AI 代理 harness 已经存在一段时间，但在过去一年半里变化非常大。我们已经从只能运行 Bash 命令和编辑文件的简单代理，发展到能够搜索网页、连接外部工具、管理上下文、记住过往对话并完成复杂任务的系统。
现代 AI harness 现已支持可复用技能、多代理协作以及并行工具执行。开发者也在探索更好的上下文管理方式，以减少 token 使用，让代理更快、更可靠。
我觉得有趣的是，关注点正在从“提升模型本身”转向“改进围绕模型的 harness”。如今许多 AI 代理的性能提升，更多来自更好的工具、更聪明的工作流和更高效的上下文管理，而不只是更强的模型。
从本质上讲，AI 代理 harness 是把 AI 模型与工具连接起来的代码，负责管理执行，并创建让代理能够根据结果调整并纠错的反馈回路。
本文将介绍 2026 年最受欢迎、最实用的 10 个开源 AI 代理 harness，看看各自的特色以及如何上手。GitHub star 数统计于 2026 年 11 月。想深入了解 harness 的构建方式，请参阅我们的 《Agent Harness 工程指南》。
什么是 AI 代理 Harness？
AI 代理 harness 是为 AI 模型提供完成任务所需工具和环境的系统。
可以把 AI 模型看作大脑，而 harness 是帮助它采取行动的一切。harness 让模型能按自己的建议行事：它可以读文件、运行命令并核对结果。
例如，假设您的 Python 应用不断崩溃。与其把错误复制到 ChatGPT 再手动套用修复建议，不如直接让 AI 编码代理来处理：
“找出我的 Python 应用崩溃的原因，修好问题，并确保所有测试通过。”
harness 允许 AI 模型读取您的代码、运行应用、定位错误、编辑相关文件并运行测试。如果测试失败，它会把结果返回给模型，以便尝试其他方案。
这一切都可以通过一次请求完成，几乎不需要人工干预。
AI 代理 harness 实际在做什么？
大多数 AI 代理 harness 提供 5 项核心能力：
- 工具执行：允许模型读取文件、执行命令、浏览网站并与应用交互。
- 上下文管理：跟踪相关文件、先前操作和完成任务所需的信息。
- 代理循环：让模型反复使用工具、检查结果并纠错，直到完成或达到限制。
- 权限与安全：控制代理可访问或可执行的文件、工具与命令。
- 记忆与扩展：支持可复用技能、外部集成，以及在某些 harness 中的跨会话记忆。
有些 harness 还支持多个代理协作，分别负责项目的不同部分。
同一个 AI 模型在不同 harness 下表现可能截然不同。在 Composio 的 DeepSeek V4 Flash 测试中，同一模型的得分会因 harness 不同而在 46.7% 到 66.7% 之间波动，而精简的 Pi 代理位列前茅。
设计良好的 harness 加上少量有用的工具与出色的上下文管理，有时能胜过复杂得多的方案。因此，选择 harness 的重要性不亚于选择模型。
现在，让我们看看 2026 年十大开源 AI 代理 harness。
1. Codex CLI：最佳开源软件工程 AI 代理 Harness
Codex CLI 是我首选的开源 AI 编码代理。它由 OpenAI 开发，主要使用 Rust 编写，轻量且面向专业软件工程项目的开发者。其 GitHub star 约为 134K。
Codex 的突出之处在于其高度的自主处理能力。它可以构建完整项目、与现有工具协作、修复缺陷并运行测试。您可以交给它复杂任务，它能处理大部分开发流程。
主要取舍在于其对 OpenAI 的聚焦：快速上手需要用 ChatGPT 账号或 OpenAI API key 登录。
Codex CLI 的亮点
- 基于 Rust、开源：轻量、终端优先的代理，开源 harness 便于开发者自定义与拓展。
- 多代理支持：将不同任务委派给专业子代理，并行运行独立工作。
- 本地与云端工作流：本地开始编码，将任务迁移到 Codex Cloud，并可通过命令行（CLI）、IDE 或桌面应用继续工作。
- 可扩展生态：使用 Model Context Protocol（MCP）服务器、可复用技能与插件，连接外部工具，将自动化拓展到编码之外。
- 面向真实工程：自动化代码审查、集成 CI/CD 流水线、管理长任务，并通过沙盒与权限控制执行。
如何安装 Codex CLI
本文中的各安装器都会将远程脚本通过管道传入您的 shell，如需审阅其行为，请先查看脚本内容。
macOS 与 Linux：
curl -fsSL https://chatgpt.com/codex/install.sh | sh技术支持
Windows（PowerShell）：
powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"技术支持
npm 或 Homebrew（任意受支持平台）：
npm install -g @openai/codex
brew install --cask codex技术支持
进入您的项目目录并启动 Codex：
codex技术支持
使用您的 ChatGPT 账号登录或配置 API 访问，即可开始编码。
例如，您可以让 Codex 构建一个完整的 Python 仪表盘，包含前端、后端、测试与文档。它能处理大部分实现，您只需审阅结果。实践演示见我们的 OpenAI Codex CLI 教程。
2. OpenCode：最佳开源“模型灵活性” AI 代理 Harness
OpenCode 已经是我最喜欢的 AI 编码代理之一超过一年。它跨 Windows、macOS 与 Linux 工作，支持海量 AI 模型，并给予开发者充分的工作流自定义自由。
它也是最受欢迎的开源编码代理之一，GitHub star 约 226K。我尤其喜欢它不会把您锁定在单一 AI 提供商上。您可以在同一界面里使用 OpenAI、Anthropic、Google 或本地模型。
OpenCode 的亮点
- 75+ 模型提供商：在商用与本地模型间自由切换，无需更改编码环境。
- 跨平台支持：在不同操作系统上使用终端、桌面应用（当前为测试版）、网页界面或 SDK。
- 并行代理与会话：同时运行多个编码任务，并为不同工作创建专用代理。
- 高度可定制：通过插件、MCP 服务器、自定义命令与可复用技能扩展功能。
