PenguinHarness 技术深度解析Agent 构建 Agent 的自进化引擎标签AI-Infra / Agent框架 / 自进化 / ReAct / TypeScript阅读约15 分钟引言2026年AI Agent 已经从玩具走向生产环境但构建一个真正好用的 Agent 仍然是一件门槛极高的事情——你需要手写 Prompt、定义工具、处理上下文、调试 ReAct 循环还要面对模型选择、成本控制、效果评估等一堆工程问题。传统的 LangChain 方案要求开发者以 1 倍速度手工搭建 Agent而 PenguinHarness 提出了一个截然不同的范式用 Agent 构建 Agent以 100 倍速度完成。本文将深入拆解 PenguinHarness 的技术架构、核心设计理念与工程实现带你理解这个由 LlamaFactory 作者郑垚炜打造的自进化 Agent 引擎。一、项目背景与定位1.1 项目概览PenguinHarness 是一个开源的自动化 Agent 构建平台核心定位是运行在桌面/服务器上的全自动 Agent 构建器。它采用 Apache-2.0 协议开源由 LlamaFactory 作者郑垚炜Yaowei Zheng领导的 PrismShadow AI 团队开发。项目的三个核心价值主张按递进顺序排列以几十分之一的成本跑出优异效果——刻意精简的工具集配合干净的底层接口更少的工具调用、更少的 Token对 DeepSeek 等开放模型深度适配。在数据分析任务上准确率最高时成本仅为 Claude Code 的 1/70一句话生成完整 Agent 应用——输入一句自然语言描述Agent 自动完成脚手架搭建、代码生成、运行说明端到端构建应用。生成一个完整的 RAG 问答应用仅消耗 0.2 元的 Token自进化越用越强——Agent 自己评估、自己优化跑 Benchmark、找失分点、发布 N1 版每轮自动快照每个请求都可在 Trace 观测中回放1.2 技术栈选择PenguinHarness 的技术栈体现了明确的工程取向维度选择理由语言TypeScript (91.1%)类型安全 生态丰富适合构建复杂 Agent 系统包管理pnpm 11 monorepo多包共享依赖注入式依赖管理运行时Node 24最新 LTS原生支持现代 ES 特性构建tsup快速的 TypeScript 打包工具前端React Vite Tailwind CSS 4现代 Web 技术栈协议Apache-2.0商业友好的开源协议二、Monorepo 架构设计解析2.1 七包分层架构PenguinHarness 采用 pnpm monorepo 架构一个仓库安装即可交付四层应用所有层共享单一数据目录~/.penguin/data和统一消息协议OmniMessage2.2 各包职责划分包npm 名称职责packages/coreprismshadow/penguin-coreSDK 与引擎ReAct 循环、OmniMessage 协议、LLM/Environment 接口契约、Agent 状态、Tracepackages/cliprismshadow/penguin-clipenguin命令行REPL、单次运行、模型与密钥库配置、服务启动器packages/serverprismshadow/penguin-serverWeb 后端HTTP API SSE 流式推送、多用户认证、项目授权、用量统计packages/webprismshadow/penguin-webWeb 应用多会话对话、Agent/技能/模型管理、Trace 观测、评估中心packages/skillsprismshadow/penguin-skills内置技能库Agent 创建、基准测试、评估、优化等packages/landing—产品落地页packages/docs—文档站点双语部署在/docs/这种分层设计的核心原则是按数据源划分职责SDK 层拥有协议和执行消息解析、Agent 循环、工具Server 层拥有多用户运行时认证、SSE 流、定时任务文件层~/.penguin/data拥有所有可编辑和可记录的内容Prompts、Skills、密钥、Traces。2.3 注入式依赖管理PenguinHarness 在pnpm-workspace.yaml中使用了injectWorkspacePackages配置——这是一种注入式依赖管理方式。web 和 server 包消费 core 的快照副本这些快照只在包的build脚本通过 pnpm 执行时才会重新同步syncInjectedDepsAfterScripts。这意味着如果你直接在packages/core中运行npx tsup虽然dist/目录会更新但注入到 web/server 的快照不会同步——已经运行的 Web 应用仍然会使用旧的 core 代码。开发时必须通过pnpm build或重启pnpm dev来正确触发依赖同步。三、核心技术深度剖析3.1 OmniMessage 协议统一的消息总线PenguinHarness 的核心设计之一是 OmniMessage 协议——它是贯穿所有包的统一消息格式。无论是 CLI 的单次任务、Web 的多会话对话还是 Server 的 SSE 流式推送所有通信都基于同一套消息协议。