10 Harness Agen AI Open-Source Teratas di 2026

Harness agen AI sudah ada cukup lama, tetapi telah banyak berubah selama satu setengah tahun terakhir. Kita telah beralih dari agen sederhana yang hanya bisa menjalankan perintah Bash dan mengedit file menjadi sistem yang dapat menelusuri web, terhubung ke alat eksternal, mengelola konteks, mengingat percakapan sebelumnya, dan menyelesaikan tugas kompleks.

Harness AI modern kini mendukung keterampilan yang dapat digunakan kembali, beberapa agen yang bekerja bersama, dan eksekusi alat secara paralel. Pengembang juga menemukan cara yang lebih baik untuk mengelola konteks, mengurangi penggunaan token, serta membuat agen lebih cepat dan lebih andal.

Yang menarik bagi saya adalah fokusnya bergeser dari peningkatan model AI ke peningkatan harness di sekelilingnya. Banyak peningkatan performa yang kita lihat pada agen AI saat ini berasal dari alat yang lebih baik, alur kerja yang lebih cerdas, dan manajemen konteks yang lebih efisien, bukan semata-mata dari model yang lebih baik.

Pada intinya, harness agen AI adalah kode yang menghubungkan model AI ke alatnya, mengelola eksekusi, dan menciptakan loop umpan balik yang memungkinkan agen menyesuaikan diri berdasarkan hasil dan memperbaiki kesalahannya.

Dalam artikel ini, saya akan membahas 10 harness agen AI open-source paling populer dan berguna di 2026, melihat apa yang membuat masing-masing berbeda dan cara memulainya. Jumlah bintang GitHub per November 2026. Untuk tinjauan lebih mendalam tentang cara membangun harness, lihat Panduan Rekayasa Agent Harness kami.

Apa Itu Harness Agen AI?

Harness agen AI adalah sistem yang memberikan model AI alat dan lingkungan yang dibutuhkannya untuk menyelesaikan tugas.

Anggap model AI sebagai otak dan harness sebagai segala sesuatu yang membantunya bertindak. Harness memungkinkan model mengeksekusi saran-sarannya sendiri: ia dapat membaca file, menjalankan perintah, dan memeriksa hasilnya.

Misalnya, bayangkan Anda memiliki aplikasi Python yang terus mogok. Alih-alih menyalin error ke ChatGPT dan menerapkan perbaikan yang disarankan secara manual, Anda meminta agen pemrograman AI:

"Cari tahu mengapa aplikasi Python saya mogok, perbaiki masalahnya, dan pastikan semua pengujian lulus."

Harness memungkinkan model AI membaca kode Anda, menjalankan aplikasi, menemukan error, mengedit file terkait, dan menjalankan pengujian. Jika pengujian gagal, hasilnya dikirim kembali ke model agar ia bisa mencoba solusi lain.

Semua ini dapat terjadi melalui satu permintaan, dengan sedikit intervensi manual.

Sebenarnya apa yang dilakukan harness agen AI?

Kebanyakan harness agen AI menyediakan 5 kapabilitas esensial:

• Eksekusi alat: Memungkinkan model membaca file, mengeksekusi perintah, menelusuri situs web, dan berinteraksi dengan aplikasi.
• Manajemen konteks: Melacak file yang relevan, tindakan sebelumnya, dan informasi yang dibutuhkan model untuk menyelesaikan tugas.
• Agent loop: Memungkinkan model berulang kali menggunakan alat, memeriksa hasil, dan memperbaiki kesalahan hingga selesai atau mencapai batas.
• Izin dan keamanan: Mengontrol file, alat, dan perintah mana yang dapat diakses atau dijalankan agen.
• Memori dan ekstensi: Mendukung keterampilan yang dapat digunakan kembali, integrasi eksternal, dan, pada beberapa harness, memori lintas sesi.

Beberapa harness juga mendukung beberapa agen yang bekerja bersama pada bagian-bagian berbeda dari sebuah proyek.

Model AI yang sama dapat berkinerja sangat berbeda tergantung pada harness-nya. Dalam pengujian DeepSeek V4 Flash oleh Composio, model yang sama mencetak antara 46,7% dan 66,7% tergantung harness, dan agen Pi minimal keluar sebagai yang teratas.

Harness yang dirancang dengan baik, dengan beberapa alat yang berguna dan manajemen konteks yang baik, terkadang bisa mengungguli yang jauh lebih rumit. Karena itu, memilih harness sama pentingnya dengan memilih model.

Sekarang, mari kita lihat 10 harness agen AI open-source teratas di 2026.

