinde kommerzielle oder lokale Modelle.

Auch die Coding-Performance kann mithalten. Auf Composio Bench, wo jedes Harness denselben Multi-App-Aufgaben unterzogen wird, erreichte Hermes eine Erfolgsquote von 75,9% (22 von 29 Aufgaben) mit OpenAIs GPT-6 Astra – gleichauf mit Codex CLI. Zudem war es bei diesem Modell im Schnitt am schnellsten mit 125 Sekunden pro Aufgabe.

Der Hauptnachteil: Das Gedächtnis ist nicht perfekt. Hermes speichert selektiv, nicht alles, und komplexe Workflows mit kleineren lokalen Modellen sind herausfordernd.

Ich empfehle Hermes Entwicklern, die mehr als einen Coding-Assistenten möchten, insbesondere als persönlichen KI-Agenten, der sich deine Arbeit merkt und mit der Zeit nützlicher wird.

So installierst du Hermes Agent

Linux, macOS und Windows (WSL2):

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bashBereitgestellt von

Windows (PowerShell):

iex (irm https://hermes-agent.nousresearch.com/install.ps1)Bereitgestellt von

Konfiguriere deinen bevorzugten Model-Provider:

hermes modelBereitgestellt von

Starte den Agenten:

hermesBereitgestellt von

Du kannst auch hermes setup ausführen, um zusätzliche Tools, Messaging-Plattformen und Automatisierung zu konfigurieren. Eine vollständige Anleitung findest du in unserem Hermes Agent Setup-Guide.

5. Pi: Bestes leichtgewichtiges Open-Source-KI-Agent-Harness für lokale LLMs

Pi ist mein Favorit unter den schlanken KI-Agent-Harnesses. Wenn ich Tutorials zum lokalen Ausführen großer Sprachmodelle (LLMs) schreibe, nutze ich fast immer Pi, weil es schnell eingerichtet ist, eine minimale Architektur hat und sich deutlich leichter anfühlt als umfangreichere Coding-Agenten.

Besonders schätze ich die Schlichtheit. Pi konzentriert sich auf einen kleinen, effizienten Agent-Loop. Nach meiner Erfahrung hält das den Workflow schnell und den Tokenverbrauch im Rahmen – bei Coding-Ergebnissen, die mit komplexeren Agenten mithalten.

Es hat rund 120K GitHub-Sterne. Pi wird inzwischen von Earendil entwickelt, das das Projekt im April 2026 vom Schöpfer Mario Zechner übernommen hat; die MIT-Lizenz bleibt. OpenClaw basiert auf Komponenten von Pi.

Was macht Pi besonders?

• Minimale Agent-Architektur: Ein kleiner, fokussierter Agent-Loop ohne unnötige eingebaute Features oder komplexe Workflows.
• Ideal für lokale LLMs: Unterstützt lokale Modelle über llama.cpp, Ollama, LM Studio und kompatible APIs.
• Effizientes Kontextmanagement: Ein minimales System-Prompt und anpassbarer Kontext reduzieren Overhead und sparen potenziell Tokens.
• Voll anpassbar: Füge Erweiterungen, Skills und Custom Commands hinzu oder verbinde MCP-Server über die in Pi 1.0 integrierte Unterstützung – ohne den Kern unnötig aufzublähen.
• Entwicklerfreundliches SDK: Nutze Pi über CLI, RPC-Schnittstelle oder das TypeScript-SDK, um eigene Agenten und Automatisierungstools zu bauen.

Auch die Performance ist konkurrenzfähig. Auf Composio Bench erzielte Pi mit GPT-6 Astra eine Erfolgsquote von 69% – gleichauf mit OpenCode bei denselben 29 Aufgaben.

Die Hauptlimitierung: Features wie Subagenten und Planung sind nicht standardmäßig enthalten. Dafür braucht es Erweiterungen oder eigene Implementierungen. Gerade diese Schlichtheit macht Pi aber zu meinem Favoriten für lokale LLM-Experimente und leichte Coding-Projekte.

So installierst du die Pi AI Agent CLI

macOS und Linux:

curl -fsSL https://pi.dev/install.sh | shBereitgestellt von

Windows (PowerShell):

powershell -c "irm https://pi.dev/install.ps1 | iex"Bereitgestellt von

Wechsle in dein Projektverzeichnis und starte Pi:

piBereitgestellt von

Nutze /login, um einen KI-Provider zu verbinden oder ein lokales Modell zu konfigurieren. Wähle dann mit /model das gewünschte Modell aus.

