像 Stripe、Ramp 和 Coinbase 这样的顶尖工程团队正在构建各自的内部编码智能体——Slack 机器人、命令行工具和 Web 应用程序，这些工具直接集成到工程师的工作环境中。这些智能体与内部系统相连，具备恰当的上下文、权限控制和安全边界，能够在极少人工干预的情况下运行。

Open SWE 就是这一模式的开源版本。它基于 LangGraph 和 Deep Agents 构建，为你提供了与上述公司内部架构相同的体系：云端沙盒、通过 Slack 和 Linear 调用、子智能体编排以及自动创建 Pull Request——一切皆可针对你的代码库和工作流进行定制。

[!NOTE] 💬 请阅读 公告博客文章 这里

---

架构

Open SWE 延用了最佳内部编码智能体的核心架构设计。以下是它如何对应 这篇概述 中描述的 Stripe 的 Minions、Ramp 的 Inspect 和 Coinbase 的 Cloudbot 等模式：

1. 智能体框架 — 基于 Deep Agents 组合

不同于 fork 现有智能体或从头开始构建，Open SWE 是在 Deep Agents 框架之上进行组合——这与 Ramp 基于 OpenCode 构建的方式类似。这种方式既为你提供了升级路径（可引入上游改进），又允许你根据自身组织的需求自定义编排、工具和中间件。

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, ...],
)

2. 沙盒 — 隔离的云环境

每个任务都在其独立的隔离云沙盒中运行——这是一个具有完整 shell 访问权限的远程 Linux 环境。代码仓库会被克隆进去，智能体获得完全权限，任何失误的影响范围都被完全限制在沙盒内。无需生产环境访问权限，也无需额外确认提示。

Open SWE 开箱即用地支持多家沙盒提供商——Modal、Daytona、Runloop 和 LangSmith——同时你也可以接入自己的服务。详情请参阅自定义指南。

这遵循了三家公司在实践中共同认可的原则：先隔离，再赋予边界内的完全权限。

• 每个线程都会拥有一个持久化的沙盒（可在后续消息中重复使用）
• 如果沙盒无法访问，会自动重建
• 多个任务可以并行执行——每个任务都在独立的沙盒中运行，无需排队

3. 工具 — 精选而非堆砌

Stripe 的关键洞见是：工具的精选比数量更重要。 Open SWE 也秉持这一原则，采用精简而专注的工具集：

工具	用途
execute	在沙盒中执行 Shell 命令
fetch_url	以 Markdown 格式抓取网页内容
http_request	发起 API 请求（GET、POST 等）
commit_and_open_pr	提交 Git 提交并打开 GitHub 草稿 PR
linear_comment	向 Linear 任务发布更新
slack_thread_reply	在 Slack 线程中回复

此外，还内置了 Deep Agents 的工具：read_file、write_file、edit_file、ls、glob、grep、write_todos 和 task（用于启动子智能体）。

4. 上下文工程 — AGENTS.md + 源代码上下文

Open SWE 从两个来源获取上下文：

• AGENTS.md — 如果代码仓库根目录下存在 AGENTS.md 文件，则会在沙盒中读取该文件，并将其注入到系统提示中。这相当于 Stripe 规则文件的仓库级版本：编码规范、测试要求和架构决策等，确保每次智能体运行时都遵循这些规则。
• 源代码上下文 — 整个 Linear 问题（标题、描述、评论）或 Slack 线程历史会被汇总后传递给智能体，使其一开始就拥有丰富的上下文，而不是通过工具调用来逐步获取信息。

5. 编排 — 子智能体 + 中间件

Open SWE 的编排分为两层：

子智能体： Deep Agents 框架原生支持通过 task 工具启动子智能体。主智能体可以将独立的任务分发给隔离的子智能体——每个子智能体都有自己的中间件栈、待办事项列表和文件操作权限。这类似于 Ramp 为并行工作启用的子会话。

