跳至主要内容

LongHorizon-Harness：让 Agent 连续工作数十小时

Fen9Pi2026/8/25AI AgentAI Agent大约 13 分钟

前言：从单轮到持续，Agent 如何真正完成复杂任务

2026-08-25 10:17 GMT+8

AI Agent 的痛点：

模型决定 Agent 一轮能做什么。但问题来了：

  • 一轮跑不完怎么办？
  • 上下文刷新后怎么继续？
  • 如何验证 Agent 真的完成了任务？
  • 失败后如何恢复？

今天介绍 LongHorizon-Harness——一个面向 Computer-Use Agent 的 Loop Engineering 系统。

一句话说清楚：

工程化模型外部的执行闭环：规划 → 执行 → 验证 → 保存或恢复 → 重复，直到任务真正完成

一、项目概览

LongHorizon-Harness 是一个面向 Computer-Use Agent 的 Loop Engineering 系统。

一句话说清楚：

只需向 Claude Code、Codex、OpenCode 或 DeepSeek Harness 给出一次目标，即可让它跨桌面 App 与终端持续工作数十个小时

项目地址：https://github.com/AMAP-ML/LongHorizon-Harness 官网：https://lh-harness.pages.dev arXiv：https://arxiv.org/abs/2608.01964 开源协议：MIT

核心特性：

  • ✅ 规划 → 执行 → 验证 → 保存或恢复 → 重复
  • ✅ 支持桌面 App 与命令行一个连续任务
  • ✅ 任意模型，任意 Agent 后端
  • ✅ 三个角色：Manager、Executor、Auditor
  • ✅ 数百个真实任务规模化验证
  • ✅ 一条命令安装，开箱即用

核心价值：

模型决定 Agent 一轮能做什么。LongHorizon-Harness 负责工程化模型外部的执行闭环：下一步做什么、如何在真实电脑中验证、哪些进度可以保存，以及在失败或上下文刷新后如何继续。

二、核心理念：Loop Engineering

面向真实电脑环境的 Loop Engineering

向 LongHorizon-Harness 给出一个目标。它会不断把剩余工作拆成一项边界明确的任务，在正确的电脑界面中执行，检查真实结果，并把通过验证的进度带入下一轮。

Loop Engineering 流程图

流程图1

这就是 Loop Engineering：工程化 Agent 外部的执行、验证、纠错与恢复闭环，而不只是优化单轮 Prompt。

三、三个角色，一个闭环

一个闭环，三种专注职责

三个角色是同一执行闭环内的职责边界，并不是三个各自维护不同任务版本的 Agent。

角色架构图

流程图2

角色职责表

闭环职责角色负责内容
🧭 状态与下一步Manager每轮从原始目标、已验证进度、失败证据和剩余工作中恢复任务，并确定下一步
⚡ 执行Executor使用全新上下文，在桌面 App 或 CLI 中只完成一项边界明确的任务
🔍 真实依据Auditor独立检查真实文件、界面、日志和测试，不直接相信 Executor 对结果的描述

核心原则

只有通过独立验证的结果才能成为可信任务状态。

被拒绝的结果只作为证据，不会被记作进度。即使上下文刷新、操作失败或交付不合格，下一轮也会从原始目标和最后一个已验证检查点重新开始，继续完成剩余工作。

四、桌面 App 与命令行，一个连续任务

同时支持 GUI 和 CLI 工作流

一个任务可以先在浏览器中收集信息，再通过命令行处理数据，接着在桌面软件中生成交付物，最后回到命令行验证或调试。整个过程中，目标、进度和证据始终由同一套状态管理系统维护。