1. Codex CLI: Harness Agen AI Open-Source Terbaik untuk Rekayasa Perangkat Lunak

Codex CLI adalah pilihan utama saya untuk agen pemrograman AI open-source. Dikembangkan oleh OpenAI dan ditulis terutama dalam Rust, ia ringan dan dibuat untuk pengembang yang mengerjakan proyek rekayasa perangkat lunak profesional. Memiliki sekitar 134K bintang GitHub.

Yang membuat Codex menonjol adalah banyaknya pekerjaan yang bisa ditangani secara mandiri. Ia dapat membangun proyek lengkap, bekerja dengan alat yang sudah Anda gunakan, memperbaiki bug, dan menjalankan pengujian. Anda dapat memberinya tugas kompleks dan membiarkannya menangani sebagian besar proses pengembangan.

Kompromi utamanya adalah fokus pada OpenAI: quickstart mengharuskan Anda masuk dengan akun ChatGPT atau kunci API OpenAI.

Apa yang membuat Codex CLI menonjol?

• Berbasis Rust dan open source: Agen ringan berorientasi terminal dengan harness open-source yang dapat dikustomisasi dan dikembangkan oleh pengembang.
• Dukungan multi-agen: Delegasikan tugas berbeda ke subagen spesialis dan jalankan pekerjaan independen secara paralel.
• Alur kerja lokal dan cloud: Mulai ngoding secara lokal, pindahkan tugas ke Codex Cloud, dan lanjutkan bekerja melalui antarmuka baris perintah (CLI), IDE, atau aplikasi desktop.
• Ekosistem yang dapat diperluas: Gunakan server Model Context Protocol (MCP), keterampilan yang dapat digunakan kembali, dan plugin untuk menghubungkan alat eksternal dan mengotomatiskan alur kerja di luar pengkodean.
• Dibuat untuk rekayasa nyata: Jalankan tinjauan kode otomatis, integrasikan dengan pipeline continuous integration dan continuous delivery (CI/CD), kelola tugas jangka panjang, serta kontrol eksekusi melalui sandboxing dan izin.

Cara memasang Codex CLI

Setiap pemasang dalam artikel ini mengalirkan skrip jarak jauh ke shell Anda, jadi tinjau skripnya terlebih dahulu jika Anda ingin memeriksa apa yang dilakukannya.

macOS dan Linux:

curl -fsSL https://chatgpt.com/codex/install.sh | shDidukung oleh

Windows (PowerShell):

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

npm atau Homebrew (platform apa pun yang didukung):

npm install -g @openai/codex
brew install --cask codexDidukung oleh

Arahkan ke direktori proyek Anda dan luncurkan Codex:

codexDidukung oleh

Masuk dengan akun ChatGPT Anda atau konfigurasikan akses API untuk mulai ngoding.

Misalnya, Anda dapat meminta Codex membangun dasbor Python lengkap dengan frontend, backend, pengujian, dan dokumentasi. Ia dapat menangani sebagian besar implementasi sementara Anda meninjau hasilnya. Untuk panduan praktik, lihat tutorial OpenAI Codex CLI kami.

2. OpenCode: Harness Agen AI Open-Source Terbaik untuk Fleksibilitas Model

OpenCode telah menjadi salah satu agen pemrograman AI favorit saya selama lebih dari satu tahun. Ia bekerja di Windows, macOS, dan Linux, mendukung beragam model AI, dan memberi pengembang banyak kebebasan untuk menyesuaikan alur kerja mereka.

Ini juga salah satu agen pemrograman open-source paling populer, dengan sekitar 226K bintang GitHub. Yang saya sukai secara khusus adalah Anda tidak terkunci pada satu penyedia AI. Anda dapat menggunakan OpenAI, Anthropic, Google, atau model lokal, semuanya dalam antarmuka yang sama.

Apa yang membuat OpenCode menonjol?

• 75+ penyedia model: Beralih antara model AI komersial dan lokal tanpa mengubah lingkungan pengkodean Anda.
• Dukungan lintas platform: Gunakan terminal, aplikasi desktop (saat ini dalam beta), antarmuka web, atau software development kit (SDK) di berbagai sistem operasi.
• Agen dan sesi paralel: Jalankan beberapa tugas pengkodean secara bersamaan dan buat agen khusus untuk pekerjaan yang berbeda.
• Sangat dapat dikustomisasi: Perluas fungsionalitas melalui plugin, server MCP, perintah kustom, dan keterampilan yang dapat digunakan kembali.
• Arsitektur klien-server: Pisahkan agen dari antarmukanya dan hubungkan ke alat, aplikasi, dan alur kerja lainnya.

Satu-satunya kekurangan bagi saya adalah OpenCode bisa terasa agak gemuk dibandingkan agen pengkodean yang lebih sederhana. Ia mencakup banyak fitur yang mungkin tidak pernah digunakan sebagian besar pengembang, dan sesi yang lebih besar terkadang terasa kurang responsif. Namun, jika Anda menghargai fleksibilitas dan pilihan model, OpenCode sulit ditandingi.

