OpenHands：开源的 AI 软件工程师，一句话自动改代码

OpenHands：一个能直接改代码的开源 AI 工程师

如果你维护过任何一个 GitHub 仓库，就必然经历过这种场景：凌晨两点，一个 issue 报了个简单的 bug，你不想开机改，但也不想让 issue 烂在那里。OpenHands 解决的就是这个具体问题——给它一个任务描述，它能自主地读代码、改代码、跑测试、提 PR。不是代码补全，不是聊天机器人，是一个真正干活的代理。

项目背景

OpenHands 的前身是 OpenDevin，由 All-Hands-AI 团队开发，2024 年初开源。它的诞生直接对标 Cognizant 的 Devin——一个闭源的 AI 软件工程师产品。Devin 演示视频展示了一个 AI 能够端到端完成软件任务，但闭源且价格不透明。All-Hands-AI 的回应很直接：把同样的事情开源出来。

这个项目解决的痛点是三层式的：工具碎片化（AI 对话工具能聊天但不能动手）、上下文断裂（Copilot 能补全当前文件但看不到整个项目）、无人值守的空档（大量低优先级 issue 堆积没人处理）。OpenHands 的立场很明确：AI 的价值在于完成任务，不在于生成文本。

核心功能解析

1. 自主任务执行

OpenHands 的入口是一个任务描述，不是一句 prompt。它会用内置的 Agent 循环去理解代码库结构，定位相关文件，修改代码，然后执行测试验证结果。整个过程自动运行，每一步运行都发生在隔离的 Docker 沙箱里。

# 一个典型任务对话的示意
用户: 修复 utils/parser.py 中解析空字符串时报错的问题
OpenHands: [读取 utils/parser.py] → [定位到第 45 行的空字符串分支]
           → [修改代码] → [运行 pytest] → [全部通过] → [生成 diff]

2. 渐进式问题确认（Confirmation Modes）

不是所有操作都值得自动批准。OpenHands 提供了分级确认机制：普通文件读写、代码执行、网络请求分别对应不同的审批策略。你可以在 config.toml 中精确控制，而不是一刀切地「全自动」或「全手动」。

[agent]
confirmation_mode = "high"   # 高风险操作才需要确认
browse_confirm_required = false  # 网页浏览不需要确认
browse_network_required = true   # 允许访问网络

3. 技能库（Skill Library）

OpenHands 支持一套技能系统——把常用的开发流程封装成可复用的「技能」。比如「检查 PR 并给出审查意见」或者「为仓库添加单元测试」都可以作为技能被调用，本质上是一个可扩展的 Agent 行为模板库。这套设计把 LLM 的泛化能力和工具链的确定性结合在了一起。

快速上手

安装只需要一个 Docker 依赖，然后一行命令就可以启动 Web 界面。

# 方式一：Docker 运行（推荐）
docker run -it --rm -p 3000:3000 
  -v /var/run/docker.sock:/var/run/docker.sock 
  ghcr.io/all-hands-ai/openhands:latest

# 方式二：pip 安装（仅限 Linux，且仍需 Docker 沙箱）
pip install openhands-ai
openhands

# 启动后访问 http://localhost:3000
# 在设置中填入你的 LLM API Key（支持 OpenAI、Anthropic、本地模型等）

启动后点击 New Session，输入类似 refactor the database connection logic in src/db.py to use connection pooling 这样的任务，剩下的交给它。

技术亮点：架构深度解析

Event Stream 架构：把 Agent 行为变成可追溯的数据流

OpenHands 最核心的架构决策是使用事件流（Event Stream）作为 Agent 与沙箱环境之间通信的骨干。每次动作——无论是 Agent 发出一个 shell 命令，还是沙箱返回一段输出——都是一个事件，被序列化并持久化存储。

这个设计的直接收益是完全的可重放性。你可以把一次完整的开发过程当作一段视频倒带重看，也可以在任何时间点「切入」手动干预，然后让 Agent 从干预后的状态继续工作。对比其他 Agent 框架那种「状态全丢了，只能重跑」的糟糕体验，Event Stream 本身的架构韧性非常明显。

另一个隐含的设计决策是Agent 与环境的彻底解耦。Agent 端不直接持有文件系统或终端，它只产生事件。这意味着你可以替换底层的执行环境（本地 Docker、远程沙箱、Kubernetes Pod），而不需要改 Agent 的逻辑。这也是一个成熟的 Agent 工程化架构该有的样子。

LLM 无关的设计

大多数同类项目跟单一模型绑定。OpenHands 的 LLM 层是抽象过的，你可以配置不同的模型用于不同角色——一个便宜的小模型做初步的代码分析筛选，一个昂贵的强模型做最终的代码生成。这种「模型路由」在真实工程场景里意味着直接的成本控制。

同类对比

总结

OpenHands 是目前把「AI 自主写代码」这件事做的工程化程度最高的开源方案，如果你手上有大量低优先级 issue 需要清理，或者想测试你的 CI 流程对 AI 生成代码的容忍度，下周就值得花一个下午把它跑起来。

风险提示：即使是最乐观的估计，2024 年的 AI 软件工程师处理复杂遗留项目的成功率仍在 50% 以下。定位是「高级实习生」，不是「替代 Senior」。但话说回来——一个不需要睡觉、不会抱怨 legacy code 的实习生，还是没有太多理由拒绝的。