← Harness 图谱

「primitives-only 的多agent harness」 —— 官方自述 lightweight yet powerful：

模型与开放条件

官方自述 provider-agnostic，README 首段原文： 「It is provider-agnostic, supporting the OpenAI Responses and Chat Completions APIs, as well as 100+ other LLMs.」 实现路径有两层证据：核心依赖是 openai>=3.0.0；可选依赖里有 litellm（openai-agents[litellm]）与 any-llm（openai-agents[any-llm]，要求 Python ≥3.11）。 换 provider 的实际改动量本站未核验（文档说 provider-agnostic，但没给「零改动」的量化承诺）。

运行位置

你自己运营进程 —— 它是库不是服务。README 的四种运行方式全部是本地代码调用 （Runner.run_sync / RealtimeRunner.run / VoicePipeline.run / sandbox client）。 唯一例外是 SandboxAgent 的 hosted sandbox client —— 官方提到可以用托管沙箱， 但那依赖 OpenAI 侧的容器服务，不是「整个 agent 托管」。

本地文件

本地文件能力明确存在但不在默认 agent 里。官方为「需要检查文件、跑命令、打补丁、 或在长任务间保留工作区状态」的场景单独提供了 SandboxAgent： README 原文说 SandboxAgent 是 preconfigured to work with a container to perform work over long time horizons，且 default_manifest 里可以声明 GitRepo(repo=..., ref=...)。 沙箱客户端分平台：UnixLocalSandboxClient（macOS / Linux）； Windows 须用 DockerSandboxClient（需 openai-agents[docker] extra）或 hosted sandbox client。 这条是本站选型时的实用信息：Windows 用户不能直接用本地 Unix 沙箱路径。

关机后的任务

自托管 = 关了就停。 README 没有托管执行选项（Realtime 是长连接但进程仍在自己手里）。 断点续跑有官方支撑：Sessions 章节写明「Automatic conversation history management across agent runs」，配合 SQLite（SQLAlchemy 依赖）与 Redis（openai-agents[redis]）后端。 SandboxAgent 的 default_manifest 也面向「preserve workspace state across longer tasks」。

工具与扩展

工具面是官方列出的四类：functions、MCP、hosted tools，以及 agents as tools （把别的 agent 当工具调，与 handoffs 并列为核心委派机制）。 MCP 是核心依赖而非可选：mcp=1.19.0,3 在 dependencies 里（不是 optional-dependencies）—— 这说明 MCP 接入是SDK 的一等能力。 Guardrails 可配置：官方列「Configurable safety checks for input and output validation」， 分 input 与 output 两个方向。

上下文与记忆

官方原文只有 Sessions：Automatic conversation history management across agent runs。 可选后端有 Redis（openai-agents[redis]）与 SQLAlchemy（SQLAlchemy + asyncpg 依赖）。 注意与本站主张的分野：Sessions 管的是会话历史， 本站的「状态 ≠ 上下文」主张里，把大工具输出落盘这类手段在本 SDK 属用户自建 （SandboxAgent 的沙箱工作区可以承担这个角色，但官方没有把它宣传成 context 管理层）。

权限与限制

内建 Guardrails（输入 + 输出双向校验）+ Human in the loop（跨多次运行引入人工） —— 这是本站目前见到的权限面最完整的内建方案： 「Configurable safety checks for input and output validation」与 「Built-in mechanisms for involving humans across agent runs」。 与 Deep Agents 的「trust the LLM，边界责任交给你」形成鲜明对照。 具体边界强度本次未核验（guardrail 能否拦住文件/网络访问类型的越权，文档未在README 展开）。

适合什么任务

适合：想要「薄 harness」—— 只要 agent loop 原语，filesystem / 规划 / 记忆都想自己挑； 需要 guardrails 与 human-in-the-loop 是内建的；需要 MCP 一等支持；团队是 Python 栈。 不适合：想要开箱即用的长任务工作区（用 Deep Agents 或该 SDK 的 SandboxAgent 路线）； 追求 TypeScript 生态（该用 openai-agents-js）。

本页由 ai-coding-agent-atlas 数据层生成（CC BY 4.0）。 方法论与坐标系定义见仓库内 METHODOLOGY.md。