OmniMessage 协议的意义在于解耦了消息的生产者和消费者Core 层的 ReAct 循环产生 OmniMessage 流CLI 层将其渲染为终端输出Server 层将其序列化为 SSE 事件流Web 层将其渲染为对话界面和 Trace 可视化这种设计使得同一个 Agent 引擎可以无缝适配多种前端——从命令行到 Web 应用无需修改核心逻辑。3.2 ReAct 循环Agent 的推理引擎PenguinHarness 的 Core 包实现了 ReActReasoning Acting循环作为 Agent 的核心推理引擎。ReAct 循环的工作流程用户输入 → LLM 推理(Thought) → 选择工具(Action) → 执行工具(Observation) ↑ | └────────────────────────────────────────────────────────┘ (循环直到完成)在每一轮循环中ThoughtLLM 分析当前状态决定下一步行动Action选择并调用合适的工具文件操作、代码执行、Web 搜索等Observation工具返回执行结果循环继续直到 LLM 判断任务完成或达到最大轮次PenguinHarness 的关键优化在于刻意精简的工具集。相比 LangChain 动辄暴露数十个工具给 LLMPenguinHarness 选择暴露最少的工具接口让 LLM 的决策空间更小、更确定——这直接减少了工具调用次数和 Token 消耗对 DeepSeek 等开放模型尤其有效。3.3 Agent 自进化机制自进化是 PenguinHarness 最具创新性的特性。整个自进化闭环包含四个阶段这套机制依赖于内置的四个 Agent 调优 Skillagent-creation创建新 Agent定义 Prompt、工具集和模型配置benchmark-design设计针对特定任务的基准测试集agent-evaluation在基准测试集上评估 Agent 表现agent-optimization根据评估结果自动优化 Agent关键设计点在于每轮优化前的自动快照——如果 N1 版本表现不如 N 版本可以快速回滚。Trace 观测则为优化提供了数据基础每个请求的完整推理链、工具调用、中间结果都被记录可以逐条回放分析。3.4 Skill 系统可组合的能力单元PenguinHarness 的 Skill 系统分为四组覆盖从办公到 AI 开发的完整场景分组Skills用途办公效率data-analysis、firecrawl数据分析、网页抓取软件开发web-design、software-engineeringWeb 设计、软件工程AI 应用开发penguin-sdk、penguin-cli、agenthub-models、vllm、ollama、llamafactory本地模型部署、SDK 开发Agent 调优agent-creation、benchmark-design、agent-evaluation、agent-optimizationAgent 全生命周期管理Skill 不仅是预置的能力模板——Agent 也能编写和优化自己的 Skill。这意味着随着使用次数增加Agent 的能力库会不断扩展形成正向飞轮。3.5 极致成本优化PenguinHarness 在成本优化方面的表现令人印象深刻。以生成一个完整的 RAG 问答应用为例任务收集 GitHub 文档、构建检索增强、实现带来源引用的问答应用模型DeepSeek V4 ProToken 成本约 0.2 元$0.02这种极致的成本效率来自三个层面的优化工具调用最小化精简工具集减少了 LLM 的决策轮次每次工具调用都意味着额外的 LLM 推理Token 效率优化干净的底层接口避免了不必要的上下文冗余Prompt 设计追求信息密度开放模型深度适配针对 DeepSeek 等国产开放模型的推理特性做了专门优化而非简单套用通用 Prompt 模板四、模型生态与跨平台支持4.1 广泛的模型支持PenguinHarness 支持主流大模型家族的最新一代并允许多供应商接入模型可用供应商DeepSeek V4DeepSeek、OpenRouter、Fireworks AI、SiliconFlow、通义千问Kimi K3Moonshot AI、OpenRouter、通义千问GLM 5.2Z.AI、OpenRouter、Fireworks AI、SiliconFlowHunyuan 3OpenRouterQwen 3.8 Max通义千问GPT 5.6OpenRouterGemini 3.6 FlashGoogle Gemini、OpenRouterClaude 5Anthropic、OpenRouter值得一提的是只要是 OpenAI 协议的端点都可以接入——这意味着 1000 在线和本地模型都兼容。用户可以选择预置模型也可以用自定义端点连接任意模型。