16.1 工业级 Harness 的前世：从 AutoGPT 到 Claude Code

🛠️ "Claude Code 不是凭空冒出来的，它站在 AutoGPT、BabyAGI、OpenHands 这一连串项目的肩膀上。"

一、为什么本章从 AutoGPT 开始

很多读者第一次看到 Claude Code，会觉得它"突然就出现了"。其实不是——它是一连串 Agent 框架 / Harness 演化的最近一棒。理解这条脉络，才能看懂 Claude Code"做了什么新的事"、又"延续了哪些老范式"。

本章把这条脉络梳理清楚——从 2023 年的 AutoGPT / BabyAGI 一路讲到 2026 年的 Claude Code，让你明白：

• Claude Code 不是"AI 编程工具的首创"——它首开的是"工业级 Claude 系 IDE 范式";
• 一路上每个项目都贡献了 1~2 个核心范式（事件流 / 状态图 / 代码即动作 …）；
• 这些范式今天依然在 Claude Code 里"埋伏"着——你想真正理解它，先得认识它们。

二、AutoGPT（2023 年 4 月）——"Agent"概念的破圈

2.1 它是什么

AutoGPT 是 Significant Gravitas 在 2023 年 4 月发布的开源项目——本质上就是"让 GPT-4 + 一堆工具 + 一个持续运行的循环"组合在一起。它的意义不在于"做到什么"，而在于让'Agent'这个词进入主流视野。

GitHub 上 AutoGPT 的最早几次 commit 让人觉得（现在回看）几乎粗糙：

# AutoGPT 早期 main loop（简化复刻）
while True:
    response = llm(prompt=PROMPT_TEMPLATE.format(history=...))
    action = parse(response)
    if action.type == "finish":
        return action.result
    result = execute(action)
    history.append((action, result))

但 2023 年 4 月那个时间点，没人见过 Agent 自己执行 + 自己继续决策 + 试图长期跑下去 的真实运行。

2.2 AutoGPT 的范式遗产

尽管 AutoGPT 在工程上很快被证明"完不成严肃任务"（循环非常容易跑偏、token 消耗巨大、没有持久状态），它留下的几个核心抽象在今天仍然成立：

• Agent Loop ——"思考-行动-观察"循环作为 Agent 的最小可执行单元；
• Tool Taxonomy ——一套统一的工具描述 schema，让 LLM 自选调用；
• Memory Layer ——把对话历史抽象为向量 / 摘要数据库；
• Goal-Directed Loop ——给系统一个 goal，子目标由 LLM 自生。

📌 AutoGPT 真正改变的不是工程，是术语。 在它出现之前，叫"AI assistant""chatbot"；在它之后，"Agent"成为一个新的产品门类。

2.3 AutoGPT 暴露的问题

• 失败成本：每轮 LLM 决策错误 → 累计 token 消耗是 GPT-4 的 10–100 倍；
• 不可恢复：循环跑偏后无法回到之前的稳定点（没有检查点）；
• 不可观测：开发者看着 token 在燃烧但只能干瞪眼。

三、BabyAGI（2023 年 4 月）——任务管理型 Agent 的雏形

3.1 它是什么

BabyAGI 由 Yohei Nakajima 在 2023 年 4 月发布——比 AutoGPT 晚了几天，但思路完全不同：它的核心循环是 "从任务队列取下一个 → LLM 执行（带上下文）→ 把结果存入向量存储 → 重新生成任务 → 循环"。

BabyAGI 的核心创新是**"任务分解 + 任务队列"——它把 AutoGPT 模糊的"goal"具体化成"task list"，然后让 LLM 不断生成新任务、消费旧任务**。

3.2 BabyAGI 留下的两个抽象

1. Task as first-class citizen——任务不再只是 prompt 里的字符串，而是数据结构（包含 description / status / result）；
2. Re-prioritization loop——让 LLM 在每次循环中重排任务优先级。

这两个抽象后来在 LangChain 的 PlanAndExecute（第 5 章）、AutoGen 的 Task 抽象、Claude Code 的 Sub-Agent 里都有体现。

四、OpenHands（原 OpenDevin，2024 年 3 月）——第一个"行动型"开源 Agent

4.1 它是什么

OpenHands（早期叫 OpenDevin）是 2024 年 3 月由 All-Hands-AI 团队发布的开源项目——它面向"软件工程 Agent"，主张 Agent 应该在真实环境里读代码、改代码、跑命令。

这是"行动型 Agent"在软件工程场景的第一棒。

4.2 OpenHands 的核心抽象

OpenHands 给后来所有行动型 Agent 都提供了至少 5 个抽象：

1. EventStream（事件流中枢）

   # 简化
   async def agent_loop(state):
       while state.status == "running":
           action = await llm.decide(state)
           observation = await runtime.execute(action)   # runtime 是沙箱
           state.append(ActionEvent(action))
           state.append(ObservationEvent(observation))
   

