loushang

娄尚 Loushang：让复杂软件工作从"灵光一现"变成"可交付成果"

一位开发者的困境，和一个框架的诞生

你在凌晨两点写完了一个 AI 功能的 PR，合上电脑睡觉了。第二天早上 code review 指出三个边界 case 有问题，你打开电脑，发现 AI 的上下文窗口已经被截断，昨晚的"完美方案"只剩残缺的对话记录。你不记得它当时是怎么推理的，也不确定它改了哪些文件。

这不是你的问题。这是整个 AI Coding 工具链的共同困境：上下文丢失、执行不可恢复、工具调用缺乏治理、结果没有验收闭环。

Loushang（娄尚）正是为解决这个问题而来。它将自己定位为"方法原生的 AI 工作系统（Method-Native AI Work System）"，目标不是让 AI 模型更聪明，而是让复杂的人类工作变得更可靠、更可审计、更可交付。

Loushang 这个名字来自"楼上"——寓意从高处俯瞰全局，不只是在单次对话的迷雾里打转。

核心技术架构：四层抽象的 Agent Harness

Loushang 采用分层架构，通过清晰的模块边界组织复杂逻辑：

1. Agent 层（src/loushang/agent/） 核心是 agent_loop.py 中的 Agent Loop 引擎，负责"感知→推理→执行"的循环驱动。它不直接调用模型，而是通过 Proxy 模块与 Harness 层交互，实现了"谁在调用"和"用什么模型"之间的解耦。

2. Harness 层（src/loushang/harness/） Harness 是 Loushang 最核心的抽象概念——它将 Agent 的执行能力"套上马具"，提供统一的调度、状态管理和可观测性接口。runner.py 负责工作流的实际执行，types.py 定义了 Harness 的数据类型约束。

3. AI 层（src/loushang/ai/） loushang.ai 是一个独立的 Python SDK，封装了对多个 AI Provider 的统一访问。依赖声明中包含：anthropic>=0.89.0（Claude 系列）和 openai>=2.30.0（GPT 系列）。SDK 支持：

• Provider 路由：自动识别并调用 Claude、GPT、DeepSeek、Qwen、Kimi、GLM、MiniMax 等多个模型
• 流式输出：通过 httpx>=0.28,<1 实现流式响应
• 工具调用：标准化的 function calling 接口
• 成本估算：内置 token 计费和成本统计

4. Coding/Session 层（src/loushang/coding/） 这是 loushang code CLI 的核心实现，包含 293 个文件。其中：

• 持久会话：对话状态序列化存储，支持 resume（恢复）、fork（分叉）、export（导出）
• TUI 界面（src/loushang/tui/）：基于 Rich 库的终端用户界面，提供交互式操作
• 诊断工具：内置调试和运行诊断能力

方法系统：Loushang 的差异化核心

Loushang 最有特色的设计是"方法（Method）"概念（src/loushang/method/）。方法不是简单的 prompt 模板，而是一套结构化的工作契约，定义了：

• 角色（Roles）：谁参与这个工作流程
• 阶段（Stages）：工作如何分阶段推进
• 约束（Constraints）：边界条件和验收标准
• 工作产物（Work Products）：每个阶段的产出物

方法通过 method/compiler.py 编译成可执行计划，通过 method/applicability.py 判断当前任务是否适用该方法。这使得 Loushang 能用"方法论"而非"单次 prompt"来组织 AI 工作流。

代码质量：专业级别的工程实践

从 pyproject.toml 可以看出项目有极高的工程标准：

• 类型提示：核心模块启用 mypy 严格模式（disallow_untyped_defs = true）
• 代码规范：ruff linter + formatter，选用 PEP8 + 安全规则（E4/E7/E9/F）
• 测试框架：pytest + pytest-cov，测试路径为 tests/
• 包管理：采用 setuptools + src/ 布局，源码隔离
• Python 版本：要求 >= 3.11，拥抱现代 Python 语法

代码库规模适中（约 1500 个文件），模块边界清晰，coding/ 和 ai/ 子包各自独立，耦合度低。

适用场景与局限

适合的场景：

• 多模型切换的 AI 编码工作流（需要统一调度不同 Provider）
• 需要持久化、可回溯的 AI 编程会话
• 对 AI 执行过程有可观测性要求的团队
• 基于方法论规范 AI 行为的开发流程

局限：

• 无 Docker 部署支持，不适合容器化环境
• 无 Web UI，纯 CLI/TUI 交互，入门有一定门槛
• 仍处于早期活跃开发阶段（版本 0.1.0），API 稳定性无法保证
• 方法系统的实际效果依赖于预定义方法的完备程度

行业意义：Agent Harness 的中国声音

Loushang 的出现在一定程度上代表了中国开发者对 AI Agent 框架的理解路径。与 AutoGPT、CrewAI 等海外框架相比，Loushang 更强调方法论和工作产物交付，而非单纯的 Agent 自主性。它的方法系统实际上是在尝试给 AI Agent 提供"工作规范"，而非放任 AI 自由探索。

这种思路与软件工程中的"TDD（测试驱动开发）"、"方法论驱动"等传统有异曲同工之妙——不是让 AI 随意发挥，而是用结构化方法约束 AI 的行为空间，保证最终产物的质量可控。

371 星的社区关注度在 AI Coding 细分领域已属可观，未来随着 V2（loushang work 个人工作台）和 V3（daemon + 方法市场）的推进，生态有望进一步扩展。