4.2 跨平台部署需求项支持情况操作系统Linux、macOS、Windows 10架构x64、arm64运行时一行安装器自带npm 安装需 Node 24PenguinHarness 提供了多种安装方式# Linux / macOS 在线安装curl-fsSLhttps://penguin.ooo/install.sh|sh# Windows 在线安装irm https://penguin.ooo/install.ps1|iex# npm 全局安装任意平台npminstall-gprismshadow/penguin-cli对于无网环境每个 GitHub Release 都附带离线安装包——包内封入程序负载、SHA256 校验文件和对应平台的安装器拷贝到目标机器解压运行即可全程无需联网。五、实战一句话生成 Agent 应用5.1 快速启动安装完成后一行命令启动完整 Web 体验penguin web# 启动服务并打开 http://127.0.0.1:7364首次登录使用默认凭据admin / penguin-2026登录后请立即修改密码。在应用内 Models 页面配置模型 API Key 后即可开始对话。5.2 一句话构建 RAG 应用在对话框中输入收集 https://github.com/ericbuess/claude-code-docs 的文档 做一个化身 Claude Code 配置专家、回答带来源引用的 RAG 问答应用。PenguinHarness 的 Agent 会自动完成以下步骤文档收集抓取 GitHub 仓库中的文档内容应用脚手架生成项目结构、依赖配置核心代码实现检索增强、问答逻辑、来源引用运行说明生成启动命令和使用示例最终产出一个完整的文档专家应用——具备检索增强、引用可点击直达原文、内置示例问题。整个过程仅消耗约 0.2 元的 Token。5.3 CLI 与 SDK 使用同一引擎可以通过 CLI 脚本化驱动也可以通过 SDK 编程接入# 配置模型penguin config modeladd--providerdeepseek\--model-id deepseek-v4-flash --api-key sk-... --set-default# 单次任务penguin run-mCreate hello.txt containing Hello, Penguin# 交互式 REPLpenguin chat# 无界面服务与 Web 应用同一套 APIpenguin server通过 SDK 编程接入import{createAgent,isCompleteModelMessage,userText}fromprismshadow/penguin-core;constagentawaitcreateAgent({agentId:default_agent});constsessionawaitagent.createSession({workspaceDir:process.cwd()});forawait(constoutputofsession.run([userText(Create hello.txt containing hi)],{approve:async()allow}// 按工具调用逐个审批)){if(isCompleteModelMessage(output)output.payload.typetext){console.log(output.payload.text);}}SDK 的设计哲学是为被 Agent 驱动而生——这意味着 PenguinHarness 的引擎本身就是为了让 Agent 调用 Agent 而设计的。approve回调函数支持按工具调用逐个审批为安全执行提供了细粒度控制。六、开发体验与工程实践6.1 开发环境pnpminstallpnpmbuild# 先构建core 的导出指向 dist/pnpmdev# 后端 Web 一起启动PenguinHarness 的开发体验有一个精心设计的细节每个 dev 命令都会先运行scripts/dev-prebuild.mjs它在锁保护下自动保持pnpm install最新——新克隆或拉取锁文件变更时会自动安装已是最新的则零开销。同时它会预构建 workspace 依赖skills、core并对并发构建去重同时启动dev:server和dev:web只会安装和构建一次。开发环境默认使用独立的数据根目录~/.penguin/dev-data与安装版 CLI/Server 的~/.penguin/data隔离——在仓库上开发不会与你的真实 Agent 数据混淆。6.2 质量门禁CI 在每个 PR 上运行全套质量检查pnpmformat:check# prettier 格式检查pnpmtypecheck# TypeScript 类型检查pnpmtest# 每个包的单元测试端到端测试包括浏览器 E2E使用 mock LLM和核心实时模型 E2E需要真实的DEEPSEEK_API_KEY。6.3 Changelog 规范PenguinHarness 实行严格的 Changelog 规范每个变更必须附带changelog/version/YYYY-MM-DD-semantic-id.md条目包含 H1 标题、一句话摘要和详情。发布时changelog/version/RELEASE.md会原样作为 GitHub Release 的正文。