Cara memasang OpenCode CLI

Windows (Windows Subsystem for Linux, atau WSL), macOS, dan Linux:

curl -fsSL https://opencode.ai/v2/install | bashDidukung oleh

Setelah terpasang, arahkan ke folder proyek Anda dan luncurkan OpenCode:

opencodeDidukung oleh

Gunakan /connect untuk mengonfigurasi penyedia AI pilihan Anda, atau mulai dengan model gratis yang tersedia. Anda juga dapat mengunduh aplikasi desktop OpenCode jika Anda lebih suka antarmuka grafis.

Untuk mencoba OpenCode dengan model yang berjalan di komputer Anda sendiri, lihat panduan kami tentang menjalankan Qwen3.8-Flash-Next secara lokal dengan OpenCode.

3. OpenClaw: Harness Agen AI Open-Source Terbaik untuk Otomasi AI Pribadi

OpenClaw adalah salah satu proyek agen AI open-source terbesar di 2026, dengan sekitar 394K bintang GitHub. Tidak seperti kebanyakan agen pengkodean dalam daftar ini, OpenClaw dirancang sebagai asisten AI pribadi yang benar-benar dapat menjalankan tugas di berbagai aplikasi Anda.

Sumber: panduan kami untuk OpenClaw

Yang membuat OpenClaw menarik adalah Anda dapat menjalankannya di komputer atau server Anda sendiri dan berkomunikasi dengannya melalui WhatsApp, Telegram, Discord, Slack, dan platform lainnya. Ia dapat mengingat konteks yang berguna, mengeksekusi perintah, menjelajah web, dan mengotomatiskan tugas sehari-hari.

Ia juga berfungsi sebagai platform untuk agen pengkodean lain, termasuk Codex, dan lapisan asistennya dibangun di atas Pi, harness lain dalam daftar ini.

Apa yang membuat OpenClaw menonjol?

• Asisten AI lintas aplikasi: Hubungkan satu agen ke WhatsApp, Telegram, Slack, Discord, dan 20+ saluran pesan lainnya.
• Agen always-on: Jalankan di komputer atau server Anda sendiri untuk menangani tugas dan merespons pesan dari jarak jauh.
• Memori dan konteks persisten: Mempertahankan percakapan, informasi proyek, dan konteks yang berguna lintas sesi.
• Fleksibilitas agen dan model: Hubungkan berbagai penyedia AI, model lokal, dan runtime agen pengkodean yang didukung, termasuk Codex.
• Ekosistem otomasi: Gunakan keterampilan, plugin, alat peramban, tugas terjadwal, dan perutean multi-agen untuk membangun alur kerja kustom.

Kekurangan utamanya adalah kompleksitas dan persyaratan keamanannya. OpenClaw dapat mengakses alat dan file sensitif, jadi Anda perlu mengonfigurasi izin, sandboxing, dan integrasi eksternal dengan cermat.

Saya merekomendasikan OpenClaw bagi pengembang yang ingin melampaui asisten pengkodean dan membangun agen AI pribadi yang bekerja di banyak aplikasi.

Cara memasang OpenClaw AI Agent

macOS, Linux, dan Windows (WSL2):

curl -fsSL https://openclaw.ai/install.sh | bashDidukung oleh

Windows (PowerShell):

iwr -useb https://openclaw.ai/install.ps1 | iexDidukung oleh

Penginstal memulai proses onboarding. Jika diperlukan, jalankan:

openclaw onboard --install-daemonDidukung oleh

Setelah dikonfigurasi, luncurkan dasbor web:

openclaw dashboardDidukung oleh

Hubungkan model AI dan platform perpesanan pilihan Anda untuk memulai.

Misalnya, Anda dapat mengonfigurasi OpenClaw untuk memantau proyek pengembangan Anda, merangkum pembaruan, mengeksekusi tugas yang disetujui, dan mengirim hasil langsung ke Telegram atau WhatsApp.

4. Hermes Agent: Harness Agen AI Open-Source Terbaik untuk Memori Persisten

Hermes Agent, yang dikembangkan oleh Nous Research, mengingat informasi berguna tentang Anda, percakapan Anda, dan proyek Anda lintas sesi.

Yang membuat Hermes menarik adalah cara ia menggabungkan memori persisten dengan agen AI yang lengkap. Ia dapat menulis kode, menjalankan perintah, mempelajari keterampilan yang dapat digunakan kembali, dan mengotomatiskan tugas sambil melacak konteks penting dari percakapan sebelumnya.