- 客户端-服务器架构：将代理与界面解耦，连接到其他工具、应用与工作流。
对我来说唯一的不足是，相比更简洁的编码代理，OpenCode 有时显得偏“臃肿”。它包含许多大多数开发者可能用不到的功能，而大型会话偶尔会显得响应不够灵敏。但如果您重视灵活性与模型选择，OpenCode 仍然难以匹敌。
如何安装 OpenCode CLI
Windows（WSL）、macOS 与 Linux：
curl -fsSL https://opencode.ai/v2/install | bash技术支持
安装完成后，进入您的项目文件夹并启动 OpenCode：
opencode技术支持
使用 /connect 配置您偏好的 AI 提供商，或直接使用可用的免费模型。若偏好图形界面，也可下载 OpenCode 桌面应用。
想在本机模型上试用 OpenCode，请参阅我们的指南：在本地运行 Qwen3.8-Flash-Next 并配合 OpenCode。
3. OpenClaw：最佳开源“个人 AI 自动化”代理 Harness
OpenClaw 是 2026 年最大的开源 AI 代理项目之一，GitHub star 约 394K。不同于本榜单多数编码代理，OpenClaw 被设计为真正能在您的各类应用上执行任务的个人 AI 助手。
来源：我们的 OpenClaw 指南
OpenClaw 的有趣之处在于，您可以在自己的电脑或服务器上运行它，并通过 WhatsApp、Telegram、Discord、Slack 等平台与之通信。它能记住有用的上下文、执行命令、浏览网页并自动化日常任务。
它也可作为其他编码代理的平台（包括 Codex），其助手层构建于本榜单中的另一个 harness——Pi 之上。
OpenClaw 的亮点
- 跨应用的 AI 助手：让一个代理连接 WhatsApp、Telegram、Slack、Discord 及 20+ 其他消息渠道。
- 常驻运行的代理：在您自己的电脑或服务器上运行，远程处理任务并回复消息。
- 持久记忆与上下文：跨会话保留对话、项目信息与有用上下文。
- 代理与模型灵活性：连接不同 AI 提供商、本地模型与受支持的编码代理运行时（包括 Codex）。
- 自动化生态：使用技能、插件、浏览器工具、计划任务与多代理路由搭建自定义工作流。
主要不足在于其复杂度与安全要求。OpenClaw 可访问敏感工具与文件，因此需要谨慎配置权限、沙盒与外部集成。
我会将 OpenClaw 推荐给想要超越“编码助手”，在多应用中构建个人 AI 代理的开发者。
如何安装 OpenClaw AI 代理
macOS、Linux 与 Windows（WSL2）：
curl -fsSL https://openclaw.ai/install.sh | bash技术支持
Windows（PowerShell）：
iwr -useb https://openclaw.ai/install.ps1 | iex技术支持
安装器将启动引导流程。如需，可运行：
openclaw onboard --install-daemon技术支持
配置完成后，启动网页控制台：
openclaw dashboard技术支持
连接您偏好的 AI 模型与消息平台即可开始使用。
例如，您可以配置 OpenClaw 监控开发项目、汇总更新、执行经批准的任务，并将结果直接发送至 Telegram 或 WhatsApp。
4. Hermes Agent：最佳开源“持久记忆”AI 代理 Harness
Hermes Agent 由 Nous Research 开发，能在会话间记住关于您、您的对话和项目的有用信息。
Hermes 的亮点在于将持久记忆与完整的 AI 代理相结合。它能写代码、运行命令、学习可复用技能并自动化任务，同时追踪先前对话中的重要上下文。
来源：Nous Research 出品 Hermes AI Agent | 官方网站
其 GitHub star 约为 260K。
Hermes Agent 的亮点
- 持久记忆：跨对话保存关键偏好、项目细节与经验教训。
- 会话历史搜索：使用 SQLite 搜索往期会话，找回未在活动记忆中的信息。
- 自我改进的技能：从已完成任务中创建可复用技能，并可随经验积累而优化。
- 跨平台工作：通过终端、Telegram、Discord、Slack、WhatsApp 等消息平台聊天。
- 自治工作流：安排任务、将工作委派给子代理，并连接商用或本地 AI 模型。
其编码表现也很有竞争力。在 Composio Bench 上（对每个 harness 运行相同的多应用任务集），Hermes 使用 OpenAI 的 GPT-6 Astra 取得了 75.9% 成功率（29 项任务完成 22 项），与 Codex CLI 持平。同时，它在该模型下记录了最快的平均完成时间，每项任务 125 秒。
主要不足在于记忆并非完美。它会选择性保存信息而非全部保存，且在使用较小本地模型运行复杂工作流时可能更具挑战。
我会将 Hermes 推荐给希望超越“编码助手”的开发者，尤其是想要一个能记住其工作并随时间变得更有用的个人 AI 代理的人。
如何安装 Hermes Agent
Linux、macOS 与 Windows（WSL2）：
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash技术支持
Windows（PowerShell）：
iex (irm https://hermes-agent.nousresearch.com/install.ps1)技术支持
配置您偏好的模型提供商：
hermes model技术支持
启动代理：
hermes技术支持
您也可以运行 hermes setup 配置更多工具、消息平台与自动化功能。完整演练见我们的 Hermes Agent 安装指南。
5. Pi：最佳轻量级“本地 LLM”开源 AI 代理 Harness
Pi 是我最喜欢的轻量级 AI 代理 harness。每当我写关于在本地运行大语言模型（LLM）的教程，几乎都会用 Pi，因为它易于配置、架构极简，明显比体量更大的编码代理更轻盈。
我尤其喜欢它的简洁。Pi 专注于小而高效的代理循环。根据我的体验，这有助于保持流程快速、token 使用可控，同时交付不逊于更复杂代理的编码结果。
