人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务【免费下载链接】harness-sdkBuild an agent harness and control it end-to-end. Open-source SDK for production AI agents in Python TypeScript - any model, any cloud.项目地址https://gitcode.com/GitHub_Trending/sdkpython13/harness-sdk点击查看免费下载导读本文系统解读开源仓库 harness-sdk 团队文档 team/AI_USAGE_POLICY.md 中确立的 AI 使用政策Strands AI Usage Policy——这是一份面向 Strands 团队与社区开发者、规范如何在开源项目开发中使用 AI的治理框架。文章以政策中的五大核心信条披露、责任、沟通、质量、伦理为主线结合本仓库 Python SDKstrands-py与 TypeScript SDKstrands-ts的源码级实现说明每一项治理原则如何在真实的 Agent 框架能力干预系统、Cedar 授权、Telemetry 可观测性、沙箱工具中落地。读完本文你将掌握一套可直接复用的人在回路AI 协作治理清单并了解如何在代码评审、PR 维护、自动化 Agent 部署等场景中落实最小权限、确定性优先与质量门槛。一、政策背景与适用对象1.1 政策定位Strands AI Usage Policy 的目标是在充分利用 AI 带来的效率提升的同时保护社区中人的部分。它不是一份法律条款而是一套工程团队内部的行为准则适用于Strands 团队维护者、开发者Strands 社区贡献者提交 PR、参与评审的外部开发者部署在 Strands 仓库上的自动化 AI Agent负责 PR 评审、Issue 分诊、文档维护等任务。政策的顶层态度是鼓励使用 AI但使用方式必须最终提升所有人产出的质量而不是用 AI 噪音稀释社区的人与人协作。1.2 政策受哪些既有工作的影响政策末尾明确列出了其参考来源说明这是一份站在巨人肩膀上的治理文档Rust Foundation 的内部 AI 使用政策Microsoft agent-governance-toolkit 中关于自主贡献autonomous contributions的实践。这也意味着如果你所在团队要起草自己的 AI 治理规范可以直接以 team/AI_USAGE_POLICY.md 为起点再补充所在组织特有的流程约束。二、五大核心信条Tenets逐条解读2.1 披露DisclosureAI 参与必须显而易见当 AI 以某种方式参与时必须清晰、明显地表明是 AI 在回应。 —— 让 AI 评审你的文字是一回事让 AI 替你表达思想是另一回事。政策要求AI 的参与痕迹应当通过自然语言声明或**平台元数据例如 GitHub Labels**显式标识。这为社区读者提供了判断信息来源可信度的基本前提。这一信条在仓库的社区协作机制中有配套落地团队为自动化 Agent 设定了专门的机器人账号身份如strands-agent见 team/AGENT_GUIDELINES.md 中Scope Credentials to the Task一节通过独立账号 社区级权限的方式让 AI 的每一条评论、每一个操作在 PR 历史中天然可区分于人类贡献者。2.2 责任Responsibility人类对 AI 产出的所有工作负责人类必须对 AI 创建的工作、AI 执行的行为承担全部责任。 —— 不要盲目批准 Agent 生成的代码不要让 Agent 骚扰或霸凌他人人类必须能够解释和论证任何贡献。政策同时给出两条操作性要求Agent 工具使用必须有确定性护栏deterministic guardrails约束Agent 必须以恰当限定的权限行事appropriately scoped permissions。这两条在本仓库的 SDK 中都有直接对应的第一方实现是政策有源码支撑的最佳例证。确定性护栏Intervention干预系统。Strands 提供了一个一等公民的干预原语用于 Agent 控制定义于 strands-py/src/strands/interventions/init.py每个控制层是一个InterventionHandler可拦截五个生命周期事件before_invocation、before_tool_call、after_tool_call、before_model_call、after_model_call处理器返回类型化决策Proceed放行、Deny阻断reason 会作为取消消息展示给模型、Guide提供反馈以引导行为、Confirm请求人类批准、Transform原地修改事件内容完整语义见 strands-py/src/strands/interventions/actions.py 中的Action-to-event compatibility matrix。