OpenHarness - 深度分析报告

技术背景与动机

行业背景

2025-2026 年，AI 编码助手（AI Coding Agent）领域爆发式增长。Anthropic 的 Claude Code 凭借强大的 Agent 能力成为标杆，但其闭源性质和 TypeScript 实现使得开发者难以理解其内部机制、进行定制化开发或用于学术研究。与此同时，开源社区涌现了多个替代方案（OpenCode、Cline、Goose 等），但大多数要么功能不够完整，要么架构复杂难以理解。

这一时期的核心行业痛点包括：

1. 黑箱问题：商业 AI 编码助手内部机制不透明，开发者无法理解其决策逻辑
2. 锁定风险：大多数工具绑定特定模型提供商（如 Claude Code 绑定 Anthropic）
3. 门槛过高：现有开源替代品（如 OpenCode 120k+ Stars）代码量庞大，学习和二次开发成本高
4. 学术研究缺失：缺乏适合学术研究的、结构清晰的 Agent 基础设施参考实现

创立动机

OpenHarness 由香港大学数据智能实验室（HKUDS）创建，核心动机包括：

1. 教育与研究价值：提供一份清晰的、可读的 Agent 基础设施参考实现，帮助研究者和开发者理解 AI Agent 的内部工作原理
2. 极简主义验证：探索"用最少的代码实现最大的功能"的极限——用 Claude Code 约 2.3% 的代码量（11,733 行 vs 512,664 行）复现其核心功能
3. 生态系统兼容：与 Claude Code 的 Skills 和 Plugins 格式保持兼容，降低迁移成本
4. 模型无关性：同时支持 Anthropic 和 OpenAI 兼容的 API 格式，打破模型提供商锁定

发展历程

• 2026-04-01：v0.1.0 首次发布，包含完整的 Agent Harness 架构（43 工具、54 命令、React TUI、多模型支持）

⚠️ OpenHarness 是一个极年轻的项目（截至 2026-04-05 仅有 4 天历史），后续版本迭代速度和长期维护承诺尚待观察。[置信度：高]

核心原理

设计哲学

OpenHarness 的核心设计哲学可以归纳为三个层次：

1. Harness 分离原则

"The model is the agent. The code is the harness."（模型是 Agent，代码是 Harness）

这一原则将 AI Agent 系统拆分为两个独立的层次：

• 模型层（Agent）：提供推理、规划、决策等智能能力。模型本身只输出文本，不具备任何"行动力"
• 框架层（Harness）：为模型提供"手、眼、记忆和安全边界"。用公式表达：Harness = Tools + Knowledge + Observation + Action + Permissions

这种分离使得同一个模型可以接入不同的 Harness 获得不同能力，同一个 Harness 也可以连接不同的模型。

2. 极简主义

HKUDS 团队追求用最精简的代码实现最大的功能覆盖：

这表明 Claude Code 的绝大部分代码并非核心逻辑，而是边缘场景处理、性能优化和平台适配。OpenHarness 通过抓住核心模式，用极小的代价实现了接近完整的功能覆盖。

3. 兼容优于创新

OpenHarness 选择与 Claude Code 的 Skills（.md 文件）和 Plugins（plugin.json 格式）保持兼容，而非创造新的格式。这使得现有的 Claude Code 生态资源可以直接在 OpenHarness 中使用。

核心算法/机制

Agent Loop（智能体循环）

Agent Loop 是 OpenHarness 的心脏，本质上是一个无限循环的状态机：

┌─────────────────────────────────────────────────────┐
│                    Agent Loop                        │
│                                                      │
│  ┌──────────┐    ┌──────────┐    ┌───────────────┐  │
│  │  用户输入  │───>│  上下文   │───>│  模型推理      │  │
│  │ (Prompt)  │    │ (Context) │    │ (LLM Stream)  │  │
│  └──────────┘    └──────────┘    └───────┬───────┘  │
│                                          │           │
│                              ┌───────────┤           │
│                              │ stop?     │tool_use?  │
│                              ▼           ▼           │
│                        ┌────────┐  ┌────────────┐   │
│                        │ 返回结果 │  │ 权限检查    │   │
│                        │(Done)  │  │(Permission) │   │
│                        └────────┘  └─────┬──────┘   │
│                                          │           │
│                                    ┌─────▼──────┐   │
│                                    │ Hook 前置   │   │
│                                    │(PreToolUse) │   │
│                                    └─────┬──────┘   │
│                                          │           │
│                                    ┌─────▼──────┐   │
│                                    │ 工具执行    │   │
│                                    │(Execute)   │   │
│                                    └─────┬──────┘   │
│                                          │           │
│                                    ┌─────▼──────┐   │
│                                    │ Hook 后置   │   │
│                                    │(PostToolUse)│   │
│                                    └─────┬──────┘   │
│                                          │           │
│                                    ┌─────▼──────┐   │
│                                    │ 结果追加    │   │
│                                    │→ 回到推理   │   │
│                                    └────────────┘   │
└─────────────────────────────────────────────────────┘

