open-swe：LangChain 开源的 8.7k Stars 企业内部编程 Agent 框架

目标读者：希望构建企业内部编程 Agent 的工程师和架构师 核心问题：如何像 Stripe/Ramp/Coinbase 一样构建自己的内部编程 Agent？ 难度：⭐⭐⭐⭐（专家设计） 来源：GitHub langchain-ai/open-swe，2026-03-28

一、项目概览

1.1 为什么这个项目值得关注

open-swe 是 LangChain 开源的企业内部编程 Agent 框架，源自 Stripe、Ramp、Coinbase 等顶级工程团队构建内部编程 Agent 的实践经验。

核心数据：

项目定位：

Open-source framework for building your org’s internal coding agent. 构建企业自己的内部编程 Agent 的开源框架

1.2 背景故事

Stripe、Ramp、Coinbase 等顶级工程组织都在构建自己的内部编程 Agent——Slackbots、CLI 和 Web 应用，让工程师在熟悉的工作环境中直接使用 AI 能力。

open-swe 是这些内部模式的 开源版本，基于 LangGraph 和 Deep Agents 构建，提供了与这些公司内部构建相同的架构：云端沙箱、Slack/Linear 调用、子 Agent 编排、自动 PR 创建——可定制适配自己的代码库和工作流程。

1.3 核心特色

二、技术架构

2.1 整体架构

open-swe 做出了与顶级内部编程 Agent 相同的核心架构决策：

┌─────────────────────────────────────────────────────────────┐
│                    open-swe 架构                              │
├─────────────────────────────────────────────────────────────┤
│  1. Agent Harness（基于 Deep Agents）                         │
│     ┌─────────────────────────────────────────────────┐     │
│     │  create_deep_agent(model, system_prompt, tools) │     │
│     └─────────────────────────────────────────────────┘     │
├─────────────────────────────────────────────────────────────┤
│  2. Sandbox（隔离云端环境）                                   │
│     Modal / Daytona / Runloop / LangSmith                   │
│     每任务独立沙箱，并行执行，全权限隔离                       │
├─────────────────────────────────────────────────────────────┤
│  3. Tools（精选 ~15 个工具）                                │
│     execute | fetch_url | http_request                       │
│     commit_and_open_pr | linear_comment | slack_thread_reply │
├─────────────────────────────────────────────────────────────┤
│  4. Context Engineering（上下文工程）                          │
│     AGENTS.md + Linear issue / Slack thread                 │
├─────────────────────────────────────────────────────────────┤
│  5. Orchestration（编排层）                                  │
│     子 Agent + Middleware                                   │
├─────────────────────────────────────────────────────────────┤
│  6. Invocation（触发入口）                                    │
│     Slack / Linear / GitHub                                 │
├─────────────────────────────────────────────────────────────┤
│  7. Validation（验证层）                                     │
│     Prompt-driven + PR Safety Net                           │
└─────────────────────────────────────────────────────────────┘

2.2 技术栈

2.3 核心目录结构

open-swe/
├── agent/              # Agent 核心实现
├── scripts/            # 工具脚本
├── static/             # 静态资源
├── tests/             # 测试套件
├── .github/workflows/  # CI/CD 工作流
├── CUSTOMIZATION.md    # 定制指南
├── INSTALLATION.md     # 安装指南
├── Makefile           # 构建脚本
├── pyproject.toml     # Python 项目配置
└── uv.lock            # 依赖锁定

三、七大架构模块详解

3.1 Agent Harness——基于 Deep Agents

open-swe 组合（compose） 而非从零构建或 Fork，基于 Deep Agents 框架构建。

create_deep_agent(
    model="anthropic:claude-opus-4-6",
    system_prompt=construct_system_prompt(repo_dir, ...),
    tools=[
        http_request,
        fetch_url,
        commit_and_open_pr,
        linear_comment,
        slack_thread_reply,
    ],
    backend=sandbox_backend,
    middleware=[
        ToolErrorMiddleware(),
        check_message_queue_before_model,
        ...
    ],
)

