机器之心报道

编辑：Panda

刚刚，OpenHands 开发团队发布了一篇新论文，正式宣布广受欢迎的软件开发智能体框架 OpenHands （GitHub star 已超 6.4 万）中的智能体组件完成了架构重构，即 OpenHands Software Agent SDK。

这一轮重新设计改进巨大，也让 OpenHands 从 V0 进化到了 V1。包括：

灵活性方面，他们设计了一个简洁的接口，在默认情况下仅需几行代码即可实现智能体，但又易于扩展为具有自定义工具、内存管理等功能的、功能齐全的复杂智能体。在安全性和可靠性方面，它提供了无缝的本地到远程执行可移植性、集成的 REST/WebSocket 服务。为了与人类用户交互，它可以直接连接到各种界面，如可视化工作区（VS Code、VNC、浏览器）、命令行界面和 API。与现有的 OpenAI、Claude 和 Google 的 SDK 相比，OpenHands 独特地集成了原生沙盒化执行、生命周期控制、模型无关 (model-agnostic) 的多 LLM 路由以及内置的安全分析。

该团队表示：「这些元素使得 OpenHands Software Agent SDK 能够为原型设计、解锁新型自定义应用以及大规模可靠部署智能体提供一个实用的基础。」

汲取了这些教训，OpenHands V1 引入了一个基于四项设计原则的新架构，这些原则直接解决了 V0 的局限性。具体来说，这些原则包括：

1、沙盒化应该是可选的，而非普遍适用的

V1 默认设置是在单个进程中统一智能体和工具的执行，这与 MCP 的假设一致。当需要隔离时，同一个栈可以被透明地容器化。沙盒化变成了可选的，从而在不牺牲安全性的前提下保持了灵活性。

2、默认无状态，状态的真值来源单一

V1 将所有智能体及其组件（工具、LLM 等）视作在构建时即被验证的、不可变的且可序列化的 Pydantic 模型。唯一可变的实体是会话状态，它是一个单一的、明确定义的真值来源（source of truth），用于跟踪正在进行的执行。这种设计将变化隔离在一个地方，实现了确定性重放、强一致性和稳定的长期恢复。

3、保持严格的相关项分离

V1 将智能体核心隔离成了「软件工程 SDK」。应用通过 SDK API 进行集成，使得研究可以独立于应用进行演进。

4、一切都应是可组合且可安全扩展的

V1 将可组合性作为两个层面上的首要设计目标。

在部署层面，其四个模块化包（SDK, Tools、Workspace 和 Agent Server）可以灵活组合，以支持本地、托管或容器化执行。

在能力层面，该 SDK 会暴露一个类型化的组件模型（工具、LLM、上下文等），让开发人员可以声明式地扩展或重新配置智能体，而无需触及核心。

OpenHands V1：一个完整的软件智能体生态系统

OpenHands V1 便是基于这些原则而生的，这是一个完整的软件智能体生态系统，包括 CLI 和 GUI 应用。它们构建在一个共享的基础上：OpenHands Software Agent SDK (图 1b)。

下图展示了一个极简示例：

该 SDK 定义了一个具有确定性重放 (deterministic replay) 功能的事件溯源 (event-sourced) 状态模型、一个用于智能体的不可变配置，以及一个集成了 MCP 的类型化工具系统。

与之前仅提供库的 SDK 不同，OpenHands 包含一个用于远程执行的内置 REST/WebSocket 服务器，以及一套用于人工审查和控制的交互式工作区界面 —— 一个基于浏览器的 VSCode IDE、VNC 桌面和持久化的 Chromium 浏览器。

该 SDK 还增加了一个用于智能体操作的安全分析器、灵活的生命周期控制（暂停 / 恢复、子智能体委托、历史恢复等），以及用于保障生产可靠性的内置 QA (质量保证) 插桩（单元测试、基于 LLM 的集成测试和评估基准）。

OpenHands Software Agent SDK 已在 MIT 许可下完全开源。

可靠性与评估

该团队通过两个互补的过程评估了 OpenHands Agent SDK 的可靠性和性能：持续测试和基准评估。

持续测试流程结合了程序化测试和基于 LLM 的测试，并在每个拉取请求 (pull request) 上自动运行，且每天运行一次。它检查的是 SDK 在多种语言模型下是否表现一致，及早发现推理、工具使用和状态管理方面的回归问题。这些自动化测试每次完整运行的成本仅为 0.5–3 美元，并能在 5 分钟内完成。

而基准评估则是在标准化的智能体任务上衡量 SDK 的整体能力，从而帮助了解模型质量和系统性能。

持续质量保证

该 SDK 采用了三层测试策略来平衡覆盖范围、成本和深度：

程序化测试：在每次提交 (commit) 时运行。这些测试模拟 llm 调用，并在几秒钟内验证核心逻辑、数据流和 API 协定。模拟可以实现更快的反馈，确保在进行任何外部 API 调用之前捕获到大多数回归问题。基于 LLM 的测试：包括集成测试和示例测试 (见下文)。每天执行，并可按需为拉取请求执行。这些测试使用真实模型 (Claude Sonnet 4.5, GPT-5 Mini, DeepSeek Chat) 来验证推理、工具调用和环境稳定性。每次运行成本为 0.5–3 美元，并在 5 分钟内完成。基准评估：按需进行的高成本评估（每次运行 100–1000 美元，耗时数小时），用于衡量学术数据集上的综合智能体能力。

集成测试覆盖多种基于场景的工作流（例如，文件操作、命令执行、git 操作和浏览），而示例测试（example tests）则会定期运行所有 SDK 示例（自定义工具、MCP 集成、持久化、异步执行、路由等），以确保端到端的可靠性。该测试套件会随着新智能体行为和故障模式的发现而不断扩展，从而提高覆盖范围和回归敏感性。

该团队还针对这些基于 LLM 的测试的按需执行进一步优化了 CI/CD 成本：集成测试针对高风险变更，示例测试覆盖面向用户的模块，而每日运行则跟踪整个代码库更新中的回归问题。

基准测试

该 SDK 为评估智能体能力的各种学术基准提供了内置支持。

如表 2 所示，该 SDK 在软件工程和通用智能体基准测试中表现得很有竞争力。

在衡量智能体在软件工程任务中能力的 SWE-Bench Verified 上，该 SDK 使用 Claude Sonnet 4.5 配合扩展思维实现了 72% 的解决率；在衡量智能体通用计算机任务解决能力的 GAIA 上，SDK 使用 Claude Sonnet 4.5 实现了 67.9% 的准确率，展现了有效的多步推理和工具使用能力。

此外，强大的开源编码模型 Qwen3 Coder 480B 实现了 41.21% 的分数。这些结果略优于 OpenHands-Versa 的结果，表明该 SDK 的架构并未牺牲智能体能力，并实现了与研究专精系统相媲美的性能。