其 GitHub star 约 120K。Pi 现由 Earendil 维护，后者于 2026 年 4 月从其作者 Mario Zechner 手中收购该项目，仍采用 MIT 许可。OpenClaw 构建于 Pi 的组件之上。
Pi 的亮点
- 极简代理架构：小而聚焦的代理循环，无多余内置特性或复杂工作流。
- 本地 LLM 友好：通过 llama.cpp、Ollama、LM Studio 及兼容 API 支持本地模型。
- 高效上下文管理：极简系统提示与可自定义上下文，有助于减少不必要开销并潜在节省 token。
- 完全可定制：添加扩展、技能与自定义命令，或通过 Pi 1.0 引入的内置支持连接 MCP 服务器，同时不让核心代理变得臃肿。
- 开发者友好 SDK：通过 CLI、RPC 接口或 TypeScript SDK 使用 Pi，构建您自己的 AI 代理与自动化工具。
其表现同样具有竞争力。在 Composio Bench 上，Pi 使用 GPT-6 Astra 的成功率为 69%，与 OpenCode 在相同 29 项任务上的表现相当。
主要限制在于，诸如子代理与规划等特性并非默认内置，需要通过扩展或自定义实现。但这种简洁正是我在本地 LLM 实验与轻量级编码项目中偏爱 Pi 的原因。
如何安装 Pi AI Agent CLI
macOS 与 Linux：
curl -fsSL https://pi.dev/install.sh | sh技术支持
Windows（PowerShell）：
powershell -c "irm https://pi.dev/install.ps1 | iex"技术支持
进入您的项目目录并启动 Pi：
pi技术支持
使用 /login 连接 AI 提供商或配置本地模型，然后用 /model 选择要运行的模型。
想看 Pi 配合本地模型的实际效果，请试试我们的指南：本地运行 Bonsai 27B。
6. Cline：最佳 VS Code 开源 AI 代理 Harness
Cline 是最早走红的开源 AI 编码代理之一，起初以 VS Code 扩展而著称。它迅速收获大量开发者用户，也催生了如 Roo Code 等分支。
尽管我没有像用其他代理那样深度使用 Cline，但它的开发进展与社区反馈令人印象深刻。它如今支持多款 IDE、CLI、看板任务板与 SDK，GitHub star 约 70K。
Cline 的亮点
- IDE 优先体验：直接在 VS Code 与其他支持的编辑器中工作，可视化代码变更与审批控制。
- 规划与执行模式：让代理在变更前先探索项目并制定计划。
- 检查点与安全：审阅文件变更、批准终端命令，必要时恢复至早期检查点。
- 模型灵活性：支持 OpenAI、Anthropic、Google、OpenRouter，以及通过 Ollama 或 LM Studio 使用本地模型。
- 可扩展代理平台：使用 MCP 服务器、自定义技能、CLI 与 SDK 构建自动化编码工作流。
在 Composio Bench 上，Cline 使用 GPT-6 Astra 的成功率为 79.3%（29 项任务完成 23 项），领先于 Codex CLI 与 Hermes Agent 的 75.9%，成为任务完成率最高的 harness。
主要不足是速度。在同一基准中，Cline 的单任务平均 193 秒，而 Hermes Agent 为 125 秒。
如何安装 Cline AI 代理
VS Code（Windows、macOS 与 Linux）：
打开 VS Code，进入扩展（Windows 与 Linux 为 Ctrl+Shift+X，macOS 为 Cmd+Shift+X），搜索 Cline 并点击安装。
或者，使用 npm 安装 CLI（需要 Node.js 22 或更新版本）：
npm install -g cline技术支持
配置您偏好的 AI 提供商：
cline auth技术支持
进入项目目录并启动 Cline：
cline技术支持
现在您可以让 Cline 探索代码库、实现功能、修复错误并运行测试，同时审阅其变更。实践示例见我们的 Cline AI 指南。
7. DeepSeek Harness：最佳 DeepSeek 模型开源 AI 代理 Harness
DeepSeek Harness 于 2026 年 8 月 13 日发布，在前 10 天即突破 186,000 GitHub star，成为增长最快的开源 AI 代理项目之一。如今其 star 约为 279K。
我用过 DeepSeek Harness，最打动我的是其速度，尤其是配合 DeepSeek-V4.1-Flash 时。它针对 DeepSeek 模型进行了优化，几乎具备现代编码代理应有的一切功能。
我也很喜欢它的透明度。您可以检查工具调用、执行轨迹与详细统计，了解代理的具体表现。
DeepSeek Harness 的亮点
- 万物皆插件：基于 Cordis，开发者可自定义模型、工具、技能、记忆、沙盒，甚至代理循环。
- 为 DeepSeek 模型而生：与 DeepSeek-V4.1-Flash 配合尤佳，官方更新聚焦提升编码性能与效率。
- 详细性能统计：通过开发者工具审视上下文使用、模型活动、缓存信息、工具调用与执行时序。
- 完整代理能力：支持编码、文件编辑、终端执行、子代理、技能、自动化与多步工作流。
- 网页与桌面界面：通过本地网页界面运行代理，或使用其桌面应用（Apple 芯片 macOS 与 Windows），并可用插件扩展功能。
主要不足在于其仍处于开发者预览阶段。插件与 API 仍在变动，更新可能引入不兼容变更。
我会推荐给经常使用 DeepSeek 模型，或希望拥有高度可定制且具备详细执行洞察的代理 harness 的开发者。
如何安装 DeepSeek Harness
首先在 Windows、macOS 或 Linux 上安装 Node.js 22.19 或更新版本。
然后使用 npx 启动 DeepSeek Harness：
npx @deepseek-ai/dsh web技术支持
这会自动在 http://127.0.0.1:3080 启动本地网页界面。
配置您的 DeepSeek API key，选择偏好的模型并开始构建。您也可以从 DeepSeek Harness 官方网站下载桌面应用。分步演示见我们的 DeepSeek Harness 教程。