Sumber: Hermes AI Agent oleh Nous Research | Situs Resmi

Ia memiliki sekitar 260K bintang GitHub.

Apa yang membuat Hermes Agent menonjol?

• Memori persisten: Menyimpan preferensi penting, detail proyek, dan pelajaran yang dipetik lintas percakapan.
• Pencarian riwayat percakapan: Menggunakan SQLite untuk menelusuri sesi sebelumnya dan memulihkan informasi yang tidak ada di memori aktif.
• Keterampilan yang membaik sendiri: Membuat keterampilan yang dapat digunakan kembali dari tugas yang selesai dan dapat menyempurnakannya seiring pengalaman.
• Bekerja lintas platform: Mengobrol melalui terminal, Telegram, Discord, Slack, WhatsApp, dan platform pesan lain yang didukung.
• Alur kerja otonom: Jadwalkan tugas, delegasikan pekerjaan ke subagen, dan hubungkan model AI komersial atau lokal.

Performa pengkodeannya juga kompetitif. Pada Composio Bench, yang menjalankan setiap harness melalui rangkaian tugas multi-aplikasi yang sama, Hermes mencapai tingkat keberhasilan 75,9% (22 dari 29 tugas) menggunakan GPT-6 Astra dari OpenAI, menyamai Codex CLI. Ia juga mencatat waktu penyelesaian rata-rata tercepat di antara harness yang diuji dengan model tersebut, yaitu 125 detik per tugas.

Kekurangan utamanya adalah memorinya tidak sempurna. Ia menyimpan informasi terpilih alih-alih semuanya, dan menjalankan alur kerja kompleks dengan model lokal yang lebih kecil bisa menantang.

Saya merekomendasikan Hermes untuk pengembang yang menginginkan lebih dari sekadar asisten pengkodean, terutama mereka yang mencari agen AI pribadi yang mengingat pekerjaan mereka dan menjadi lebih berguna seiring waktu.

Cara memasang Hermes Agent

Linux, macOS, dan Windows (WSL2):

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bashDidukung oleh

Windows (PowerShell):

iex (irm https://hermes-agent.nousresearch.com/install.ps1)Didukung oleh

Konfigurasikan penyedia model pilihan Anda:

hermes modelDidukung oleh

Mulai agen:

hermesDidukung oleh

Anda juga dapat menjalankan hermes setup untuk mengonfigurasi alat tambahan, platform perpesanan, dan fitur otomasi. Untuk panduan lengkap, lihat panduan penyiapan Hermes Agent kami.

5. Pi: Harness Agen AI Open-Source Ringan Terbaik untuk LLM Lokal

Pi adalah harness agen AI ringan favorit saya. Setiap kali saya menulis tutorial tentang menjalankan large language model (LLM) secara lokal, saya hampir selalu menggunakan Pi karena mudah diatur, menggunakan arsitektur minimal, dan terasa jauh lebih ringan daripada agen pengkodean yang lebih besar.

Yang sangat saya sukai adalah kesederhanaannya. Pi berfokus pada loop agen yang kecil dan efisien. Berdasarkan pengalaman saya, ini membantu menjaga alur kerja tetap cepat dan penggunaan token tetap terkelola sambil memberikan hasil pengkodean yang sebanding dengan agen yang lebih kompleks.

Ia memiliki sekitar 120K bintang GitHub. Pi kini dikembangkan oleh Earendil, yang mengakuisisi proyek ini dari pembuatnya, Mario Zechner, pada April 2026, dan tetap berlisensi MIT. OpenClaw dibangun di atas komponen Pi.

Apa yang membuat Pi menonjol?

• Arsitektur agen minimal: Loop agen kecil dan terfokus tanpa fitur bawaan yang tidak perlu atau alur kerja yang kompleks.
• Sangat cocok untuk LLM lokal: Mendukung model lokal melalui llama.cpp, Ollama, LM Studio, dan API yang kompatibel.
• Manajemen konteks yang efisien: System prompt minimal dan konteks yang dapat dikustomisasi membantu mengurangi overhead yang tidak perlu dan berpotensi menghemat token.
• Sepenuhnya dapat dikustomisasi: Tambahkan ekstensi, keterampilan, dan perintah kustom, atau sambungkan server MCP melalui dukungan bawaan yang ditambahkan di Pi 1.0, tanpa membuat agen inti menjadi rumit.
• SDK ramah pengembang: Gunakan Pi melalui CLI, antarmuka remote procedure call (RPC), atau SDK TypeScript untuk membangun agen AI dan alat otomasi Anda sendiri.

Performanya juga kompetitif. Pada Composio Bench, Pi mencapai tingkat keberhasilan 69% menggunakan GPT-6 Astra, menyamai OpenCode pada 29 tugas yang sama.