工作流对比图

流程图3

实际应用场景

场景 1：数据可视化项目

  1. 在浏览器中收集数据
  2. 通过命令行处理数据
  3. 在 Excel 中生成图表
  4. 回到命令行验证结果

场景 2：Web 开发项目

  1. 在浏览器中查看需求
  2. 通过命令行编写代码
  3. 在桌面软件中编辑资源
  4. 在浏览器中测试效果

场景 3：系统配置任务

  1. 在文档中查看配置说明
  2. 通过命令行修改配置
  3. 在桌面软件中验证效果
  4. 在命令行中查看日志

五、任意模型，任意 Agent 后端

不绑定特定模型或 Agent 后端

现有模型和 Agent 可以通过配置接入，无需改变原来的工作方式。

架构分层图

流程图4

模型与后端支持

层级支持选项
🧠模型Claude、GPT、Qwen，以及 Agent 后端提供的其他模型
🤖Agent 后端Claude Code、Codex CLI、OpenCode、DeepSeek Harness（dsh，第一阶段仅 CLI），以及自定义 AgentAdapter 实现
🎛️角色分配Manager、Executor 和 Auditor 可以分别使用不同模型或后端
🖥️执行环境本地，并提供可扩展的 Environment 协议

灵活配置

三个角色既可以使用同一个模型，也可以组合不同模型和后端，在效果、速度和成本之间进行权衡。

示例 1：全部使用同一模型

[run]"
agent = "codex"
model = "gpt-5.6-sol"

示例 2：不同角色使用不同模型

[run]
agent = "codex"
model = "gpt-5.6-sol"

[run.roles.manager]
model = "gpt-5.6-sol"

[run.roles.executor]
model = "gpt-5.2-fast"

[run.roles.auditor]
model = "gpt-5.6-sol"

六、数百个真实任务，规模化验证

不只展示精心挑选的成功案例

LongHorizon-Harness 在数百个覆盖 GUI、CLI 和混合电脑环境的复杂任务中持续工作。

任务领域

任务领域具体内容
🌐 Web 前端开发、修复和验证网站与 Web 应用，结合浏览器交互、开发者工具和代码修改完成任务
📊 数据分析与可视化处理数据、生成图表与仪表盘，并检查分析结果和可视化交付物
🛠️ 运维与调试排查日志、网络、性能和服务故障，完成系统配置、诊断与修复
🎨 设计与图像处理编辑视觉素材、匹配设计稿、处理图像并验证最终视觉效果
🎮 游戏与交互构建、操作和调试游戏或交互式应用，检查交互逻辑与运行结果
📄 文档与演示编辑文档和演示文稿，处理内容、格式、引用、布局和最终交付
🧊 空间推理完成涉及空间关系、几何结构、精确放置和 3D 操作的任务
🖥️ 桌面与系统设置操作桌面应用、文件和系统设置，完成跨软件的配置与管理工作
🔬 研究与教育完成文献研究、课程作业、教学材料、表单和研究支持工作流
🎬 创意制作制作演示、视频、音频及其他多媒体内容，并完成跨工具的素材处理
⚙️ 工程与计算使用 CAD、EDA、科学软件、开发工具和云端或 DevOps 工具链完成专业任务
🎫 个人服务处理活动票务、日常服务、游戏和视觉搜索等面向个人用户的工作流
🏛️ 行政与合规完成办公、法律、政策敏感表单、机构流程和安全相关的提交任务
💼 商业与金融处理市场分析、采购、贷款、销售、报销和其他需要跨应用核对的企业工作流
🏥 医疗健康完成医疗质控、保险、免疫记录和结构化健康表单等工作流

七、评测结果

模型相同，执行后端相同，只改变 Harness

评测指标Claude CodeLongHorizon-Harness提升
WeaveBench（114 个任务）PassRate51.880.7+28.9
WeaveBenchOverall0.7020.835+0.133
OSWorld 2.0（108 个任务）Binary2.88.33.0 倍
OSWorld 2.0Partial21.535.2+13.7
Terminal-Bench 2.1成功率69.777.2+7.5

所有结果均使用 Qwen 3.7-Plus 作为基础模型，并使用 Claude Code 作为执行后端。

性能提升总结

任务类型提升幅度
GUI + CLI 任务完成率约 50% → 约 80%
长时间桌面任务完整完成率3 倍
代码与命令行任务成功率69.7% → 77.2%（token 减少 24%）

