Gli harness per agenti AI esistono da un po’, ma sono cambiati molto nell’ultimo anno e mezzo. Siamo passati da agenti semplici che potevano solo eseguire comandi Bash e modificare file a sistemi che sanno cercare sul web, connettersi a strumenti esterni, gestire il contesto, ricordare conversazioni passate e portare a termine compiti complessi.
Gli harness moderni supportano ora skill riutilizzabili, più agenti che collaborano e l’esecuzione parallela degli strumenti. Gli sviluppatori stanno anche trovando modi migliori per gestire il contesto, ridurre l’uso di token e rendere gli agenti più veloci e affidabili.
Trovo interessante che l’attenzione si stia spostando dal migliorare i modelli di AI al migliorare l’harness che li circonda. Gran parte dei guadagni prestazionali che vediamo oggi negli agenti AI deriva da strumenti migliori, workflow più intelligenti e gestione del contesto più efficiente, non solo da modelli migliori.
Alla base, un harness per agenti AI è il codice che collega un modello di AI ai suoi strumenti, gestisce l’esecuzione e crea il ciclo di feedback che consente all’agente di adattarsi in base ai risultati e correggere i propri errori.
In questo articolo, vedrò 10 tra gli harness open-source per agenti AI più popolari e utili nel 2026, analizzando cosa rende ciascuno diverso e come iniziare a usarlo. I conteggi delle stelle su GitHub sono aggiornati a novembre 2026. Per approfondire come vengono costruiti gli harness, vedi la nostra Guida all’ingegneria degli Agent Harness.
Che cos’è un harness per agenti AI?
Un harness per agenti AI è il sistema che fornisce a un modello di AI gli strumenti e l’ambiente di cui ha bisogno per completare i compiti.
Pensa al modello di AI come al cervello e all’harness come a tutto ciò che lo aiuta ad agire. Un harness permette al modello di mettere in pratica i propri suggerimenti: può leggere file, eseguire comandi e verificare i risultati.
Per esempio, immagina di avere un’applicazione Python che continua a bloccarsi. Invece di copiare l’errore in ChatGPT e applicare manualmente le correzioni suggerite, chiedi a un agente di coding AI:
"Scopri perché la mia app Python si blocca, risolvi il problema e assicurati che tutti i test passino."
L’harness consente al modello di AI di leggere il tuo codice, eseguire l’applicazione, trovare l’errore, modificare i file pertinenti ed eseguire i test. Se i test falliscono, invia i risultati di nuovo al modello così che possa provare un’altra soluzione.
Tutto questo può avvenire con una singola richiesta, con poca interazione manuale.
Cosa fa concretamente un harness per agenti AI?
La maggior parte degli harness per agenti AI offre 5 capacità essenziali:
Esecuzione degli strumenti: Consente al modello di leggere file, eseguire comandi, navigare siti web e interagire con applicazioni.
Gestione del contesto: Tiene traccia di file rilevanti, azioni precedenti e informazioni di cui il modello ha bisogno per completare il compito.
Agent loop: Permette al modello di usare ripetutamente strumenti, controllare i risultati e correggere gli errori finché non termina o raggiunge un limite.
Permessi e sicurezza: Controlla a quali file, strumenti e comandi l’agente può accedere o che può eseguire.
Memoria ed estensioni: Supporta skill riutilizzabili, integrazioni esterne e, in alcuni harness, memoria tra sessioni.
Alcuni harness supportano anche più agenti che lavorano insieme su parti diverse di un progetto.
Lo stesso modello di AI può comportarsi in modo molto diverso in base all’harness. Nei test su DeepSeek V4 Flash di Composio, lo stesso modello ha ottenuto tra il 46,7% e il 66,7% a seconda dell’harness, e l’agente minimale Pi è risultato il migliore.
Un harness ben progettato con pochi strumenti utili e una buona gestione del contesto può talvolta superare uno molto più complicato. Ecco perché vale la pena scegliere un harness con la stessa cura con cui scegli un modello.
Ora vediamo i 10 migliori harness open-source per agenti AI nel 2026.
1. Codex CLI: miglior harness open-source per ingegneria del software
Codex CLI è la mia prima scelta tra gli agenti di coding AI open-source. Sviluppato da OpenAI e scritto principalmente in Rust, è leggero e pensato per sviluppatori impegnati in progetti di ingegneria del software professionali. Conta circa 134K stelle su GitHub.
Ciò che fa emergere Codex è la quantità di lavoro che può gestire in autonomia. Può creare progetti completi, lavorare con i tuoi strumenti esistenti, correggere bug ed eseguire test. Puoi dargli un compito complesso e lasciargli gestire gran parte del processo di sviluppo.
Il principale compromesso è il suo focus su OpenAI: il quickstart prevede l’accesso con un account ChatGPT o una chiave API OpenAI.
Cosa distingue Codex CLI?
Basato su Rust e open source: Un agente leggero, orientato al terminale, con un harness open-source che gli sviluppatori possono personalizzare e ampliare.
Supporto multi-agente: Delega compiti diversi a sottoagenti specializzati ed esegui lavori indipendenti in parallelo.
Workflow locali e cloud: Inizia a sviluppare in locale, sposta i task su Codex Cloud e continua a lavorare via CLI, IDE o app desktop.
Ecosistema estensibile: Usa server Model Context Protocol (MCP), skill riutilizzabili e plugin per connettere strumenti esterni e automatizzare workflow oltre il coding.
Progettato per l’ingegneria reale: Esegui code review automatiche, integra pipeline CI/CD, gestisci task di lunga durata e controlla l’esecuzione tramite sandbox e permessi.
Come installare Codex CLI
Ogni installer in questo articolo invia uno script remoto alla tua shell, quindi rivedi prima lo script se preferisci controllare cosa fa.
macOS e Linux:
curl-fsSL https://chatgpt.com/codex/install.sh |shOfferto da
Windows (PowerShell):
powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"Offerto da
npm o Homebrew (qualsiasi piattaforma supportata):
npminstall-g @openai/codex
brew install--cask codexOfferto da
Vai nella directory del tuo progetto e avvia Codex:
Accedi con il tuo account ChatGPT o configura l’accesso API per iniziare a programmare.
Per esempio, puoi chiedere a Codex di creare un dashboard Python completo con frontend, backend, test e documentazione. Può gestire gran parte dell’implementazione mentre tu rivedi i risultati. Per un percorso pratico, vedi il nostro tutorial su OpenAI Codex CLI.
2. OpenCode: miglior harness open-source per flessibilità dei modelli
OpenCode è stato uno dei miei agenti di coding AI preferiti per oltre un anno. Funziona su Windows, macOS e Linux, supporta una vasta gamma di modelli di AI e offre agli sviluppatori molta libertà nel personalizzare i propri workflow.
È anche uno degli agenti di coding open-source più popolari, con circa 226K stelle su GitHub. Quello che apprezzo in particolare è che non resti vincolato a un unico provider di AI. Puoi usare OpenAI, Anthropic, Google o modelli locali, tutto dalla stessa interfaccia.
Cosa distingue OpenCode?
Oltre 75 provider di modelli: Passa tra modelli commerciali e locali senza cambiare ambiente di sviluppo.