8. Deep Agents：最佳“自定义 AI 代理”开源 Harness
Deep Agents 是 LangChain 开发的开源 AI 代理 harness。不同于本榜单多数编码代理，它既面向软件开发，也用于构建可处理复杂多步任务的自定义 AI 代理。
来源：Deep Agents 概览 - LangChain 文档
Deep Agents 有意思之处在于，您既可以使用其现成的终端编码代理，也可以用 Python 或 TypeScript 自建代理。它已经内置规划、记忆、子代理与上下文管理，您不必从零开始。
该项目也获得了相当关注，GitHub star 约 31K。
Deep Agents 的亮点
- 编码代理与 SDK：将 Deep Agents Code 作为现成 CLI 使用，或借助其 Python 与 TypeScript 库构建自定义 AI 应用。
- 面向长任务：代理可规划工作流、管理上下文，并处理包含多步骤的复杂任务。
- 子代理委派：将大任务拆分成小工作，分别委派给上下文窗口独立的专业代理。
- 灵活执行环境：可与本地文件系统、远程沙盒、自定义工具与 MCP 服务器配合工作。
- 面向生产的基础：构建于 LangGraph 之上，支持持久状态、检查点、人工审批，并可集成 LangSmith 做追踪与评估。
其基准提升也值得一提。2026 年 2 月，LangChain 报告称，仅通过调优提示、工具与中间件（不更换底层模型），就把其编码代理在 Terminal Bench 2.0 上、使用 gpt-5.2-codex 的得分从 52.8% 提升至 66.5%。
我会将 Deep Agents 推荐给构建自有 AI 应用的开发者，而非只想要最简单编码助手的人。对于轻量任务，Pi 或 Codex CLI 更易上手。关于 SDK，参阅我们的 Deep Agents 指南。
如何安装 Deep Agents
安装 Deep Agents Code（macOS 与 Linux，或通过 WSL 的 Windows）：
curl -LsSf https://langch.in/dcode | bash技术支持
启动编码代理：
dcode技术支持
选择 AI 模型并配置认证后即可开始。
用于自定义 AI 代理的 Python 方式，使用 uv 创建项目并安装 SDK：
uv init my-agent
cd my-agent
uv add deepagents技术支持
随后您可以使用 create_deep_agent()，结合自有模型、工具、提示与工作流构建代理。
例如，您可以构建一个研究代理：搜索网页、分析文档，将研究分派给子代理，并生成最终报告。
9. OpenHands：最佳“自治软件开发”开源 AI 代理 Harness
OpenHands 是较早的开源 AI 编码代理项目之一。它于 2024 年 3 月以 OpenDevin 起步，那时开发者还在探索 GPT-3.5 与 GPT-4 在简单聊天与代码生成之外的可能。
来源：OpenHands/OpenHands: OpenHands: AI-Driven Development
当时，把任务交给 AI 代理并让其构建一个真正的项目，这一想法令人兴奋。OpenHands 通过让代理写代码、执行命令、修复错误并自行测试，使之成为可能。
如今，它已发展为一个完整的自治软件开发平台，GitHub star 约 93K。
OpenHands 的亮点
- 自治编码先行者：最早专注让 AI 代理完成软件工程任务且广受欢迎的开源项目之一。
- Agent Canvas：一个网页界面，在同一处管理会话、文件、终端与多个编码代理。
- 多代理支持：在共享界面中使用 OpenHands、Codex、Claude Code、Gemini 等支持 Agent Client Protocol（ACP）的代理。
- 灵活执行环境：本地运行、Docker 容器内运行、远程服务器或云端基础设施。
- 自动化与 SDK：构建自定义代理、自动化开发工作流，并通过其 Python SDK 与后端服务运行任务。
主要不足是复杂度。与 Pi 或 Codex CLI 这类轻量 harness 相比，OpenHands 需要更多配置与资源，尤其是在使用隔离执行环境时。
我会推荐给希望运行自治编码代理、管理多条工作流，或构建自有“代理驱动开发系统”的开发者。详情参见我们的 OpenHands 指南。
如何安装 OpenHands AI 代理
在本地运行 OpenHands 最简单的方式是通过 Agent Canvas。
首先安装 Node.js 24 或更新版本 与 uv。
然后在 Windows、macOS 或 Linux 上安装 Agent Canvas：
npm install -g @openhands/agent-canvas技术支持
启动应用：
agent-canvas技术支持
打开 http://localhost:8000 的网页界面。
配置您偏好的 AI 模型，选择工作区，然后开始向代理下发编码任务。
默认情况下，这会在您的机器上直接运行代理，并对您的文件系统拥有完全访问权限。若要将代理限制在配置的工作区内，请改用 Docker 沙盒运行 Agent Canvas：
OH_CONVERSATION_RUNTIME=docker agent-canvas技术支持
10. mini-SWE-agent：最佳“极简软件工程”开源 AI 代理 Harness
mini-SWE-agent 是我所见最简单的 AI 编码 harness 之一。它由 SWE-agent 与 SWE-bench 背后的研究者构建，走的是与功能堆叠型编码代理不同的道路。
核心代理大约用 100 行 Python 写成。它没有构建复杂的工具与工作流，而是给 AI 模型 Bash 访问权限，让模型自行摸索如何完成任务。
这种极简思路依然带来强劲的编码表现。该项目获得约 9.5K GitHub star，被 NVIDIA、Meta、IBM 等机构的研究者与工程师采用。
mini-SWE-agent 的亮点
- 100 行代理架构：小巧的 Python 实现，易于理解、修改与扩展。
- 仅用 Bash 执行：用简单 shell 命令而非复杂的工具调用系统来编辑文件、运行测试与修复缺陷。