核心循环伪代码：

# 基于 OpenHarness README 中的 Agent Loop 伪代码
while True:
    response = await api.stream(messages, tools)

    if response.stop_reason != "tool_use":
        break  # 模型认为任务完成

    for tool_call in response.tool_uses:
        # 权限检查 → Hook前置 → 执行 → Hook后置 → 结果
        result = await harness.execute_tool(tool_call)

    messages.append(tool_results)
    # 循环继续 — 模型看到结果后决定下一步行动

关键设计决策：

• 模型决定 做什么（what），Harness 决定 怎么做（how）
• 每次工具调用都经过权限检查和生命周期 Hook
• 支持并行工具执行，提高效率
• 实现了 API 指数退避重试（Exponential Backoff）机制
• 内置 Token 计数和成本追踪

循环检测与防护

Agent Loop 的一个关键挑战是防止模型陷入无限循环。OpenHarness 继承了 OpenClaw 生态的循环检测机制，包括：

1. 重复检测：检测相同工具调用的重复模式
2. 轮询检测：识别无进展的无效轮询操作
3. 熔断机制：全局阈值防止资源耗尽
4. 乒乓检测：检测两个工具之间的相互调用循环

数据流/执行流程

从用户输入到最终输出的完整数据流：

用户提示 (Prompt)
    │
    ▼
CLI 或 React TUI（界面层）
    │
    ▼
RuntimeBundle（运行时捆绑包，组装配置、工具、权限等）
    │
    ▼
QueryEngine（查询引擎）
    │
    ├──> CLAUDE.md 发现与注入
    ├──> Skills 按需加载
    ├──> Memory 持久记忆读取
    ├──> System Prompt 组装
    │
    ▼
API Client（Anthropic/OpenAI 兼容）
    │
    ├──> 流式请求发送
    ├──> 指数退避重试
    │
    ▼
Tool Registry（工具注册表，43 个工具）
    │
    ├──> Permission Check（权限检查）
    ├──> PreToolUse Hook
    ├──> Tool Execution（工具执行）
    ├──> PostToolUse Hook
    │
    ▼
Tool Results → 追加到消息上下文 → 回到 QueryEngine
    │
    ▼
最终响应（文本/JSON/流式 JSON）

架构设计

整体架构

OpenHarness 采用模块化的分层架构，共 10+ 核心子系统：

openharness/
├── engine/          # 🧠 Agent Loop — 查询→流式响应→工具调用→循环
├── tools/           # 🔧 43 工具 — 文件I/O、Shell、搜索、Web、MCP
├── skills/          # 📚 知识 — 按需加载技能文件（.md格式）
├── plugins/         # 🔌 扩展 — 命令、Hook、Agent、MCP服务器
├── permissions/     # 🛡️ 安全 — 多级权限模式、路径规则、命令黑名单
├── hooks/           # ⚡ 生命周期 — PreToolUse/PostToolUse事件Hook
├── commands/        # 💬 54 命令 — /help、/commit、/plan、/resume等
├── mcp/             # 🌐 MCP — Model Context Protocol客户端
├── memory/          # 🧠 记忆 — 跨会话持久化知识
├── tasks/           # 📋 任务 — 后台任务管理
├── coordinator/     # 🤝 多Agent — 子Agent生成、团队协调
├── prompts/         # 📝 上下文 — 系统提示组装、CLAUDE.md、技能注入
├── config/          # ⚙️ 配置 — 多层配置、迁移
└── ui/              # 🖥️ React TUI — 后端协议+前端界面

核心模块

• engine/ — 核心引擎模块，实现 Agent Loop 的主循环逻辑。负责：查询流式发送、工具调用分发、循环控制、Token 追踪和成本计算。这是整个系统的心脏，其他所有模块都围绕它工作。