Supporto multipiattaforma: Usa il terminale, l’app desktop (attualmente in beta), l’interfaccia web o l’SDK su diversi sistemi operativi.
Agenti e sessioni in parallelo: Esegui più task di coding simultaneamente e crea agenti specializzati per lavori diversi.
Altamente personalizzabile: Estendi le funzionalità tramite plugin, server MCP, comandi personalizzati e skill riutilizzabili.
Architettura client-server: Separa l’agente dalla sua interfaccia e connettilo ad altri strumenti, applicazioni e workflow.
L’unico aspetto negativo per me è che OpenCode può sembrare un po’ pesante rispetto ad agenti più semplici. Include molte funzionalità che la maggior parte degli sviluppatori potrebbe non usare mai, e le sessioni più grandi a volte sembrano meno reattive. Detto questo, se valorizzi flessibilità e scelta del modello, OpenCode è difficile da battere.
Come installare OpenCode CLI
Windows (Windows Subsystem for Linux, o WSL), macOS e Linux:
curl-fsSL https://opencode.ai/v2/install |bashOfferto da
Una volta installato, vai nella cartella del progetto e avvia OpenCode:
Usa /connect per configurare il tuo provider di AI preferito o inizia con i modelli gratuiti disponibili. Puoi anche scaricare l’app desktop OpenCode se preferisci un’interfaccia grafica.
3. OpenClaw: miglior harness open-source per automazione AI personale
OpenClaw è uno dei più grandi progetti open-source di agenti AI del 2026, con circa 394K stelle su GitHub. Diversamente dalla maggior parte degli agenti di coding in questa lista, OpenClaw è progettato per essere un assistente AI personale che può davvero svolgere compiti tra le tue applicazioni.
Ciò che rende interessante OpenClaw è che puoi eseguirlo sul tuo computer o server e comunicare con lui tramite WhatsApp, Telegram, Discord, Slack e altre piattaforme. Può ricordare contesto utile, eseguire comandi, navigare sul web e automatizzare le attività quotidiane.
Funziona anche come piattaforma per altri agenti di coding, incluso Codex, e il suo livello assistant è basato su Pi, un altro harness in questa lista.
Cosa distingue OpenClaw?
Assistente AI tra applicazioni: Collega un agente a WhatsApp, Telegram, Slack, Discord e oltre 20 altri canali di messaggistica.
Agente always-on: Eseguilo sul tuo computer o server per gestire compiti e rispondere ai messaggi da remoto.
Memoria e contesto persistenti: Mantiene conversazioni, informazioni di progetto e contesto utile tra sessioni.
Flessibilità di agenti e modelli: Connetti diversi provider di AI, modelli locali e runtime per agenti di coding supportati, incluso Codex.
Ecosistema di automazione: Usa skill, plugin, strumenti browser, task pianificati e routing multi-agente per creare workflow personalizzati.
Il principale svantaggio è la complessità e i requisiti di sicurezza. OpenClaw può accedere a strumenti e file sensibili, quindi devi configurare con cura permessi, sandbox e integrazioni esterne.
Consiglio OpenClaw agli sviluppatori che vogliono andare oltre gli assistenti di coding e costruire agenti AI personali che lavorano su più applicazioni.
Come installare OpenClaw AI Agent
macOS, Linux e Windows (WSL2):
curl-fsSL https://openclaw.ai/install.sh |bashOfferto da
Windows (PowerShell):
iwr-useb https://openclaw.ai/install.ps1 |iexOfferto da
L’installer avvia il processo di onboarding. Se necessario, esegui:
Collega il tuo modello di AI preferito e la piattaforma di messaggistica per iniziare.
Per esempio, puoi configurare OpenClaw per monitorare i tuoi progetti di sviluppo, riassumere gli aggiornamenti, eseguire task approvati e inviare i risultati direttamente su Telegram o WhatsApp.
4. Hermes Agent: miglior harness open-source per memoria persistente
Hermes Agent, sviluppato da Nous Research, ricorda informazioni utili su di te, sulle tue conversazioni e sui tuoi progetti tra una sessione e l’altra.
Ciò che rende interessante Hermes è come combina memoria persistente con un agente AI completo. Sa scrivere codice, eseguire comandi, apprendere skill riutilizzabili e automatizzare i compiti tenendo traccia del contesto importante dalle conversazioni precedenti.
Memoria persistente: Salva preferenze importanti, dettagli di progetto e lezioni apprese tra le conversazioni.
Ricerca nella cronologia delle conversazioni: Usa SQLite per cercare nelle sessioni precedenti e recuperare informazioni che non sono nella memoria attiva.
Skill auto-miglioranti: Crea skill riutilizzabili dai compiti completati e può affinarle man mano che accumula esperienza.
Funziona su più piattaforme: Chatta dal terminale, Telegram, Discord, Slack, WhatsApp e altre piattaforme di messaggistica supportate.
Workflow autonomi: Pianifica compiti, delegali a sottoagenti e collega modelli commerciali o locali.
Le sue prestazioni nel coding sono competitive. Su Composio Bench, che esegue ciascun harness attraverso lo stesso set di compiti multi-app, Hermes ha raggiunto un tasso di successo del 75,9% (22 su 29 compiti) usando GPT-6 Astra, alla pari con Codex CLI. Ha anche registrato il tempo medio di completamento più veloce tra gli harness testati con quel modello, 125 secondi per compito.
Lo svantaggio principale è che la sua memoria non è perfetta. Salva informazioni selezionate piuttosto che tutto, e l’esecuzione di workflow complessi con modelli locali più piccoli può essere impegnativa.
Consiglio Hermes agli sviluppatori che vogliono più di un assistente di coding, soprattutto a chi cerca un agente AI personale che ricordi il proprio lavoro e diventi più utile nel tempo.
Come installare Hermes Agent
Linux, macOS e Windows (WSL2):
curl-fsSL https://hermes-agent.nousresearch.com/install.sh |bashOfferto da
Windows (PowerShell):
iex(irm https://hermes-agent.nousresearch.com/install.ps1)Offerto da
Puoi anche eseguire hermes setup per configurare strumenti aggiuntivi, piattaforme di messaggistica e funzionalità di automazione. Per una guida completa, vedi la nostra guida all’installazione di Hermes Agent.
5. Pi: miglior harness open-source leggero per LLM locali
Pi è il mio harness per agenti AI leggero preferito. Quando scrivo tutorial sull’esecuzione locale di large language model (LLM), uso quasi sempre Pi perché è facile da configurare, ha un’architettura minimale e risulta molto più leggero rispetto a agenti di coding più grandi.
Quello che apprezzo particolarmente è la sua semplicità. Pi si concentra su un agent loop piccolo ed efficiente. Per esperienza, questo aiuta a mantenere il workflow rapido e l’uso di token gestibile, offrendo risultati di coding paragonabili ad agenti più complessi.
Conta circa 120K stelle su GitHub. Pi è ora sviluppato da Earendil, che ha acquisito il progetto dal suo creatore, Mario Zechner, nell’aprile 2026, e resta sotto licenza MIT. OpenClaw è costruito sui componenti di Pi.