其中Confirm正是人在回路的最小实现它可以在每次工具调用前请求人类批准response为空时跳出 Agent 循环等待外部恢复提供response时则作为预置值传给中断系统Agent 无需暂停默认的evaluate只接受True、y、yes忽略大小写与空白作为批准信号。确定性授权Cedar 策略引擎。仓库内置了基于 AWS Cedar 的授权干预处理器 strands-py/src/strands/vended_interventions/cedar/cedar_authorization.py。每个工具调用映射为一个 Cedar action上下文结构为{input: tool_args, session: {hour_utc, call_count, ...}}from strands import Agent from strands.vended_interventions.cedar import CedarAuthorization cedar CedarAuthorization( policiespermit(principal, action Action::search, resource); ) agent Agent(interventions[cedar], tools[search_tool])关键设计要点均可在源码中确认Fail-closed 语义principal_resolver无法解析出合法身份、策略评估异常、决策为NoDecision或not allowed时一律返回Deny并附上诊断原因调用次数限流按工具累计call_count并持久化到agent.state的cedar-authorization键可配合策略实现每小时最多调用 N 次之类的确定性限流同一 handler 实例限定作用于单个 Agent跨 Agent 共享会导致计数泄漏源码 docstring 明确警告策略热更新reload()支持从磁盘重新加载策略/实体/schema加载前先校验、校验通过才提交错误模式可选on_error支持throw默认最安全护栏损坏时阻断执行、proceedfail-open仅在可用性优先于强制时使用需谨慎、denyfail-closed。此外Agent 模型调用侧还支持内容过滤护栏类型定义如 INSULTS、HATE、PROMPT_ATTACK 等见 strands-py/src/strands/types/guardrails.py可在模型输入/输出侧做内容层面的确定性过滤。2.3 沟通Communication优先人与人沟通AI 参与最小化且可选用AI 可以参与讨论但必须保持最少且 opt-in可选用的方式。 —— 例如在 PR 上保持低评论数量、评论中使用可折叠详情detail drop-downs、输出人类可读的文档。这条信条在 team/AGENT_GUIDELINES.md 中被落实为两条具体写作规范Add Value or Stay SilentAgent 没有具体可贡献的内容就不行动沉默好过噪音拿不准时标记给人类评审而不是独立行动Keep It ShortAgent 输出要简洁先讲重点再停止如需补充细节采用渐进式披露——前面放短摘要详细分析放进可折叠的details块。这两条规范保证AI 的参与不挤压人类的讨论空间社区 PR 评审仍是人读懂人的对话。2.4 质量QualityAI 内容必须达到与人类相同的高质量门槛不达质量门槛的贡献将被拒绝。代码、设计及其他实质性贡献必须简洁、易于消化。政策将质量细则指向两份配套文档team/TENETS.md——开发信条Development Tenets六条原则中的第 4 条显而易见的路径即快乐路径The obvious path is the happy path和第 5 条我们对人类与 Agent 同样可及accessible to humans and agents直接回应了AI 生成代码也要符合 SDK 设计哲学的要求SDK 既要有人性化的开发者体验也要让编码助手能正确使用这些接口team/AGENT_GUIDELINES.md——Agent 行为准则其中 Know That Your Agent Works 一节要求部署前必须验证 Agent 确实按预期工作自动化评估、手动测试皆可如果人类同等质量的贡献会被拒绝Agent 的贡献也应被拒绝——把质量门槛从人类对齐到了 AI。2.5 伦理Ethics节俭使用 AI确定性优先如果能用确定性方式完成的事情就不要用 AI因为那是不必要的开支。这一条是政策中最具工程经济色彩的准则AI 调用有真实成本token、算力、延迟当问题可以精确求解时应优先使用确定性算法。本仓库在工具层就大量遵循这一原则——例如 strands-py/src/strands/vended_tools/shell/shell.py 中的make_shell工厂每次调用在全新 shell 中运行命令、默认超时 120 秒、通过沙箱执行以及file_editor、http_request、web_fetch等一批确定性工具见 strands-py/src/strands/vended_tools它们做的是确定性的文件读写、网络请求而不是让模型猜结果。只有真正需要模型推理的场景才值得消耗 AI 资源。