2. Sandbox Runtime —— 默认 Docker 沙箱（cap-drop ALL、no-new-privileges），跑命令不会泄漏到主机；

3. LiteLLM 模型抽象 —— 接入 100+ 模型；

   from litellm import completion
   response = completion(
       model="gpt-4.1",
       messages=[...],
   )
   

4. LLMSummarizingCondenser —— 上下文压缩的关键模块，超过 N 轮就触发摘要；

5. Action Type System —— 每个动作（FileWriteAction / CmdRunAction / IPythonAction 等）是一个 Pydantic 模型，LLM 输出按 schema 解析。

4.3 OpenHands 的直接继承者

OpenHands 直接影响了后来的：

4.4 一个外延观察

OpenHands 是"行动型 Agent"在开源生态的第一个成熟样本。它让"Claude Code 后面才有的很多东西"在开源里就被讨论过了——只是没有人能像 Anthropic 那样把工程做到"终端用户体验上的极致"。

五、AutoGen（2023 年底—2024）——多 Agent 对话框架

5.1 它是什么

AutoGen 是 Microsoft Research 在 2023 年底发布的"多 Agent 协作框架"——它强调"用对话本身完成多 Agent 协作"。每个 Agent 是一个 actor，actor 之间通过对话消息协作。

# AutoGen 简化示例
from autogen import AssistantAgent, UserProxyAgent

assistant = AssistantAgent("assistant", llm_config=...)
user_proxy = UserProxyAgent("user_proxy", code_execution_config={"use_docker": True})

user_proxy.initiate_chat(assistant, message="读 ./src/ 帮我找出性能问题")

5.2 AutoGen 与 Claude Code 的关系

AutoGen 是通用框架——它可以构建任何 Agent 协作；Claude Code 是特定产品——它把"软件工程"场景的协作固化下来。

Claude Code 没有"采纳" AutoGen 的代码，但继承了它的几个思想：

1. Role-based Agent —— 系统里多个"角色"：主 Agent / Sub-Agent / Bash Runner / Tool 各自独立；
2. Group Chat Pattern —— 主 Agent 知道可以派遣 Sub-Agent 处理复杂子任务；
3. Code Execution in Sandbox —— Docker / Sandbox 里跑 Python / Shell 是 AutoGen 早就在做的。

5.3 AutoGen 在本书的位置

AutoGen 的"对话编排"思想后来在第 19 章"Agent 通信协议"里会和 MCP / A2A / ANP 协议联系起来。本章只是铺垫。

六、CrewAI（2024 年初）——角色扮演式框架

6.1 它是什么

CrewAI 把"多 Agent 协作"建模为"团队"——Agent（角色）+ Task（任务）+ Crew（团队）/ Flow（事件驱动工作流）。

# CrewAI 简化
researcher = Agent(role="Researcher", goal="Find facts about X", backstory="...")
writer = Agent(role="Writer", goal="Write article from research", backstory="...")

crew = Crew(agents=[researcher, writer], tasks=[research_task, writing_task])
result = crew.kickoff()

6.2 角色化思想的影响

CrewAI 让"角色扮演"成为 Agent 协作的一种产品化路径。Claude Code 用的不是这种"人类角色"建模，而是"工程角色"建模：

这种"工程角色"建模让 Claude Code 比 CrewAI 更可预测、更易调试——这是为什么它能被软件工程师接受的关键。

七、MCP 与 A2A 协议（2024 年 11 月）——Agent 互操作的早期雏形

7.1 为什么提 MCP？

Claude Code 在 2025 年 H2 大力推广 MCP（Model Context Protocol），让"Agent 接入外部工具"成为开放协议。本书第 17 章（Agent 通信协议）会专章讲。本节先把它当作"Claude Code 之前就有的'Agent 互操作'思路"。

MCP 的核心思想其实早就散见在 OpenHands 的"工具注册"、LangChain 的"ToolGroup"、AutoGen 的"Function Schema"里——Claude Code 把它们标准化为协议，并让生态做出来。

7.2 协议抽象的三个关键点

MCP 的核心抽象是：LLM 驱动的 Agent 不再直接调用外部工具，而是通过 ToolRegistry 走一个「协议层」，由协议层转发给外部工具（MCP Server）。协议层的价值在于——它让"工具"和"Agent"解耦：Agent 不需要知道工具的实现在哪、用什么语言写的，只要会讲 MCP 协议就行。

这一点在第 17 章会展开。这里只需要知道：Claude Code 没有发明互操作，但把互操作标准化了。

八、把整条脉络画成一张图

要点：

1. 任何一个现代 Harness / 框架都不是凭空发明的——它们都站在 AutoGPT / BabyAGI / OpenHands 的肩头。
2. 2024 年之后的差异化是产品形态——同样是"事件流 + 工具 + 沙箱 + 状态"，Claude Code 选了 IDE，OpenClaw 选了聊天 App，Hermes 选了自进化，DeepSeek 选了插件化。
3. 理解 Claude Code 的关键是回头看 OpenHands——如果 OpenHands 没把"事件流 + Action Type"做出来，Claude Code 的六层架构不会是现在这样。

九、本节小结

下一节：16.2 认识 Claude Code：从零到上手