八、快速开始

一条命令，全程可见

安装

第 1–2 步每台机器只需做一次，第 3 步针对每个项目。之后在网页上运行任务（第 4 步）或用命令行运行（第 5 步）。

环境要求

用途
uv推荐的隔离安装方式。习惯用 pip 可以不装。
Python 3.10 或更高版本运行 Harness。uv tool install 自带 Python；用 pip 安装则使用你当前的。
PATH 上有一个 Agent 运行时：codex、claude、opencode 或 dsh真正执行任务。想按角色混用多个后端就安装多个。
Node.js 20 或更高版本npm 分发的 computer-use 插件需要；DeepSeek Harness 本身目前要求 Node.js ^22.19.0 或 >=24.0.0。

1. 安装 LongHorizon-Harness

uv tool install lh-harness            # 或：pip install lh-harness

后续升级用 uv tool upgrade lh-harness 或 pip install --upgrade lh-harness。

2. 安装 computer-use 插件（可选）

任务不涉及 GUI 可以跳过。否则按你使用的 Agent 装对应的那个。

使用 Codex：

lh-harness plugin install codex-computer-use

使用 Claude Code，或两个 Agent 都用：

lh-harness plugin install open-computer-use

3. 生成项目配置

cd /path/to/your/project
lh-harness init

该命令会生成 ./.lh-harness/config.toml，默认不会覆盖已有文件；需要重新生成时用 lh-harness init --force。

4. 在网页上运行任务（推荐）

lh-harness web --workspace-root .

该命令在 http://127.0.0.1:8799/ 打开工作台，所有操作都在这里完成。

5. 也可以用命令行运行任务

TASK="检查当前目录并总结其中的文件。"
lh-harness run --task "${TASK}" --agent codex

检查运行环境

lh-harness doctor

doctor 是只读的，只报告 Python 运行时、Agent CLI、Node.js 和插件状态。

九、核心特性

1. Loop Engineering

工程化 Agent 外部的执行、验证、纠错与恢复闭环，而不只是优化单轮 Prompt。

2. 三个角色

Manager、Executor、Auditor 三个角色在同一执行闭环内各司其职，确保只有通过独立验证的结果才能成为可信任务状态。

3. 桌面 App 与命令行

同时支持 GUI 和 CLI 工作流，一个任务可以跨浏览器、命令行、桌面软件等多个界面连续完成。

4. 任意模型，任意后端

不绑定特定模型或 Agent 后端，现有模型和 Agent 可以通过配置接入。

5. 规模化验证

在数百个真实任务中验证，覆盖 Web 前端、数据分析、运维调试、设计图像、游戏交互等 15 个领域。

6. 一条命令安装

开箱即用，无需复杂配置，快速上手。

十、实际应用场景

场景 1：Web 开发项目

需求：开发一个响应式网站

使用 LongHorizon-Harness：

  1. Manager 规划任务：设计 UI → 编写 HTML → 编写 CSS → 测试响应式
  2. Executor 执行：在浏览器中查看设计稿 → 在命令行编写代码 → 在浏览器中测试
  3. Auditor 验证：检查代码质量 → 测试响应式效果 → 验证最终交付物

场景 2：数据分析项目

需求：分析销售数据并生成可视化报告

使用 LongHorizon-Harness：

  1. Manager 规划任务：收集数据 → 清洗数据 → 分析数据 → 生成图表
  2. Executor 执行：在浏览器中下载报表 → 在命令行处理数据 → 在 Excel 中生成图表
  3. Auditor 验证：检查数据完整性 → 验证分析结果 → 检查可视化质量

场景 3：系统配置任务

需求：配置和部署服务器

使用 LongHorizon-Harness：

  1. Manager 规划任务：查看文档 → 修改配置 → 测试配置 → 部署服务
  2. Executor 执行：在浏览器中查看文档 → 在命令行修改配置 → 在桌面软件中测试
  3. Auditor 验证：检查配置文件 → 测试服务运行 → 验证部署结果