三、Agent 治理的工程化落地从政策到部署清单3.1 可观测性所有 Agent 行为都可见政策要求 AI 参与清晰可见AGENT_GUIDELINES 进一步要求把 Agent 当作普通贡献者对待——其行为应通过现有工具PR 历史、评论日志、审计轨迹可见不为 Agent 单独构建监控系统。在 SDK 侧strands-py/src/strands/telemetry/config.py 提供了基于 OpenTelemetry 的一体化遥测配置StrandsTelemetry类自动初始化 tracer provider支持链式配置控制台导出与 OTLP 导出from strands.telemetry import StrandsTelemetry # 快速设置控制台 OTLP StrandsTelemetry().setup_console_exporter().setup_otlp_exporter() # 或分步配置指标 telemetry StrandsTelemetry() telemetry.setup_meter(enable_console_exporterTrue, enable_otlp_exporterTrue)其资源对象resource默认携带service.name可由OTEL_SERVICE_NAME环境变量覆盖、service.version、telemetry.sdk.name、telemetry.sdk.language等标准标签。这意味着每个 Agent 的调用轨迹、工具执行事件都可以汇入统一的观测后端让AI 做了什么、何时做的、在哪个仓库做的成为可审计事实直接支撑政策的披露与责任信条。3.2 最小权限从账号到令牌AGENT_GUIDELINES 给出明确的分层授权规则任务型 Agent评审、分诊、文档使用精确限定能力的令牌通用型 Agent使用外部机器人账号如strands-agent并授予社区级权限绝不使用个人或维护者账号绝不向 Agent 授予维护者令牌——维护者令牌可执行 force-push、删除分支、修改设置等不可逆的破坏性操作。部署前还要做失败推演如果 Agent 失控会怎样刷屏 issue、推到错误分支、无限循环……并为之放置显式护栏——即使缓解手段只是系统提示词system prompt也要记录下来并文档化权衡。3.3 节流自主活动人类跟得上的速度政策与准则都强调自主 Agent定时触发、事件驱动、持续运行的工作节奏必须让人类能够跟随与响应优先在工作时间运行让维护者能与 Agent 实时协作限制 Agent 同时维护的开放条目PR、Issue数量具体的速率限制尚在演化中——准则坦诚说明尚未找到稳健的自主 Agent 框架应对外界的实验保持坦诚、友善与耐心。3.4 所有权与断电开关每个 Agent 都有人负责具名所有者每个自主 Agent 必须有一个具名的个人所有者不是团队负责访问日志与控制权、提供快速禁用流程文档、清理错误删除坏评论、关闭坏 PR、回滚变更、持续迭代直到真正有用所有者可转移所有者离开或不可用时必须转移所有权没有所有者的 Agent 将被禁用维护者可立即断电任何仓库维护者都可以立即、无需审批地禁用在其仓库上运行的任何 Agent——禁用必须快分钟级而非小时级仓库健康优先于 Agent 运行。3.5 评审与批准审批需要理由准则要求 Agent 在不批准时必须有清晰理由这才是真正的价值所在批准时按信任度决定初期附简短理由以便评审者校准其判断力信任增长后可轻量批准但Agent 永远不能是唯一审批人。3.6 部署前检查清单team/AGENT_GUIDELINES.md 末尾提供了一份可直接照做的 Pre-Deployment Checklist逐项对应本政策五大信条Agent 能增加具体价值——而不是制造噪音对应 Quality/Ethics输出简洁、读起来像得力的队友对应 Communication凭据遵循最小权限原则失败模式已文档化对应 Responsibility有具名所有者且可访问日志与控制权、有文档化的禁用流程对应 Responsibility/Communication活动节流到人类能跟上的节奏对应 Communication行为可通过现有工具可见对应 DisclosureAgent 已经过验证自动或手动团队已签字同意对应 Quality维护者知道如何立即关闭它对应 Responsibility。四、总结政策与 SDK 能力的一一对应政策信条政策核心要求仓库内落地证据披露 DisclosureAI 参与显而易见独立机器人账号AGENT_GUIDELINES、OpenTelemetry 遥测telemetry/config.py责任 Responsibility人类负责、确定性护栏、最小权限Intervention 系统interventions、Cedar 授权cedar_authorization.py、类型化决策actions.py沟通 Communication人类优先、AI 最小化且 opt-in渐进式披露、评论低数量AGENT_GUIDELINES质量 Quality与人类同等的高门槛开发信条TENETS.md、部署前验证要求AGENT_GUIDELINES伦理 Ethics确定性优先、节俭用 AI沙箱化确定性工具集vended_tools/shell 等这份政策的价值在于它不只是口号式的 AI 使用规范而是与仓库的工程能力深度咬合每一条治理原则几乎都能在 SDK 的干预、授权、遥测与工具集中找到对应的实现原语。