• tools/ — 工具注册表和工具实现。包含 43 个工具，分为 9 大类：文件 I/O（6 个）、搜索（4 个）、Notebook（1 个）、Agent（3 个）、任务（6 个）、MCP（3 个）、模式（3 个）、调度（3 个）、元工具（5 个）。每个工具使用 Pydantic 进行输入验证，生成 JSON Schema 供模型理解。

• skills/ — 技能加载系统。技能是 Markdown 格式的领域知识文件，仅在模型需要时按需加载（on-demand），避免占用上下文窗口。兼容 anthropics/skills 格式。

• plugins/ — 插件系统。支持热插拔的命令、Hook 和 Agent 扩展。兼容 claude-code/plugins 格式，已验证 12 个官方插件。

• permissions/ — 权限治理。提供三种模式（Default/Auto/Plan Mode），支持路径级规则和命令黑名单。

• hooks/ — 生命周期 Hook。在工具执行前后触发自定义逻辑，支持 PreToolUse 和 PostToolUse 事件。

• coordinator/ — 多 Agent 协调。支持子 Agent 生成与委派、团队注册、后台任务生命周期管理。

• prompts/ — 上下文组装。负责 CLAUDE.md 发现与注入、Skills 加载、System Prompt 组装。

• config/ — 多层配置系统。支持全局配置、项目配置和命令行参数的优先级合并。

• ui/ — React/Ink 终端 UI。提供交互式终端界面，通过后端协议与核心引擎通信。

扩展机制

OpenHarness 提供三种主要的扩展途径：

1. 自定义工具（Custom Tool）

基于 BaseTool 抽象类创建新工具：

# 基于官方 README 中的自定义工具示例（基于 v0.1.0）
from pydantic import BaseModel, Field
from openharness.tools.base import BaseTool, ToolExecutionContext, ToolResult

class MyToolInput(BaseModel):
    query: str = Field(description="Search query")

class MyTool(BaseTool):
    name = "my_tool"
    description = "Does something useful"
    input_model = MyToolInput

    async def execute(self, arguments: MyToolInput, context: ToolExecutionContext) -> ToolResult:
        return ToolResult(output=f"Result for: {arguments.query}")

2. 自定义技能（Custom Skill）

创建 Markdown 文件即可添加领域知识：

# 基于官方 README 中的自定义技能示例（基于 v0.1.0）
---
name: my-skill
description: Expert guidance for my specific domain
---

# My Skill

## When to use
Use when the user asks about [your domain].

## Workflow
1. Step one
2. Step two

将文件放置在 ~/.openharness/skills/my-skill.md 即可自动识别。

3. 自定义插件（Custom Plugin）

创建包含 plugin.json 的目录即可添加命令、Hook 和 Agent：

// 基于官方 README 中的插件配置示例（基于 v0.1.0）
{
  "name": "my-plugin",
  "version": "1.0.0",
  "description": "My custom plugin"
}

放置在 .openharness/plugins/my-plugin/.claude-plugin/plugin.json，可通过 oh plugin install/enable 管理。

关键概念详解

Agent Harness（智能体驾驶系统）

• 定义： Agent Harness 是包裹在 LLM 外部的完整基础设施层，将纯文本输出的聊天模型转变为能执行实际操作的功能性 Agent。公式：Harness = Tools + Knowledge + Observation + Action + Permissions
• 作用： 为模型提供"手"（工具执行）、"眼"（上下文观察）、"记忆"（持久化存储）和"安全边界"（权限控制）。模型本身只负责推理决策，Harness 负责所有实际操作。
• 使用场景： 任何需要 LLM 与外部环境交互的场景——代码编辑、文件管理、命令执行、网络搜索、多任务协调等。
• 代码示例：

# 基于官方 README（基于 v0.1.0）
# 最简单的使用方式 — 一条命令启动 Agent
ANTHROPIC_API_KEY=your_key uv run oh -p "Inspect this repository and list the top 3 refactors"

工具系统（Tool System）

• 定义： 工具是 Agent 与外部环境交互的唯一通道。每个工具是一个独立的异步函数，具有类型安全的输入/输出定义。
• 作用： 定义 Agent 的能力边界。所有 Agent 操作都必须通过工具完成，没有任何后门。模型通过 JSON Schema 理解工具的参数和用途。
• 使用场景： 文件读写、Shell 命令执行、代码搜索、Web 搜索、Jupyter Notebook 编辑、子 Agent 管理、MCP 协议调用等。
• 代码示例：