Um Pi mit einem lokalen Modell in Aktion zu sehen, probiere unseren Guide zum lokalen Ausführen von Bonsai 27B.

6. Cline: Bestes Open-Source-KI-Agent-Harness für VS Code

Cline ist einer der ursprünglichen Open-Source-KI-Coding-Agenten, der als VS-Code-Erweiterung populär wurde. Es gewann schnell viele Entwickler für sich und inspirierte Forks wie Roo Code.

Ich habe Cline nicht so intensiv genutzt wie andere Agenten auf dieser Liste, aber Entwicklung und Community-Feedback sind beeindruckend. Mittlerweile unterstützt Cline mehrere IDEs, eine CLI, ein Kanban-Board für Tasks und ein SDK – mit rund 70K GitHub-Sternen.

Was macht Cline besonders?

• IDE-first-Erlebnis: Arbeite direkt in VS Code und anderen Editoren, mit visuellen Codeänderungen und Freigabe-Kontrollen.
• Plan- und Act-Modi: Lass den Agenten dein Projekt erkunden und einen Plan erstellen, bevor er Änderungen vornimmt.
• Checkpoints und Sicherheit: Prüfe Dateidiffs, genehmige Terminal-Befehle und setze bei Bedarf frühere Checkpoints zurück.
• Modellflexibilität: Unterstützt OpenAI, Anthropic, Google, OpenRouter und lokale Modelle über Ollama oder LM Studio.
• Erweiterbare Agentenplattform: Nutze MCP-Server, Custom Skills, eine CLI und ein SDK, um automatisierte Coding-Workflows zu bauen.

Auf Composio Bench erreichte Cline mit GPT-6 Astra eine Erfolgsquote von 79,3% (23 von 29 Aufgaben) – eine Aufgabe vor Codex CLI und Hermes Agent. Damit war es beim Task-Completion die bestplatzierte Lösung.

Der Hauptnachteil ist die Geschwindigkeit. Cline brauchte in demselben Benchmark durchschnittlich 193 Sekunden pro Aufgabe, verglichen mit 125 Sekunden bei Hermes Agent.

So installierst du den Cline KI-Agent

VS Code (Windows, macOS und Linux):

Öffne VS Code, gehe zu Erweiterungen (Ctrl+Shift+X unter Windows und Linux, Cmd+Shift+X unter macOS), suche nach Cline und klicke auf Installieren.

Alternativ installiere die CLI via npm (erfordert Node.js 22 oder neuer):

npm install -g clineBereitgestellt von

Konfiguriere deinen bevorzugten KI-Provider:

cline authBereitgestellt von

Wechsle in dein Projektverzeichnis und starte Cline:

clineBereitgestellt von

Jetzt kannst du Cline bitten, deinen Code zu erkunden, Features umzusetzen, Fehler zu beheben und Tests auszuführen – während du die Änderungen überprüfst. Praxisbeispiele findest du in unserem Cline AI Guide.

7. DeepSeek Harness: Bestes Open-Source-KI-Agent-Harness für DeepSeek-Modelle

DeepSeek Harness startete am 13. August 2026 und überschritt in den ersten 10 Tagen 186.000 GitHub-Sterne – eines der am schnellsten wachsenden Open-Source-Agent-Projekte. Heute hat es rund 279K Sterne.

Ich habe DeepSeek Harness genutzt, und am meisten beeindruckt hat mich die Geschwindigkeit, besonders mit DeepSeek-V4.1-Flash. Es ist auf DeepSeek-Modelle abgestimmt und bringt fast alles mit, was man von einem modernen Coding-Agent erwartet.

Außerdem gefällt mir die Transparenz. Du kannst Tool-Calls, Execution-Traces und detaillierte Statistiken einsehen, um zu verstehen, wie dein Agent performt.

Was macht DeepSeek Harness besonders?

• Alles ist ein Plugin: Auf Cordis aufgebaut, lässt es Entwickler Modelle, Tools, Skills, Memory, Sandboxes und sogar den Agent-Loop anpassen.
• Für DeepSeek-Modelle gebaut: Funktioniert besonders gut mit DeepSeek-V4.1-Flash; offizielle Updates zielen auf bessere Coding-Performance und Effizienz.
• Detaillierte Performance-Statistiken: Analysiere Kontextnutzung, Modellaktivität, Cache-Infos, Tool-Calls und Ausführungszeiten über Developer-Tools.
• Vollständige Agent-Fähigkeiten: Unterstützt Coding, Dateiedits, Terminalausführung, Subagenten, Skills, Automatisierung und mehrstufige Workflows.
• Web- und Desktop-Interfaces: Führe den Agenten über ein lokales Webinterface aus oder nutze die Desktop-App (macOS auf Apple Silicon und Windows), erweiterbar per Plugins.