中间件： 确定性的中间件钩子会围绕智能体循环运行：

• check_message_queue_before_model — 在下一次模型调用之前，注入后续消息（例如在运行过程中到达的 Linear 评论或 Slack 消息）。你可以在智能体工作时发送消息，它会在下一步处理你的输入。
• open_pr_if_needed — 智能体完成任务后的安全网，如果智能体未自行提交并打开 PR，则由中间件代为完成。这是 Stripe 确定性节点的轻量级版本——确保无论大模型行为如何，关键步骤都能被执行。
• ToolErrorMiddleware — 优雅地捕获并处理工具错误。

6. 调用方式 — Slack、Linear 和 GitHub

文章中提到的三家公司的做法都一致地将 Slack 作为主要的调用入口。Open SWE 也是如此：

• Slack — 在任意线程中提及机器人即可。支持 repo:owner/name 语法来指定要操作的仓库。代理会在该线程中回复状态更新和 PR 链接。
• Linear — 在任意问题下评论并 @openswe。代理会读取完整的问题上下文，以 👀 表情回应以表示已接收，并将结果作为评论返回。
• GitHub — 在代理创建的 PR 的评论中标记 @openswe，以便它根据评审反馈进行修改，并将修复直接推送到同一分支。

每次调用都会生成一个确定性的线程 ID，因此针对同一问题或线程的后续消息都会路由到同一个正在运行的代理。

7. 验证机制 — 提示驱动 + 安全保障

代理被指示在提交代码前先运行 linter、格式化工具和测试。open_pr_if_needed 中间件则起到了兜底作用——如果代理完成任务后未打开 PR，中间件会自动代为处理。

这一部分是你可以为组织扩展 Open SWE 的地方：添加确定性的 CI 检查、可视化验证或评审门控等作为额外的中间件。具体方法请参阅 自定义指南。

---

对比

决策	Open SWE	Stripe（Minions）	Ramp（Inspect）	Coinbase（Cloudbot）
框架	组合式（Deep Agents/LangGraph）	分支式（Goose）	组合式（OpenCode）	从零构建
沙箱	可插拔式（Modal、Daytona、Runloop 等）	AWS EC2 开发机（预热）	Modal 容器（预热）	自建
工具	约 15 个，精选	约 500 个，按代理分别精选	OpenCode SDK + 扩展	MCPs + 自定义技能
上下文	AGENTS.md + 问题/线程	规则文件 + 预填充	OpenCode 内置	以 Linear 为主 + MCPs
编排	子代理 + 中间件	蓝图（确定性 + 代理式）	会话 + 子会话	三种模式
调用方式	Slack、Linear、GitHub	Slack + 内嵌按钮	Slack + Web + Chrome 扩展	Slack 原生
验证	提示驱动 + PR 安全网	三层验证（本地 + CI + 一次重试）	DOM 可视化验证	代理委员会 + 自动合并

---

功能特性

• 可从 Linear、Slack 或 GitHub 触发 — 在评论中提及 @openswe 即可启动任务
• 即时确认 — 一旦接收到你的消息，便会以 👀 表情作出回应
• 任务执行中也可发送消息 — 在任务进行中发送后续消息，代理会在执行下一步之前接收并处理
• 可并行运行多个任务 — 每个任务都在独立的云端沙箱中运行
• 内置 GitHub OAuth — 自动使用你的 GitHub 账户进行身份验证
• 自动打开 PR — 完成更改后会提交并打开草稿 PR，同时将其链接回你的工单
• 子代理支持 — 代理可以派生出子代理来并行处理子任务

---

快速入门

• 安装指南 — 创建 GitHub 应用、配置 LangSmith、设置 Linear/Slack/GitHub 触发器，以及部署到生产环境
• 自定义指南 — 根据你组织的需求，替换沙箱、模型、工具、触发方式、系统提示词和中间件

许可证

MIT

Open SWE 快速上手指南

Open SWE 是一个开源框架，旨在帮助组织构建内部的编码智能体（Coding Agent）。它基于 LangGraph 和 Deep Agents 构建，支持通过 Slack、Linear 或 GitHub 触发任务，在隔离的云沙箱中执行代码修改，并自动提交 Pull Request。