对于任何计划把 AI Agent 引入开源协作流程的团队这份文档连同 team/AGENT_GUIDELINES.md 的部署清单都是一份可操作、可审查、可落地的参考范本。赞分享人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务【免费下载链接】harness-sdkBuild an agent harness and control it end-to-end. Open-source SDK for production AI agents in Python TypeScript - any model, any cloud.项目地址https://gitcode.com/GitHub_Trending/sdkpython13/harness-sdk点击查看免费下载相关推荐NemoClaw AGENTS.md 深度解析面向 AI Agent 的开源仓库协作治理与安全开发规范NemoClaw AGENTS.md 深度解析面向 AI Agent 的开源仓库协作治理与安全开发规范 NVIDIA NemoClaw 是一个将 OpenClOpenClaw 多 Agent 协作治理规范AGENTS.md 与 CONTRIBUTING.md 的编写、别名策略与多平台落地OpenClaw 多 Agent 协作治理规范AGENTS.md 与 CONTRIBUTING.md 的编写、别名策略与多平台落地 在 AI 编码代理CodAI 应用AI Agent交互助手后端即时通讯网关Strands Agents 仓库 Agent 开发指南AI 编码助手在 harness-sdk Monorepo 中的协作规范与工作流Strands Agents 仓库 Agent 开发指南AI 编码助手在 harness sdk Monorepo 中的协作规范与工作流 本指南面向在 Str人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务上一篇动画审计指南用 Kaneo 的八个检查维度打磨 UI 动效品质下一篇TradSimpChinese5分钟搞定Calibre中文电子书繁简转换的终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务【免费下载链接】harness-sdkBuild an agent harness and control it end-to-end. Open-source SDK for production AI agents in Python TypeScript - any model, any cloud.项目地址https://gitcode.com/GitHub_Trending/sdkpython13/harness-sdk点击查看免费下载导读本文系统解读开源仓库 harness-sdk 团队文档 team/AI_USAGE_POLICY.md 中确立的 AI 使用政策Strands AI Usage Policy——这是一份面向 Strands 团队与社区开发者、规范如何在开源项目开发中使用 AI的治理框架。文章以政策中的五大核心信条披露、责任、沟通、质量、伦理为主线结合本仓库 Python SDKstrands-py与 TypeScript SDKstrands-ts的源码级实现说明每一项治理原则如何在真实的 Agent 框架能力干预系统、Cedar 授权、Telemetry 可观测性、沙箱工具中落地。读完本文你将掌握一套可直接复用的人在回路AI 协作治理清单并了解如何在代码评审、PR 维护、自动化 Agent 部署等场景中落实最小权限、确定性优先与质量门槛。一、政策背景与适用对象1.1 政策定位Strands AI Usage Policy 的目标是在充分利用 AI 带来的效率提升的同时保护社区中人的部分。它不是一份法律条款而是一套工程团队内部的行为准则适用于Strands 团队维护者、开发者Strands 社区贡献者提交 PR、参与评审的外部开发者部署在 Strands 仓库上的自动化 AI Agent负责 PR 评审、Issue 分诊、文档维护等任务。政策的顶层态度是鼓励使用 AI但使用方式必须最终提升所有人产出的质量而不是用 AI 噪音稀释社区的人与人协作。1.2 政策受哪些既有工作的影响政策末尾明确列出了其参考来源说明这是一份站在巨人肩膀上的治理文档Rust Foundation 的内部 AI 使用政策Microsoft agent-governance-toolkit 中关于自主贡献autonomous contributions的实践。这也意味着如果你所在团队要起草自己的 AI 治理规范可以直接以 team/AI_USAGE_POLICY.md 为起点再补充所在组织特有的流程约束。