Cosa distingue Pi?
Architettura di agente minimale: Un agent loop piccolo e focalizzato, senza funzionalità integrate superflue o workflow complessi.
Ottimo per LLM locali: Supporta modelli locali tramite llama.cpp, Ollama, LM Studio e API compatibili.
Gestione efficiente del contesto: Un system prompt minimo e un contesto personalizzabile aiutano a ridurre l’overhead inutile e potenzialmente a risparmiare token.
Completamente personalizzabile: Aggiungi estensioni, skill e comandi personalizzati o connetti server MCP tramite il supporto integrato introdotto in Pi 1.0, senza complicare inutilmente l’agente core.
SDK pensato per sviluppatori: Usa Pi tramite CLI, interfaccia RPC o SDK TypeScript per creare i tuoi agenti AI e strumenti di automazione.
Le prestazioni sono competitive. Su Composio Bench, Pi ha raggiunto un tasso di successo del 69% usando GPT-6 Astra, eguagliando OpenCode sugli stessi 29 compiti.
La principale limitazione è che funzioni come sottoagenti e planning non sono integrate di default. Per queste servono estensioni o implementazioni personalizzate. Tuttavia, è proprio questa semplicità che preferisco per esperimenti con LLM locali e progetti di coding leggeri.
Cline è uno dei primi agenti di coding AI open-source diventati popolari come estensione per VS Code. Ha rapidamente conquistato una vasta base di sviluppatori e ha portato a fork come Roo Code.
Sebbene non abbia usato Cline in modo estensivo quanto gli altri agenti in questa lista, il suo sviluppo e i feedback della community sono stati notevoli. Ora supporta più IDE, una CLI, una bacheca Kanban dei task e un SDK, con circa 70K stelle su GitHub.
Cosa distingue Cline?
Esperienza IDE-first: Lavora direttamente dentro VS Code e altri editor supportati, con modifiche al codice visive e controlli di approvazione.
Modalità Plan e Act: Lascia che l’agente esplori il tuo progetto e crei un piano prima di apportare modifiche.
Checkpoint e sicurezza: Rivedi le modifiche ai file, approva i comandi del terminale e ripristina checkpoint precedenti quando necessario.
Flessibilità di modelli: Supporta OpenAI, Anthropic, Google, OpenRouter e modelli locali tramite Ollama o LM Studio.
Piattaforma agente estensibile: Usa server MCP, skill personalizzate, una CLI e un SDK per creare workflow di coding automatizzati.
Su Composio Bench, Cline ha raggiunto un tasso di successo del 79,3% (23 su 29 compiti) usando GPT-6 Astra, un compito in più rispetto a Codex CLI e Hermes Agent. È stato l’harness con il punteggio più alto sul completamento dei task.
Lo svantaggio principale è la velocità. Cline ha registrato una media di 193 secondi per compito nello stesso benchmark, rispetto ai 125 secondi di Hermes Agent.
Come installare Cline AI Agent
VS Code (Windows, macOS e Linux):
Apri VS Code, vai su Estensioni (Ctrl+Shift+X su Windows e Linux, Cmd+Shift+X su macOS), cerca Cline e fai clic su Installa.
In alternativa, installa la CLI tramite npm (richiede Node.js 22 o superiore):
Ora puoi chiedere a Cline di esplorare il tuo codebase, implementare funzionalità, correggere errori ed eseguire test mentre rivedi le sue modifiche. Per esempi pratici, vedi la nostra guida a Cline AI.
7. DeepSeek Harness: miglior harness open-source per modelli DeepSeek
DeepSeek Harness è stato lanciato il 13 agosto 2026 e ha superato 186.000 stelle su GitHub nei primi 10 giorni, diventando uno dei progetti open-source di agenti AI in più rapida crescita. Oggi conta circa 279K stelle.
Ho usato DeepSeek Harness e ciò che mi ha colpito di più è stata la velocità, soprattutto con DeepSeek-V4.1-Flash. È ottimizzato per i modelli DeepSeek e include praticamente tutto ciò che ti aspetteresti da un moderno agente di coding.
Un’altra cosa che mi piace molto è la trasparenza. Puoi ispezionare le chiamate agli strumenti, le tracce di esecuzione e statistiche dettagliate per capire come sta operando il tuo agente.
Cosa distingue DeepSeek Harness?
Tutto è un plugin: Costruito su Cordis, consente agli sviluppatori di personalizzare modelli, strumenti, skill, memoria, sandbox e persino l’agent loop.
Creato per i modelli DeepSeek: Funziona particolarmente bene con DeepSeek-V4.1-Flash, con aggiornamenti ufficiali focalizzati sul migliorare prestazioni ed efficienza nel coding.
Statistiche di performance dettagliate: Ispeziona uso del contesto, attività del modello, informazioni di cache, chiamate agli strumenti e tempi di esecuzione tramite strumenti per sviluppatori.
Capacità complete dell’agente: Supporta coding, modifica file, esecuzione da terminale, sottoagenti, skill, automazione e workflow multi-step.
Interfacce web e desktop: Esegui l’agente tramite un’interfaccia web locale o usa l’app desktop (macOS su Apple silicon e Windows), con possibilità di estendere le funzionalità tramite plugin.
Lo svantaggio principale è che DeepSeek Harness è ancora in anteprima per sviluppatori. I plugin e le API stanno cambiando, e gli aggiornamenti possono introdurre breaking change.
Lo consiglierei a sviluppatori che usano regolarmente modelli DeepSeek o che vogliono un harness per agenti altamente personalizzabile con approfondimenti dettagliati sull’esecuzione.
Come installare DeepSeek Harness
Per prima cosa, installa Node.js 22.19 o superiore su Windows, macOS o Linux.
8. Deep Agents: miglior harness open-source per agenti AI personalizzati
Deep Agents è un harness open-source per agenti AI sviluppato da LangChain. Diversamente dalla maggior parte degli agenti di coding in questa lista, è pensato sia per lo sviluppo software sia per creare agenti AI personalizzati in grado di gestire compiti complessi e multi-step.
Ciò che trovo interessante di Deep Agents è che puoi usare il suo agente di coding da terminale già pronto oppure costruirne uno tuo con Python o TypeScript. Include già planning, memoria, sottoagenti e gestione del contesto, così non devi costruire tutto da zero.
Il progetto ha anche ricevuto molta attenzione, con circa 31K stelle su GitHub.
Cosa distingue Deep Agents?
Agente di coding e SDK: Usa Deep Agents Code come CLI pronta all’uso o crea applicazioni AI personalizzate con le sue librerie Python e TypeScript.
Progettato per compiti di lunga durata: Gli agenti possono pianificare workflow, gestire il contesto e lavorare su compiti complessi che coinvolgono più step.
Delegazione a sottoagenti: Suddividi compiti grandi in lavori più piccoli e delegali ad agenti specializzati con finestre di contesto separate.
Ambienti di esecuzione flessibili: Lavora con filesystem locali, sandbox remoti, strumenti personalizzati e server MCP.
Base pronta per la produzione: Costruito su LangGraph, con supporto per stato persistente, checkpoint, approvazioni umane e integrazione con LangSmith per tracing e valutazione.