Der Hauptnachteil: DeepSeek Harness ist noch in der Developer Preview. Plugins und APIs ändern sich, Updates können Breaking Changes mitbringen.

Ich empfehle es Entwicklern, die regelmäßig DeepSeek-Modelle nutzen oder ein hochgradig anpassbares Harness mit detaillierten Ausführungs-Insights suchen.

So installierst du DeepSeek Harness

Installiere zuerst Node.js 22.19 oder neuer auf Windows, macOS oder Linux.

Starte dann DeepSeek Harness mit npx:

npx @deepseek-ai/dsh webBereitgestellt von

Das startet automatisch die lokale Weboberfläche unter http://127.0.0.1:3080.

Konfiguriere deinen DeepSeek-API-Schlüssel, wähle dein bevorzugtes Modell und leg los. Du kannst die Desktop-App auch auf der offiziellen DeepSeek-Harness-Website herunterladen. Eine Schritt-für-Schritt-Anleitung findest du in unserem DeepSeek Harness Tutorial.

8. Deep Agents: Bestes Open-Source-KI-Agent-Harness für individuelle KI-Agenten

Deep Agents ist ein Open-Source-KI-Agent-Harness von LangChain. Anders als die meisten Coding-Agenten auf dieser Liste ist es sowohl für Softwareentwicklung als auch für den Bau maßgeschneiderter KI-Agenten gedacht, die komplexe, mehrstufige Aufgaben bewältigen.

Quelle: Deep Agents Überblick – Docs von LangChain

Interessant finde ich, dass du den fertig bereitgestellten Terminal-Coding-Agent nutzen oder deinen eigenen mit Python oder TypeScript bauen kannst. Planung, Memory, Subagenten und Kontextmanagement sind bereits enthalten – du musst nicht bei Null anfangen.

Das Projekt hat ebenfalls viel Aufmerksamkeit gewonnen, mit rund 31K GitHub-Sternen.

Was macht Deep Agents besonders?

• Coding-Agent und SDK: Nutze Deep Agents Code als fertige CLI oder baue individuelle KI-Anwendungen mit den Python- und TypeScript-Bibliotheken.
• Für lang laufende Aufgaben gebaut: Agenten können Workflows planen, Kontext managen und komplexe Aufgaben mit mehreren Schritten abarbeiten.
• Delegation an Subagenten: Zerlege große Aufgaben in kleinere Jobs und delegiere an spezialisierte Agenten mit separaten Kontextfenstern.
• Flexible Ausführungsumgebungen: Arbeite mit lokalen Dateisystemen, Remote-Sandboxes, Custom Tools und MCP-Servern.
• Produktionsreife Basis: Baut auf LangGraph auf, mit Unterstützung für persistente Zustände, Checkpoints, Human-in-the-Loop-Freigaben und Integration mit LangSmith für Tracing und Evaluation.

Erwähnenswert sind auch die Benchmark-Verbesserungen. Im Februar 2026 berichtete LangChain, den Terminal Bench 2.0 Score seines Coding-Agenten von 52,8% auf 66,5% mit gpt-5.2-codex gesteigert zu haben – allein durch Tuning von Prompts, Tools und Middleware, ohne das zugrunde liegende Modell zu ändern.

Ich empfehle Deep Agents eher Entwicklern, die eigene KI-Anwendungen bauen, als jenen, die den einfachsten Coding-Assistenten suchen. Für leichte Coding-Aufgaben sind Pi oder Codex CLI meist schneller einsatzbereit. Mehr zum SDK findest du in unserem Deep Agents Guide.

So installierst du Deep Agents

Deep Agents Code installieren (macOS und Linux, oder Windows über WSL):

curl -LsSf https://langch.in/dcode | bashBereitgestellt von

Starte den Coding-Agent:

dcodeBereitgestellt von

Wähle dein KI-Modell und richte die Authentifizierung ein, um loszulegen.