- 透明执行：维持线性的对话历史，便于检查每一步动作并调试代理行为。
- 灵活执行环境：可本地运行，或使用 Docker、Podman、Singularity 等隔离环境。
- 面向 AI 研究：支持多家模型提供商，为基准评测、微调与强化学习实验提供简洁基础。
根据 项目 README，当与 Gemini 3 Pro 等强力模型配对时，mini-SWE-agent 在 SWE-bench Verified（真实 GitHub 问题的基准）上的分数 超过 74%。您可在 SWE-bench bash-only 排行榜对比各模型。
主要不足是缺少许多大型代理内置的功能，比如高级规划、子代理与大量集成。开发者可能需要自行实现。
我会把 mini-SWE-agent 推荐给希望拥有快速、轻量且易于自定义的编码 harness 的开发者与 AI 研究者，尤其适合在不同模型与代理架构间做实验。
如何安装 mini-SWE-agent
在 macOS 或 Linux 上安装 mini-SWE-agent 最简单的方式是使用 uv：
uv tool install mini-swe-agent技术支持
或使用 pip 安装：
pip install mini-swe-agent技术支持
配置您偏好的 AI 模型与 API key：
mini-extra config setup技术支持
进入项目目录并启动代理：
mini技术支持
您也可以不做永久安装而直接运行：
uvx mini-swe-agent技术支持
例如，您可以让 mini-SWE-agent 探索一个 Python 仓库、定位失败的测试、修复错误并再次运行测试。它全程通过简单的 shell 命令完成，无需复杂的代理框架。
2026 年十大开源 AI 代理 Harness 对比
下表基于主要优势、理想用例与局限，对 10 大开源 AI 代理 harness 进行比较。
| AI Agent Harness | Best For | Key Advantage | Main Drawback |
|---|
| 1. Codex CLI | Software engineering | Strong coding performance and agent workflows | Built around OpenAI accounts and models |
| 2. OpenCode | Model flexibility | Wide model support and customization | Can feel bloated |
| 3. OpenClaw | Personal AI automation | Messaging integrations and always-on agents | Complex setup and security considerations |
| 4. Hermes Agent | Persistent memory | Remembers context and develops reusable skills | Memory is not always reliable |
| 5. Pi | Local LLMs | Lightweight, simple, and efficient | Fewer built-in features |
| 6. Cline | VS Code development | IDE integration and approval controls | Slower per task in benchmarks |
| 7. DeepSeek Harness | DeepSeek models | Plugin architecture and execution statistics | Still in developer preview |
| 8. Deep Agents | Custom AI applications | Planning, subagents, and flexible SDK | Steeper learning curve |
| 9. OpenHands | Autonomous development | Flexible execution environments | Resource-intensive setup |
| 10. mini-SWE-agent | Research and experimentation | Minimal Python architecture | Limited built-in functionality |
结语
编码代理在这个领域已领先一段时间，而如今我们正看到向“个人 AI 助手与日常工作工具”的转变。
我没有把闭源工具纳入此清单，但像 ChatGPT Work 与 OpenAI 的 dots 这类产品很好地展示了发展方向。它们不止面向开发者：办公人员、企业主、研究人员，甚至没有编码经验的人，也能用 AI 处理文档、分析表格、发送邮件、管理项目与自动化日常任务。
Google 的 Flow 也体现了让 AI 更贴合创作类工作的趋势。当然，上述多数开源 harness 已经能在正确的工具与集成下处理许多类似任务。不同之处在于，各家公司现在正专为这些工作流打造体验，而不仅仅聚焦编码。
如今，真正的工作重心已移至 harness。开发者正对整个代理 harness 进行调优，包括其工具、记忆、上下文管理与工作流，以让模型在特定任务上表现更佳。
如果您有兴趣进一步学习如何构建自己的 harness，建议查看我们的课程：Building AI Agent Harnesses with Strands Agents。
AI 代理 harness 已经存在一段时间，但在过去一年半里变化非常大。我们已经从只能运行 Bash 命令和编辑文件的简单代理，发展到能够搜索网页、连接外部工具、管理上下文、记住过往对话并完成复杂任务的系统。
现代 AI harness 现已支持可复用技能、多代理协作以及并行工具执行。开发者也在探索更好的上下文管理方式，以减少 token 使用，让代理更快、更可靠。
我觉得有趣的是，关注点正在从“提升模型本身”转向“改进围绕模型的 harness”。如今许多 AI 代理的性能提升，更多来自更好的工具、更聪明的工作流和更高效的上下文管理，而不只是更强的模型。