Vale la pena menzionare anche i miglioramenti nei benchmark. Nel febbraio 2026, LangChain ha riportato di aver migliorato il punteggio del suo agente di coding su Terminal Bench 2.0 dal 52,8% al 66,5% con gpt-5.2-codex, solo ottimizzando prompt, strumenti e middleware senza cambiare il modello sottostante.
Consiglierei Deep Agents a sviluppatori che costruiscono le proprie applicazioni AI piuttosto che a chi cerca l’assistente di coding più semplice. Per compiti di coding leggeri, Pi o Codex CLI possono essere più rapidi da adottare. Per maggiori informazioni sull’SDK, vedi la nostra guida a Deep Agents.
Come installare Deep Agents
Installa Deep Agents Code (macOS e Linux, o Windows tramite WSL):
Scegli il tuo modello di AI e configura l’autenticazione per iniziare.
Per agenti AI personalizzati con Python, crea un progetto con uv e installa l’SDK:
uv init my-agent
cd my-agent
uv add deepagentsOfferto da
Puoi quindi usare create_deep_agent() per creare agenti con i tuoi modelli, strumenti, prompt e workflow.
Per esempio, puoi creare un agente di ricerca che cerchi sul web, analizzi documenti, deleghi ricerche a sottoagenti e generi un report finale.
9. OpenHands: miglior harness open-source per sviluppo software autonomo
OpenHands è uno dei primi progetti open-source di agenti di coding AI. È iniziato a marzo 2024 come OpenDevin, quando gli sviluppatori stavano ancora esplorando cosa potessero fare GPT-3.5 e GPT-4 oltre la semplice chat e generazione di codice.
All’epoca, l’idea di affidare a un agente AI un compito e lasciarlo creare un progetto reale era entusiasmante. OpenHands ha contribuito a renderlo possibile permettendo agli agenti di scrivere codice, eseguire comandi, correggere errori e testare il proprio lavoro.
Oggi è diventato una piattaforma completa per lo sviluppo software autonomo, con circa 93K stelle su GitHub.
Cosa distingue OpenHands?
Pioniere del coding autonomo: Uno dei primi progetti open-source ampiamente popolari focalizzati nel permettere agli agenti AI di completare compiti di ingegneria del software.
Agent Canvas: Un’interfaccia web per gestire conversazioni, file, terminali e più agenti di coding da un unico posto.
Supporto a più agenti: Lavora con OpenHands, Codex, Claude Code, Gemini e altri agenti che supportano l’Agent Client Protocol (ACP) attraverso un’interfaccia condivisa.
Ambienti di esecuzione flessibili: Esegui agenti in locale, dentro container Docker, su server remoti o tramite infrastrutture cloud.
Automazione e SDK: Crea agenti personalizzati, automatizza workflow di sviluppo ed esegui compiti tramite il suo SDK Python e i servizi backend.
Lo svantaggio principale è la complessità. Rispetto a harness leggeri come Pi o Codex CLI, OpenHands richiede più setup e risorse, specialmente usando ambienti di esecuzione isolati.
Lo consiglierei a sviluppatori che vogliono eseguire agenti di coding autonomi, gestire più workflow o costruire propri sistemi di sviluppo basati su agenti. Per uno sguardo più da vicino, vedi la nostra guida a OpenHands.
Come installare OpenHands AI Agent
Il modo più semplice per eseguire OpenHands in locale è tramite Agent Canvas.
Per prima cosa, installa Node.js 24 o superiore e uv.
Poi installa Agent Canvas su Windows, macOS o Linux:
Configura il tuo modello di AI preferito, seleziona uno spazio di lavoro e inizia a dare all’agente compiti di coding.
Per impostazione predefinita, questo esegue l’agente direttamente sulla tua macchina con pieno accesso al filesystem. Per tenere gli agenti lontani dai file al di fuori dello spazio di lavoro configurato, esegui Agent Canvas con sandbox Docker al suo posto:
OH_CONVERSATION_RUNTIME=docker agent-canvasOfferto da
10. mini-SWE-agent: miglior harness open-source minimale per ingegneria del software
mini-SWE-agent è uno degli harness di coding AI più semplici che abbia incontrato. Creato dai ricercatori dietro SWE-agent e SWE-bench, adotta un approccio diverso rispetto agli agenti di coding ricchi di funzionalità.
L’agente core è scritto in circa 100 righe di Python. Invece di costruire strumenti e workflow complicati, offre al modello di AI l’accesso a Bash e gli lascia capire come completare i compiti.
Questo approccio minimale offre comunque solide prestazioni nel coding. Il progetto ha raccolto circa 9,5K stelle su GitHub ed è usato da ricercatori e ingegneri in organizzazioni come NVIDIA, Meta e IBM.
Cosa distingue mini-SWE-agent?
Architettura dell’agente in 100 righe: Una piccola implementazione Python facile da comprendere, modificare ed estendere.
Esecuzione solo Bash: Usa semplici comandi di shell invece di sistemi di tool-calling complicati per modificare file, eseguire test e correggere bug.
Esecuzione trasparente: Mantiene una cronologia delle conversazioni lineare, rendendo semplice ispezionare ogni azione e fare debug del comportamento dell’agente.
Ambienti di esecuzione flessibili: Esegui in locale o usa Docker, Podman, Singularity e altri ambienti supportati per l’isolamento.
Pensato per la ricerca AI: Supporta più provider di modelli e offre una base semplice per benchmarking, fine-tuning ed esperimenti di reinforcement learning.
Secondo il README del progetto, mini-SWE-agent supera il 74% su SWE-bench Verified, un benchmark di reali issue su GitHub, quando abbinato a modelli forti come Gemini 3 Pro. Puoi confrontare i modelli sulla classifica bash-only di SWE-bench.
Lo svantaggio principale è la mancanza di molte funzionalità integrate presenti in agenti più grandi, come planning avanzato, sottoagenti e integrazioni estese. Gli sviluppatori potrebbero doverle implementare da soli.
Consiglierei mini-SWE-agent a sviluppatori e ricercatori AI che vogliono un harness di coding veloce, leggero e facile da personalizzare, soprattutto per sperimentare con modelli e architetture di agenti diverse.
Come installare mini-SWE-agent
Il modo più semplice per installare mini-SWE-agent su macOS o Linux è usare uv:
Per esempio, puoi chiedere a mini-SWE-agent di esplorare un repository Python, identificare i test falliti, correggere gli errori ed eseguire di nuovo i test. Gestisce tutto tramite semplici comandi di shell senza bisogno di un framework di agenti complicato.
Confronto dei 10 migliori harness open-source per agenti AI nel 2026
La tabella seguente confronta i 10 migliori harness open-source per agenti AI in base ai loro principali punti di forza, casi d’uso ideali e limitazioni.