Batasan utamanya adalah fitur seperti subagen dan perencanaan tidak dibangun secara default. Anda memerlukan ekstensi atau implementasi kustom untuk ini. Namun, kesederhanaan itulah yang membuat saya lebih memilih Pi untuk eksperimen LLM lokal dan proyek pengkodean ringan.

Cara memasang Pi AI Agent CLI

macOS dan Linux:

curl -fsSL https://pi.dev/install.sh | shDidukung oleh

Windows (PowerShell):

powershell -c "irm https://pi.dev/install.ps1 | iex"Didukung oleh

Arahkan ke direktori proyek Anda dan luncurkan Pi:

piDidukung oleh

Gunakan /login untuk menghubungkan penyedia AI atau mengonfigurasi model lokal. Lalu gunakan /model untuk memilih model yang ingin Anda jalankan.

Untuk melihat Pi bekerja dengan model lokal, coba panduan kami tentang menjalankan Bonsai 27B secara lokal.

6. Cline: Harness Agen AI Open-Source Terbaik untuk VS Code

Cline adalah salah satu agen pemrograman AI open-source asli yang menjadi populer sebagai ekstensi VS Code. Ia dengan cepat mendapatkan banyak pengikut pengembang dan memunculkan fork seperti Roo Code.

Walaupun saya belum menggunakan Cline seluas agen lain dalam daftar ini, pengembangannya dan umpan balik komunitasnya mengesankan. Kini ia mendukung banyak IDE, CLI, papan tugas Kanban, dan SDK, dengan sekitar 70K bintang GitHub.

Apa yang membuat Cline menonjol?

• Pengalaman IDE-first: Bekerja langsung di dalam VS Code dan editor lain yang didukung, dengan perubahan kode visual dan kontrol persetujuan.
• Mode Plan and Act: Biarkan agen menjelajahi proyek Anda dan membuat rencana sebelum melakukan perubahan.
• Checkpoint dan keamanan: Tinjau perubahan file, setujui perintah terminal, dan pulihkan checkpoint sebelumnya jika diperlukan.
• Fleksibilitas model: Mendukung OpenAI, Anthropic, Google, OpenRouter, dan model lokal melalui Ollama atau LM Studio.
• Platform agen yang dapat diperluas: Gunakan server MCP, keterampilan kustom, CLI, dan SDK untuk membangun alur kerja pengkodean terotomasi.

Pada Composio Bench, Cline mencapai tingkat keberhasilan 79,3% (23 dari 29 tugas) menggunakan GPT-6 Astra, satu tugas lebih unggul dari Codex CLI dan Hermes Agent. Itu menjadikannya harness dengan skor tertinggi dalam penyelesaian tugas.

Kekurangan utamanya adalah kecepatan. Cline rata-rata 193 detik per tugas pada tolok ukur yang sama, dibandingkan 125 detik untuk Hermes Agent.

Cara memasang Cline AI Agent

VS Code (Windows, macOS, dan Linux):

Buka VS Code, masuk ke Extensions (Ctrl+Shift+X di Windows dan Linux, Cmd+Shift+X di macOS), cari Cline, lalu klik Install.

Atau, pasang CLI menggunakan npm (memerlukan Node.js 22 atau lebih baru):

npm install -g clineDidukung oleh

Konfigurasikan penyedia AI pilihan Anda:

cline authDidukung oleh

Arahkan ke direktori proyek Anda dan mulai Cline:

clineDidukung oleh

Sekarang Anda dapat meminta Cline menjelajahi basis kode, mengimplementasikan fitur, memperbaiki error, dan menjalankan pengujian sambil meninjau perubahannya. Untuk contoh praktis, lihat panduan Cline AI kami.

7. DeepSeek Harness: Harness Agen AI Open-Source Terbaik untuk Model DeepSeek

DeepSeek Harness diluncurkan pada 13 Agustus 2026, dan melampaui 186.000 bintang GitHub dalam 10 hari pertama, menjadikannya salah satu proyek agen AI open-source dengan pertumbuhan tercepat. Saat ini, ia memiliki sekitar 279K bintang.

Saya telah menggunakan DeepSeek Harness, dan yang paling mengesankan bagi saya adalah kecepatannya, terutama saat bekerja dengan DeepSeek-V4.1-Flash. Ia disetel untuk model DeepSeek dan hadir dengan hampir semua hal yang Anda harapkan dari agen pengkodean modern.

Hal lain yang saya sukai adalah transparansinya. Anda dapat memeriksa panggilan alat, jejak eksekusi, dan statistik terperinci untuk memahami bagaimana agen Anda bekerja.

Apa yang membuat DeepSeek Harness menonjol?