二、五大核心信条Tenets逐条解读2.1 披露DisclosureAI 参与必须显而易见当 AI 以某种方式参与时必须清晰、明显地表明是 AI 在回应。 —— 让 AI 评审你的文字是一回事让 AI 替你表达思想是另一回事。政策要求AI 的参与痕迹应当通过自然语言声明或**平台元数据例如 GitHub Labels**显式标识。这为社区读者提供了判断信息来源可信度的基本前提。这一信条在仓库的社区协作机制中有配套落地团队为自动化 Agent 设定了专门的机器人账号身份如strands-agent见 team/AGENT_GUIDELINES.md 中Scope Credentials to the Task一节通过独立账号 社区级权限的方式让 AI 的每一条评论、每一个操作在 PR 历史中天然可区分于人类贡献者。2.2 责任Responsibility人类对 AI 产出的所有工作负责人类必须对 AI 创建的工作、AI 执行的行为承担全部责任。 —— 不要盲目批准 Agent 生成的代码不要让 Agent 骚扰或霸凌他人人类必须能够解释和论证任何贡献。政策同时给出两条操作性要求Agent 工具使用必须有确定性护栏deterministic guardrails约束Agent 必须以恰当限定的权限行事appropriately scoped permissions。这两条在本仓库的 SDK 中都有直接对应的第一方实现是政策有源码支撑的最佳例证。确定性护栏Intervention干预系统。Strands 提供了一个一等公民的干预原语用于 Agent 控制定义于 strands-py/src/strands/interventions/init.py每个控制层是一个InterventionHandler可拦截五个生命周期事件before_invocation、before_tool_call、after_tool_call、before_model_call、after_model_call处理器返回类型化决策Proceed放行、Deny阻断reason 会作为取消消息展示给模型、Guide提供反馈以引导行为、Confirm请求人类批准、Transform原地修改事件内容完整语义见 strands-py/src/strands/interventions/actions.py 中的Action-to-event compatibility matrix。其中Confirm正是人在回路的最小实现它可以在每次工具调用前请求人类批准response为空时跳出 Agent 循环等待外部恢复提供response时则作为预置值传给中断系统Agent 无需暂停默认的evaluate只接受True、y、yes忽略大小写与空白作为批准信号。确定性授权Cedar 策略引擎。仓库内置了基于 AWS Cedar 的授权干预处理器 strands-py/src/strands/vended_interventions/cedar/cedar_authorization.py。每个工具调用映射为一个 Cedar action上下文结构为{input: tool_args, session: {hour_utc, call_count, ...}}from strands import Agent from strands.vended_interventions.cedar import CedarAuthorization cedar CedarAuthorization( policiespermit(principal, action Action::search, resource); ) agent Agent(interventions[cedar], tools[search_tool])关键设计要点均可在源码中确认Fail-closed 语义principal_resolver无法解析出合法身份、策略评估异常、决策为NoDecision或not allowed时一律返回Deny并附上诊断原因调用次数限流按工具累计call_count并持久化到agent.state的cedar-authorization键可配合策略实现每小时最多调用 N 次之类的确定性限流同一 handler 实例限定作用于单个 Agent跨 Agent 共享会导致计数泄漏源码 docstring 明确警告策略热更新reload()支持从磁盘重新加载策略/实体/schema加载前先校验、校验通过才提交错误模式可选on_error支持throw默认最安全护栏损坏时阻断执行、proceedfail-open仅在可用性优先于强制时使用需谨慎、denyfail-closed。此外Agent 模型调用侧还支持内容过滤护栏类型定义如 INSULTS、HATE、PROMPT_ATTACK 等见 strands-py/src/strands/types/guardrails.py可在模型输入/输出侧做内容层面的确定性过滤。2.3 沟通Communication优先人与人沟通AI 参与最小化且可选用AI 可以参与讨论但必须保持最少且 opt-in可选用的方式。 —— 例如在 PR 上保持低评论数量、评论中使用可折叠详情detail drop-downs、输出人类可读的文档。