从本质上讲，AI 代理 harness 是把 AI 模型与工具连接起来的代码，负责管理执行，并创建让代理能够根据结果调整并纠错的反馈回路。
本文将介绍 2026 年最受欢迎、最实用的 10 个开源 AI 代理 harness，看看各自的特色以及如何上手。GitHub star 数统计于 2026 年 11 月。想深入了解 harness 的构建方式，请参阅我们的 《Agent Harness 工程指南》。
什么是 AI 代理 Harness？
AI 代理 harness 是为 AI 模型提供完成任务所需工具和环境的系统。
可以把 AI 模型看作大脑，而 harness 是帮助它采取行动的一切。harness 让模型能按自己的建议行事：它可以读文件、运行命令并核对结果。
例如，假设您的 Python 应用不断崩溃。与其把错误复制到 ChatGPT 再手动套用修复建议，不如直接让 AI 编码代理来处理：
“找出我的 Python 应用崩溃的原因，修好问题，并确保所有测试通过。”
harness 允许 AI 模型读取您的代码、运行应用、定位错误、编辑相关文件并运行测试。如果测试失败，它会把结果返回给模型，以便尝试其他方案。
这一切都可以通过一次请求完成，几乎不需要人工干预。
AI 代理 harness 实际在做什么？
大多数 AI 代理 harness 提供 5 项核心能力：
有些 harness 还支持多个代理协作，分别负责项目的不同部分。
同一个 AI 模型在不同 harness 下表现可能截然不同。在 Composio 的 DeepSeek V4 Flash 测试中，同一模型的得分会因 harness 不同而在 46.7% 到 66.7% 之间波动，而精简的 Pi 代理位列前茅。
设计良好的 harness 加上少量有用的工具与出色的上下文管理，有时能胜过复杂得多的方案。因此，选择 harness 的重要性不亚于选择模型。
现在，让我们看看 2026 年十大开源 AI 代理 harness。
1. Codex CLI：最佳开源软件工程 AI 代理 Harness
Codex CLI 是我首选的开源 AI 编码代理。它由 OpenAI 开发，主要使用 Rust 编写，轻量且面向专业软件工程项目的开发者。其 GitHub star 约为 134K。
Codex 的突出之处在于其高度的自主处理能力。它可以构建完整项目、与现有工具协作、修复缺陷并运行测试。您可以交给它复杂任务，它能处理大部分开发流程。
主要取舍在于其对 OpenAI 的聚焦：快速上手需要用 ChatGPT 账号或 OpenAI API key 登录。
Codex CLI 的亮点
如何安装 Codex CLI
本文中的各安装器都会将远程脚本通过管道传入您的 shell，如需审阅其行为，请先查看脚本内容。
macOS 与 Linux：
Windows（PowerShell）：
npm 或 Homebrew（任意受支持平台）：
进入您的项目目录并启动 Codex：
使用您的 ChatGPT 账号登录或配置 API 访问，即可开始编码。
例如，您可以让 Codex 构建一个完整的 Python 仪表盘，包含前端、后端、测试与文档。它能处理大部分实现，您只需审阅结果。实践演示见我们的 OpenAI Codex CLI 教程。
2. OpenCode：最佳开源“模型灵活性” AI 代理 Harness
OpenCode 已经是我最喜欢的 AI 编码代理之一超过一年。它跨 Windows、macOS 与 Linux 工作，支持海量 AI 模型，并给予开发者充分的工作流自定义自由。
它也是最受欢迎的开源编码代理之一，GitHub star 约 226K。我尤其喜欢它不会把您锁定在单一 AI 提供商上。您可以在同一界面里使用 OpenAI、Anthropic、Google 或本地模型。
OpenCode 的亮点
对我来说唯一的不足是，相比更简洁的编码代理，OpenCode 有时显得偏“臃肿”。它包含许多大多数开发者可能用不到的功能，而大型会话偶尔会显得响应不够灵敏。但如果您重视灵活性与模型选择，OpenCode 仍然难以匹敌。
如何安装 OpenCode CLI
Windows（WSL）、macOS 与 Linux：
安装完成后，进入您的项目文件夹并启动 OpenCode：
使用
/connect配置您偏好的 AI 提供商，或直接使用可用的免费模型。若偏好图形界面，也可下载 OpenCode 桌面应用。想在本机模型上试用 OpenCode，请参阅我们的指南：在本地运行 Qwen3.8-Flash-Next 并配合 OpenCode。
3. OpenClaw：最佳开源“个人 AI 自动化”代理 Harness
OpenClaw 是 2026 年最大的开源 AI 代理项目之一，GitHub star 约 394K。不同于本榜单多数编码代理，OpenClaw 被设计为真正能在您的各类应用上执行任务的个人 AI 助手。
来源：我们的 OpenClaw 指南
OpenClaw 的有趣之处在于，您可以在自己的电脑或服务器上运行它，并通过 WhatsApp、Telegram、Discord、Slack 等平台与之通信。它能记住有用的上下文、执行命令、浏览网页并自动化日常任务。
它也可作为其他编码代理的平台（包括 Codex），其助手层构建于本榜单中的另一个 harness——Pi 之上。
OpenClaw 的亮点
主要不足在于其复杂度与安全要求。OpenClaw 可访问敏感工具与文件，因此需要谨慎配置权限、沙盒与外部集成。
我会将 OpenClaw 推荐给想要超越“编码助手”，在多应用中构建个人 AI 代理的开发者。
如何安装 OpenClaw AI 代理
macOS、Linux 与 Windows（WSL2）：
Windows（PowerShell）：
安装器将启动引导流程。如需，可运行：
配置完成后，启动网页控制台：
连接您偏好的 AI 模型与消息平台即可开始使用。
例如，您可以配置 OpenClaw 监控开发项目、汇总更新、执行经批准的任务，并将结果直接发送至 Telegram 或 WhatsApp。
4. Hermes Agent：最佳开源“持久记忆”AI 代理 Harness
Hermes Agent 由 Nous Research 开发，能在会话间记住关于您、您的对话和项目的有用信息。