• Semuanya adalah plugin: Dibangun di atas Cordis, memungkinkan pengembang menyesuaikan model, alat, keterampilan, memori, sandbox, dan bahkan agent loop.
• Dibuat untuk model DeepSeek: Bekerja sangat baik dengan DeepSeek-V4.1-Flash, dengan pembaruan resmi yang berfokus pada peningkatan performa dan efisiensi pengkodean.
• Statistik performa terperinci: Periksa penggunaan konteks, aktivitas model, informasi cache, panggilan alat, dan waktu eksekusi melalui alat pengembang.
• Kapabilitas agen lengkap: Mendukung pengkodean, pengeditan file, eksekusi terminal, subagen, keterampilan, otomasi, dan alur kerja multi-langkah.
• Antarmuka web dan desktop: Jalankan agen melalui antarmuka web lokal atau gunakan aplikasi desktopnya (macOS pada Apple silicon dan Windows), dengan kemampuan memperluas fungsionalitas melalui plugin.

Kekurangan utamanya adalah DeepSeek Harness masih dalam pratinjau pengembang. Plugin dan API-nya berubah, dan pembaruan dapat memperkenalkan perubahan yang tidak kompatibel ke belakang.

Saya merekomendasikannya kepada pengembang yang rutin menggunakan model DeepSeek atau menginginkan harness agen yang sangat dapat dikustomisasi dengan wawasan eksekusi mendetail.

Cara memasang DeepSeek Harness

Pertama, pasang Node.js 22.19 atau lebih baru di Windows, macOS, atau Linux.

Lalu luncurkan DeepSeek Harness menggunakan npx:

npx @deepseek-ai/dsh webDidukung oleh

Ini secara otomatis memulai antarmuka web lokal di http://127.0.0.1:3080.

Konfigurasikan kunci API DeepSeek Anda, pilih model pilihan Anda, dan mulai membangun. Anda juga dapat mengunduh aplikasi desktop dari situs resmi DeepSeek Harness. Untuk panduan langkah demi langkah, lihat tutorial DeepSeek Harness kami.

8. Deep Agents: Harness Agen AI Open-Source Terbaik untuk Agen AI Kustom

Deep Agents adalah harness agen AI open-source yang dikembangkan oleh LangChain. Tidak seperti kebanyakan agen pengkodean dalam daftar ini, ia dirancang untuk pengembangan perangkat lunak dan membangun agen AI kustom yang dapat menangani tugas kompleks multi-langkah.

Sumber: Gambaran umum Deep Agents - Dokumentasi oleh LangChain

Yang menarik bagi saya tentang Deep Agents adalah Anda dapat menggunakan agen pengkodean terminal siap pakai atau membangun sendiri dengan Python atau TypeScript. Ia sudah mencakup perencanaan, memori, subagen, dan manajemen konteks, sehingga Anda tidak perlu membangun semuanya dari nol.

Proyek ini juga mendapat perhatian besar, dengan sekitar 31K bintang GitHub.

Apa yang membuat Deep Agents menonjol?

• Agen pengkodean dan SDK: Gunakan Deep Agents Code sebagai CLI siap pakai atau bangun aplikasi AI kustom dengan pustaka Python dan TypeScript-nya.
• Dibuat untuk tugas jangka panjang: Agen dapat merencanakan alur kerja, mengelola konteks, dan menyelesaikan tugas kompleks yang melibatkan banyak langkah.
• Delegasi subagen: Pecah tugas besar menjadi pekerjaan yang lebih kecil dan delegasikan ke agen spesialis dengan jendela konteks terpisah.
• Lingkungan eksekusi yang fleksibel: Bekerja dengan filesystem lokal, sandbox jarak jauh, alat kustom, dan server MCP.
• Fondasi siap produksi: Dibangun di atas LangGraph, dengan dukungan untuk state persisten, checkpoint, persetujuan manusia, dan integrasi dengan LangSmith untuk tracing dan evaluasi.

Peningkatan tolok ukurnya juga patut disebut. Pada Februari 2026, LangChain melaporkan peningkatan skor Terminal Bench 2.0 agen pengkodeannya dari 52,8% menjadi 66,5% dengan gpt-5.2-codex, hanya dengan menyetel prompt, alat, dan middleware tanpa mengubah model dasarnya.

Saya merekomendasikan Deep Agents kepada pengembang yang membangun aplikasi AI mereka sendiri, bukan mereka yang mencari asisten pengkodean tersederhana. Untuk tugas pengkodean ringan, Pi atau Codex CLI mungkin lebih mudah untuk mulai digunakan. Untuk selengkapnya tentang SDK, lihat panduan Deep Agents kami.