七、与同类项目对比维度PenguinHarnessLangChainAutoGPTMetaGPT核心理念Agent 构建 Agent手动构建 Agent自主任务执行多 Agent 协作自进化能力内置Benchmark→优化→迭代无无无成本效率极高1/70 Claude Code中高中模型适配深度适配开放模型通用通用通用可观测性Trace 全链路回放基础日志基础日志基础日志部署形态桌面/服务器自托管库云端/本地库编程接口SDK CLI WebPython 库无Python 库PenguinHarness 的差异化优势在于自进化闭环和极致成本优化。传统框架构建 Agent 后就定型了需要人工调优PenguinHarness 让 Agent 自己跑 Benchmark、自己分析失分、自己优化形成持续改进的飞轮。八、总结与展望PenguinHarness 代表了 Agent 框架演进的一个新方向从人构建 Agent到Agent 构建 Agent再到Agent 自我进化。其核心创新可以归纳为三点OmniMessage 统一协议 ReAct 精简工具集在保证灵活性的同时将 Token 消耗压到极低自进化闭环让 Agent 通过 Benchmark-评估-优化的循环持续自我改进全栈交付从 SDK 到 CLI 到 Web一套引擎多种形态根据项目路线图未来还将发布桌面端应用、Agent 公司与模板、公司级自进化能力以及集成 OpenShell带权限管控的 Shell。这些功能将进一步降低 Agent 构建和运维的门槛。对于正在寻找高效 Agent 构建方案的开发者来说PenguinHarness 值得一试——尤其是如果你已经在使用 DeepSeek 等国产开放模型它的深度适配和成本优势会给你带来惊喜。参考资料PenguinHarness GitHub 仓库, https://github.com/Prism-Shadow/penguin-harnessPenguinHarness 中文 README, https://github.com/Prism-Shadow/penguin-harness/blob/main/README.zh.mdPenguinHarness CONTRIBUTING.md, https://github.com/Prism-Shadow/penguin-harness/blob/main/CONTRIBUTING.mdPenguinHarness 官方文档, https://penguin.ooo/docs/LlamaFactory GitHub 仓库, https://github.com/hiyouga/LlamaFactory
PenguinHarness 技术深度解析Agent 构建 Agent 的自进化引擎标签AI-Infra / Agent框架 / 自进化 / ReAct / TypeScript阅读约15 分钟引言2026年AI Agent 已经从玩具走向生产环境但构建一个真正好用的 Agent 仍然是一件门槛极高的事情——你需要手写 Prompt、定义工具、处理上下文、调试 ReAct 循环还要面对模型选择、成本控制、效果评估等一堆工程问题。传统的 LangChain 方案要求开发者以 1 倍速度手工搭建 Agent而 PenguinHarness 提出了一个截然不同的范式用 Agent 构建 Agent以 100 倍速度完成。本文将深入拆解 PenguinHarness 的技术架构、核心设计理念与工程实现带你理解这个由 LlamaFactory 作者郑垚炜打造的自进化 Agent 引擎。一、项目背景与定位1.1 项目概览PenguinHarness 是一个开源的自动化 Agent 构建平台核心定位是运行在桌面/服务器上的全自动 Agent 构建器。它采用 Apache-2.0 协议开源由 LlamaFactory 作者郑垚炜Yaowei Zheng领导的 PrismShadow AI 团队开发。项目的三个核心价值主张按递进顺序排列以几十分之一的成本跑出优异效果——刻意精简的工具集配合干净的底层接口更少的工具调用、更少的 Token对 DeepSeek 等开放模型深度适配。在数据分析任务上准确率最高时成本仅为 Claude Code 的 1/70一句话生成完整 Agent 应用——输入一句自然语言描述Agent 自动完成脚手架搭建、代码生成、运行说明端到端构建应用。生成一个完整的 RAG 问答应用仅消耗 0.2 元的 Token自进化越用越强——Agent 自己评估、自己优化跑 Benchmark、找失分点、发布 N1 版每轮自动快照每个请求都可在 Trace 观测中回放1.2 技术栈选择PenguinHarness 的技术栈体现了明确的工程取向维度选择理由语言TypeScript (91.1%)类型安全 生态丰富适合构建复杂 Agent 系统包管理pnpm 11 monorepo多包共享依赖注入式依赖管理运行时Node 24最新 LTS原生支持现代 ES 特性构建tsup快速的 TypeScript 打包工具前端React Vite Tailwind CSS 4现代 Web 技术栈协议Apache-2.0商业友好的开源协议二、Monorepo 架构设计解析2.1 七包分层架构PenguinHarness 