# 基于官方 README 中的工具抽象（基于 v0.1.0）
# 工具的核心特征：
# 1. Pydantic 输入验证 — 结构化、类型安全的输入
# 2. JSON Schema 自描述 — 模型自动理解工具参数
# 3. 权限集成 — 执行前检查
# 4. Hook 支持 — PreToolUse/PostToolUse 生命周期事件

from pydantic import BaseModel, Field

class ReadFileInput(BaseModel):
    file_path: str = Field(description="The absolute path to the file to read")
    offset: int | None = Field(default=None, description="Line number to start reading from")
    limit: int | None = Field(default=None, description="Number of lines to read")

技能系统（Skills System）

• 定义： 技能是以 Markdown 文件形式组织的领域知识包，在模型需要时按需加载到上下文中。
• 作用： 为模型提供特定领域的专家指导（如 Git 提交规范、代码审查流程、调试方法论等），不占用基础上下文窗口。
• 使用场景： 代码提交、代码审查、系统调试、实现规划、测试编写、代码简化、PDF 处理、Excel 操作等 40+ 个领域。
• 代码示例：

# 基于官方 README（基于 v0.1.0）
# 内置技能列表示例
Available Skills:
- commit: Create clean, well-structured git commits
- review: Review code for bugs, security issues, and quality
- debug: Diagnose and fix bugs systematically
- plan: Design an implementation plan before coding
- test: Write and run tests for code
- simplify: Refactor code to be simpler and more maintainable

权限治理（Permission Governance）

• 定义： 多级权限控制系统，在 Agent 执行操作前进行安全检查，防止未经授权的文件修改、命令执行等危险操作。
• 作用： 在 Agent 自主性和安全性之间取得平衡。Default 模式要求用户确认写操作，Auto 模式跳过所有检查，Plan Mode 禁止所有写入。
• 使用场景： 日常开发（Default 模式）、沙箱环境（Auto 模式）、大规模重构前的安全审查（Plan Mode）。
• 代码示例：

// 基于官方 README（基于 v0.1.0）
// settings.json 中的路径级权限规则
{
  "permission": {
    "mode": "default",
    "path_rules": [
      {"pattern": "/etc/*", "allow": false}
    ],
    "denied_commands": ["rm -rf /", "DROP TABLE *"]
  }
}

多 Agent 协调（Swarm Coordination）

• 定义： 子 Agent 生成与委派机制，允许主 Agent 将复杂任务拆分为多个子任务，分配给专门的子 Agent 并行处理。
• 作用： 提高复杂任务的处理效率，支持团队模式的分工协作。
• 使用场景： 多文件并行编辑、大规模代码重构、多角度代码审查、后台长时间运行的任务。
• 代码示例：

# 基于官方 README（基于 v0.1.0）
# 通过 Agent 工具和 Task 工具实现多 Agent 协作
# 工具列表：
# - Agent: 生成子 Agent
# - SendMessage: 向子 Agent 发送消息
# - TeamCreate/Delete: 创建/删除 Agent 团队
# - TaskCreate/Get/List/Update/Stop/Output: 后台任务生命周期管理

多模型兼容（Provider Compatibility）

• 定义： 双 API 格式兼容层，同时支持 Anthropic 格式（默认）和 OpenAI 兼容格式，覆盖数十种 LLM 提供商。
• 作用： 打破模型提供商锁定，允许用户自由选择和切换后端模型，包括本地运行的 Ollama 模型。
• 使用场景： 使用不同模型进行成本优化、本地模型离线开发、多模型对比测试、企业内部网关接入。
• 代码示例：

# 基于官方 README（基于 v0.1.0）
# 使用 OpenAI 兼容格式连接 DashScope
uv run oh --api-format openai \
  --base-url "https://dashscope.aliyuncs.com/compatible-mode/v1" \
  --api-key "sk-xxx" \
  --model "qwen3.5-flash"

# 或通过环境变量配置
export OPENHARNESS_API_FORMAT=openai
export OPENAI_API_KEY=sk-xxx
export OPENHARNESS_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
export OPENHARNESS_MODEL=qwen3.5-flash
uv run oh

同类技术横向对比

数据来源说明： OpenHarness 数据来自 GitHub README 和知乎专栏；Claude Code 数据来自知乎专栏代码对比；OpenCode Stars/Contributors 来自 OpenCode 官网和 Morph 对比文章（获取日期 2026-04-05）；Cline 数据来自 Cline VS Code Marketplace 页面和社区评测。标注"待验证"的维度因缺乏权威来源，未填写以确保数据准确性。[置信度：中 — 部分数据来自第三方报道，未直接从 GitHub API 验证]

