Geen Chatbots Meer, Tijd om Echte Agents te Bouwen met OpenHarness
Ken je dat gevoel wanneer ChatGPT je een redelijke codesuggestie geeft, maar om het daadwerkelijk te gebruiken moet je zelf het bestand aanmaken, de tekst plakken, de tests uitvoeren en dan een paar imports repareren? We zijn eraan gewend geraakt dit "AI-assistentie" te noemen, terwijl het in werkelijkheid gewoon geavanceerd zoeken is met een chat-interface.
Een paar dagen geleden stuitte ik op de OpenHarness-repository van het HKUDS-team. De jongens besloten dat er genoeg chatbots waren—het is tijd om taalmodellen "handen" te geven. Het project is een infrastructuur voor het bouwen van autonome agents die niet alleen chatten, maar in je terminal leven, op het web browsen en code zelfstandig bewerken.
Wat is Agent Harnessing
De auteurs gebruiken een treffende term—Harness. Het idee is dat een LLM op zichzelf gewoon een "brein in een pot" is. Om een agent te worden, heeft het ogen (context), handen (tools) en geheugen nodig.
OpenHarness is een Python-framework dat al het vuile werk afhandelt:
- Het beheren van de Agent Loop-cyclus (verzoek — streaming — tool-aanroep — herhalen).
- Toegangscontrole (zodat de agent niet per ongeluk de root van je schijf verwijdert).
- Integratie met MCP (Model Context Protocol).
- Geheugenorganisatie via bestanden zoals
MEMORY.md.
Het mooiste is dat het project je niet vastzet op een specifieke cloud. Je kunt het draaien op Claude of OpenAI, of een lokaal model doorgeven via Ollama.
Vijf Dingen die OpenHarness Kan Doen
Ik heb de broncode en README doorgeplozen, en hier is wat het meest nuttig lijkt voor dagelijks ontwikkelaarswerk.
Tools uit de Doos
De repository heeft al meer dan 40 tools geïmplementeerd. Het is niet alleen "voer een bash-script uit." Er is bestandszoekfunctie via Grep, Jupyter notebook-ondersteuning, websurfen, en zelfs de mogelijkheid om andere agents te spawnen voor het delegeren van taken. Tools zijn getypt via Pydantic, dus het model begrijpt het input-data-schema zonder extra hallucinaties.
Skills Systeem
In plaats van de systeemprompt op te blazen tot de omvang van "Oorlog en Vrede," gebruikt OpenHarness dynamische skill-laden uit Markdown-bestanden. Als een agent een code review moet doen, laadt het review.md. Als het een project moet deployen—pakt het de bijbehorende skill. Dit bespaart tokens en maakt AI-gedrag voorspelbaarder.
Beveiliging en Toegangsniveaus
Ik ben altijd bang geweest om AI toegang te geven tot de terminal. OpenHarness lost dit op door Permission Modes. In de standaardmodus vraagt de agent om bevestiging voordat elke gevaarlijke bewerking wordt uitgevoerd (bestandschrijven, commando-uitvoering). Er is ook een Plan Mode—waar de agent alleen bestanden kan lezen en wijzigingen kan voorstellen, maar niets met zijn handen aanraakt.
Persoonlijke Assistent Ohmo
Binnen de repository leeft het ohmo-project. Het is een kant-en-klare agent-applicatie die je kunt verbinden met Telegram, Slack of Discord. Je schrijft ernaar in de messenger, en het maakt Git-branches, repareert bugs en opent PR's op je werkstation. Dit werkt via bestaande abonnementen (zoals Claude Code of Codex), dus je betaalt geen extra kosten voor API-aanroepen.
Dry Run Modus
Een nuttige functie voor debuggen. Het commando oh --dry-run toont welke instellingen zijn opgehaald, welke sleutels actief zijn, en welke tools beschikbaar zullen zijn voor het model—zonder ook maar één verzoek naar de betaalde cloud te sturen.
Hoe Het Onder de Motorkap Werkt
De projectarchitectuur is vrij transparant. Alles is opgedeeld in onafhankelijke subsystemen:
- Engine: het hart van het systeem, dat de redeneerlus van het model beheert.
- Permissions: een laag die elke tool-aanroep controleert tegen regels (bijvoorbeeld het blokkeren van bewerkingen van
/etc/). - UI: een mooie terminalinterface gebouwd met React en Ink. Ja, rechtstreeks in de console.
- Coordinator: beheert multi-agent-scenario's wanneer één taak wordt opgesplitst in meerdere subtaken voor "helpers."
Interessant is dat het project het MCP-protocol ondersteunt. Dit betekent dat je elke contextserver aan je agent kunt koppelen—zeg maar een database of een specifieke API—en het onmiddellijk leert om ermee te werken.
Praktische Scenario's
Waarom dit in je workflow introduceren?
Ten eerste, het automatiseren van routinematige taken. Je kunt de agent vragen: "Zoek alle ongebruikte imports in de src-map en ruim ze op, voer dan de tests uit." Terwijl het druk is met de bestanden, drink je je koffie.
Ten tweede, werken met onbekende legacy code. De agent kan het project scannen, een afhankelijkheidskaart bouwen en uitleggen hoe een specifieke module werkt met behulp van code-zoektools.
Ten derde, je eigen gespecialiseerde bots maken. Als je bedrijf een specifiek deployment-proces heeft, schrijf je gewoon SKILL.md met een beschrijving van de stappen, en je agent weet nu hoe je projecten moet deployen precies zoals jij dat doet.
Is Het de Moeite Waard om te Proberen
Het project lijkt levendig: 114 geslaagde tests en actieve updates (versie 0.1.7 werd slechts een paar dagen geleden uitgebracht). De nadelen—documentatie dwingt je soms om in de code te duiken, en hoewel Windows-ondersteuning wordt geclaimd als native, vereist het in PowerShell het gebruik van het commando openh in plaats van de korte oh.
Als je moe bent van het copy-pasten van code uit chat naar je IDE en wilt voelen wat agents echt kunnen doen, is OpenHarness een geweldig startpunt. Tenminste, het is een van de weinige projecten die proberen om agent-infrastructuur begrijpelijk en uitbreidbaar te maken.
Je kunt beginnen met een eenvoudige installatie:
curl -fsSL https://raw.githubusercontent.com/HKUDS/OpenHarness/main/scripts/install.sh | bash
oh setup
En vraag het dan gewoon om iets te repareren in je pet project. De resultaten kunnen je verrassen.
Gerelateerde projecten