采用 pnpm monorepo 架构一个仓库安装即可交付四层应用所有层共享单一数据目录~/.penguin/data和统一消息协议OmniMessage2.2 各包职责划分包npm 名称职责packages/coreprismshadow/penguin-coreSDK 与引擎ReAct 循环、OmniMessage 协议、LLM/Environment 接口契约、Agent 状态、Tracepackages/cliprismshadow/penguin-clipenguin命令行REPL、单次运行、模型与密钥库配置、服务启动器packages/serverprismshadow/penguin-serverWeb 后端HTTP API SSE 流式推送、多用户认证、项目授权、用量统计packages/webprismshadow/penguin-webWeb 应用多会话对话、Agent/技能/模型管理、Trace 观测、评估中心packages/skillsprismshadow/penguin-skills内置技能库Agent 创建、基准测试、评估、优化等packages/landing—产品落地页packages/docs—文档站点双语部署在/docs/这种分层设计的核心原则是按数据源划分职责SDK 层拥有协议和执行消息解析、Agent 循环、工具Server 层拥有多用户运行时认证、SSE 流、定时任务文件层~/.penguin/data拥有所有可编辑和可记录的内容Prompts、Skills、密钥、Traces。2.3 注入式依赖管理PenguinHarness 在pnpm-workspace.yaml中使用了injectWorkspacePackages配置——这是一种注入式依赖管理方式。web 和 server 包消费 core 的快照副本这些快照只在包的build脚本通过 pnpm 执行时才会重新同步syncInjectedDepsAfterScripts。这意味着如果你直接在packages/core中运行npx tsup虽然dist/目录会更新但注入到 web/server 的快照不会同步——已经运行的 Web 应用仍然会使用旧的 core 代码。开发时必须通过pnpm build或重启pnpm dev来正确触发依赖同步。三、核心技术深度剖析3.1 OmniMessage 协议统一的消息总线PenguinHarness 的核心设计之一是 OmniMessage 协议——它是贯穿所有包的统一消息格式。无论是 CLI 的单次任务、Web 的多会话对话还是 Server 的 SSE 流式推送所有通信都基于同一套消息协议。OmniMessage 协议的意义在于解耦了消息的生产者和消费者Core 层的 ReAct 循环产生 OmniMessage 流CLI 层将其渲染为终端输出Server 层将其序列化为 SSE 事件流Web 层将其渲染为对话界面和 Trace 可视化这种设计使得同一个 Agent 引擎可以无缝适配多种前端——从命令行到 Web 应用无需修改核心逻辑。3.2 ReAct 循环Agent 的推理引擎PenguinHarness 的 Core 包实现了 ReActReasoning Acting循环作为 Agent 的核心推理引擎。ReAct 循环的工作流程用户输入 → LLM 推理(Thought) → 选择工具(Action) → 执行工具(Observation) ↑ | └────────────────────────────────────────────────────────┘ (循环直到完成)在每一轮循环中ThoughtLLM 分析当前状态决定下一步行动Action选择并调用合适的工具文件操作、代码执行、Web 搜索等Observation工具返回执行结果循环继续直到 LLM 判断任务完成或达到最大轮次PenguinHarness 的关键优化在于刻意精简的工具集。相比 LangChain 动辄暴露数十个工具给 LLMPenguinHarness 选择暴露最少的工具接口让 LLM 的决策空间更小、更确定——这直接减少了工具调用次数和 Token 消耗对 DeepSeek 等开放模型尤其有效。3.3 Agent 自进化机制自进化是 PenguinHarness 最具创新性的特性。整个自进化闭环包含四个阶段这套机制依赖于内置的四个 Agent 调优 Skillagent-creation创建新 Agent定义 Prompt、工具集和模型配置benchmark-design设计针对特定任务的基准测试集agent-evaluation在基准测试集上评估 Agent 表现agent-optimization根据评估结果自动优化 Agent关键设计点在于每轮优化前的自动快照——如果 N1 版本表现不如 N 版本可以快速回滚。Trace 观测则为优化提供了数据基础每个请求的完整推理链、工具调用、中间结果都被记录可以逐条回放分析。