langchain-ai/open-swe
An Open-Source Asynchronous Coding Agent
Python · ★ 9,549 · Fork 1,068 · 在 GitHub 查看
在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→
GitHub Trending 上榜记录
langchain-ai/open-swe 已在 GitHub Trending 每日榜单上榜 4 天,最高排名第 2,首次上榜 2026-03-18,最近一次上榜 2026-03-21。
| 日期 | 排名 | Star | 当日增长 |
|---|---|---|---|
| 2026-03-21 | #2 | 7,808 | +635 |
| 2026-03-20 | #2 | 7,589 | +640 |
| 2026-03-19 | #2 | 6,975 | +955 |
| 2026-03-18 | #6 | 6,249 | +454 |
同期上榜的项目
- FujiwaraChoki/MoneyPrinterV2 – Automate the process of making money online.
- systemd/systemd – The systemd System and Service Manager
- aquasecurity/trivy – Find vulnerabilities, misconfigurations, secrets, SBOM in containers, Kubernetes, code repositories, clouds and more
- obra/superpowers – An agentic skills framework & software development methodology that works.
- Crosstalk-Solutions/project-nomad – Project NOMAD is an offline-first knowledge and education server. Wikipedia, thousands of books, courses, maps, and optional local AI, all running on hardware you own with no internet required.
- opendataloader-project/opendataloader-pdf – PDF Parser for AI-ready data. Automate PDF accessibility. Open-source.
langchain-ai/open-swe 项目深度剖析与商业评估报告
langchain-ai/open-swe 项目深度剖析与商业评估报告
1. 核心定位与商业落地价值
Open SWE 是 LangChain 推出的开源框架,定位于 "组织内部编码 Agent 的构建基座",而非又一个面向个人的 AI 编程工具。其核心洞察在于:Stripe、Ramp、Coinbase 等顶级工程组织均已验证了"内部编码 Agent"这一模式的商业价值——在 Slack/Linear 等既有工作流中嵌入 Agent,以隔离沙箱为安全边界,实现低人工监督的自动化编码。Open SWE 试图将这一已验证的私有架构范式开源化、产品化。
商业落地场景: 中大型企业的内部 DevOps 自动化:将 Issue 分诊、简单 Bug 修复、重复性重构从工程师日常工作中剥离,以 Linear/Slack 为入口,直接产出 PR,显著降低机械性工时的占比。 私有代码库的 AI 安全实践:通过"隔离沙箱 + 全权限"模型,解决企业最忌惮的"AI 直接触碰生产环境"的信任问题,为 AI 编码 Agent 在企业防火墙内的合规落地提供了架构范本。 平台型公司的 Agent 基础设施:作为可插拔框架,企业可在其之上构建面向特定领域(如数据分析、内部工具开发)的垂直 Agent,复用其沙箱、编排、权限体系。
竞品差异化与护城河: 与 Devin(闭源、SaaS)相比,Open SWE 是 MIT 开源的,且架构可完全自托管,数据主权在企业手中。 与 Cline / Aider(个人 IDE 插件)相比,Open SWE 定位在组织级异步协作,强调多用户、多线程、权限管理和与 Slack/Linear 的深度集成,而非单机交互。 其真正的护城河并非代码本身,而是LangGraph 生态——作为 LangChain 官方的 Agent 编排框架,Open SWE 天然受益于 LangGraph 的社区、可观测性(LangSmith)和企业支持,形成"框架+工具链"的绑定效应。
2. 核心架构设计与技术深度
Open SWE 的架构设计体现了对生产级 Agent 系统复杂性的深刻理解,其核心可以拆解为 "Harness + Sandbox + Middleware" 三层模型:
模块拆解思想: Harness 层(编排):基于 Deep Agents 框架,而非自研。这是关键决策——采用 createdeepagent 组合式 API,将模型、系统提示词、工具集、沙箱后端和中间件作为可插拔参数注入。这种"组合优于继承"的设计,使得上游框架的改进(如新模型支持、工具调用优化)可以无缝同步到 Open SWE,而组织特定的魔改则被隔离在配置层。 Sandbox 层(隔离):这是整个架构的安全基石。每个任务(线程)拥有独立的持久化云端沙箱,遵循"先隔离,再授权"原则。抽象了 sandboxbackend 接口,支持 Modal、Daytona、Runloop、E2B 等多家供应商,将"沙箱生命周期管理"(创建、复用、自动重建)与"Agent 逻辑"彻底解耦。这种设计将不可控的第三方基础设施风险降到了最低。 Middleware 层(横切关注点):采用类似 Web 框架的中间件管线模式,处理 Agent 循环前后的确定性逻辑。例如 checkmessagequeuebeforemodel 在每次模型调用前注入运行中到达的 Slack/Linear 消息,实现了"异步消息驱动的 Agent 中断-恢复"机制;notifysteplimitreached 在 Agent 达到步数上限时主动通知用户,避免"静默失败"。这一模式将可变的业务逻辑(如审计、限流、消息注入)从稳定的 Agent 核心循环中剥离。
在 README 中展示上榜徽章
[](https://github.fq6825.top/repo/langchain-ai/open-swe)