Hermes 的亮点在于将持久记忆与完整的 AI 代理相结合。它能写代码、运行命令、学习可复用技能并自动化任务，同时追踪先前对话中的重要上下文。
来源：Nous Research 出品 Hermes AI Agent | 官方网站
其 GitHub star 约为 260K。
Hermes Agent 的亮点
其编码表现也很有竞争力。在 Composio Bench 上（对每个 harness 运行相同的多应用任务集），Hermes 使用 OpenAI 的 GPT-6 Astra 取得了 75.9% 成功率（29 项任务完成 22 项），与 Codex CLI 持平。同时，它在该模型下记录了最快的平均完成时间，每项任务 125 秒。
主要不足在于记忆并非完美。它会选择性保存信息而非全部保存，且在使用较小本地模型运行复杂工作流时可能更具挑战。
我会将 Hermes 推荐给希望超越“编码助手”的开发者，尤其是想要一个能记住其工作并随时间变得更有用的个人 AI 代理的人。
如何安装 Hermes Agent
Linux、macOS 与 Windows（WSL2）：
Windows（PowerShell）：
配置您偏好的模型提供商：
启动代理：
您也可以运行
hermes setup配置更多工具、消息平台与自动化功能。完整演练见我们的 Hermes Agent 安装指南。5. Pi：最佳轻量级“本地 LLM”开源 AI 代理 Harness
Pi 是我最喜欢的轻量级 AI 代理 harness。每当我写关于在本地运行大语言模型（LLM）的教程，几乎都会用 Pi，因为它易于配置、架构极简，明显比体量更大的编码代理更轻盈。
我尤其喜欢它的简洁。Pi 专注于小而高效的代理循环。根据我的体验，这有助于保持流程快速、token 使用可控，同时交付不逊于更复杂代理的编码结果。
其 GitHub star 约 120K。Pi 现由 Earendil 维护，后者于 2026 年 4 月从其作者 Mario Zechner 手中收购该项目，仍采用 MIT 许可。OpenClaw 构建于 Pi 的组件之上。
Pi 的亮点
其表现同样具有竞争力。在 Composio Bench 上，Pi 使用 GPT-6 Astra 的成功率为 69%，与 OpenCode 在相同 29 项任务上的表现相当。
主要限制在于，诸如子代理与规划等特性并非默认内置，需要通过扩展或自定义实现。但这种简洁正是我在本地 LLM 实验与轻量级编码项目中偏爱 Pi 的原因。
如何安装 Pi AI Agent CLI
macOS 与 Linux：
Windows（PowerShell）：
进入您的项目目录并启动 Pi：
使用
/login连接 AI 提供商或配置本地模型，然后用/model选择要运行的模型。想看 Pi 配合本地模型的实际效果，请试试我们的指南：本地运行 Bonsai 27B。
6. Cline：最佳 VS Code 开源 AI 代理 Harness
Cline 是最早走红的开源 AI 编码代理之一，起初以 VS Code 扩展而著称。它迅速收获大量开发者用户，也催生了如 Roo Code 等分支。
尽管我没有像用其他代理那样深度使用 Cline，但它的开发进展与社区反馈令人印象深刻。它如今支持多款 IDE、CLI、看板任务板与 SDK，GitHub star 约 70K。
Cline 的亮点
在 Composio Bench 上，Cline 使用 GPT-6 Astra 的成功率为 79.3%（29 项任务完成 23 项），领先于 Codex CLI 与 Hermes Agent 的 75.9%，成为任务完成率最高的 harness。
主要不足是速度。在同一基准中，Cline 的单任务平均 193 秒，而 Hermes Agent 为 125 秒。
如何安装 Cline AI 代理
VS Code（Windows、macOS 与 Linux）：
打开 VS Code，进入扩展（Windows 与 Linux 为
Ctrl+Shift+X，macOS 为Cmd+Shift+X），搜索 Cline 并点击安装。或者，使用 npm 安装 CLI（需要 Node.js 22 或更新版本）：
配置您偏好的 AI 提供商：
进入项目目录并启动 Cline：
现在您可以让 Cline 探索代码库、实现功能、修复错误并运行测试，同时审阅其变更。实践示例见我们的 Cline AI 指南。
7. DeepSeek Harness：最佳 DeepSeek 模型开源 AI 代理 Harness
DeepSeek Harness 于 2026 年 8 月 13 日发布，在前 10 天即突破 186,000 GitHub star，成为增长最快的开源 AI 代理项目之一。如今其 star 约为 279K。
我用过 DeepSeek Harness，最打动我的是其速度，尤其是配合 DeepSeek-V4.1-Flash 时。它针对 DeepSeek 模型进行了优化，几乎具备现代编码代理应有的一切功能。
我也很喜欢它的透明度。您可以检查工具调用、执行轨迹与详细统计，了解代理的具体表现。
DeepSeek Harness 的亮点
主要不足在于其仍处于开发者预览阶段。插件与 API 仍在变动，更新可能引入不兼容变更。
我会推荐给经常使用 DeepSeek 模型，或希望拥有高度可定制且具备详细执行洞察的代理 harness 的开发者。
如何安装 DeepSeek Harness
首先在 Windows、macOS 或 Linux 上安装 Node.js 22.19 或更新版本。
然后使用 npx 启动 DeepSeek Harness：
这会自动在
http://127.0.0.1:3080启动本地网页界面。配置您的 DeepSeek API key，选择偏好的模型并开始构建。您也可以从 DeepSeek Harness 官方网站下载桌面应用。分步演示见我们的 DeepSeek Harness 教程。
8. Deep Agents：最佳“自定义 AI 代理”开源 Harness
Deep Agents 是 LangChain 开发的开源 AI 代理 harness。不同于本榜单多数编码代理，它既面向软件开发，也用于构建可处理复杂多步任务的自定义 AI 代理。
