OpenHands: An Open Platform for AI Software Developers as Generalist Agents (ICLR 2025)
一句话总结：社区驱动（32K GitHub stars、188+ contributors、2.1K+ contributions）的通用 AI 开发者 agent 平台，前身 OpenDevin，基于 CodeAct 的 event stream 架构在 15 个 benchmark 上评测，CodeActAgent v1.8（claude-3-5-sonnet）在 SWE-Bench Lite 拿 26%，与 Aider / Moatless / Agentless 等 SWE 专精 agent 持平，同时在 WebArena / GAIA 等跨类任务上保持 generality。
问题
LLM agent 框架百花齐放（AutoGPT、LangChain、MetaGPT、AutoGen、SWE-Agent 等），但各有偏向：要么只做通用 tool calling 缺沙箱 & browser，要么只做 SWE 专精缺 web / 多任务能力。一个想做「通用 digital worker」的平台需要同时满足：
- 通用 action space（bash / Python / browser）贴近人类开发者
- 安全沙箱执行任意代码
- Tool 可扩展（SWE-Agent 已证明 Agent-Computer Interface 质量至关重要）
- Multi-agent delegation + human-in-the-loop
- 统一 evaluation framework 跨多个 benchmark
- 社区可扩展（agent hub）
核心方法
三大组件 + Event Stream 架构：
- Agent abstraction：
step(state) -> action，state 包含完整 event stream（action/observation 历史）。极简 API，社区可轻松实现新 agent（AgentHub 已收录 10+ 实现） - Event Stream：action/observation 时序日志，驱动 UI、agent、runtime 三方通信；支持 replay、multi-agent delegation 元数据
- Runtime：每个 session 起一个 Docker sandbox，内置 REST API server 暴露：
- Bash shell（CmdRunAction）
- Jupyter IPython server（IPythonRunCellAction）
- Playwright-based Chromium browser（BrowserInteractiveAction，走 BrowserGym DSL）
- 支持任意 base Docker image，脚本自动注入 action execution API
CodeAct 思想：action space 用 programming language（bash/Python/browser DSL）而非 JSON schema，简洁表达力强且可以即时 define 新 tool（写 Python function 塞进 AgentSkills library 即可）。
AgentSkills library：标准化 agent-computer interface 工具箱，只收录「LLM 直接 coding 不方便」或「需要调外部模型」的 skill（file editing / scroll / parse_image / parse_pdf 等），不重复包装 pandas 这类 LLM 已会的库。
Multi-agent delegation：AgentDelegateAction 允许 generalist CodeActAgent 把 web browsing 子任务转给 BrowsingAgent，打开 specialist 组合的空间。
Evaluation framework：集成 15 个 benchmark，覆盖 software（MLE-Bench 前身相关 ML-Bench、SWE-Bench、HumanEvalFix、BIRD、BioCoder、Gorilla APIBench）、web（WebArena、MiniWoB++、ToolQA）、misc（GAIA、GPQA、AgentBench、MINT、EDA、ProofWriter）。
关键结果
- SWE-Bench Lite（300 instances, 无 hint）：CodeActAgent v1.8 + claude-3.5-sonnet 达 26.0%，Aider 26.3%、AutoCodeRover 19.0%、SWE-Agent 18.0%。平均成本 $1.10/instance
- HumanEvalFix Python：CodeActAgent v1.5 达 79.3%，显著好于 StarCoder2-15B（48.6%）等非 agentic 方法，虽未达 SWE-Agent 1-shot 的 87.7% 但 OpenHands 是 0-shot
- WebArena：BrowsingAgent + claude-3.5-sonnet 达 15.5%，与 WebArena Agent（14.4%）、Auto Eval & Refine（20.2%）同档
- GAIA：CodeActAgent（gpt-4o）32.1%；GPQA：53.1%，超过 gpt-4 few-shot 38.8%
- 单一 CodeActAgent 不改 prompt 在三大任务类别（SWE / Web / Misc）同时有竞争力，这是 SWE 专精 agent 做不到的
- Released under MIT license，定位为 research & industry 的共享基础设施
相关
- 相关概念：CodeAct、Agent-Computer Interface (ACI)、Event-Sourcing、Docker Sandbox、BrowserGym
- 同类系统/框架：SWE-Agent、AutoCodeRover、Aider、Moatless、Agentless、AutoGen、MetaGPT、LangChain、GPTSwarm
- 相关 benchmark：SWE-Bench、MLE-Bench-ICLR25、WebArena、GAIA、HumanEvalFix
- 后续工作：OpenHands-SDK-MLSys26（V1 把 monolith 重构成四包 modular SDK）
- 同主题：Auto-Research