最近在研究 Agent 基礎設施的時候看到 HKUDS（香港大學數據科學實驗室）開源了 OpenHarness，把一個完整的 Agent Harness 攤開來讓你看。如果你想理解「LLM 怎麼變成一個能用工具、有記憶、可協作的 Agent」，這個專案的結構值得花時間讀。
什麼是 Agent Harness
Harness 是包在 LLM 外面的基礎設施層。模型提供智能，Harness 提供操作能力——工具、記憶、觀察、行動、權限。用 OpenHarness 自己的說法：
Harness = Tools + Knowledge + Observation + Action + Permissions
這跟你手動在 LLM API 外面包一層 function calling + context management 是同一件事，只是 OpenHarness 把它系統化了，拆成 10 個子系統。
Agent Loop 引擎
核心是一個串流式工具呼叫循環：
query → stream → tool-call → execute → loop具體流程：
while True:
response = await api.stream(messages, tools)
if response.stop_reason != "tool_use":
break # 模型判斷任務完成
for tool_call in response.tool_uses:
# 權限檢查 → Hook → 執行 → Hook → 結果
result = await harness.execute_tool(tool_call)
messages.append(tool_results)
# 模型看到結果，決定下一步這個 loop 支援 API 重試（指數退避）、並行工具執行、token 計數與成本追蹤。不是什麼新概念，但 OpenHarness 把每一層都實作出來了，包括 streaming 處理和錯誤恢復。
工具生態系（43+ 工具）
工具是 Agent 的手腳。OpenHarness 內建 43 個以上，分成幾大類：
| 類別 | 工具 | 用途 |
|---|---|---|
| 檔案 I/O | Bash, Read, Write, Edit, Glob, Grep | 核心檔案操作，帶權限檢查 |
| 搜尋 | WebFetch, WebSearch, ToolSearch | 網路與程式碼搜尋 |
| Notebook | NotebookEdit | Jupyter cell 編輯 |
| 代理 | Agent, SendMessage, TeamCreate | 子代理生成與協調 |
| 任務 | TaskCreate/Get/List/Update/Stop | 背景任務管理 |
| MCP | MCPTool, ListMcpResources | Model Context Protocol 整合 |
| 排程 | CronCreate/List/Delete | 定時與遠端執行 |
每個工具用 Pydantic 做輸入驗證，自帶 JSON Schema 描述，並整合權限系統和 Hook 生命週期。
技能系統（Skills）
技能是按需載入的 Markdown 檔案，讓 Agent 在需要時取得特定領域知識。內建技能涵蓋 commit 撰寫、程式碼審查、除錯、規劃、測試、簡化等。
跟把所有 prompt 塞進 system message 不同，Skills 是動態載入的——Agent 判斷需要某個技能時才注入 context，避免浪費 token。這個設計在 context window 有限的情況下很實際。
安全與治理
Agent 能執行 shell 指令、讀寫檔案，安全控制不能少。OpenHarness 的做法是多層防護：
- 多級權限模式：控制工具的存取粒度
- 路徑與指令規則：白名單/黑名單式的存取控制
- PreToolUse / PostToolUse Hooks：工具執行前後的攔截點，可以加自訂邏輯
- 互動式核准對話：高風險操作需要使用者確認
這不是形式上的權限系統，而是每次工具呼叫都會經過的 pipeline。
持久記憶
Agent 最常被詬病的問題之一是「沒有記憶」。OpenHarness 用三層架構處理：
- CLAUDE.md 發現與注入：自動偵測專案層級的指令檔並注入 context
- Context 壓縮（Auto-Compact）：接近 context 上限時自動壓縮歷史訊息，保留語意
- MEMORY.md 持久儲存：跨 session 的知識保存
- Session Resume：恢復先前的對話狀態
這讓 Agent 不只是 stateless 的工具呼叫器，而是能在多個 session 之間累積知識。
多代理協作
OpenHarness 支援子代理生成與團隊協作：
- Subagent Spawning：動態建立子代理，委派子任務
- Team Registry：集中管理多個代理
- 背景任務生命週期：追蹤任務狀態
- ClawTeam 整合（規劃中）
這對需要拆解複雜任務的場景有用——主代理負責規劃，子代理各自執行，結果回傳匯整。
支援的模型供應商
OpenHarness 不綁定單一模型，支援三種 API 格式：
Anthropic 格式（預設）
- Anthropic Claude 系列
- Moonshot / Kimi（
kimi-k2.5） - Vertex AI、Amazon Bedrock
OpenAI 格式
- OpenAI（GPT-4o）
- DashScope（Qwen、DeepSeek）
- DeepSeek API
- GitHub Models、SiliconFlow、Groq
- Ollama（本地部署）
GitHub Copilot 格式
- 透過 OAuth 裝置流程認證，不需要額外 API Key
切換供應商只要改環境變數：
# 用 Kimi
export ANTHROPIC_BASE_URL=https://api.moonshot.cn/anthropic
export ANTHROPIC_API_KEY=your_key
export ANTHROPIC_MODEL=kimi-k2.5
oh整體架構
┌─────────────────────────────────────────────┐
│ Agent Loop │
│ query → stream → tool → loop │
├──────────┬──────────┬──────────┬────────────┤
│ Tools │ Skills │ Memory │ Permissions │
│ 43+ │ .md │ 3-layer │ multi-level│
├──────────┴──────────┴──────────┴────────────┤
│ Hooks │ Commands(54) │ MCP Client │ Plugins │
├─────────────────────────────────────────────┤
│ Multi-Agent Coordinator │
│ subagent spawning / team registry │
├─────────────────────────────────────────────┤
│ Anthropic API │ OpenAI API │ Copilot OAuth │
└─────────────────────────────────────────────┘整體來說
OpenHarness 的價值不在於它發明了什麼新東西，而是把一個生產級 Agent Harness 的完整實作開源出來。Agent Loop、工具系統、技能載入、記憶管理、權限控制、多代理協作——這些在各家商業產品裡都有，但很少有專案把每一層都攤開讓你看。
適合兩種人：想理解 Agent 內部運作的研究者，以及想在已驗證的架構上建構自己 Agent 的開發者。不適合只是想快速串一個 chatbot 的場景——這個框架的複雜度對簡單應用來說太重了。
技術要求是 Python 3.10+ 和 Node.js 18+，MIT 授權。