3.4 Skill 系统可组合的能力单元PenguinHarness 的 Skill 系统分为四组覆盖从办公到 AI 开发的完整场景分组Skills用途办公效率data-analysis、firecrawl数据分析、网页抓取软件开发web-design、software-engineeringWeb 设计、软件工程AI 应用开发penguin-sdk、penguin-cli、agenthub-models、vllm、ollama、llamafactory本地模型部署、SDK 开发Agent 调优agent-creation、benchmark-design、agent-evaluation、agent-optimizationAgent 全生命周期管理Skill 不仅是预置的能力模板——Agent 也能编写和优化自己的 Skill。这意味着随着使用次数增加Agent 的能力库会不断扩展形成正向飞轮。3.5 极致成本优化PenguinHarness 在成本优化方面的表现令人印象深刻。以生成一个完整的 RAG 问答应用为例任务收集 GitHub 文档、构建检索增强、实现带来源引用的问答应用模型DeepSeek V4 ProToken 成本约 0.2 元$0.02这种极致的成本效率来自三个层面的优化工具调用最小化精简工具集减少了 LLM 的决策轮次每次工具调用都意味着额外的 LLM 推理Token 效率优化干净的底层接口避免了不必要的上下文冗余Prompt 设计追求信息密度开放模型深度适配针对 DeepSeek 等国产开放模型的推理特性做了专门优化而非简单套用通用 Prompt 模板四、模型生态与跨平台支持4.1 广泛的模型支持PenguinHarness 支持主流大模型家族的最新一代并允许多供应商接入模型可用供应商DeepSeek V4DeepSeek、OpenRouter、Fireworks AI、SiliconFlow、通义千问Kimi K3Moonshot AI、OpenRouter、通义千问GLM 5.2Z.AI、OpenRouter、Fireworks AI、SiliconFlowHunyuan 3OpenRouterQwen 3.8 Max通义千问GPT 5.6OpenRouterGemini 3.6 FlashGoogle Gemini、OpenRouterClaude 5Anthropic、OpenRouter值得一提的是只要是 OpenAI 协议的端点都可以接入——这意味着 1000 在线和本地模型都兼容。用户可以选择预置模型也可以用自定义端点连接任意模型。4.2 跨平台部署需求项支持情况操作系统Linux、macOS、Windows 10架构x64、arm64运行时一行安装器自带npm 安装需 Node 24PenguinHarness 提供了多种安装方式# Linux / macOS 在线安装curl-fsSLhttps://penguin.ooo/install.sh|sh# Windows 在线安装irm https://penguin.ooo/install.ps1|iex# npm 全局安装任意平台npminstall-gprismshadow/penguin-cli对于无网环境每个 GitHub Release 都附带离线安装包——包内封入程序负载、SHA256 校验文件和对应平台的安装器拷贝到目标机器解压运行即可全程无需联网。五、实战一句话生成 Agent 应用5.1 快速启动安装完成后一行命令启动完整 Web 体验penguin web# 启动服务并打开 http://127.0.0.1:7364首次登录使用默认凭据admin / penguin-2026登录后请立即修改密码。在应用内 Models 页面配置模型 API Key 后即可开始对话。5.2 一句话构建 RAG 应用在对话框中输入收集 https://github.com/ericbuess/claude-code-docs 的文档 做一个化身 Claude Code 配置专家、回答带来源引用的 RAG 问答应用。PenguinHarness 的 Agent 会自动完成以下步骤文档收集抓取 GitHub 仓库中的文档内容应用脚手架生成项目结构、依赖配置核心代码实现检索增强、问答逻辑、来源引用运行说明生成启动命令和使用示例最终产出一个完整的文档专家应用——具备检索增强、引用可点击直达原文、内置示例问题。整个过程仅消耗约 0.2 元的 Token。5.3 CLI 与 SDK 使用同一引擎可以通过 CLI 脚本化驱动也可以通过 SDK 编程接入# 配置模型penguin config modeladd--providerdeepseek\--model-id deepseek-v4-flash --api-key sk-... --set-default# 单次任务penguin run-mCreate hello.txt containing Hello, Penguin# 交互式 REPLpenguin chat# 无界面服务与 Web 应用同一套 APIpenguin server通过 SDK 编程接入import{createAgent,isCompleteModelMessage,userText}fromprismshadow/penguin-core;constagentawaitcreateAgent({agentId:default_agent});constsessionawaitagent.createSession({workspaceDir:process.cwd()});forawait(constoutputofsession.run([userText(Create