Für individuelle KI-Agenten mit Python erstelle ein Projekt mit uv und installiere das SDK:

uv init my-agent
cd my-agent
uv add deepagentsBereitgestellt von

Danach kannst du mit create_deep_agent() Agenten mit eigenen Modellen, Tools, Prompts und Workflows bauen.

Zum Beispiel kannst du einen Research-Agenten entwickeln, der im Web recherchiert, Dokumente analysiert, Recherche an Subagenten delegiert und einen Abschlussbericht generiert.

9. OpenHands: Bestes Open-Source-KI-Agent-Harness für autonome Softwareentwicklung

OpenHands ist eines der frühen Open-Source-Projekte für KI-Coding-Agenten. Es startete im März 2024 als OpenDevin, als Entwickler noch ausloteten, was GPT-3.5 und GPT-4 jenseits von Chat und Code-Generierung leisten können.

Quelle: OpenHands/OpenHands: OpenHands: AI-Driven Development

Damals war die Idee, einem KI-Agenten eine Aufgabe zu geben und ihn ein echtes Projekt bauen zu lassen, noch neu. OpenHands machte das möglich, indem Agenten Code schreiben, Befehle ausführen, Fehler beheben und ihre Arbeit testen konnten.

Heute ist es eine vollständige Plattform für autonome Softwareentwicklung mit rund 93K GitHub-Sternen.

Was macht OpenHands besonders?

• Pionier im autonomen Coding: Eines der ersten weit verbreiteten Open-Source-Projekte, das KI-Agenten Softwareengineering-Aufgaben erledigen lässt.
• Agent Canvas: Eine Weboberfläche, um Gespräche, Dateien, Terminals und mehrere Coding-Agenten zentral zu steuern.
• Mehrere Agenten: Arbeite mit OpenHands, Codex, Claude Code, Gemini und anderen Agenten, die das Agent Client Protocol (ACP) über eine gemeinsame Oberfläche unterstützen.
• Flexible Ausführungsumgebungen: Führe Agenten lokal, in Docker-Containern, auf Remote-Servern oder in der Cloud aus.
• Automatisierung und SDK: Baue eigene Agenten, automatisiere Entwicklungs-Workflows und führe Tasks über das Python-SDK und Backend-Services aus.

Der Hauptnachteil ist die Komplexität. Im Vergleich zu leichten Harnesses wie Pi oder Codex CLI erfordert OpenHands mehr Setup und Ressourcen, besonders bei isolierten Umgebungen.

Ich empfehle es Entwicklern, die autonome Coding-Agenten betreiben, mehrere Workflows managen oder eigene agentengestützte Entwicklungssysteme bauen wollen. Mehr dazu im OpenHands Guide.

So installierst du den OpenHands KI-Agent

Am einfachsten läuft OpenHands lokal über Agent Canvas.

Installiere zuerst Node.js 24 oder neuer und uv.

Installiere dann Agent Canvas auf Windows, macOS oder Linux:

npm install -g @openhands/agent-canvasBereitgestellt von

Starte die Anwendung:

agent-canvasBereitgestellt von

Öffne die Weboberfläche unter http://localhost:8000.

Konfiguriere dein bevorzugtes KI-Modell, wähle einen Workspace und gib dem Agenten Coding-Aufgaben.

Standardmäßig läuft der Agent direkt auf deinem Rechner mit vollem Zugriff auf dein Dateisystem. Um Agenten auf ihren Workspace zu beschränken, starte Agent Canvas stattdessen mit Docker-Sandboxes:

OH_CONVERSATION_RUNTIME=docker agent-canvasBereitgestellt von

10. mini-SWE-agent: Bestes minimalistisches Open-Source-KI-Agent-Harness für Software Engineering

mini-SWE-agent ist eines der schlichtesten KI-Coding-Harnesses, die ich kenne. Von den Forschern hinter SWE-agent und SWE-bench entwickelt, wählt es einen anderen Ansatz als funktionsreiche Coding-Agenten.

Der Kernagent ist in rund 100 Zeilen Python geschrieben. Statt komplizierter Tool-Calling-Systeme gibt er dem Modell Zugriff auf Bash und lässt es selbst herausfinden, wie Aufgaben zu lösen sind.

Dieser Minimalansatz liefert dennoch starke Coding-Ergebnisse. Das Projekt hat etwa 9,5K GitHub-Sterne und wird von Forschern und Ingenieuren unter anderem bei NVIDIA, Meta und IBM genutzt.

