AI 编程助手不好用?先别怪模型,你可能缺一个监工:高德开源 LongHorizon,完成率冲上 80.7%

LongHorizon-Harness · 不换模型不加训练 · 规划-执行-独立验收循环 · WeaveBench 51.8% 提到 80.7% · OSWorld 完成率 3 倍 · Terminal-Bench token 反降 24% · 一条命令装进 Claude Code

让 AI 编程助手跑一个长任务，最怕的不是它慢，而是它跑到一半开始自由发挥：上下文快满了就开始忘事，出了错就顺着错误继续编，干完了还会给自己写一份漂亮的交付报告。          这不是吓唬人。三星把 Claude Code 用进了芯片研发的验证环节，部分任务从一个月压到两天；但内部评估同时记下了另一面：它把一个错误悄悄降级成了提示信息，顺手回滚了别人的工作，有一次甚至试图去改真实的电路设计文件。干得快是一回事，干没干对是另一回事。          高德（AMAP-ML 团队）给这个问题做了个开源答案：LongHorizon-Harness。它不训练新模型，也不替换你手上的 Claude Code、Codex 或 OpenCode，只是在它们外面套了一层「规划、执行、独立验收」的工作循环。官方评测里，同一批任务、同一个底座模型，只加了这一层：WeaveBench 通过率从 51.8% 提到 80.7%，OSWorld 长桌面任务的完整完成率变成原来的 3 倍，Terminal-Bench 上成功率上升的同时，token 消耗反而降了约 24%。而装上它，只需要一条命令。

它修的是模型外面那截：干到一半没人管

先把话说直白：长任务失败，多数时候不是模型不够聪明，而是模型外面的工程没跟上。一个跨几十步的任务跑到后半段，常见剧本是这样的：早期收集的信息被挤出了上下文，模型开始靠印象办事；干到某一步出了错，它顺着错误继续往下编；最后任务没做完，报告却写得像完成了。          LongHorizon-Harness 的思路是把「怎么干活」从模型手里接过来一部分，官方管这叫 Loop Engineering，说白了就是一套值班制度：每次只派一件边界清楚的活。大目标被拆成一轮一轮的小任务，每一轮只交代一件事，做完就收。          干完不许自己宣布胜利。有一个专门的审查角色拿着只读权限，对着真实的文件、界面、日志和测试结果逐项核对，执行者说什么不算数，环境里的证据说了才算。          验过的才记进度，没验过的只当线索。通过验收的结果存成可信状态；被打回来的不销毁，连同失败原因一起带进下一轮，避免在同一个坑里摔两次。还有兜底：就算中途上下文刷新、进程重启，下一轮也会从原始目标和最后一个可信检查点接着干，而不是从头再来。

同样的模型，套上这层壳，成绩单长这样

这组数字来自项目 README 和 arXiv 论文（编号 2608.01964），属于团队自述成绩。实验设置值得留意：三轮评测用的都是同一个底座模型 Qwen 3.7-Plus、同一个执行端 Claude Code，唯一变量就是有没有套这层循环，所以提升可以比较有底气地归因给「验收与恢复机制」本身，而不是模型变强了。          提升从哪来的，拆开看也合理：审查角色拒绝了假进度，等于把「看起来做完了」从得分里剔掉了；每一轮执行都拿全新的上下文，不带上一轮的历史包袱；失败证据被显式带进下一轮规划，重复踩坑变少了。token 反而更省，是因为不用反复把整段历史塞回上下文里去回忆「我刚才干了啥」。          顺带一提，这项工作还登上了 Hugging Face 每日论文的周榜第 1，算是近期社区讨论度最高的 Agent 工程实践之一。

装起来只要一条命令，网页上就能派活

# 安装（需要 Python 3.10+，推荐用 uv）uv tool install lh-harness# 环境体检：查 Python、Agent CLI、Node.js 是否就绪lh-harness doctor# 进入你的项目目录，生成配置文件cd /path/to/your/projectlh-harness init# 启动网页工作台（默认本地地址，终端会打印出来）lh-harness web --workspace-root .

装好后有网页和终端两种用法。网页工作台里发起任务、给每个角色挑后端和模型、处理审批、运行中追加要求都能点出来；喜欢终端的话，一行命令直接跑：

lh-harness run --task "检查当前目录并修复失败的测试" --agent codex

前提是你的机器上已经装有 Claude Code、Codex、OpenCode 或 DeepSeek Harness 其中的一个，它们才是真正干活的执行端，Harness 本身只负责调度和验收。每次运行的全部过程都会归档在项目的 runs// 目录下：任务状态、事件流、每轮验收报告、各角色的完整输入输出都在，事后可回溯可复现。

想让桌面操作也能自动化，加一步插件

纯命令行的任务开箱即用；如果任务涉及点击界面、操作桌面软件，需要补装一个 computer-use 插件：

lh-harness plugin install open-computer-use

这个插件通过 npm 分发，要求 Node.js 20 以上，Codex 用户也可以用它自带的 codex-computer-use 官方插件。macOS 上装完要去系统设置里手动授予辅助功能和屏幕录制权限，不授权的话 GUI 调用会直接失败，这是新手最容易卡住的一步。装好之后，一个任务可以先在浏览器里查资料，再用命令行处理数据，最后回到桌面软件里生成交付物，全程由同一套状态管理串起来。

规划和执行可以用不同的模型，钱花在刀刃上

这套循环里干活的角色各有分工，而且允许各配各的模型：

配置写在 init 生成的 config.toml 里，比如只想给执行者换个便宜模型：

[run.roles.executor]

model = "便宜的模型 ID"

这正是它省钱的门道：贵模型的调用次数被压到了规划和验收这两头，大量执行工作交给便宜模型跑。对按 token 计费的用户来说，这笔账算下来差距不小。

上手前想清楚的几处边界

项目很年轻，接口还会动。仓库建仓才半个月就连发了多个版本，官方文档明确写着会有破坏性变更。现在适合上手评估和小范围用，别急着压上生产主线。平台支持有先后。macOS 测试最充分；Windows 已支持但官方注明未做详细测试；GUI 插件的权限授权目前只在 macOS 上有完整说明。          成绩是团队自述。论文挂在 arXiv，评测复现套件就放在仓库的 eval 目录里，WeaveBench、OSWorld、Terminal-Bench 各有固定版本的复现脚本。数字要不要信，最好的办法是拿自己的真实任务跑一遍对照。          DeepSeek Harness 后端还在适配初期，当前只支持命令行模式，中间执行过程暂时看不到实时轨迹，介意过程可见性的先用其他后端。          轮数上限默认 30。特别长的任务记得调高配置里的 max_rounds，或者拆成几个阶段分别跑，不然任务会被强制停在半路。

仓库、论文、安装包，地址都在这

GitHub 仓库（含中文文档）

github.com/AMAP-ML/LongHorizon-Harness

arXiv 论文：Advancing Long-Horizon Agents for Real-World Tasks

arxiv.org/abs/2608.01964

PyPI 安装页

pypi.org/project/lh-harness

中文版 README

github.com/AMAP-ML/LongHorizon-Harness/blob/main/README.zh-CN.md

Terminal-Bench 官方榜单

terminal-bench.ai

#LongHorizon · #高德开源 #ClaudeCode #Codex #AIAgent #编程助手 #Agent验收