penguin-harness
Prism-Shadow/penguin-harness加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
你还在为配置 AI Agent 的提示词而反复调参吗？还在头疼 AI 输出的代码质量参差不齐、每次都要手动 Review 吗？一位独立开发者带来了一个让人眼前一亮的答案——PenguinHarness，一个运行在你桌面或服务器上的自动化 Agent 构建平台。它自称"Agent 构建工厂"，用 DeepSeek 或 GPT 作为底层模型，一键生成能够自编程、自改进的 AI 智能体，成本低至每次任务 0.02 美元。
这个项目在 GitHub 上迅速获得了近千颗星，登上了 Product Hunt 首页推荐。它究竟解决了什么问题？为什么能吸引这么多开发者的目光？
在 PenguinHarness 出现之前，AI Agent 的开发方式通常是：选定一个基础模型，编写一堆提示词（Prompt），然后祈祷它能完成任务。一旦效果不好，就继续改 Prompt、改模型参数……周而复始。这种模式有几个显著痛点：
第一，Prompt 工程门槛高，效果不稳定。 同一个任务，换一个表达方式，AI 的输出可能天差地别。爱好者往往花了大量时间"炼丹"，却收效甚微。
第二，Agent 缺乏自我改进能力。 传统的 AI 助手是"一次性"执行——执行完就结束了，不会从错误中学习，下次遇到同样的问题还是可能犯同样的错误。
第三，部署门槛高。 想在本地跑一个真正能用的 Agent，既要懂大模型 API 调用，又要处理文件读写、代码执行等"环境接口"，技术栈复杂，让很多非专业用户望而却步。
PenguinHarness 的开发者 Prism-Shadow 正是看到了这些痛点，决定打造一个低门槛、高度自动化的 Agent 构建平台。他的目标是：让任何人都能一键创建能够自我编程、自我改进的 AI 智能体，而且能跑在自己的电脑上，不用把数据交给第三方。
PenguinHarness 的核心引擎是 @prismshadow/penguin-core，它基于业界成熟的 ReAct（Reason + Act）循环架构。顾名思义，ReAct 循环让 AI 在"思考（Reason）"和"行动（Act）"之间反复迭代——每执行一个工具调用后，根据结果更新上下文，再决定下一步行动，形成一个持续运转的"思考-执行-反思"闭环。
这个闭环通过一套自研的 OmniMessage 协议 来协调所有模块之间的通信。OmniMessage 是一个标准化的消息格式，定义了 Agent 与 LLM（大模型）、与工具执行环境之间的所有交互契约。任何支持 OmniMessage 的模块都可以无缝接入这个系统。
项目使用了 @prismshadow/agenthub 作为 LLM 网关，支持 DeepSeek、GPT 等多种模型。工具执行则通过 EnvironmentInterface 接口抽象，允许接入文件系统、终端命令、网络请求等各种运行环境。开发者可以自由替换底层的模型或工具，而无需改动上层的 Agent 逻辑。
PenguinHarness 采用了 pnpm monorepo 结构，主目录下包含 8 个子包，每个包各司其职：
| 子包 | 职责 |
|---|---|
@prismshadow/penguin-core | SDK + 执行引擎：ReAct 循环、OmniMessage 协议、Session 与 Trace |
@prismshadow/penguin-cli | 命令行工具：交互式 REPL、单次任务执行、模型配置、Web 服务启动 |
@prismshadow/penguin-server | Web 后端：Hono 框架 + SQLite，多用户认证、Session 管理、Usage 统计 |
@prismshadow/penguin-web | React 19 + Vite + Tailwind CSS 4 前端：OmniMessage 流式渲染 |
@prismshadow/penguin-desktop | Electron 桌面应用：跨平台 GUI |
@prismshadow/penguin-landing | 官网落地页 |
@prismshadow/penguin-docs | 文档站 |
@prismshadow/penguin-skills | 可复用的 Agent 技能库 |
Session 与 Trace 机制是架构中一个亮点：Agent 的每一次运行状态都被完整记录在 append-only 的 Trace 文件中，存储在本地 ~/.penguin/data/ 目录下。这意味着 Agent 具备天然的"记忆"能力——重启后可以从上次中断的地方无缝恢复，这是很多云端 Agent 服务无法做到的优势。
Server 端的存储策略也很有讲究：SQLite（Node 内置的 node:sqlite，WAL 模式）只存储索引和聚合数据（用户认证、项目授权、Session 索引、Usage 记录），而 Agent 的状态、Traces 和工作空间则全部以文件形式保存在 ~/.penguin/data/ 下，与 SDK 和 CLI 完全共享。这种"数据库轻量化 + 文件系统主体化"的设计，既保证了查询性能，又避免了数据锁定和迁移的麻烦。
macOS / Linux：
curl -fsSL https://get.penguin.ooo | sh
