PROJECT FILE 01 · SOURCE RESEARCH
OpenHarness Lab
选择 OpenHarness，不是为了再使用一个现成 Coding Agent，而是为了把 LLM 外面的执行系统拆开，并以它为起点构建自己的 Agent。
项目介绍
OpenHarness 是由香港大学 Data Intelligence Lab（HKUDS）开源的 Agent Harness。它没有把 Agent 简化成一次模型请求，而是把 Tool Use、Skills、Memory、Permissions、Hooks 与 Multi-Agent Coordination 一起放进 LLM 外层的运行基础设施。
项目于 2026 年 4 月开源。截至 2026 年 7 月 11 日，GitHub 仓库约有 14.7k Stars 和 2.4k Forks。这些数字不能代表技术结论，但可以说明它在开源后的短时间内获得了明显关注。
我选择它作为源码研究样本，是因为目标不只是使用现成 Agent，而是理解模型怎样通过上下文、工具、权限和运行时边界变成一个真正能工作的系统，再逐步构建属于自己的 Agent。
为什么不选 OpenCode
OpenCode 是更成熟的开源 AI Coding Agent，已经覆盖终端、桌面端、IDE 扩展、Server 和 SDK。它同样拥有 Tools、Permissions、Skills、MCP 和子 Agent，所以这里不是在判断哪个项目的功能更强。
两者的区别更像是研究入口不同：OpenCode 适合研究一个完整 Coding Agent 产品如何成立；OpenHarness 则直接把 Agent Loop 与 Harness 子系统放在架构中心。从我目前的阅读体验看，它的核心边界更集中，更容易沿着一次请求追踪 QueryEngine、ToolRegistry、Permissions、Hooks 与上下文装配。对“先看清 Harness，再构建自己的 Agent”这个目标来说，它是更合适的第一份样本。
阅读与改造重点
- Agent Loop：用户消息怎样进入 QueryEngine，模型如何在文本回复与
tool_use之间选择，工具结果又如何进入下一轮判断。 - Tool System：工具如何定义输入模型、注册、生成 Schema，并在可观测的边界内执行。
- Permissions 与 Hooks：模型提出动作后，系统如何结合模式、路径规则与生命周期事件决定它能否发生。
- Context 与 Skills：系统提示词、环境信息、项目规则与按需加载的技能如何组成模型当前看到的世界。
- Memory 与 Compaction：长会话如何压缩历史、保留任务状态，并在跨会话中持续积累知识。
- Multi-Agent Coordination：子 Agent、任务和隔离工作区如何被创建、调度与回收。
- 自定义 Agent：在理解上述边界后，逐步替换或扩展模块，形成自己的 Agent Runtime。
- 工程迁移：通过本项目的源码学习，提炼可以迁移的设计思路，并尝试把它们落到真实工程 Agent 中。
项目产出
产出不是一份逐文件源码目录，而是一组可以迁移到其他 Agent 系统的判断：模型负责提出候选动作，Runtime 负责让动作安全发生，工程师负责目标、权限与风险阈值。