适用场景分析

最佳场景

1. AI Agent 架构研究与学习 — OpenHarness 的极简代码量（11,733 行）和清晰的模块化架构，使其成为理解 AI Agent 内部机制的绝佳教材。对于想深入了解 Claude Code 或类似工具工作原理的开发者和研究者，OpenHarness 提供了一份完整可读的参考实现。

2. 快速原型与概念验证 — 当需要快速构建一个 AI Agent 原型来验证某个想法时，OpenHarness 的纯 Python 实现和丰富的工具集可以大幅降低开发门槛。自定义工具只需继承 BaseTool 类即可。

3. 多模型对比与评估 — OpenHarness 的双 API 格式兼容（Anthropic + OpenAI）使其成为天然的模型对比平台。可以在同一套工具和提示下，快速切换不同模型评估表现。

4. 轻量级自动化脚本 — 通过非交互模式（-p 参数）和 JSON/stream-json 输出格式，OpenHarness 可以作为 CI/CD 流水线或其他自动化系统中的智能组件使用。

5. Skills/Plugins 开发测试 — 由于与 Claude Code 的 Skills 和 Plugins 格式兼容，OpenHarness 可以作为开发和测试 Skills/Plugins 的轻量级环境。

不适用场景

1. 生产环境关键任务 — v0.1.0 极早期版本，缺乏生产环境验证和长期稳定性数据。建议等待至少 v1.0 版本。替代方案：Claude Code（商业级）或 OpenCode（成熟开源）。

2. 需要 IDE 深度集成的开发工作流 — OpenHarness 是 CLI 工具，不提供 IDE 内嵌体验。替代方案：Cline（VS Code 扩展）或 Cursor（独立 IDE）。

3. 大规模团队协作 — 缺乏企业级的权限管理、审计日志和团队协作功能。替代方案：Claude Code Team Plan 或企业级解决方案。

优缺点深度分析

优势

1. 极简代码量，极致可读性 — 仅 11,733 行代码实现了 Claude Code 98% 的工具兼容（43/44）。这使得阅读和理解整个代码库成为可能，对于学习和研究具有巨大价值。

2. 双 API 格式兼容 — 同时支持 Anthropic 和 OpenAI 格式，覆盖 15+ 提供商（包括本地 Ollama），有效打破模型锁定。

3. 生态兼容性 — 与 Claude Code 的 Skills 和 Plugins 格式完全兼容，可直接复用现有生态资源。

4. MIT 开源协议 — 最宽松的开源协议之一，允许商业使用、修改和分发，无附加限制。

5. Python 实现 — 相比 TypeScript（Claude Code）和 Go（OpenCode），Python 在 AI/ML 社区拥有最广泛的用户基础，降低了学习和贡献门槛。

6. 完整的测试覆盖 — 114 个单元/集成测试 + 22 个 E2E 测试 + 12 个真实插件测试，对于 v0.1.0 版本来说测试覆盖相当完善。

劣势

1. 极早期阶段 — 仅发布 v0.1.0，缺乏生产环境验证，API 可能发生不兼容变更，Bug 密度可能较高。[置信度：高]

2. 社区规模有限 — ~3,500 Stars 与 OpenCode（120k+）和 Claude Code（71.5k+）差距巨大，社区贡献者和生态资源较少。[置信度：高]

3. 缺乏独立文档站 — 没有 docs.openharness.ai 等独立文档站点，所有文档都依赖 GitHub README，对新手不够友好。[置信度：高]

4. 性能未知 — 没有找到任何性能基准测试数据，在大规模代码库或长时间运行场景下的表现未知。[置信度：中]

5. 缺少英文社区覆盖 — 大部分社区讨论集中在中文社区（知乎、CSDN），英文社区的知名度和讨论度较低，可能影响国际化发展。[置信度：中]

风险点

1. 项目可持续性风险 — 作为学术实验室项目（HKUDS），长期维护取决于实验室的研究方向和资源投入。建议关注提交频率和 Issue 回复速度来判断项目健康度。

2. 安全性风险 — 作为 Agent 框架，涉及文件操作和命令执行，权限系统的安全性至关重要。虽然有多级权限模式，但 v0.1.0 的安全审计情况未知。建议在沙箱环境中首次使用。

3. 与 Claude Code 的兼容性漂移 — 如果 Claude Code 更新其 Skills/Plugins 格式，OpenHarness 可能需要跟进适配，存在兼容性维护成本。