# 或者手动
curl -L https://penguin.ooo/install.sh | sh
Windows：
irm https://penguin.ooo/install.ps1 | iex
通过 npm（需要 Node >= 24）：
npm install -g @prismshadow/penguin-cli
方式一：单次任务（最简单）
export DEEPSEEK_API_KEY=sk-xxxx
penguin run -m "在当前目录创建一个 README.md，内容为项目介绍"
方式二：交互式 REPL（适合探索）
penguin chat
# 进入交互模式，支持 /compact（上下文压缩）、/exit、Ctrl-C 中断等命令
方式三：启动 Web 服务（完整 GUI）
penguin web
# 自动打开 http://127.0.0.1:7364 的 Web 界面
方式四：作为 SDK 集成到自己的代码
import { createAgent, isCompleteModelMessage, userText } from "@prismshadow/penguin-core";
const agent = await createAgent({ agentId: "my_agent" });
const session = await agent.createSession({ workspaceDir: process.cwd() });
for await (const output of session.run([userText("创建 hello.txt，内容为 hi")], {
approve: async () => "allow", // 每次工具调用的审批策略
})) {
if (isCompleteModelMessage(output) && output.payload.type === "text") {
console.log(output.payload.text);
}
}
工具调用审批策略支持四种模式：allow-all（默认）、deny-all、read-only（仅允许读操作）和 always-ask（每次都弹出确认）。这给了用户从"完全放权"到"严格管控"的灵活选择。
1. 自进化能力（Self-Evolving Agent）
项目名称 PenguinHarness 本身就暗示了"Harness"（驾驭）的含义——你不仅能创建 Agent，还能让 Agent 自主改进自己。示例中包含 self-improving-agent 和 build-agent-with-agent 两个用例，展示了 Agent 如何递归地构建更强大的 Agent。这是当前 AI Agent 领域的一个前沿方向。
2. 零数据泄露的本地化运行
所有数据（Agent 状态、Traces、工作空间）都保存在本地 ~/.penguin/ 目录下，不需要云端中转。这意味着即使用 DeepSeek 或 GPT 等商业模型，本地的工作文件也不会被第三方平台收集。对于注重隐私的企业用户，这一点很有吸引力。
3. OmniMessage 协议的解耦设计
通过 OmniMessage 协议，LLM 接口（LLMInterface）和工具执行接口（EnvironmentInterface）完全解耦。用户可以在不修改 Agent 逻辑的情况下，切换底层模型或运行环境，增加了系统的灵活性。
4. Electron 跨平台桌面应用
大多数同类项目只提供 CLI 或 Web 界面，PenguinHarness 额外提供了 Electron 桌面应用，对非技术用户更加友好，覆盖了更广泛的使用场景。
Node >= 24 的高版本要求是一个不容忽视的门槛。虽然 Node 24 目前是 LTS，但很多企业的 CI/CD 环境和服务器镜像默认安装的还是 Node 18 或 20，首次使用可能需要手动升级 Node 版本。
没有 Dockerfile 是另一个值得注意的点。对于习惯用 Docker 部署的用户，目前需要自己包装一层。考虑到项目本身的技术栈（Node + Electron），Docker 化本身并不困难，但毕竟增加了一步工作量。
Self-Evolving Agent 的可靠性也是潜在风险。自编程 Agent 在理论上很有吸引力，但实际效果取决于底层模型的代码生成能力和自我反思的准确性。在复杂任务中，Agent 可能会陷入循环改进或生成有 bug 的代码，需要人工介入兜底。
PenguinHarness 代表的，是一个从"人写 Prompt"到"AI 构建 AI"的范式跃迁。随着大模型能力的不断提升，能够自主编写代码、自主优化策略的 AI Agent 将变得越来越实用。这类工具的兴起，将进一步降低 AI 应用开发的门槛，让更多没有深厚编程背景的爱好者也能参与到 AI 应用的构建中来。
从技术趋势看，Agent Framework 的模块化、可插拔设计正在成为主流。PenguinHarness 的 OmniMessage 协议和 Interface 抽象，正是这一趋势的体现。它让我们看到了一个可能的未来：AI Agent 就像乐高积木，用户可以自由组合不同的模型、工具和技能，构建出真正个性化的 AI 助手。
如果你对 AI Agent 感兴趣，想在自己的电脑上实验"自进化 AI"，PenguinHarness 是一个值得一试的起点——安装简单，有 Web UI，有 CLI，有桌面应用，选择丰富，且数据完全留在本地。