Cara memasang Deep Agents

Pasang Deep Agents Code (macOS dan Linux, atau Windows melalui WSL):

curl -LsSf https://langch.in/dcode | bashDidukung oleh

Mulai agen pengkodean:

dcodeDidukung oleh

Pilih model AI Anda dan konfigurasikan autentikasi untuk mulai bekerja.

Untuk agen AI kustom menggunakan Python, buat proyek dengan uv dan pasang SDK:

uv init my-agent
cd my-agent
uv add deepagentsDidukung oleh

Anda kemudian dapat menggunakan create_deep_agent() untuk membangun agen dengan model, alat, prompt, dan alur kerja Anda sendiri.

Misalnya, Anda dapat membangun agen riset yang menelusuri web, menganalisis dokumen, mendelegasikan riset ke subagen, dan menghasilkan laporan akhir.

9. OpenHands: Harness Agen AI Open-Source Terbaik untuk Pengembangan Perangkat Lunak Otonom

OpenHands adalah salah satu proyek agen pemrograman AI open-source awal. Ia dimulai pada Maret 2024 sebagai OpenDevin, ketika para pengembang masih mengeksplorasi apa yang bisa dilakukan GPT-3.5 dan GPT-4 di luar obrolan sederhana dan pembuatan kode.

Sumber: OpenHands/OpenHands: OpenHands: AI-Driven Development

Saat itu, gagasan memberi agen AI sebuah tugas dan membiarkannya membangun proyek nyata sangat menarik. OpenHands membantu mewujudkannya dengan memungkinkan agen menulis kode, mengeksekusi perintah, memperbaiki error, dan menguji pekerjaannya sendiri.

Hari ini, ia telah berkembang menjadi platform lengkap untuk pengembangan perangkat lunak otonom, dengan sekitar 93K bintang GitHub.

Apa yang membuat OpenHands menonjol?

• Pelopor pengkodean otonom awal: Salah satu proyek open-source populer pertama yang berfokus pada memungkinkan agen AI menyelesaikan tugas rekayasa perangkat lunak.
• Agent Canvas: Antarmuka web untuk mengelola percakapan, file, terminal, dan beberapa agen pengkodean dari satu tempat.
• Dukungan multi-agen: Bekerja dengan OpenHands, Codex, Claude Code, Gemini, dan agen lain yang mendukung Agent Client Protocol (ACP) melalui antarmuka bersama.
• Lingkungan eksekusi fleksibel: Jalankan agen secara lokal, di dalam kontainer Docker, di server jarak jauh, atau melalui infrastruktur cloud.
• Otomasi dan SDK: Bangun agen kustom, otomatisasi alur kerja pengembangan, dan jalankan tugas melalui SDK Python dan layanan backend-nya.

Kekurangan utamanya adalah kompleksitas. Dibandingkan harness ringan seperti Pi atau Codex CLI, OpenHands memerlukan lebih banyak penyiapan dan sumber daya, terutama saat menggunakan lingkungan eksekusi terisolasi.

Saya merekomendasikannya kepada pengembang yang ingin menjalankan agen pengkodean otonom, mengelola banyak alur kerja, atau membangun sistem pengembangan berbasis agen mereka sendiri. Untuk tinjauan lebih dekat, lihat panduan OpenHands kami.

Cara memasang OpenHands AI Agent

Cara termudah untuk menjalankan OpenHands secara lokal adalah melalui Agent Canvas.

Pertama, pasang Node.js 24 atau lebih baru dan uv.

Kemudian pasang Agent Canvas di Windows, macOS, atau Linux:

npm install -g @openhands/agent-canvasDidukung oleh

Mulai aplikasinya:

agent-canvasDidukung oleh

Buka antarmuka web di http://localhost:8000.

Konfigurasikan model AI pilihan Anda, pilih ruang kerja, dan mulai memberi agen tugas pengkodean.

Secara default, ini menjalankan agen langsung di mesin Anda dengan akses penuh ke filesystem Anda. Untuk menjaga agen tetap jauh dari file di luar ruang kerja yang dikonfigurasi, jalankan Agent Canvas dengan sandbox Docker sebagai gantinya:

OH_CONVERSATION_RUNTIME=docker agent-canvasDidukung oleh

10. mini-SWE-agent: Harness Agen AI Open-Source Minimal Terbaik untuk Rekayasa Perangkat Lunak

mini-SWE-agent adalah salah satu harness pengkodean AI paling sederhana yang pernah saya temui. Dibuat oleh para peneliti di balik SWE-agent dan SWE-bench, ia mengambil pendekatan berbeda dari agen pengkodean penuh fitur.

Agen intinya ditulis dalam sekitar 100 baris Python. Alih-alih membangun alat dan alur kerja yang rumit, ia memberikan akses Bash kepada model AI dan membiarkannya mencari cara menyelesaikan tugas.