环境准备

在开始之前，请确保满足以下系统要求和前置依赖：

• 操作系统: Linux 或 macOS (Windows 用户建议使用 WSL2)。
• Python 版本: Python 3.10 或更高版本。
• 包管理工具: pip 或 uv (推荐)。
• 账户与权限:
  • GitHub 账号: 用于创建 PR 和克隆仓库。
  • 大模型 API Key: 支持 Anthropic (Claude), OpenAI 等主流模型。
  • 沙箱提供商账号: 需注册其中一个云沙箱服务以提供隔离运行环境，支持 Modal, Daytona, Runloop 或 LangSmith。
  • 集成平台账号 (可选): 若需通过聊天工具触发，需准备 Slack Bot Token 或 Linear API Key。

注意: 国内开发者访问部分云服务（如 Modal 或 GitHub API）时可能需要配置网络代理。

安装步骤

推荐使用 uv 进行快速安装和管理依赖，也可以使用标准的 pip。

1. 克隆项目

git clone https://github.com/langchain-ai/open-swe.git
cd open-swe

2. 创建虚拟环境并安装依赖

方式 A：使用 uv (推荐)

uv venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
uv pip install -e .

方式 B：使用 pip

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -e .

3. 配置环境变量

在项目根目录创建 .env 文件，填入必要的密钥信息。以下是最小化配置示例：

# 大模型配置 (以 Anthropic 为例)
export ANTHROPIC_API_KEY="your_anthropic_key"
export MODEL="anthropic:claude-opus-4-6"

# 沙箱配置 (以 Modal 为例)
export MODAL_TOKEN_ID="your_modal_token_id"
export MODAL_TOKEN_SECRET="your_modal_token_secret"
export SANDBOX_PROVIDER="modal"

# GitHub 配置 (用于自动提 PR)
export GITHUB_OAUTH_TOKEN="your_github_token"

# 触发器配置 (根据需求选择)
# export SLACK_BOT_TOKEN="xoxb-..."
# export LINEAR_API_KEY="..."

基本使用

Open SWE 的核心工作流是：接收任务 -> 启动沙箱 -> 执行编码 -> 提交 PR。

场景一：通过命令行直接运行任务

这是最直接的测试方式，无需配置 Slack 或 Linear，直接在终端指定仓库和任务描述。

python -m open_swe.cli \
  --repo-owner langchain-ai \
  --repo-name open-swe \
  --task "Fix the typo in the README.md file where 'enviroment' should be 'environment'." \
  --model "anthropic:claude-opus-4-6"

执行流程说明：

1. 命令执行后，Open SWE 会自动在配置的沙箱提供商处创建一个隔离的 Linux 环境。
2. 克隆指定的 GitHub 仓库到沙箱中。
3. 智能体读取任务描述，分析代码，执行修复命令（如 sed 或文件编辑）。
4. 运行完成后，自动提交更改并在 GitHub 上创建一个 Draft Pull Request。
5. 终端将输出 PR 链接供你查看。

场景二：通过配置文件自定义智能体行为

若需针对特定仓库定制规则，可在仓库根目录创建 AGENTS.md 文件。智能体会自动读取该文件作为系统提示词的一部分，遵循其中的编码规范和测试要求。

示例 AGENTS.md 内容：

# Coding Guidelines for this Repo
- Always run `pytest` before committing.
- Use type hints for all function definitions.
- Prefer async/await patterns for I/O operations.

放置该文件后，再次运行上述 CLI 命令，智能体将自动遵循这些约束。

场景三：集成到协作工具 (Slack/Linear)

完成基础测试后，可参考官方 Installation Guide 部署为后台服务。部署成功后：

• Slack: 在任何线程中提及 @openswe repo:owner/name，机器人会即时回复 👀 并开始处理。
• Linear: 在 Issue 评论中提及 @openswe，机器人会自动读取完整_issue_上下文并执行任务。
• GitHub: 在由智能体创建的 PR 中评论 @openswe，它会根据反馈继续推送修复代码。

---

更多高级定制（如更换沙箱提供商、添加中间件、自定义工具集）请参阅项目中的 CUSTOMIZATION.md 文档。