Harness per agenti AI
Ideale per
Vantaggio chiave
Svantaggio principale
1. Codex CLI
Ingegneria del software
Prestazioni forti nel coding e workflow dell’agente
Costruito attorno ad account e modelli OpenAI
2. OpenCode
Flessibilità dei modelli
Ampio supporto ai modelli e personalizzazione
Può sembrare pesante
3. OpenClaw
Automazione AI personale
Integrazioni di messaggistica e agenti always-on
Configurazione complessa e considerazioni di sicurezza
4. Hermes Agent
Memoria persistente
Ricorda il contesto e sviluppa skill riutilizzabili
La memoria non è sempre affidabile
5. Pi
LLM locali
Leggero, semplice ed efficiente
Meno funzionalità integrate
6. Cline
Sviluppo in VS Code
Integrazione con IDE e controlli di approvazione
Più lento per task nei benchmark
7. DeepSeek Harness
Modelli DeepSeek
Architettura a plugin e statistiche di esecuzione
Ancora in anteprima per sviluppatori
8. Deep Agents
Applicazioni AI personalizzate
Planning, sottoagenti e SDK flessibile
Curva di apprendimento più ripida
9. OpenHands
Sviluppo autonomo
Ambienti di esecuzione flessibili
Setup che richiede molte risorse
10. mini-SWE-agent
Ricerca e sperimentazione
Architettura Python minimale
Funzionalità integrate limitate
Considerazioni finali
Gli agenti di coding hanno guidato questo spazio per un po’, e ora stiamo assistendo a uno spostamento verso assistenti AI personali e strumenti per il lavoro quotidiano.
Non ho incluso strumenti closed-source in questa lista, ma prodotti come ChatGPT Work e i dots di OpenAI sono buoni esempi della direzione che sta prendendo il settore. Sono pensati per più dei soli sviluppatori: impiegati d’ufficio, titolari di impresa, ricercatori e persino persone senza esperienza di coding possono usare l’AI per lavorare con documenti, analizzare fogli di calcolo, inviare email, gestire progetti e automatizzare compiti quotidiani.
Flow di Google mostra un cambiamento simile verso il rendere l’AI utile per il lavoro creativo. Naturalmente, la maggior parte degli harness open-source sopra può già gestire molti di questi compiti con gli strumenti e le integrazioni giuste. La differenza è che le aziende stanno ora costruendo esperienze specifiche per questi workflow invece di concentrarsi principalmente sul coding.
Oggi gran parte del lavoro avviene nell’harness. Gli sviluppatori stanno ottimizzando l’intero harness dell’agente, inclusi strumenti, memoria, gestione del contesto e workflow, per far sì che i modelli rendano meglio su compiti specifici.
Un harness per agenti AI è il codice che collega un modello di AI a strumenti come un terminale, un file system e un browser. Gestisce l’esecuzione, tiene traccia del contesto e rimanda i risultati al modello così che possa correggere i propri errori. Per approfondire come è costruito, vedi la nostra Agent Harness Engineering Guide.
Qual è il miglior harness open-source per agenti AI?⌄
Dipende dal lavoro. Codex CLI è la mia scelta per l’ingegneria del software, OpenCode per la flessibilità dei modelli, Pi per i modelli locali e Hermes Agent per la memoria persistente. Su Composio Bench con GPT-6 Astra, Cline ha ottenuto il punteggio più alto con il 79,3%, davanti a Codex CLI e Hermes Agent al 75,9%.
Claude Code è un harness per agenti AI?⌄
Sì. Claude Code è lo strumento di coding agentico di Anthropic, ed è un harness nello stesso senso degli strumenti sopra. È closed source, quindi non è in questa lista. Su Composio Bench con GPT-6 Astra, ha ottenuto il 72,4%.
Posso usare un harness per agenti AI con modelli locali?⌄
Sì, diversi lo permettono. Pi funziona con llama.cpp, Ollama e LM Studio, mentre OpenCode e Cline supportano anch’essi modelli locali. I modelli locali più piccoli possono faticare con workflow complessi, quindi inizia da compiti semplici.
Gli harness per agenti AI sono sicuri da eseguire sul mio computer?⌄
Possono esserlo, ma solo se controlli a cosa possono accedere. Gli harness eseguono comandi e modificano file, quindi usa prompt di permesso e sandbox dove disponibili. OpenHands, per esempio, dà all’agente pieno accesso al tuo file system per impostazione predefinita, ed eseguirlo con sandbox Docker lo limita.
In quanto data scientist certificato, sono appassionato di sfruttare tecnologie all’avanguardia per creare applicazioni di machine learning innovative. Con una solida esperienza in riconoscimento vocale, analisi e reportistica dei dati, MLOps, AI conversazionale e NLP, ho affinato le mie competenze nello sviluppo di sistemi intelligenti in grado di avere un impatto concreto. Oltre alla mia expertise tecnica, sono anche un comunicatore efficace, con il talento di rendere chiari e sintetici concetti complessi. Di conseguenza, sono diventato un blogger molto seguito in ambito data science, condividendo idee ed esperienze con una community in crescita di professionisti dei dati. Attualmente mi concentro sulla creazione e sull’editing di contenuti, lavorando con large language model per sviluppare contenuti potenti e coinvolgenti che possano aiutare aziende e singoli a valorizzare al meglio i propri dati.
Scopri i 15 migliori server MCP remoti che stanno trasformando lo sviluppo AI nel 2026. Scopri come migliorano automazione, ragionamento, sicurezza e velocità dei workflow.
%22%3E%0A%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22%2305192D%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23B08EFF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%237933FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%2372E5FE%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-226.525%20189.111)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-226.525%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22189.111%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%235EB1FF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23B08EFF%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22184.5%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%2372E5FE%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20227.432%20132.736)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22271.625%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22227.432%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22132.736%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%3C%2Fg%3E%0A%20%20%20%20%20%20%3Cdefs%3E%0A%20%20%20%20%20%20%20%20%3CclipPath%20id%3D%22clip%22%3E%0A%20%20%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22white%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3C%2FclipPath%3E%0A%20%20%20%20%20%20%3C%2Fdefs%3E%0A%20%20%20%20%3C%2Fsvg%3E)
Gli harness per agenti AI esistono da un po’, ma sono cambiati molto nell’ultimo anno e mezzo. Siamo passati da agenti semplici che potevano solo eseguire comandi Bash e modificare file a sistemi che sanno cercare sul web, connettersi a strumenti esterni, gestire il contesto, ricordare conversazioni passate e portare a termine compiti complessi.
Gli harness moderni supportano ora skill riutilizzabili, più agenti che collaborano e l’esecuzione parallela degli strumenti. Gli sviluppatori stanno anche trovando modi migliori per gestire il contesto, ridurre l’uso di token e rendere gli agenti più veloci e affidabili.
Trovo interessante che l’attenzione si stia spostando dal migliorare i modelli di AI al migliorare l’harness che li circonda. Gran parte dei guadagni prestazionali che vediamo oggi negli agenti AI deriva da strumenti migliori, workflow più intelligenti e gestione del contesto più efficiente, non solo da modelli migliori.
Alla base, un harness per agenti AI è il codice che collega un modello di AI ai suoi strumenti, gestisce l’esecuzione e crea il ciclo di feedback che consente all’agente di adattarsi in base ai risultati e correggere i propri errori.
In questo articolo, vedrò 10 tra gli harness open-source per agenti AI più popolari e utili nel 2026, analizzando cosa rende ciascuno diverso e come iniziare a usarlo. I conteggi delle stelle su GitHub sono aggiornati a novembre 2026. Per approfondire come vengono costruiti gli harness, vedi la nostra Guida all’ingegneria degli Agent Harness.