这条信条在 team/AGENT_GUIDELINES.md 中被落实为两条具体写作规范Add Value or Stay SilentAgent 没有具体可贡献的内容就不行动沉默好过噪音拿不准时标记给人类评审而不是独立行动Keep It ShortAgent 输出要简洁先讲重点再停止如需补充细节采用渐进式披露——前面放短摘要详细分析放进可折叠的details块。这两条规范保证AI 的参与不挤压人类的讨论空间社区 PR 评审仍是人读懂人的对话。2.4 质量QualityAI 内容必须达到与人类相同的高质量门槛不达质量门槛的贡献将被拒绝。代码、设计及其他实质性贡献必须简洁、易于消化。政策将质量细则指向两份配套文档team/TENETS.md——开发信条Development Tenets六条原则中的第 4 条显而易见的路径即快乐路径The obvious path is the happy path和第 5 条我们对人类与 Agent 同样可及accessible to humans and agents直接回应了AI 生成代码也要符合 SDK 设计哲学的要求SDK 既要有人性化的开发者体验也要让编码助手能正确使用这些接口team/AGENT_GUIDELINES.md——Agent 行为准则其中 Know That Your Agent Works 一节要求部署前必须验证 Agent 确实按预期工作自动化评估、手动测试皆可如果人类同等质量的贡献会被拒绝Agent 的贡献也应被拒绝——把质量门槛从人类对齐到了 AI。2.5 伦理Ethics节俭使用 AI确定性优先如果能用确定性方式完成的事情就不要用 AI因为那是不必要的开支。这一条是政策中最具工程经济色彩的准则AI 调用有真实成本token、算力、延迟当问题可以精确求解时应优先使用确定性算法。本仓库在工具层就大量遵循这一原则——例如 strands-py/src/strands/vended_tools/shell/shell.py 中的make_shell工厂每次调用在全新 shell 中运行命令、默认超时 120 秒、通过沙箱执行以及file_editor、http_request、web_fetch等一批确定性工具见 strands-py/src/strands/vended_tools它们做的是确定性的文件读写、网络请求而不是让模型猜结果。只有真正需要模型推理的场景才值得消耗 AI 资源。三、Agent 治理的工程化落地从政策到部署清单3.1 可观测性所有 Agent 行为都可见政策要求 AI 参与清晰可见AGENT_GUIDELINES 进一步要求把 Agent 当作普通贡献者对待——其行为应通过现有工具PR 历史、评论日志、审计轨迹可见不为 Agent 单独构建监控系统。在 SDK 侧strands-py/src/strands/telemetry/config.py 提供了基于 OpenTelemetry 的一体化遥测配置StrandsTelemetry类自动初始化 tracer provider支持链式配置控制台导出与 OTLP 导出from strands.telemetry import StrandsTelemetry # 快速设置控制台 OTLP StrandsTelemetry().setup_console_exporter().setup_otlp_exporter() # 或分步配置指标 telemetry StrandsTelemetry() telemetry.setup_meter(enable_console_exporterTrue, enable_otlp_exporterTrue)其资源对象resource默认携带service.name可由OTEL_SERVICE_NAME环境变量覆盖、service.version、telemetry.sdk.name、telemetry.sdk.language等标准标签。这意味着每个 Agent 的调用轨迹、工具执行事件都可以汇入统一的观测后端让AI 做了什么、何时做的、在哪个仓库做的成为可审计事实直接支撑政策的披露与责任信条。3.2 最小权限从账号到令牌AGENT_GUIDELINES 给出明确的分层授权规则任务型 Agent评审、分诊、文档使用精确限定能力的令牌通用型 Agent使用外部机器人账号如strands-agent并授予社区级权限绝不使用个人或维护者账号绝不向 Agent 授予维护者令牌——维护者令牌可执行 force-push、删除分支、修改设置等不可逆的破坏性操作。部署前还要做失败推演如果 Agent 失控会怎样刷屏 issue、推到错误分支、无限循环……并为之放置显式护栏——即使缓解手段只是系统提示词system prompt也要记录下来并文档化权衡。3.3 节流自主活动人类跟得上的速度政策与准则都强调自主 Agent定时触发、事件驱动、持续运行的工作节奏必须让人类能够跟随与响应优先在工作时间运行让维护者能与 Agent 实时协作限制 Agent 同时维护的开放条目PR、Issue数量具体的速率限制尚在演化中——准则坦诚说明尚未找到稳健的自主 Agent 框架应对外界的实验保持坦诚、友善与耐心。