Token costs are climbing. How do you avoid being locked into a single vendor’s harness? Built a demo showing how @OpenHands acts as a control plane across agent harnesses. Manage multiple harnesses from one place, swap models or vendors without rewriting your orchestration. https://github.com/rajshah4/openhands-multi-agent-demo…

rajshah4/openhands-multi-agent-demo

来源：https://github.com/rajshah4/openhands-multi-agent-demo

OpenHands 如何编排多个智能体

OpenHands 让你自主选择智能体之间如何共享状态、如何隔离、以及如何编排工作流。

OpenHands 作为多个智能体 harness 的控制平面

上图展示了控制平面视角：OpenHands 协调工作流，而不同的 harness 和运行时模型位于其下层。

为什么需要多智能体编排？

智能体 harness（Agent Harness） 将模型与工具、上下文和执行封装在一起 —— Claude Code、Gemini CLI 和 OpenHands 都是 harness。每个 harness 各有优势：Claude Code 适合实现代码，Gemini CLI 适合快速生成测试，OpenHands 凭借其智能体框架适合代码审查。

本仓库将 OpenHands 视为编排层（即控制平面），围绕这些 harness 进行编排。核心思想是：工作流与运行时分离 —— 同样的实现→测试→审查流水线，可以搭配不同的 harness、不同的状态共享模型、不同的隔离策略来运行。

关键不在于你必须使用三家供应商，而在于你可以组合异构的智能体系统，同时保持工作流本身稳定。

流水线

本仓库中的每个演示都运行相同的三阶段流水线：

你可以在流水线内切换 harness，例如用 OpenHands 完成所有阶段，或者将相同的工作流迁移到共享工作区、隔离的本地克隆以及托管的云沙箱之间。

多智能体编排的三种模式

本仓库演示了运行多个智能体的三种架构模式。它们产生相同的输出，但在隔离性、复杂性和基础设施方面有所不同。

同一多智能体工作流的三种编排模式

📖 阅读完整模式指南 → 获取详细的架构解释、决策树和迁移路径。

模式对比

各模式的适用场景

模式 1（简易） —— 智能体共享工作区，代码简单

• ✅ 快速本地开发
• ✅ 智能体协作处理相同文件
• ✅ 最小基础设施
• ❌ 智能体之间无隔离

模式 2（隔离本地） —— 完全隔离，手动编排

• ✅ 无需云端的完全隔离
• ✅ 气隙环境
• ✅ 使用 pytest 进行真实的本地验证
• ❌ 你需要管理 Git 协调和重试逻辑
• ❌ 编排代码更复杂

模式 3（企业级） —— 完全隔离，自动编排

• ✅ 隔离 + 简单代码
• ✅ 自动沙箱预配置
• ✅ 每个智能体对应 Web 界面
• ❌ 需要互联网和企业 API 密钥

模式 1：简易 —— 单一智能体服务器（shared_workspace.py）

所有智能体在一个共享工作区中运行，使用 OpenHands SDK（https://docs.openhands.dev/sdk/overview）。Claude Code 和 Gemini CLI 通过 ACP（智能体客户端协议，https://docs.agentclientprotocol.com/）作为子进程连接。

`` shared_workspace.py (你的笔记本) │ └─► 单一智能体服务器（一个工作区） ├─ 智能体 1 [Claude Code] → 编写 shortener.py ├─ 智能体 2 [Gemini CLI] → 编写 test_shortener.py └─ 智能体 3 [OpenHands] → 审查所有文件

    所有智能体共享 /workspace/project ✅

``

架构： 一个沙箱，智能体通过共享文件系统协调。

最佳场景： 快速本地开发、紧密协作、最小基础设施。

设置与运行

``bash git clone https://github.com/rajshah4/openhands-multi-agent-demo.git cd openhands-multi-agent-demo

pip install openhands-sdk openhands-tools export LLM_API_KEY=“your-key” export ANTHROPIC_API_KEY=“your-key” export GEMINI_API_KEY=“your-key”

python shared_workspace.py # 三个 harness 的 ACP 流水线 python shared_workspace.py –no-claude # 纯 OpenHands 智能体委派 python shared_workspace.py –cloud # 在云基础设施上运行（仍为单一沙箱） ``

使用 --no-claude 运行时，SDK 会使用 DelegateTool 生成 OpenHands 子智能体 —— 由 LLM 决定流程，而非硬编码脚本。

模式 2：隔离本地 —— 多个工作区（multi_server_isolation.py）

每个阶段在各自独立的 Git 克隆中运行，位于不同的临时目录下。脚本在每个阶段都使用 OpenHands SDK，变更通过 Git push/pull 在工作区之间传递。

multi_server_isolation.py (你的笔记本) │ ├─► 智能体 1 [OpenHands SDK + Anthropic LLM] → /tmp/workspace_claude/ │ └─ 实现代码 → git push │ ├─► 智能体 2 [OpenHands SDK + Gemini LLM] → /tmp/workspace_gemini/ │ └─ git pull → 编写测试 → pytest → 可选修复 → git push │ └─► 智能体 3 [OpenHands SDK 审查器] → /tmp/workspace_reviewer/ └─ git pull → 审查代码

