代表系统对比（Representative Agent Harnesses）
一句话：把 Harness 总览 的三件套（工具集 / 上下文 / 执行环境）落到四个真实系统——SWE-agent 证明「接口即性能」、OpenHands 给出可复现的开放平台、Claude Code 押注「单循环 + 极简」、GitHub Copilot 把 agent 包进 CI 流水线——看清同一组设计选择在不同约束下如何分叉。
论文 / 文档：SWE-agent (NeurIPS 2024) · OpenHands (2024) · Claude Code docs · GitHub Copilot docs 前置阅读：Harness 总览、执行循环与上下文管理、沙箱与工具执行
本页只从 harness 设计范式角度横向对比；各产品/框架的定位、安装与日常用法见 代表性 Agent 框架。
1. 为什么对比这几个
Harness 总览 给出的判别标准——agent 是「LLM 在循环中基于环境反馈使用工具」——在这四个系统里有四种代表性答法，恰好覆盖了设计空间的几个关键维度：
- SWE-agent（Princeton，NeurIPS 2024）：学术原型，回答「接口设计能带来多大性能」；
- OpenHands（开源平台）：回答「一个可复现、可扩展的开放 agent 平台长什么样」；
- Claude Code（Anthropic）：回答「生产级 coding agent 该多简单」；
- GitHub Copilot coding agent：回答「agent 如何嵌入既有工程流程（PR + CI）」。
它们共享 agent loop 的同一骨架 a_t \sim \pi_\theta(\cdot\mid\mathcal{C}(s_t))，分歧集中在三处：行动空间（工具集）怎么设计、上下文
2. 四个系统逐一拆解
2.1 SWE-agent：接口即性能
SWE-agent 的核心贡献是 Agent-Computer Interface（ACI）：不要让 LM 直接用为人类设计的 Linux shell，而要为它专门设计一套命令——创建/编辑文件、导航仓库、跑测试。每个 LM 步是一个原子的 {thought, command} 对，ACI 把它翻译成环境动作、再把结果摘要回传，从而把自然语言推理与底层 shell/文件操作解耦。
它最有力的证据是控制变量实验：同一个 GPT-4 Turbo，接定制 ACI 在 SWE-bench（full，2294 个 issue）解决 12.5% pass@1，而此前最好的非交互式 RAG 系统只有 3.8%。模型没变，接口换来三倍多的提升。ACI 的四条设计原则（动作简单、动作紧凑、反馈充分但简洁、用 guardrail 如 linter 拦截错误编辑）成了后续所有 harness 的母题。上下文侧它用折叠规则（仅最近若干 observation 保留原文，其余折一行），细节见 agent loop。
2.2 OpenHands：事件流开放平台
OpenHands 用 event-stream 架构：交互以类型化事件流动——User Message → Agent → LLM → Action → Runtime/sandbox → Observation → Agent。其 SDK 由四部分组成：无状态的 Agent（发出 Action）、运行循环并维护 append-only EventLog 的 Conversation、执行 Action 并返回 Observation 的 Workspace、以及被 LiteLLM 包装以支持多家供应商的 LLM。
图源：Wang et al., OpenHands: An Open Platform for AI Software Developers as Generalist Agents, arXiv:2407.16741（用于学习注解，版权归原作者）
执行环境上，每个任务会话拉起一个隔离的 Docker 容器跑 action-execution server（bash、浏览器、Jupyter、VSCode 等），后端经 RESTful API 发 action、收 observation，容器边界阻止 agent 访问/修改宿主，支持 overlay 写时复制挂载做受控只读共享（详见 沙箱）。性能上它在 SWE-bench Verified 上有公开的强成绩——官方榜单某次快照（约 2025 年）下 OpenHands + CodeAct（claude-3-5-sonnet）是领先的开源项之一，处于 50%+ 量级；具体百分比随榜单快照与 harness 版本变化，应视为版本相关而非定值。它的价值在于全栈开源 + 可扩展，是研究和自托管的首选底座。
2.3 Claude Code：单循环 + 极简
Claude Code 把自己定位为模型外围的 agentic harness，工程哲学是刻意保持简单：据第三方逆向分析，它只留一个主循环加扁平消息历史，至多一层 subagent 分支（subagent 不能再派生），理由是可调试性远比复杂的多 agent 编排重要。loop 描述为 gather context → take action → verify。
它的特色集中在权限与上下文工程：默认只读 + fail-closed 的权限模型（只读命令免审批，改系统的命令需批准，allow/deny 可按用户/库/组织配；未匹配默认转人工审批）；/sandbox 提供文件系统与网络隔离的本地沙箱（写权限锁工作目录）；prompt injection 防护（curl/wget 不自动批准、web fetch 用隔离上下文窗口、MCP server 需信任校验）；上下文用 auto-compact（先清旧工具输出、再按需总结）。云端版本每会话跑在 Anthropic 托管的隔离 VM 里、网络默认受限、凭据走安全代理、git push 限工作分支。这些机制详见 沙箱与工具执行。
2.4 GitHub Copilot coding agent：嵌入 CI 的 agent
Copilot 的云端 coding agent 走的是「把 agent 包进既有工程流程」的路线：每个任务跑在一个由 GitHub Actions 驱动的安全、临时（ephemeral）开发环境里，联网受限、仓库权限受限，且在 reviewer 合并它开的 PR 之前无法影响生产仓库。环境也可跑在自托管 Actions runner（经 Actions Runner Controller）上。
