Harness 怎么用 当 Claude Code、OpenClaw、Codex 等编程智能体工具越来越”重”——动辄 50 万行代码、上千文件、绑定特定模型时，香港大学数据科学实验室（HKUDS）开源了一个反方向的项目：OpenHarness（命令缩写 oh）。这是一个纯 Python 实现的 Agent Harness（智能体线束），用 11,733 行代码复刻了 Claude Code 约 98% 的核心工具，代码量仅为后者的 2.3%。项目采用 MIT 协议，目标用户是想搞懂”生产级 AI Agent 底层到底怎么跑的”研究者和需要高度定制 Agent 基座的开发者。
这里需要先解释一个概念：Agent Harness。在编程智能体的语境下，大模型本身只提供”智能”（推理、生成），而 Harness 提供的是让模型变成可执行 Agent 所需的全部基础设施——工具调用、文件读写、权限控制、记忆系统、安全边界。用项目方的公式说就是：Harness = Tools + Knowledge + Observation + Action + Permissions。Claude Code 就是一个典型的 Harness，但它有 51 万行 TypeScript 代码、1884 个文件，包含了大量企业级功能（遥测、OAuth、数百个 React 组件）。OpenHarness 的策略是砍掉这些”企业开销”，只保留 Harness 架构本身。
架构拆解：10 个子系统如何组成一个完整的 Agent 基座
OpenHarness 的核心是一个标准的 Agent Loop（智能体循环）：向模型发送消息 → 流式接收响应 → 如果模型请求工具调用则执行 → 将结果送回模型 → 循环继续直到模型停止。围绕这个循环，项目拆分出 10 个子系统。
engine 是循环引擎本身，处理 query → stream → tool-call → loop 的完整链路。tools 包含 43 个工具，覆盖文件 I/O（Bash、Read、Write、Edit、Glob、Grep）、Web 搜索（WebFetch、WebSearch）、Jupyter Notebook 编辑、子 Agent 生成与协调（Agent、SendMessage、TeamCreate/Delete）、后台任务管理（TaskCreate/Get/List/Update/Stop）、MCP 集成以及定时执行（CronCreate/List/Delete）等。每个工具都通过 Pydantic 做输入校验，自动生成 JSON Schema 供模型理解，并在执行前经过权限检查和 Hook 生命周期。
skills 系统负责按需加载知识文件（.md 格式），内置了 commit、review、debug、plan、test 等 40 多个技能，并且直接兼容 Anthropic 官方的 anthropics/skills 仓库——把 .md 文件复制到 ~/.openharness/skills/ 即可生效。plugins 系统同样兼容 claude-code/plugins 格式，已测试通过 12 个官方插件，包括 commit-commands（Git 工作流）、security-guidance（文件编辑安全警告）、code-review（多 Agent PR 审查）等。
permissions 提供三级安全模式：Default（写入/执行前询问）、Auto（全部允许，适用于沙盒环境）、Plan Mode（阻止所有写入，适用于大型重构的审查阶段），并支持路径级规则和命令黑名单。memory 处理跨会话持久化记忆，coordinator 负责多 Agent 协调与子 Agent 生成。前端是基于 React/Ink 的终端 UI，支持命令选择器、权限对话框、模式切换、会话恢复等交互。
实际使用：安装、接入模型与非交互模式
安装流程相当精简：克隆仓库后用 uv sync –extra dev 安装依赖，设置环境变量指定模型后端（支持 Anthropic 协议的任意端点），输入 oh 即启动。项目示例中使用 Kimi 作为后端，通过设置 ANTHROPIC_BASE_URL 指向 Moonshot API 端点即可工作。这意味着 OpenHarness 不绑定任何特定模型——任何兼容 Anthropic 协议的 API 都能接入，包括阿里云百炼、Kimi、GLM 等国产模型。
除了交互式终端，OpenHarness 还支持非交互模式，适合脚本和管道场景：oh -p “Explain this codebase” 直接输出到 stdout，–output-format json 输出结构化 JSON，–output-format stream-json 实时流式输出 JSON 事件。CLI 还提供会话管理（continue/resume/name）、模型参数（model/effort/max-turns）、MCP 配置、插件管理等子命令。
在 CLI Agent 集成方面，OpenHarness 支持与 OpenClaw、nanobot、Cursor 等工具协同工作。同一实验室还开源了 OpenSpace 项目，这是一个”自进化技能引擎”，可以在任务执行中自动生成和优化 .md 技能文件，与 OpenHarness 的 Skills 系统形成互补。
局限性与适用场景判断
OpenHarness 目前仍处于极早期阶段（v0.1.0，GitHub 仅十余个 Star），在稳定性和社区生态上与 Claude Code、OpenClaw 不在一个量级。”80% 功能、3% 代码”是项目方自报数据，没有第三方基准评测验证，实际功能完整度在复杂企业场景下可能存在差距——尤其是命令覆盖率只有 61%（54/88），部分高级工作流可能缺失。
它的核心价值不在于替代 Claude Code 做日常开发，而在于两个场景：一是研究者想理解”生产级 Agent Harness 的内部运作原理”，11,733 行 Python 比 51 万行 TypeScript 易读得多；二是开发者需要一个高度可定制的 Agent 基座来构建垂直领域的专用 Agent，OpenHarness 的模块化架构和 MIT 协议使其适合作为起点。
另外需要注意的是，”OpenHarness”这个名字存在两个不同项目：HKUDS 的 Python 版（本文所述）和 MaxGfeller 的 TypeScript/Vercel AI SDK 版（open-harness.dev）。两者架构完全不同，搜索时注意区分。
Github地址：https://github.com/HKUDS/OpenHarness