Che cos’è un harness per agenti AI?
Un harness per agenti AI è il sistema che fornisce a un modello di AI gli strumenti e l’ambiente di cui ha bisogno per completare i compiti.
Pensa al modello di AI come al cervello e all’harness come a tutto ciò che lo aiuta ad agire. Un harness permette al modello di mettere in pratica i propri suggerimenti: può leggere file, eseguire comandi e verificare i risultati.
Per esempio, immagina di avere un’applicazione Python che continua a bloccarsi. Invece di copiare l’errore in ChatGPT e applicare manualmente le correzioni suggerite, chiedi a un agente di coding AI:
"Scopri perché la mia app Python si blocca, risolvi il problema e assicurati che tutti i test passino."
L’harness consente al modello di AI di leggere il tuo codice, eseguire l’applicazione, trovare l’errore, modificare i file pertinenti ed eseguire i test. Se i test falliscono, invia i risultati di nuovo al modello così che possa provare un’altra soluzione.
Tutto questo può avvenire con una singola richiesta, con poca interazione manuale.
Cosa fa concretamente un harness per agenti AI?
La maggior parte degli harness per agenti AI offre 5 capacità essenziali:
Alcuni harness supportano anche più agenti che lavorano insieme su parti diverse di un progetto.
Lo stesso modello di AI può comportarsi in modo molto diverso in base all’harness. Nei test su DeepSeek V4 Flash di Composio, lo stesso modello ha ottenuto tra il 46,7% e il 66,7% a seconda dell’harness, e l’agente minimale Pi è risultato il migliore.
Un harness ben progettato con pochi strumenti utili e una buona gestione del contesto può talvolta superare uno molto più complicato. Ecco perché vale la pena scegliere un harness con la stessa cura con cui scegli un modello.
Ora vediamo i 10 migliori harness open-source per agenti AI nel 2026.
1. Codex CLI: miglior harness open-source per ingegneria del software
Codex CLI è la mia prima scelta tra gli agenti di coding AI open-source. Sviluppato da OpenAI e scritto principalmente in Rust, è leggero e pensato per sviluppatori impegnati in progetti di ingegneria del software professionali. Conta circa 134K stelle su GitHub.
Ciò che fa emergere Codex è la quantità di lavoro che può gestire in autonomia. Può creare progetti completi, lavorare con i tuoi strumenti esistenti, correggere bug ed eseguire test. Puoi dargli un compito complesso e lasciargli gestire gran parte del processo di sviluppo.
Il principale compromesso è il suo focus su OpenAI: il quickstart prevede l’accesso con un account ChatGPT o una chiave API OpenAI.
Cosa distingue Codex CLI?
Come installare Codex CLI
Ogni installer in questo articolo invia uno script remoto alla tua shell, quindi rivedi prima lo script se preferisci controllare cosa fa.
macOS e Linux:
Windows (PowerShell):
npm o Homebrew (qualsiasi piattaforma supportata):
Vai nella directory del tuo progetto e avvia Codex:
Accedi con il tuo account ChatGPT o configura l’accesso API per iniziare a programmare.
Per esempio, puoi chiedere a Codex di creare un dashboard Python completo con frontend, backend, test e documentazione. Può gestire gran parte dell’implementazione mentre tu rivedi i risultati. Per un percorso pratico, vedi il nostro tutorial su OpenAI Codex CLI.
2. OpenCode: miglior harness open-source per flessibilità dei modelli
OpenCode è stato uno dei miei agenti di coding AI preferiti per oltre un anno. Funziona su Windows, macOS e Linux, supporta una vasta gamma di modelli di AI e offre agli sviluppatori molta libertà nel personalizzare i propri workflow.
È anche uno degli agenti di coding open-source più popolari, con circa 226K stelle su GitHub. Quello che apprezzo in particolare è che non resti vincolato a un unico provider di AI. Puoi usare OpenAI, Anthropic, Google o modelli locali, tutto dalla stessa interfaccia.
Cosa distingue OpenCode?
L’unico aspetto negativo per me è che OpenCode può sembrare un po’ pesante rispetto ad agenti più semplici. Include molte funzionalità che la maggior parte degli sviluppatori potrebbe non usare mai, e le sessioni più grandi a volte sembrano meno reattive. Detto questo, se valorizzi flessibilità e scelta del modello, OpenCode è difficile da battere.
Come installare OpenCode CLI
Windows (Windows Subsystem for Linux, o WSL), macOS e Linux:
Una volta installato, vai nella cartella del progetto e avvia OpenCode:
Usa
/connectper configurare il tuo provider di AI preferito o inizia con i modelli gratuiti disponibili. Puoi anche scaricare l’app desktop OpenCode se preferisci un’interfaccia grafica.Per provare OpenCode con un modello in esecuzione sulla tua macchina, vedi la nostra guida su eseguire Qwen3.8-Flash-Next in locale con OpenCode.
3. OpenClaw: miglior harness open-source per automazione AI personale
OpenClaw è uno dei più grandi progetti open-source di agenti AI del 2026, con circa 394K stelle su GitHub. Diversamente dalla maggior parte degli agenti di coding in questa lista, OpenClaw è progettato per essere un assistente AI personale che può davvero svolgere compiti tra le tue applicazioni.
Fonte: la nostra guida a OpenClaw
Ciò che rende interessante OpenClaw è che puoi eseguirlo sul tuo computer o server e comunicare con lui tramite WhatsApp, Telegram, Discord, Slack e altre piattaforme. Può ricordare contesto utile, eseguire comandi, navigare sul web e automatizzare le attività quotidiane.
Funziona anche come piattaforma per altri agenti di coding, incluso Codex, e il suo livello assistant è basato su Pi, un altro harness in questa lista.
Cosa distingue OpenClaw?
Il principale svantaggio è la complessità e i requisiti di sicurezza. OpenClaw può accedere a strumenti e file sensibili, quindi devi configurare con cura permessi, sandbox e integrazioni esterne.
Consiglio OpenClaw agli sviluppatori che vogliono andare oltre gli assistenti di coding e costruire agenti AI personali che lavorano su più applicazioni.
Come installare OpenClaw AI Agent
macOS, Linux e Windows (WSL2):
Windows (PowerShell):
L’installer avvia il processo di onboarding. Se necessario, esegui:
Una volta configurato, avvia la dashboard web:
Collega il tuo modello di AI preferito e la piattaforma di messaggistica per iniziare.
Per esempio, puoi configurare OpenClaw per monitorare i tuoi progetti di sviluppo, riassumere gli aggiornamenti, eseguire task approvati e inviare i risultati direttamente su Telegram o WhatsApp.
4. Hermes Agent: miglior harness open-source per memoria persistente
Hermes Agent, sviluppato da Nous Research, ricorda informazioni utili su di te, sulle tue conversazioni e sui tuoi progetti tra una sessione e l’altra.
Ciò che rende interessante Hermes è come combina memoria persistente con un agente AI completo. Sa scrivere codice, eseguire comandi, apprendere skill riutilizzabili e automatizzare i compiti tenendo traccia del contesto importante dalle conversazioni precedenti.