3.4 所有权与断电开关每个 Agent 都有人负责具名所有者每个自主 Agent 必须有一个具名的个人所有者不是团队负责访问日志与控制权、提供快速禁用流程文档、清理错误删除坏评论、关闭坏 PR、回滚变更、持续迭代直到真正有用所有者可转移所有者离开或不可用时必须转移所有权没有所有者的 Agent 将被禁用维护者可立即断电任何仓库维护者都可以立即、无需审批地禁用在其仓库上运行的任何 Agent——禁用必须快分钟级而非小时级仓库健康优先于 Agent 运行。3.5 评审与批准审批需要理由准则要求 Agent 在不批准时必须有清晰理由这才是真正的价值所在批准时按信任度决定初期附简短理由以便评审者校准其判断力信任增长后可轻量批准但Agent 永远不能是唯一审批人。3.6 部署前检查清单team/AGENT_GUIDELINES.md 末尾提供了一份可直接照做的 Pre-Deployment Checklist逐项对应本政策五大信条Agent 能增加具体价值——而不是制造噪音对应 Quality/Ethics输出简洁、读起来像得力的队友对应 Communication凭据遵循最小权限原则失败模式已文档化对应 Responsibility有具名所有者且可访问日志与控制权、有文档化的禁用流程对应 Responsibility/Communication活动节流到人类能跟上的节奏对应 Communication行为可通过现有工具可见对应 DisclosureAgent 已经过验证自动或手动团队已签字同意对应 Quality维护者知道如何立即关闭它对应 Responsibility。四、总结政策与 SDK 能力的一一对应政策信条政策核心要求仓库内落地证据披露 DisclosureAI 参与显而易见独立机器人账号AGENT_GUIDELINES、OpenTelemetry 遥测telemetry/config.py责任 Responsibility人类负责、确定性护栏、最小权限Intervention 系统interventions、Cedar 授权cedar_authorization.py、类型化决策actions.py沟通 Communication人类优先、AI 最小化且 opt-in渐进式披露、评论低数量AGENT_GUIDELINES质量 Quality与人类同等的高门槛开发信条TENETS.md、部署前验证要求AGENT_GUIDELINES伦理 Ethics确定性优先、节俭用 AI沙箱化确定性工具集vended_tools/shell 等这份政策的价值在于它不只是口号式的 AI 使用规范而是与仓库的工程能力深度咬合每一条治理原则几乎都能在 SDK 的干预、授权、遥测与工具集中找到对应的实现原语。对于任何计划把 AI Agent 引入开源协作流程的团队这份文档连同 team/AGENT_GUIDELINES.md 的部署清单都是一份可操作、可审查、可落地的参考范本。赞分享人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务【免费下载链接】harness-sdkBuild an agent harness and control it end-to-end. Open-source SDK for production AI agents in Python TypeScript - any model, any cloud.项目地址https://gitcode.com/GitHub_Trending/sdkpython13/harness-sdk点击查看免费下载相关推荐NemoClaw AGENTS.md 深度解析面向 AI Agent 的开源仓库协作治理与安全开发规范NemoClaw AGENTS.md 深度解析面向 AI Agent 的开源仓库协作治理与安全开发规范 NVIDIA NemoClaw 是一个将 OpenClOpenClaw 多 Agent 协作治理规范AGENTS.md 与 CONTRIBUTING.md 的编写、别名策略与多平台落地OpenClaw 多 Agent 协作治理规范AGENTS.md 与 CONTRIBUTING.md 的编写、别名策略与多平台落地 在 AI 编码代理CodAI 应用AI Agent交互助手后端即时通讯网关Strands Agents 仓库 Agent 开发指南AI 编码助手在 harness-sdk Monorepo 中的协作规范与工作流Strands Agents 仓库 Agent 开发指南AI 编码助手在 harness sdk Monorepo 中的协作规范与工作流 本指南面向在 Str人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务上一篇动画审计指南用 Kaneo 的八个检查维度打磨 UI 动效品质下一篇TradSimpChinese5分钟搞定Calibre中文电子书繁简转换的终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
 击败 x.len()，从内置函数看 Python 的设计思想)