十一、核心价值

1. 从单轮到持续

不只是优化单轮 Prompt，而是工程化整个执行闭环，让 Agent 能够持续工作数十个小时。

2. 独立验证

只有通过独立验证的结果才能成为可信任务状态，确保任务真正完成。

3. 自动恢复

即使上下文刷新、操作失败或交付不合格，下一轮也会从原始目标和最后一个已验证检查点重新开始。

4. 灵活配置

不绑定特定模型或 Agent 后端，可以根据需求灵活配置。

5. 规模化验证

在数百个真实任务中验证，覆盖 15 个领域，性能显著提升。

十二、总结

核心问题

AI Agent 的痛点：

  • 一轮跑不完怎么办？
  • 上下文刷新后怎么继续？
  • 如何验证 Agent 真的完成了任务？
  • 失败后如何恢复？

LongHorizon-Harness 的解决方案

1. Loop Engineering

  • 规划 → 执行 → 验证 → 保存或恢复 → 重复
  • 工程化 Agent 外部的执行闭环

2. 三个角色

  • Manager：状态与下一步
  • Executor：执行
  • Auditor：真实依据

3. 桌面 App 与命令行

  • 同时支持 GUI 和 CLI 工作流
  • 一个任务可以跨多个界面连续完成

4. 任意模型，任意后端

  • 不绑定特定模型或 Agent 后端
  • 现有模型和 Agent 可以通过配置接入

5. 规模化验证

  • 在数百个真实任务中验证
  • 覆盖 15 个领域
  • 性能显著提升

为什么选择 LongHorizon-Harness？

1. 从单轮到持续

  • 让 Agent 能够持续工作数十个小时
  • 不只是一轮 Prompt

2. 独立验证

  • 只有通过独立验证的结果才能成为可信任务状态
  • 确保任务真正完成

3. 自动恢复

  • 即使上下文刷新、操作失败或交付不合格
  • 下一轮也会从最后一个已验证检查点重新开始

4. 灵活配置

  • 不绑定特定模型或 Agent 后端
  • 可以根据需求灵活配置

5. 规模化验证

  • 在数百个真实任务中验证
  • 覆盖 15 个领域
  • 性能显著提升

6. 开箱即用

  • 一条命令安装
  • 无需复杂配置

记住

模型决定 Agent 一轮能做什么。LongHorizon-Harness 负责工程化模型外部的执行闭环：下一步做什么、如何在真实电脑中验证、哪些进度可以保存，以及在失败或上下文刷新后如何继续。

规划 → 执行 → 验证 → 保存或恢复 → 重复，直到任务真正完成。

附：资源链接

项目资源：

  • GitHub：https://github.com/AMAP-ML/LongHorizon-Harness
  • 官网：https://lh-harness.pages.dev
  • arXiv：https://arxiv.org/abs/2608.01964
  • License：MIT

快速开始：

# 安装
uv tool install lh-harness            # 或：pip install lh-harness

# 安装 computer-use 插件（可选）
lh-harness plugin install open-computer-use

# 生成项目配置
cd /path/to/your/project
lh-harness init

# 在网页上运行任务（推荐）
lh-harness web --workspace-root .

# 也可以用命令行运行任务
TASK="检查当前目录并总结其中的文件。"
lh-harness run --task "${TASK}" --agent codex

# 检查运行环境
lh-harness doctor

支持的后端：

  • Claude Code
  • Codex CLI
  • OpenCode
  • DeepSeek Harness（dsh，第一阶段仅 CLI）

评测结果：

  • WeaveBench：51.8% → 80.7%（+28.9）
  • OSWorld 2.0：2.8% → 8.3%（3.0 倍）
  • Terminal-Bench 2.1：69.7% → 77.2%（+7.5）
最近更新:
贡献者: Fen9Pi
Copyright © 2016-2022 风派 | 苏ICP备2025227748号-3