Fonte: Hermes AI Agent by Nous Research | Sito ufficiale
Conta circa 260K stelle su GitHub.
Cosa distingue Hermes Agent?
Le sue prestazioni nel coding sono competitive. Su Composio Bench, che esegue ciascun harness attraverso lo stesso set di compiti multi-app, Hermes ha raggiunto un tasso di successo del 75,9% (22 su 29 compiti) usando GPT-6 Astra, alla pari con Codex CLI. Ha anche registrato il tempo medio di completamento più veloce tra gli harness testati con quel modello, 125 secondi per compito.
Lo svantaggio principale è che la sua memoria non è perfetta. Salva informazioni selezionate piuttosto che tutto, e l’esecuzione di workflow complessi con modelli locali più piccoli può essere impegnativa.
Consiglio Hermes agli sviluppatori che vogliono più di un assistente di coding, soprattutto a chi cerca un agente AI personale che ricordi il proprio lavoro e diventi più utile nel tempo.
Come installare Hermes Agent
Linux, macOS e Windows (WSL2):
Windows (PowerShell):
Configura il tuo provider di modelli preferito:
Avvia l’agente:
Puoi anche eseguire
hermes setupper configurare strumenti aggiuntivi, piattaforme di messaggistica e funzionalità di automazione. Per una guida completa, vedi la nostra guida all’installazione di Hermes Agent.5. Pi: miglior harness open-source leggero per LLM locali
Pi è il mio harness per agenti AI leggero preferito. Quando scrivo tutorial sull’esecuzione locale di large language model (LLM), uso quasi sempre Pi perché è facile da configurare, ha un’architettura minimale e risulta molto più leggero rispetto a agenti di coding più grandi.
Quello che apprezzo particolarmente è la sua semplicità. Pi si concentra su un agent loop piccolo ed efficiente. Per esperienza, questo aiuta a mantenere il workflow rapido e l’uso di token gestibile, offrendo risultati di coding paragonabili ad agenti più complessi.
Conta circa 120K stelle su GitHub. Pi è ora sviluppato da Earendil, che ha acquisito il progetto dal suo creatore, Mario Zechner, nell’aprile 2026, e resta sotto licenza MIT. OpenClaw è costruito sui componenti di Pi.
Cosa distingue Pi?
Le prestazioni sono competitive. Su Composio Bench, Pi ha raggiunto un tasso di successo del 69% usando GPT-6 Astra, eguagliando OpenCode sugli stessi 29 compiti.
La principale limitazione è che funzioni come sottoagenti e planning non sono integrate di default. Per queste servono estensioni o implementazioni personalizzate. Tuttavia, è proprio questa semplicità che preferisco per esperimenti con LLM locali e progetti di coding leggeri.
Come installare Pi AI Agent CLI
macOS e Linux:
Windows (PowerShell):
Vai nella directory del tuo progetto e avvia Pi:
Usa
/loginper collegare un provider di AI o configurare un modello locale. Quindi usa/modelper selezionare il modello da eseguire.Per vedere Pi in azione con un modello locale, prova la nostra guida su eseguire Bonsai 27B in locale.
6. Cline: miglior harness open-source per VS Code
Cline è uno dei primi agenti di coding AI open-source diventati popolari come estensione per VS Code. Ha rapidamente conquistato una vasta base di sviluppatori e ha portato a fork come Roo Code.
Sebbene non abbia usato Cline in modo estensivo quanto gli altri agenti in questa lista, il suo sviluppo e i feedback della community sono stati notevoli. Ora supporta più IDE, una CLI, una bacheca Kanban dei task e un SDK, con circa 70K stelle su GitHub.
Cosa distingue Cline?
Su Composio Bench, Cline ha raggiunto un tasso di successo del 79,3% (23 su 29 compiti) usando GPT-6 Astra, un compito in più rispetto a Codex CLI e Hermes Agent. È stato l’harness con il punteggio più alto sul completamento dei task.
Lo svantaggio principale è la velocità. Cline ha registrato una media di 193 secondi per compito nello stesso benchmark, rispetto ai 125 secondi di Hermes Agent.
Come installare Cline AI Agent
VS Code (Windows, macOS e Linux):
Apri VS Code, vai su Estensioni (
Ctrl+Shift+Xsu Windows e Linux,Cmd+Shift+Xsu macOS), cerca Cline e fai clic su Installa.In alternativa, installa la CLI tramite npm (richiede Node.js 22 o superiore):
Configura il tuo provider di AI preferito:
Vai nella directory del tuo progetto e avvia Cline:
Ora puoi chiedere a Cline di esplorare il tuo codebase, implementare funzionalità, correggere errori ed eseguire test mentre rivedi le sue modifiche. Per esempi pratici, vedi la nostra guida a Cline AI.
7. DeepSeek Harness: miglior harness open-source per modelli DeepSeek
DeepSeek Harness è stato lanciato il 13 agosto 2026 e ha superato 186.000 stelle su GitHub nei primi 10 giorni, diventando uno dei progetti open-source di agenti AI in più rapida crescita. Oggi conta circa 279K stelle.
Ho usato DeepSeek Harness e ciò che mi ha colpito di più è stata la velocità, soprattutto con DeepSeek-V4.1-Flash. È ottimizzato per i modelli DeepSeek e include praticamente tutto ciò che ti aspetteresti da un moderno agente di coding.
Un’altra cosa che mi piace molto è la trasparenza. Puoi ispezionare le chiamate agli strumenti, le tracce di esecuzione e statistiche dettagliate per capire come sta operando il tuo agente.
Cosa distingue DeepSeek Harness?
Lo svantaggio principale è che DeepSeek Harness è ancora in anteprima per sviluppatori. I plugin e le API stanno cambiando, e gli aggiornamenti possono introdurre breaking change.
Lo consiglierei a sviluppatori che usano regolarmente modelli DeepSeek o che vogliono un harness per agenti altamente personalizzabile con approfondimenti dettagliati sull’esecuzione.
Come installare DeepSeek Harness
Per prima cosa, installa Node.js 22.19 o superiore su Windows, macOS o Linux.
Poi avvia DeepSeek Harness usando npx:
Questo avvia automaticamente l’interfaccia web locale su
http://127.0.0.1:3080.Configura la tua chiave API DeepSeek, seleziona il modello preferito e inizia a costruire. Puoi anche scaricare l’app desktop dal sito ufficiale di DeepSeek Harness. Per un walkthrough passo passo, vedi il nostro tutorial su DeepSeek Harness.
8. Deep Agents: miglior harness open-source per agenti AI personalizzati
Deep Agents è un harness open-source per agenti AI sviluppato da LangChain. Diversamente dalla maggior parte degli agenti di coding in questa lista, è pensato sia per lo sviluppo software sia per creare agenti AI personalizzati in grado di gestire compiti complessi e multi-step.
Fonte: Panoramica Deep Agents - Documentazione di LangChain
Ciò che trovo interessante di Deep Agents è che puoi usare il suo agente di coding da terminale già pronto oppure costruirne uno tuo con Python o TypeScript. Include già planning, memoria, sottoagenti e gestione del contesto, così non devi costruire tutto da zero.