架构： 多个隔离的工作区，手动 Git 协调，使用本地裸仓库作为共享源。每个阶段拥有自己的克隆，编排器在审查前运行本地 pytest 验证。

最佳场景： 气隙环境、自定义编排、学习如何构建多智能体系统。

权衡： 完全隔离，但本地编排器需要管理仓库镜像、分支移交、验证和修复重试。

设置与运行

``bash

前提条件：与模式 1 相同（ANTHROPIC_API_KEY, GEMINI_API_KEY）

pip install openhands-ai pytest

python multi_server_isolation.py # 运行完整流水线 python multi_server_isolation.py –no-claude # 仅使用 OpenHands python multi_server_isolation.py –task csv-tool # 不同任务 ``

注意：

• multi_server_isolation.py 会从你的本地检出创建一个临时裸 Git 源，然后从该源克隆隔离的工作区。
• 实现阶段默认使用 Anthropic Sonnet，测试阶段默认使用 Gemini，审查器会遍历已配置的 LLM 密钥。
• 测试工作区会通过本地 pytest 验证；如果失败，脚本会进行一次修复并重试。

模式 3：企业级 —— 自动多沙箱（cloud_conversations.py）

每个智能体在 OpenHands Cloud 或企业版（自托管）的自己沙箱中运行。平台自动预配置沙箱、处理 Git 协调，并为每个智能体提供 Web 界面。

cloud_conversations.py (你的笔记本) │ ├─► ☁️ 会话 1 [Claude Code / Anthropic] │ └─ 平台预配置沙箱，实现代码，推送到仓库 │ ├─► ☁️ 会话 2 [Gemini CLI / Google] │ └─ 平台预配置沙箱，拉取代码，测试，推送 │ └─► ☁️ 会话 3 [OpenHands] └─ 平台预配置沙箱，拉取代码，审查

架构： 企业托管的沙箱，自动编排。你只需编写高层工作流，平台负责基础设施。

最佳场景： 生产工作流、可观测性、可审计性、团队部署。

设置与运行

``bash

前提条件：在平台中配置 ANTHROPIC_API_KEY 和 GEMINI_API_KEY

从 https://app.all-hands.dev → 设置 → API 密钥（Cloud）获取 API 密钥

或从自托管的企业实例获取

pip install requests export OPENHANDS_CLOUD_API_KEY=“your-cloud-api-key”

python cloud_conversations.py # 默认：url-shortener python cloud_conversations.py –task csv-tool # CSV 转 JSON 转换器 python cloud_conversations.py –task custom –custom-task “Build a rate limiter” python cloud_conversations.py –repo youruser/yourrepo # 你自己的仓库 python cloud_conversations.py –no-claude # 所有步骤使用 OpenHands ``

你会看到三个会话 URL —— 点击每个链接即可在 Cloud UI（https://app.all-hands.dev）中实时观看智能体工作。

价值： 隔离目标与模式 2 相同，但 Cloud 替你处理了沙箱预配置、清理和可观测性。

文件

架构洞察

为什么是三种模式？

每种模式代表了不同的隔离性与复杂性权衡：

模式 1 是本地开发的“金发姑娘”：

• ✅ 简单（约 10 行代码）
• ✅ 快速（无网络调用）
• ✅ 所有 SDK 功能（DelegateTool、ACP、基于文件的智能体）
• ❌ 无隔离（智能体共享文件系统）

模式 2 提供本地隔离，但操作复杂度更高：

• ✅ 完全隔离（独立工作区和 Git 克隆）
• ✅ 气隙能力
• ❌ 复杂的本地编排
• ❌ 手动 Git 移交、验证和重试管理

模式 3 是生产环境的“金发姑娘”：

• ✅ 完全隔离（Cloud 预配置沙箱）
• ✅ 精简的本地编排脚本
• ✅ 可观测性（每个智能体 Web 界面）
• ✅ 自动编排
• ❌ 需要云连接

关键洞察

云会话（模式 3） = 隔离（模式 2） + 简易（模式 1）

你获得了模式 2 的完整沙箱隔离，却无需编排复杂性。Cloud 处理：

• ✅ 沙箱预配置和清理
• ✅ 端口管理
• ✅ Git 集成
• ✅ 可观测性（Web 界面）
• ✅ 错误恢复

这就是为什么 cloud_conversations.py 保持相对精简，而 multi_server_isolation.py 直接承担了本地编排的负担。

企业价值

• 多供应商灵活性 —— Anthropic 实现、Google 测试、OpenHands 审查
• 可观测工作流 —— 每个智能体拥有独立会话，完全可审计
• 分布式架构 —— 智能体通过工件（Git）通信，而非紧耦合
• 供应商无关 —— 无需更改流水线即可替换任意智能体
• 可扩展 —— 通过向 HARNESS_INSTRUCTIONS 添加条目来增加新 harness
• 模式灵活性 —— 从本地起步（模式 1），扩展到云（模式 3）

链接

• OpenHands Cloud (https://app.all-hands.dev) —— 运行并观察智能体会话
• OpenHands SDK 文档 (https://docs.openhands.dev/sdk/overview) —— 用 Python 构建智能体流水线
• 智能体客户端协议 (ACP) (https://docs.agentclientprotocol.com/) —— 连接 harness 的协议
• 子智能体的兴起 (https://www.philschmid.de/the-rise-of-subagents) —— 为什么将任务拆解到专注的智能体能够提高可靠性