组合优势：

• 保持升级路径（可拉取上游改进）
• 完全定制编排、工具和中间件

3.2 Sandbox——隔离云端环境

每个任务在独立的隔离云端沙箱中运行——远程 Linux 环境，提供完整 Shell 访问。

核心原则：先隔离，再在边界内给予完整权限。

支持的沙箱提供商：

3.3 Tools——精选而非堆砌

Stripe 的关键洞察：工具 curation（精选）比工具数量更重要。

open-swe 遵循这一原则，提供少量聚焦的工具集：

内置 Deep Agents 工具：

• read_file、write_file、edit_file、ls、glob、grep
• write_todos（待办列表）
• task（子 Agent 生成）

3.4 Context Engineering——上下文工程

open-swe 从两个来源收集上下文：

AGENTS.md：

• 如果仓库根目录存在 AGENTS.md 文件，从沙箱读取并注入系统提示词
• 这是仓库级别的规则文件：编码规范、测试要求、架构决策

Source Context：

• 完整的 Linear Issue（标题、描述、评论）或 Slack 线程历史
• Agent 从丰富的上下文开始，而非通过工具调用逐步发现

3.5 Orchestration——子 Agent + 中间件

子 Agent：

• Deep Agents 框架原生支持通过 task 工具生成子 Agent
• 主 Agent 可以将独立子任务分散到隔离子 Agent
• 每个子 Agent 有自己的中间件栈、待办列表和文件操作

中间件：

• 确定性中间件钩子环绕 Agent 循环运行

3.6 Invocation——三大触发入口

每次调用创建确定性线程 ID，同一 Issue 或线程的后续消息路由到同一运行中的 Agent。

3.7 Validation——验证机制

Prompt-driven：

• Agent 被指示在提交前运行 linter、formatter 和测试

PR Safety Net：

• open_pr_if_needed 中间件作为后盾
• 如果 Agent 完成但未打开 PR，中间件自动处理

四、与顶级公司对比

五、快速开始

5.1 环境要求

5.2 安装步骤

# 1. 克隆仓库
git clone https://github.com/langchain-ai/open-swe.git
cd open-swe

# 2. 安装依赖
uv sync

# 3. 配置环境变量
cp .env.example .env
# 编辑 .env 填入必要的 API keys

# 4. 运行
make run

5.3 配置三大触发平台

Slack：

• 在 Slack 工作区安装 Bot
• 配置 SLACK_BOT_TOKEN 和 SLACK_SIGNING_SECRET

Linear：

• 创建 Linear App
• 配置 LINEAR_API_KEY

GitHub：

• 创建 GitHub App
• 配置 GITHUB_APP_ID 和 GITHUB_PRIVATE_KEY

详见 INSTALLATION.md

六、定制指南

open-swe 的每个组件都可以定制，详见 CUSTOMIZATION.md

6.1 可定制的组件

6.2 中间件扩展

from open_swe.middleware import CustomMiddleware

class MyMiddleware(CustomMiddleware):
    async def before_model(self, state):
        # 自定义逻辑
        return state

七、核心功能一览

八、适用场景

九、总结与展望

9.1 核心价值

open-swe 的核心价值在于将顶级工程公司的内部 Agent 模式开源，让每家企业都能构建自己的编程 Agent。

9.2 技术亮点

1. LangGraph 状态机：成熟的 Agent 编排能力
2. Deep Agents 组合：站在开源巨人的肩膀上
3. 云端沙箱隔离：安全与权限的完美平衡
4. 中间件架构：灵活扩展的验证和编排
5. 三大平台集成：覆盖主流工作流

9.3 资源链接

相关话题标签

#open-swe #LangChain #编程Agent #企业内部AI #Deep Agents

来源

• GitHub：https://github.com/langchain-ai/open-swe

open-swe 由 LangChain 团队开源，采用 MIT 许可证，基于 LangGraph 和 Deep Agents 构建。