Il progetto ha anche ricevuto molta attenzione, con circa 31K stelle su GitHub.
Cosa distingue Deep Agents?
Vale la pena menzionare anche i miglioramenti nei benchmark. Nel febbraio 2026, LangChain ha riportato di aver migliorato il punteggio del suo agente di coding su Terminal Bench 2.0 dal 52,8% al 66,5% con gpt-5.2-codex, solo ottimizzando prompt, strumenti e middleware senza cambiare il modello sottostante.
Consiglierei Deep Agents a sviluppatori che costruiscono le proprie applicazioni AI piuttosto che a chi cerca l’assistente di coding più semplice. Per compiti di coding leggeri, Pi o Codex CLI possono essere più rapidi da adottare. Per maggiori informazioni sull’SDK, vedi la nostra guida a Deep Agents.
Come installare Deep Agents
Installa Deep Agents Code (macOS e Linux, o Windows tramite WSL):
Avvia l’agente di coding:
Scegli il tuo modello di AI e configura l’autenticazione per iniziare.
Per agenti AI personalizzati con Python, crea un progetto con
uve installa l’SDK:Puoi quindi usare
create_deep_agent()per creare agenti con i tuoi modelli, strumenti, prompt e workflow.Per esempio, puoi creare un agente di ricerca che cerchi sul web, analizzi documenti, deleghi ricerche a sottoagenti e generi un report finale.
9. OpenHands: miglior harness open-source per sviluppo software autonomo
OpenHands è uno dei primi progetti open-source di agenti di coding AI. È iniziato a marzo 2024 come OpenDevin, quando gli sviluppatori stavano ancora esplorando cosa potessero fare GPT-3.5 e GPT-4 oltre la semplice chat e generazione di codice.
Fonte: OpenHands/OpenHands: OpenHands: AI-Driven Development
All’epoca, l’idea di affidare a un agente AI un compito e lasciarlo creare un progetto reale era entusiasmante. OpenHands ha contribuito a renderlo possibile permettendo agli agenti di scrivere codice, eseguire comandi, correggere errori e testare il proprio lavoro.
Oggi è diventato una piattaforma completa per lo sviluppo software autonomo, con circa 93K stelle su GitHub.
Cosa distingue OpenHands?
Lo svantaggio principale è la complessità. Rispetto a harness leggeri come Pi o Codex CLI, OpenHands richiede più setup e risorse, specialmente usando ambienti di esecuzione isolati.
Lo consiglierei a sviluppatori che vogliono eseguire agenti di coding autonomi, gestire più workflow o costruire propri sistemi di sviluppo basati su agenti. Per uno sguardo più da vicino, vedi la nostra guida a OpenHands.
Come installare OpenHands AI Agent
Il modo più semplice per eseguire OpenHands in locale è tramite Agent Canvas.
Per prima cosa, installa Node.js 24 o superiore e uv.
Poi installa Agent Canvas su Windows, macOS o Linux:
Avvia l’applicazione:
Apri l’interfaccia web su
http://localhost:8000.Configura il tuo modello di AI preferito, seleziona uno spazio di lavoro e inizia a dare all’agente compiti di coding.
Per impostazione predefinita, questo esegue l’agente direttamente sulla tua macchina con pieno accesso al filesystem. Per tenere gli agenti lontani dai file al di fuori dello spazio di lavoro configurato, esegui Agent Canvas con sandbox Docker al suo posto:
10. mini-SWE-agent: miglior harness open-source minimale per ingegneria del software
mini-SWE-agent è uno degli harness di coding AI più semplici che abbia incontrato. Creato dai ricercatori dietro SWE-agent e SWE-bench, adotta un approccio diverso rispetto agli agenti di coding ricchi di funzionalità.
L’agente core è scritto in circa 100 righe di Python. Invece di costruire strumenti e workflow complicati, offre al modello di AI l’accesso a Bash e gli lascia capire come completare i compiti.
Questo approccio minimale offre comunque solide prestazioni nel coding. Il progetto ha raccolto circa 9,5K stelle su GitHub ed è usato da ricercatori e ingegneri in organizzazioni come NVIDIA, Meta e IBM.
Cosa distingue mini-SWE-agent?
Secondo il README del progetto, mini-SWE-agent supera il 74% su SWE-bench Verified, un benchmark di reali issue su GitHub, quando abbinato a modelli forti come Gemini 3 Pro. Puoi confrontare i modelli sulla classifica bash-only di SWE-bench.
Lo svantaggio principale è la mancanza di molte funzionalità integrate presenti in agenti più grandi, come planning avanzato, sottoagenti e integrazioni estese. Gli sviluppatori potrebbero doverle implementare da soli.
Consiglierei mini-SWE-agent a sviluppatori e ricercatori AI che vogliono un harness di coding veloce, leggero e facile da personalizzare, soprattutto per sperimentare con modelli e architetture di agenti diverse.
Come installare mini-SWE-agent
Il modo più semplice per installare mini-SWE-agent su macOS o Linux è usare
uv:In alternativa, installalo con pip:
Configura il tuo modello di AI e la chiave API preferiti:
Vai nella directory del tuo progetto e avvia l’agente:
Puoi anche eseguirlo direttamente senza installazione permanente:
Per esempio, puoi chiedere a mini-SWE-agent di esplorare un repository Python, identificare i test falliti, correggere gli errori ed eseguire di nuovo i test. Gestisce tutto tramite semplici comandi di shell senza bisogno di un framework di agenti complicato.
Confronto dei 10 migliori harness open-source per agenti AI nel 2026
La tabella seguente confronta i 10 migliori harness open-source per agenti AI in base ai loro principali punti di forza, casi d’uso ideali e limitazioni.
Considerazioni finali
Gli agenti di coding hanno guidato questo spazio per un po’, e ora stiamo assistendo a uno spostamento verso assistenti AI personali e strumenti per il lavoro quotidiano.
Non ho incluso strumenti closed-source in questa lista, ma prodotti come ChatGPT Work e i dots di OpenAI sono buoni esempi della direzione che sta prendendo il settore. Sono pensati per più dei soli sviluppatori: impiegati d’ufficio, titolari di impresa, ricercatori e persino persone senza esperienza di coding possono usare l’AI per lavorare con documenti, analizzare fogli di calcolo, inviare email, gestire progetti e automatizzare compiti quotidiani.
Flow di Google mostra un cambiamento simile verso il rendere l’AI utile per il lavoro creativo. Naturalmente, la maggior parte degli harness open-source sopra può già gestire molti di questi compiti con gli strumenti e le integrazioni giuste. La differenza è che le aziende stanno ora costruendo esperienze specifiche per questi workflow invece di concentrarsi principalmente sul coding.
Oggi gran parte del lavoro avviene nell’harness. Gli sviluppatori stanno ottimizzando l’intero harness dell’agente, inclusi strumenti, memoria, gestione del contesto e workflow, per far sì che i modelli rendano meglio su compiti specifici.
Se vuoi approfondire la costruzione di un tuo harness, ti consiglio di dare un’occhiata al nostro corso Building AI Agent Harnesses with Strands Agents.