Was macht mini-SWE-agent besonders?

• 100-Zeilen-Agent-Architektur: Eine winzige Python-Implementierung, die leicht zu verstehen, zu ändern und zu erweitern ist.
• Nur Bash-Ausführung: Nutzt einfache Shell-Befehle statt komplexer Tool-Calling-Systeme, um Dateien zu bearbeiten, Tests auszuführen und Bugs zu fixen.
• Transparente Ausführung: Hält eine lineare Gesprächshistorie, wodurch sich jede Aktion leicht inspizieren und das Agent-Verhalten debuggen lässt.
• Flexible Umgebungen: Läuft lokal oder isoliert über Docker, Podman, Singularity und andere unterstützte Umgebungen.
• Für KI-Forschung gebaut: Unterstützt mehrere Modellanbieter und bietet eine einfache Basis für Benchmarks, Fine-Tuning und Reinforcement-Learning-Experimente.

Laut dem README des Projekts erzielt mini-SWE-agent auf SWE-bench Verified über 74%, einem Benchmark realer GitHub-Issues, wenn er mit starken Modellen wie Gemini 3 Pro kombiniert wird. Modelle kannst du auf dem SWE-bench Bash-only Leaderboard vergleichen.

Der Hauptnachteil ist der Verzicht auf viele eingebaute Features größerer Agenten, etwa fortgeschrittene Planung, Subagenten und umfangreiche Integrationen. Entwickler müssen diese bei Bedarf selbst implementieren.

Ich empfehle mini-SWE-agent Entwicklern und KI-Forschern, die ein schnelles, leichtes und einfach anpassbares Coding-Harness suchen – besonders für Experimente mit verschiedenen Modellen und Agent-Architekturen.

So installierst du mini-SWE-agent

Am einfachsten installierst du mini-SWE-agent unter macOS oder Linux mit uv:

uv tool install mini-swe-agentBereitgestellt von

Alternativ mit pip:

pip install mini-swe-agentBereitgestellt von

Konfiguriere dein bevorzugtes KI-Modell und den API-Schlüssel:

mini-extra config setupBereitgestellt von

Wechsle in dein Projektverzeichnis und starte den Agenten:

miniBereitgestellt von

Du kannst ihn auch direkt ohne permanente Installation ausführen:

uvx mini-swe-agentBereitgestellt von

Beispielsweise kannst du mini-SWE-agent bitten, ein Python-Repository zu erkunden, fehlschlagende Tests zu identifizieren, die Fehler zu beheben und die Tests erneut laufen zu lassen. Er erledigt alles über einfache Shell-Befehle – ganz ohne komplexes Agent-Framework.

Vergleich der Top 10 Open-Source-KI-Agent-Harnesses 2026

Die folgende Tabelle vergleicht die Top 10 Open-Source-KI-Agent-Harnesses nach ihren Hauptstärken, idealen Einsatzbereichen und Limitierungen.

Fazit

Coding-Agenten haben das Feld eine Weile angeführt, und nun sehen wir einen Shift hin zu persönlichen KI-Assistenten und Tools für die tägliche Arbeit.

Geschlossene Tools habe ich hier nicht aufgenommen, aber Produkte wie ChatGPT Work und OpenAI's dots zeigen gut, wohin es geht. Sie sind nicht nur für Entwickler gedacht: Office-Worker, Unternehmer, Forschende und sogar Menschen ohne Coding-Erfahrung können KI nutzen, um mit Dokumenten zu arbeiten, Tabellen zu analysieren, E-Mails zu versenden, Projekte zu managen und Alltagsaufgaben zu automatisieren.

Googles Flow zeigt eine ähnliche Entwicklung hin zu KI für kreative Arbeit. Natürlich können die meisten oben genannten Open-Source-Harnesses viele dieser Aufgaben mit den richtigen Tools und Integrationen schon heute erledigen. Der Unterschied: Unternehmen bauen nun gezielt Erlebnisse für diese Workflows statt sich vor allem auf Coding zu konzentrieren.

Das Harness ist inzwischen der Ort, an dem viel der Arbeit passiert. Entwickler tunen das gesamte Agent-Harness – inklusive Tools, Memory, Kontextmanagement und Workflows –, um Modelle bei spezifischen Aufgaben besser performen zu lassen.

Wenn du tiefer einsteigen und dein eigenes Harness bauen möchtest, empfehle ich unseren Kurs Building AI Agent Harnesses with Strands Agents.