Openhands 更加智能的Agent

今天聊一下很硬的干货。

我之前就有预测了“2025是AI Agent爆发的一年”

今天分享一个有关Agent智能体的开源项目，OpenHands---简要概括就是一个更加具有自由度的Agent

相较于传统的Agent（只可以简单调用API，如查天气、查新闻），OpenHands具有更大自由度：

1. 可以自主操作电脑：OpenHands可以像人类一样操作电脑，包括打开应用、代码编写、命令行操作、网页浏览等

2. 可以进行多智能体协作：多个OpenHands智能体可以相互配合，共同完成复杂任务

3. 具有记忆和规划能力：能够记住之前的操作和经验，并据此制定合理的行动计划，计划推进时可以实时监测优化。

在聊技术之前，谈谈看法

首先在模型层方面，我认为已经到达一个小阶段的顶峰了，下一个突破可能需要很长时间。

另外现在 AWS乃至阿里云等从云服务层面开始降低开发者成本了，所以Agent整体进程应该会持续加快。

简单的AI应用未来恐怕越来越难以生存，大家对AI应用的预期整体会被越来越多的Agent拉上去。

“Agent+”的产品将会越来越多，未来将有望成为 AI 应用层的基本架构.

其次有开发者说Agent会直接融入模型层，这也是未来有可能的，但是Agent+有缺点，那就是时间成本与费用Token消耗极大。

OpenHands 的技术原理

• 事件流架构：基于事件流管理代理与环境的交互，包括代理的动作和环境的观察结果。
• Docker 沙箱：为每个任务会话启动一个安全隔离的 Docker 容器沙箱，所有动作都在沙箱中执行。
• 动作执行 API：API 服务器在 Docker 沙箱中运行，处理命令执行、Python 代码执行和网页浏览等动作。
• 任意 Docker 镜像支持：支持代理在任意操作系统和软件环境中运行，基于任意 Docker 镜像的运行时实现。
• 代理技能：AgentSkills 库提供一些基本工具无法实现的实用功能，如文件编辑、文档阅读等。
• 多代理委托：支持一个代理将特定子任务委托给另一个代理执行，实现多代理之间的协作。

项目架构

整体构架图如下 系统主要分成两部分， 一部分是web前端，负责处理和用户的交互，并显示结果。而后端负责处理业务逻辑，并执行智能体。 项目部署的时候，
前端编译成静态html，服务端用python 实现，默认监听端口3000， 为一个web server。 当用户新创建一个工程的时候，或者一个全新的会话时，
python 后端服务会启动一个 docker 的container，处理该工程项目。

前端构架图如下

前端主要有3个页面， 一个是设置页， 主要是设置大模型相关的； 一个是聊天，负责处理用户的请求，并调用大模型，另外一个页面，是vscode 的页面。

服务端的架构如下：

核心， 是接受请求， 然后创建 session， 当用户发送请求后， 由Agent 对用户请求进行分析， 创建 Plan，
同时会创建一个CommandManager， 在第一次的时候， 会创建一个Docker sandbox，比如命令运行， 文件创建， 这些， 都会通过
CommandManager 下发到docker 执行。对于每次会话， 会有一个State 来维护整个周期的交互。 包括
本次任务的Plan，递增的交互id， 后台行为的Observation列表， 行为执行历史， 以及更新信息列表。 对于每个下发的命令 ，
会有一个Observer， 来监听命令的执行。