生态成熟度评估

• 插件/扩展数量： 兼容 12 个 Claude Code 官方插件（已验证），自有插件生态尚在萌芽阶段。[置信度：高]
• 第三方库支持： 通过 MCP（Model Context Protocol）可以接入外部工具服务器，但具体的第三方集成案例较少。[置信度：中]
• 企业采用案例： 截至 2026-04-05，未找到任何企业采用案例报道。这与项目极年轻（4 天）直接相关。[置信度：高]
• 文档质量： README 文档质量较高（包含快速入门、架构说明、代码示例、扩展指南），但缺乏独立的 API 参考文档、教程和架构深度指南。[置信度：高]

生产环境就绪度评估

• 稳定性： ⚠️ v0.1.0 初始发布，缺乏生产环境稳定性数据。114 个测试通过是积极信号，但不足以证明生产就绪。[置信度：高]
• 性能表现： ❓ 未找到性能基准数据。支持流式输出和并行工具执行是正面指标，但在大型代码库中的实际表现未知。[置信度：中]
• 监控/可观测性： 内置 Token 计数和成本追踪。支持 debug 模式（-d/--debug）。缺乏与主流监控工具（如 Prometheus、Grafana）的集成。[置信度：高]
• 故障恢复： 支持会话恢复（/resume 命令）和 API 指数退避重试。后台任务管理提供生命周期控制。但缺乏系统级的故障恢复机制（如崩溃恢复、状态持久化）。[置信度：中]
• 安全合规： 多级权限模式、路径级规则、命令黑名单、PreToolUse/PostToolUse Hook 提供了基本的安全框架。但作为 v0.1.0 项目，未经过安全审计。[置信度：中]

学习曲线评估

• 前置知识要求：
• 必需：Python 基础、命令行使用、基本 Git 操作
• 推荐：LLM API 概念（Prompt/Completion/Tool Use）、异步 Python（async/await）

• 加分：Pydantic 数据验证、React/Ink（如需自定义 TUI）

• 入门时间估计： 1-2 小时即可完成安装并开始使用。Python 开发者可以在半天内理解核心架构。[置信度：高]

• 精通时间估计： 1-2 周可深入理解 Agent Loop、工具系统和权限机制。1 个月可开始开发自定义工具和插件。相比 Claude Code（代码量 44 倍），精通 OpenHarness 的门槛显著更低。[置信度：中]

总结与建议

综合评价：

OpenHarness 是一个雄心勃勃且设计精巧的项目。它用极简的代码量（2.3%）实现了惊人的功能覆盖（98% 工具兼容），为 AI Agent 基础设施领域提供了一份难得的清晰参考。其核心价值在于教育与研究——让开发者能够阅读、理解、修改一个完整的 Agent 框架，这是 512,664 行的 Claude Code 无法提供的体验。

使用建议：

1. 学习和研究用途：强烈推荐。这是目前最适合理解 AI Agent 内部机制的开源项目。
2. 个人开发工具：可以尝试，但建议在沙箱环境中使用，注意 v0.1.0 的潜在不稳定性。
3. 生产环境：暂不推荐。建议至少等待 v1.0 稳定版本，并关注项目活跃度和社区反馈。
4. 企业评估：可以纳入技术雷达的"评估"级别，持续跟踪但不急于采用。

关注指标：

• GitHub Stars 和 Contributors 增长趋势
• 提交频率和 Issue 响应速度
• v0.2.0/v0.3.0 版本的 API 变更幅度
• 是否有企业采用案例出现
• 安全审计和漏洞修复情况

信息来源与版本说明

• 分析基于版本： OpenHarness v0.1.0（2026-04-01 发布）
• 信息获取日期： 2026-04-05
• 信息来源列表：
• GitHub - HKUDS/OpenHarness — 主要信息来源（README、架构说明、代码示例）
• 知乎专栏 — OpenHarness：港大开源的轻量级 Agent 框架 — 代码量对比、架构设计解读
• 阿里云开发者社区 — Harness 驾驭工程是 AI 平权的必经之路？ — Harness 概念解析
• CSDN GitCode — OpenHarness 详解 — 技术细节分析
• CSDN GitCode — Agent Loop 深度解析 — OpenClaw Agent Loop 架构参考
• Morph — OpenCode vs Claude Code — 竞品对比数据
• OpenCode 官网 — OpenCode Stars/Contributors 数据