来源：Deep Agents 概览 - LangChain 文档
Deep Agents 有意思之处在于，您既可以使用其现成的终端编码代理，也可以用 Python 或 TypeScript 自建代理。它已经内置规划、记忆、子代理与上下文管理，您不必从零开始。
该项目也获得了相当关注，GitHub star 约 31K。
Deep Agents 的亮点
其基准提升也值得一提。2026 年 2 月，LangChain 报告称，仅通过调优提示、工具与中间件（不更换底层模型），就把其编码代理在 Terminal Bench 2.0 上、使用 gpt-5.2-codex 的得分从 52.8% 提升至 66.5%。
我会将 Deep Agents 推荐给构建自有 AI 应用的开发者，而非只想要最简单编码助手的人。对于轻量任务，Pi 或 Codex CLI 更易上手。关于 SDK，参阅我们的 Deep Agents 指南。
如何安装 Deep Agents
安装 Deep Agents Code（macOS 与 Linux，或通过 WSL 的 Windows）：
启动编码代理：
选择 AI 模型并配置认证后即可开始。
用于自定义 AI 代理的 Python 方式，使用
uv创建项目并安装 SDK：随后您可以使用
create_deep_agent()，结合自有模型、工具、提示与工作流构建代理。例如，您可以构建一个研究代理：搜索网页、分析文档，将研究分派给子代理，并生成最终报告。
9. OpenHands：最佳“自治软件开发”开源 AI 代理 Harness
OpenHands 是较早的开源 AI 编码代理项目之一。它于 2024 年 3 月以 OpenDevin 起步，那时开发者还在探索 GPT-3.5 与 GPT-4 在简单聊天与代码生成之外的可能。
来源：OpenHands/OpenHands: OpenHands: AI-Driven Development
当时，把任务交给 AI 代理并让其构建一个真正的项目，这一想法令人兴奋。OpenHands 通过让代理写代码、执行命令、修复错误并自行测试，使之成为可能。
如今，它已发展为一个完整的自治软件开发平台，GitHub star 约 93K。
OpenHands 的亮点
主要不足是复杂度。与 Pi 或 Codex CLI 这类轻量 harness 相比，OpenHands 需要更多配置与资源，尤其是在使用隔离执行环境时。
我会推荐给希望运行自治编码代理、管理多条工作流，或构建自有“代理驱动开发系统”的开发者。详情参见我们的 OpenHands 指南。
如何安装 OpenHands AI 代理
在本地运行 OpenHands 最简单的方式是通过 Agent Canvas。
首先安装 Node.js 24 或更新版本 与 uv。
然后在 Windows、macOS 或 Linux 上安装 Agent Canvas：
启动应用：
打开
http://localhost:8000的网页界面。配置您偏好的 AI 模型，选择工作区，然后开始向代理下发编码任务。
默认情况下，这会在您的机器上直接运行代理，并对您的文件系统拥有完全访问权限。若要将代理限制在配置的工作区内，请改用 Docker 沙盒运行 Agent Canvas：
10. mini-SWE-agent：最佳“极简软件工程”开源 AI 代理 Harness
mini-SWE-agent 是我所见最简单的 AI 编码 harness 之一。它由 SWE-agent 与 SWE-bench 背后的研究者构建，走的是与功能堆叠型编码代理不同的道路。
核心代理大约用 100 行 Python 写成。它没有构建复杂的工具与工作流，而是给 AI 模型 Bash 访问权限，让模型自行摸索如何完成任务。
这种极简思路依然带来强劲的编码表现。该项目获得约 9.5K GitHub star，被 NVIDIA、Meta、IBM 等机构的研究者与工程师采用。
mini-SWE-agent 的亮点
根据 项目 README，当与 Gemini 3 Pro 等强力模型配对时，mini-SWE-agent 在 SWE-bench Verified（真实 GitHub 问题的基准）上的分数 超过 74%。您可在 SWE-bench bash-only 排行榜对比各模型。
主要不足是缺少许多大型代理内置的功能，比如高级规划、子代理与大量集成。开发者可能需要自行实现。
我会把 mini-SWE-agent 推荐给希望拥有快速、轻量且易于自定义的编码 harness 的开发者与 AI 研究者，尤其适合在不同模型与代理架构间做实验。
如何安装 mini-SWE-agent
在 macOS 或 Linux 上安装 mini-SWE-agent 最简单的方式是使用
uv：或使用 pip 安装：
配置您偏好的 AI 模型与 API key：
进入项目目录并启动代理：
您也可以不做永久安装而直接运行：
例如，您可以让 mini-SWE-agent 探索一个 Python 仓库、定位失败的测试、修复错误并再次运行测试。它全程通过简单的 shell 命令完成，无需复杂的代理框架。
2026 年十大开源 AI 代理 Harness 对比
下表基于主要优势、理想用例与局限，对 10 大开源 AI 代理 harness 进行比较。
结语
编码代理在这个领域已领先一段时间，而如今我们正看到向“个人 AI 助手与日常工作工具”的转变。
我没有把闭源工具纳入此清单，但像 ChatGPT Work 与 OpenAI 的 dots 这类产品很好地展示了发展方向。它们不止面向开发者：办公人员、企业主、研究人员，甚至没有编码经验的人，也能用 AI 处理文档、分析表格、发送邮件、管理项目与自动化日常任务。
Google 的 Flow 也体现了让 AI 更贴合创作类工作的趋势。当然，上述多数开源 harness 已经能在正确的工具与集成下处理许多类似任务。不同之处在于，各家公司现在正专为这些工作流打造体验，而不仅仅聚焦编码。
如今，真正的工作重心已移至 harness。开发者正对整个代理 harness 进行调优，包括其工具、记忆、上下文管理与工作流，以让模型在特定任务上表现更佳。
如果您有兴趣进一步学习如何构建自己的 harness，建议查看我们的课程：Building AI Agent Harnesses with Strands Agents。