hello.txt containing hi)],{approve:async()allow}// 按工具调用逐个审批)){if(isCompleteModelMessage(output)output.payload.typetext){console.log(output.payload.text);}}SDK 的设计哲学是为被 Agent 驱动而生——这意味着 PenguinHarness 的引擎本身就是为了让 Agent 调用 Agent 而设计的。approve回调函数支持按工具调用逐个审批为安全执行提供了细粒度控制。六、开发体验与工程实践6.1 开发环境pnpminstallpnpmbuild# 先构建core 的导出指向 dist/pnpmdev# 后端 Web 一起启动PenguinHarness 的开发体验有一个精心设计的细节每个 dev 命令都会先运行scripts/dev-prebuild.mjs它在锁保护下自动保持pnpm install最新——新克隆或拉取锁文件变更时会自动安装已是最新的则零开销。同时它会预构建 workspace 依赖skills、core并对并发构建去重同时启动dev:server和dev:web只会安装和构建一次。开发环境默认使用独立的数据根目录~/.penguin/dev-data与安装版 CLI/Server 的~/.penguin/data隔离——在仓库上开发不会与你的真实 Agent 数据混淆。6.2 质量门禁CI 在每个 PR 上运行全套质量检查pnpmformat:check# prettier 格式检查pnpmtypecheck# TypeScript 类型检查pnpmtest# 每个包的单元测试端到端测试包括浏览器 E2E使用 mock LLM和核心实时模型 E2E需要真实的DEEPSEEK_API_KEY。6.3 Changelog 规范PenguinHarness 实行严格的 Changelog 规范每个变更必须附带changelog/version/YYYY-MM-DD-semantic-id.md条目包含 H1 标题、一句话摘要和详情。发布时changelog/version/RELEASE.md会原样作为 GitHub Release 的正文。七、与同类项目对比维度PenguinHarnessLangChainAutoGPTMetaGPT核心理念Agent 构建 Agent手动构建 Agent自主任务执行多 Agent 协作自进化能力内置Benchmark→优化→迭代无无无成本效率极高1/70 Claude Code中高中模型适配深度适配开放模型通用通用通用可观测性Trace 全链路回放基础日志基础日志基础日志部署形态桌面/服务器自托管库云端/本地库编程接口SDK CLI WebPython 库无Python 库PenguinHarness 的差异化优势在于自进化闭环和极致成本优化。传统框架构建 Agent 后就定型了需要人工调优PenguinHarness 让 Agent 自己跑 Benchmark、自己分析失分、自己优化形成持续改进的飞轮。八、总结与展望PenguinHarness 代表了 Agent 框架演进的一个新方向从人构建 Agent到Agent 构建 Agent再到Agent 自我进化。其核心创新可以归纳为三点OmniMessage 统一协议 ReAct 精简工具集在保证灵活性的同时将 Token 消耗压到极低自进化闭环让 Agent 通过 Benchmark-评估-优化的循环持续自我改进全栈交付从 SDK 到 CLI 到 Web一套引擎多种形态根据项目路线图未来还将发布桌面端应用、Agent 公司与模板、公司级自进化能力以及集成 OpenShell带权限管控的 Shell。这些功能将进一步降低 Agent 构建和运维的门槛。对于正在寻找高效 Agent 构建方案的开发者来说PenguinHarness 值得一试——尤其是如果你已经在使用 DeepSeek 等国产开放模型它的深度适配和成本优势会给你带来惊喜。参考资料PenguinHarness GitHub 仓库, https://github.com/Prism-Shadow/penguin-harnessPenguinHarness 中文 README, https://github.com/Prism-Shadow/penguin-harness/blob/main/README.zh.mdPenguinHarness CONTRIBUTING.md, https://github.com/Prism-Shadow/penguin-harness/blob/main/CONTRIBUTING.mdPenguinHarness 官方文档, https://penguin.ooo/docs/LlamaFactory GitHub 仓库, https://github.com/hiyouga/LlamaFactory
