HotPursuit

Agent Infrastructure：OpenHands 与 OpenManus 深度解读

RL Paper Reading入库于 2026/6/9|
RL论文阅读Agent InfrastructureRLERL阶段2

Agent Infrastructure 论文笔记：OpenHands 与 OpenManus

阅读难度：★★☆☆☆ | 预计阅读时间：12 分钟

来源：OpenHands (arXiv 2407.16741) | OpenManus（开源框架，2025）

总体背景：为什么 Agent Infrastructure 是关键壁垒？

阶段2学习计划中的判断："Agent 时代最大的壁垒不是模型，而是 Runtime"

原因：

  • 模型能力强了，但如何让 Agent 安全、可靠地与真实世界交互？
  • 如何在沙箱中执行代码、浏览网页、管理文件？
  • 如何让多个 Agent 协作而不互相冲突？
  • 如何评估 Agent 的能力是否真正提升？

这些问题不是模型层面能解决的，需要专门的 Infrastructure。

OpenHands（原 OpenDevin）：SWE-Agent 的开源 Runtime 平台

"An Open Platform for AI Software Developers as Generalist Agents"

一句话总结

OpenHands 本质上是在解决 AI Agent 没有安全、标准化的"工作环境" 的问题——提供一个 Docker 沙箱 + 事件流架构，让 Agent 能像真实开发者一样工作：写代码、执行命令、浏览网页。

核心架构：四层设计

┌─────────────────────────────────────────────┐
│                用户界面 / API                  │
└───────────────────┬─────────────────────────┘
                    │ 事件
┌───────────────────▼─────────────────────────┐
│              Agent（大脑）                    │
│  step(state) → action                       │
│  支持 CodeActAgent / BrowsingAgent 等多种实现  │
└───────────────────┬─────────────────────────┘
                    │ Action → Observation
┌───────────────────▼─────────────────────────┐
│          Agent Runtime（执行层）              │
│  Docker 沙箱 + 三种执行能力：                  │
│  - Bash Shell（命令执行）                     │
│  - Jupyter IPython（Python 代码执行）         │
│  - Chromium Browser（网页交互）               │
└───────────────────┬─────────────────────────┘
                    │ AgentSkills
┌───────────────────▼─────────────────────────┐
│          AgentSkills 工具库                   │
│  文件编辑、PDF解析、图片理解等标准化工具            │
└─────────────────────────────────────────────┘

关键设计：事件流（Event Stream）

OpenHands 的核心通信机制：所有交互（用户指令、Agent 动作、环境观测、错误信息）都作为事件追加到一条时序流中。

好处：

  • Agent 的完整决策轨迹可追溯
  • 多 Agent 协作时，任何 Agent 都能访问完整历史
  • 与 RL 训练天然兼容——事件流就是 Trajectory

State = Event Stream + 辅助信息（成本统计、多 Agent 元数据等）

关键设计：CodeAct 行动空间

与传统 JSON Function Calling 不同，OpenHands 让 Agent 用代码表达行动：

# Agent 生成的行动示例（不是 JSON，是可执行 Python/Bash）
execute_bash("git clone https://github.com/...")
edit_file("src/utils.py", start_line=42, end_line=50, content="new code")
browser_navigate("https://docs.python.org")

为什么代码比 JSON 函数调用更好？

  • 任何工具都能用代码调用，不需要为每个工具写 schema
  • Agent 可以自己写新工具（Python 函数）并立即使用
  • 组合逻辑（循环、条件）自然表达，不需要特殊设计

关键设计：Docker 沙箱安全隔离

每个任务会话启动独立的 Docker 容器：

  • Agent 的代码在沙箱里执行，不影响宿主系统
  • 支持任意 Docker 镜像，可按需配置环境
  • 任务完成后容器销毁，无残留

多 Agent 委托（Agent Delegation）

CodeActAgent（通用）
    ↓ AgentDelegateAction
BrowsingAgent（网页专家）
    ↓ AgentDelegateAction
FileEditAgent（代码编辑专家）

主 Agent 可以把子任务委托给专业子 Agent，形成 Hierarchy。这正是 Claude Code、OpenAI Deep Research 中 Parallel Subagent 的基础设施原型。

评估数据

  • SWE-Bench Verified：72% 解决率（使用 Claude Sonnet 4.5 + Extended Thinking）
  • GAIA (val set)：有竞争力的表现
  • 15 个基准测试，涵盖软件工程 + 网页浏览 + 通用任务

GitHub 数据：32K Star，188+ 贡献者

OpenManus：Manus 的开源实现

注：OpenManus 没有正式学术论文，是 MetaGPT 团队开源的 Manus 替代实现，2025 年 3 月发布

背景：Manus 的出现

2025 年初，Manus（由 Monica.im 团队开发）演示了完全自主的 Agent 能力：

  • 给定一个任务目标，自主规划、搜索、写代码、执行
  • 不需要用户每步确认
  • 真正的"端到端自动化"

引发了 AGI 时代到来的广泛讨论。

OpenManus 的设计思路

OpenManus 是 Manus 的开源复现，基于 MetaGPT 生态，核心设计：

工具箱（Toolbox）：

  • 浏览器操控（类似 OpenHands 的 BrowserInteractiveAction）
  • 代码执行（Python/Bash 沙箱）
  • 文件操作
  • 网络搜索

规划层（Planner）：

  • ReAct 风格的 Think → Act → Observe 循环
  • 支持长周期多步骤任务

与 OpenHands 的区别：

维度OpenHandsOpenManus
定位SWE 专项（软件工程）通用 Agent（任何任务）
沙箱Docker 强隔离相对轻量级
多 AgentAgentDelegation基于 MetaGPT 的 Multi-Agent
社区学术+工业 2.1K 贡献者MetaGPT 生态
评估15 个标准 Benchmark通用任务演示

Agent Infrastructure 的核心价值总结

模型（Claude / GPT-4 / Qwen）
    ↓ 能力输入
Agent Infrastructure（OpenHands / OpenManus / OpenClaw）
    ↓ 提供
安全执行环境 + 标准化行动空间 + 评估框架
    ↓ 支撑
实际 Agent 产品（Claude Code / Manus / Deep Research）

三大关键组件：

  1. 沙箱（Sandbox）：安全隔离，防止 Agent 误操作宿主系统
  2. 行动空间（Action Space）：标准化 Agent 能做什么（代码执行 > JSON 函数调用）
  3. 评估框架（Evaluation）：衡量 Agent 能力进步（SWE-Bench / GAIA / WebArena）

对 RL / RLE 的意义

OpenHands 的架构本质上就是一个 RL Environment：

  • State：Event Stream（所有历史行动和观测）
  • Action：CodeAct（代码/命令/浏览器操作）
  • Reward：任务是否完成（由 SWE-Bench 等 Benchmark 评估）
  • Environment：Docker 沙箱

这使得 OpenHands 可以直接用于 RL 训练：让模型在真实软件工程任务上执行、获得反馈、迭代优化。这正是 SWE-Agent RL 训练的标准设施。

← 返回文章列表