这条路线的关键不是 loop 多聪明，而是把人类 code review 这一层作为强制的安全/质量闸门——agent 的产出必须以 PR 形式经人审后合并，天然契合 沙箱 里讲的「高风险动作需人工审批」。GitHub 还在公开预览中推出了 Copilot 的云/本地沙箱：copilot --cloud 拉起 GitHub 托管的完全隔离临时 Linux 沙箱；本地沙箱则在用户机器上以受限文件系统、网络与系统能力运行 Copilot。
3. 横向对比
| 维度 | SWE-agent | OpenHands | Claude Code | Copilot coding agent |
|---|---|---|---|---|
| 定位 | 学术原型 | 开源平台 | 生产 CLI / agent | 平台内置云 agent |
| 行动空间 | 定制 ACI 命令（带 linter） | CodeAct：可执行 Python/bash + 浏览器 | 内置工具 + Bash + subagent | Actions 环境内的工具 |
| 状态 / 上下文 | 历史 + 折叠规则 | event stream + LLM condenser | 扁平历史 + auto-compact | 任务级，绑定 PR |
| 执行环境 | shell 环境 | 隔离 Docker + action server | 本地 /sandbox / 云端隔离 VM | GitHub Actions 临时环境 |
| 隔离强度 | 进程级 | 容器级（写时复制挂载） | OS 原生沙箱 / 托管 VM | CI 容器 + 权限收窄 |
| 安全闸门 | guardrail（linter） | 容器边界 | 权限 allow/deny + 审批 | PR 必须人审合并 |
| 多 agent | 单 agent | 支持委派（AgentDelegate） | 至多一层 subagent | 单 agent + 人审 |
| 主要价值 | 证明接口杠杆 | 可复现 / 可扩展 | 简单 / 可调试 / 安全默认 | 嵌入既有 PR 流程 |
关于 SWE-bench 数字的纪律：仅 paper 报告的 SWE-agent 12.5%（full）、以及 OpenHands 在 Verified 上约 50%+ 量级的快照成绩可作可靠参照。网络上出现过无法在官方榜单核实的、未来日期或畸高（如「95%」）的条目，本页不予引用。榜单成绩高度依赖快照与 harness 版本，跨系统直接比绝对值意义有限。
4. 共同的设计取舍
把四个系统叠在一起看，浮现出几条反复出现的取舍轴：
- 接口专用化 vs 通用 shell：SWE-agent 用定制 ACI、OpenHands 用 CodeAct（直接可执行代码），代表两种极端。专用接口约束强、对模型友好、易加 guardrail；可执行代码表达力最强但更难约束。接口设计本身就是与权重同量级的性能杠杆，且迭代成本远低于重训。
- 单循环 vs 多 agent 编排：Claude Code 押注极简单循环换可调试性；OpenHands 支持委派；多数生产系统选择「主循环 + 至多一层子 agent」。多 agent 的收益要和成本一起算（见 多 Agent）。
- 隔离强度 vs 开销：从进程级到容器到托管 VM，越强隔离越贵；选型应按代码可信度而非一刀切（见 沙箱 的隔离谱系）。
- 自动化 vs 人工闸门：Copilot 把 PR 人审作为硬性闸门，Claude Code 用 allow/deny + 审批分档。在 prompt injection 无法被任何单层彻底缓解的前提下（OWASP LLM01），高风险动作保留人类把关是务实选择。
5. 选型建议
- 做研究 / 要复现消融：OpenHands（开源、event stream 清晰、condenser 可调）或 SWE-agent（ACI 概念最干净，适合研究接口设计）。
- 要在本地仓库里高频开发：Claude Code 一类生产 CLI——单循环可调试、安全默认（只读 + fail-closed + 本地沙箱）省心。
- 要把 agent 接进团队工程流程：Copilot coding agent 一类与 PR/CI 绑定的方案，靠人审合并作为天然质量与安全闸门。
- 要大规模并行跑不可信代码：在上面任意一种之上换用云端 microVM 执行后端（见 沙箱），把隔离做到内核级。
无论选哪个，三件套的检查清单不变：工具描述够不够详细、上下文
6. 参考文献
- Yang et al., 2024. SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering. arXiv:2405.15793
- Wang et al., 2024. OpenHands: An Open Platform for AI Software Developers as Generalist Agents. arXiv:2407.16741
- Wang et al., 2025. The OpenHands Software Agent SDK: A Composable and Extensible Foundation for Production Agents. arXiv:2511.03690（对应 2.2 节描述的 SDK 架构）
- Wang et al., 2024. Executable Code Actions Elicit Better LLM Agents (CodeAct). arXiv:2402.01030
- Claude Code 官方文档. How Claude Code Works / Security.（code.claude.com/docs）
- GitHub 官方文档. About Copilot coding agent / Cloud and local sandboxes (public preview).（docs.github.com, github.blog）
- SWE-bench. Official Leaderboard.（swebench.com）