Pendekatan minimal ini tetap memberikan performa pengkodean yang kuat. Proyek ini telah mendapatkan sekitar 9,5K bintang GitHub dan digunakan oleh peneliti serta insinyur di organisasi termasuk NVIDIA, Meta, dan IBM.

Apa yang membuat mini-SWE-agent menonjol?

• Arsitektur agen 100 baris: Implementasi Python mungil yang mudah dipahami, dimodifikasi, dan diperluas.
• Eksekusi hanya Bash: Menggunakan perintah shell sederhana alih-alih sistem pemanggilan alat yang rumit untuk mengedit file, menjalankan pengujian, dan memperbaiki bug.
• Eksekusi yang transparan: Mempertahankan riwayat percakapan linear, memudahkan inspeksi setiap tindakan dan debug perilaku agen.
• Lingkungan eksekusi fleksibel: Jalankan secara lokal atau gunakan Docker, Podman, Singularity, dan lingkungan terdukung lainnya untuk isolasi.
• Dibuat untuk riset AI: Mendukung banyak penyedia model dan menawarkan fondasi sederhana untuk benchmarking, fine-tuning, dan eksperimen reinforcement learning.

Menurut README proyek, mini-SWE-agent mencetak lebih dari 74% pada SWE-bench Verified, tolok ukur masalah GitHub nyata, saat dipasangkan dengan model kuat seperti Gemini 3 Pro. Anda dapat membandingkan model pada papan peringkat bash-only SWE-bench.

Kekurangan utamanya adalah kurangnya banyak fitur bawaan yang ditemukan pada agen yang lebih besar, seperti perencanaan lanjutan, subagen, dan integrasi ekstensif. Pengembang mungkin perlu mengimplementasikannya sendiri.

Saya merekomendasikan mini-SWE-agent untuk pengembang dan peneliti AI yang menginginkan harness pengkodean yang cepat, ringan, dan mudah dikustomisasi, terutama untuk bereksperimen dengan model dan arsitektur agen yang berbeda.

Cara memasang mini-SWE-agent

Cara termudah memasang mini-SWE-agent di macOS atau Linux adalah menggunakan uv:

uv tool install mini-swe-agentDidukung oleh

Atau, pasang dengan pip:

pip install mini-swe-agentDidukung oleh

Konfigurasikan model AI dan kunci API pilihan Anda:

mini-extra config setupDidukung oleh

Arahkan ke direktori proyek Anda dan luncurkan agen:

miniDidukung oleh

Anda juga dapat menjalankannya langsung tanpa pemasangan permanen:

uvx mini-swe-agentDidukung oleh

Misalnya, Anda dapat meminta mini-SWE-agent menjelajahi repositori Python, mengidentifikasi pengujian yang gagal, memperbaiki error, dan menjalankan pengujian lagi. Ia menangani semuanya melalui perintah shell sederhana tanpa memerlukan kerangka agen yang rumit.

Perbandingan 10 Harness Agen AI Open-Source Teratas di 2026

Tabel di bawah membandingkan 10 harness agen AI open-source teratas berdasarkan kekuatan utama, kasus penggunaan ideal, dan keterbatasannya.

Pikiran Akhir

Agen pengkodean telah memimpin ruang ini untuk sementara waktu, dan kini kita melihat pergeseran menuju asisten AI pribadi dan alat untuk pekerjaan sehari-hari.

Saya tidak menyertakan alat sumber tertutup dalam daftar ini, tetapi produk seperti ChatGPT Work dan dots dari OpenAI adalah contoh bagus tentang ke mana arah ini. Mereka dirancang bukan hanya untuk pengembang: pekerja kantor, pemilik bisnis, peneliti, dan bahkan orang tanpa pengalaman ngoding dapat menggunakan AI untuk bekerja dengan dokumen, menganalisis spreadsheet, mengirim email, mengelola proyek, dan mengotomatiskan tugas sehari-hari.

Flow dari Google menunjukkan pergeseran serupa menuju membuat AI berguna untuk pekerjaan kreatif. Tentu saja, sebagian besar harness open-source di atas sudah dapat menangani banyak tugas ini dengan alat dan integrasi yang tepat. Bedanya, perusahaan kini membangun pengalaman khusus untuk alur kerja tersebut alih-alih berfokus terutama pada pengkodean.

Harness adalah tempat sebagian besar pekerjaan terjadi sekarang. Pengembang menyetel seluruh harness agen, termasuk alat, memori, manajemen konteks, dan alur kerjanya, untuk membuat model berkinerja lebih baik pada tugas tertentu.

Jika Anda ingin mempelajari lebih lanjut tentang membangun harness Anda sendiri, saya sarankan melihat kursus Building AI Agent Harnesses with Strands Agents kami.