在過去一年中，許多工程組織都構建了內部編碼智能體，以協助開發團隊工作。Stripe 開發了 Minions，Ramp 構建了 Inspect，Coinbase 創建了 Cloudbot。這些系統通過 Slack、Linear 和 GitHub 等現有工作流集成，無需工程師採用新界面。儘管這些系統獨立開發，但它們都收斂於相似的架構模式：隔離的雲沙箱、精選工具集、子智能體編排以及開發人員工作流集成。這種趨同表明，在生產工程環境中部署 AI 智能體存在一些共同要求。
今天，我們發佈了 Open SWE，這是一個開源框架，以可定製形式捕捉了這些模式。Open SWE 基於 Deep Agents 和 LangGraph 構建，提供了我們在這些實現中觀察到的核心架構組件。如果你的組織正在探索內部編碼智能體，這可以作為一個起點。
生產部署中的模式
Stripe、Ramp 和 Coinbase 都構建了自己的內部編碼智能體。Kishan Dahya 撰寫了一篇精彩的文章，闡述了這些編碼智能體所做的不同架構決策。我們總結如下，然後深入探討 Open SWE 在這些維度上的表現。
- 隔離執行環境：任務在專用雲沙箱中運行，擁有完全權限但受嚴格邊界限制。這隔離了任何錯誤對生產系統的影響範圍，同時允許智能體無需每次操作都請求批准即可執行命令。
- 精選工具集：據 Stripe 工程團隊稱，他們的智能體可訪問約 500 個工具，但這些工具是經過精心挑選和維護的，而非隨時間累積。工具精選比數量更重要。
- Slack 優先調用：這三個系統都將 Slack 集成作為主要界面，讓開發人員在現有的溝通工作流中工作，而無需切換到新應用程序。
- 啓動時豐富上下文：這些智能體在開始工作前，會從 Linear 問題、Slack 線程或 GitHub PR 中拉取完整上下文，減少通過工具調用發現需求的開銷。
- 子智能體編排：複雜任務會被分解並委派給專門的子智能體，每個子智能體擁有獨立的上下文和明確職責。
這些架構選擇已在多個生產部署中被證明有效，但組織可能需根據自身環境和需求調整具體組件。
Open SWE 的架構
Open SWE 提供了類似架構模式的開源實現。以下是框架與我們所觀察到的模式的映射：
- 智能體框架：基於 Deep Agents 構建：Open SWE 並未復刻現有智能體或從頭構建，而是基於 Deep Agents 框架組合而成。這種方法類似於 Ramp 的團隊在 OpenCode 基礎上構建 Inspect。組合提供了兩個優勢：升級路徑（當 Deep Agents 改進時，可整合改進而不必重建自定義內容）和無需復刻即可定製（可保留組織特定的工具、提示和工作流作為配置，而非修改核心智能體邏輯）。
- 沙箱：隔離雲環境：每個任務在自己的隔離雲沙箱中運行，這是一個具有完整 shell 訪問權限的遠程 Linux 環境。倉庫被克隆進去，智能體獲得完全權限，任何錯誤都被限制在該環境中。Open SWE 開箱即支持多種沙箱提供商：Modal、Daytona、Runloop、LangSmith，你也可以實現自己的沙箱後端。
- 工具：精選而非累積：Open SWE 附帶一組精選工具，包括執行 shell 命令、獲取網頁、API 調用、Git 提交和打開 PR、更新 Linear 工單、回覆 Slack 線程，以及 Deep Agents 的內置工具。精心挑選的小型工具集更易於測試、維護和推理。當需要為組織添加額外工具時（內部 API、自定義部署系統、專用測試框架），可以顯式添加。
- 上下文工程：AGENTS.md + 源上下文：Open SWE 從兩個來源收集上下文。AGENTS.md 文件（如果倉庫根目錄存在）會被讀入沙箱並注入到系統提示中，編碼每個智能體運行應遵循的約定、測試要求、架構決策和團隊特定模式。源上下文：完整的 Linear 問題（標題、描述、評論）或 Slack 線程歷史會在智能體啓動前組裝並傳遞給智能體，無需額外工具調用即可提供任務特定上下文。這種雙層方法平衡了倉庫範圍的知識與任務特定信息。
- 編排：子智能體 + 中間件：Open SWE 的編排結合了兩種機制。子智能體：Deep Agents 框架支持通過任務工具生成子智能體。主智能體可以將獨立的子任務委派給隔離的子智能體，每個子智能體擁有自己的中間件棧、待辦事項列表和文件操作。中間件：確定性中間件鈎子在智能體循環周圍運行，例如在模型調用前注入後續消息、自動打開 PR 的 safety net、以及工具錯誤處理。這種智能體（模型驅動）與確定性（中間件驅動）編排的分離有助於平衡可靠性與靈活性。
- 調用：Slack、Linear 和 GitHub：Open SWE 遵循 Slack 作為主要調用界面的模式。在 Slack 中，@機器人 可在任何線程中提及，支持 repo:owner/name 語法指定倉庫。在 Linear 中，在問題上評論 @openswe 即可觸發。在 GitHub 中，在 PR 評論中標記 @openswe 可處理審查反饋。每次調用創建一個確定性線程 ID，後續消息路由到同一正在運行的智能體。
- 驗證：提示驅動 + 安全網：智能體被指示在提交前運行 linter、格式化程序和測試。open_pr_if_needed 中間件作為後備，如果智能體完成而未打開 PR，則自動處理。可以通過添加確定性 CI 檢查、視覺驗證或審查門控來擴展驗證層。
為何選擇 Deep Agents
Deep Agents 提供了使此架構可組合且可維護的基礎。上下文管理：長時間運行的編碼任務可能產生大量中間數據，Deep Agents 通過基於文件的存儲處理，將大型結果卸載而不是保留在對話歷史中，有助於防止上下文溢出。規劃原語：內置的 write_todos 工具提供了一種結構化的方式來分解複雜工作、跟蹤進度並根據新信息調整計劃。子智能體隔離：當主智能體通過任務工具生成子智能體時，該子智能體獲得自己的隔離上下文，不同子任務不會互相污染對話歷史。中間件鈎子：允許在智能體循環的特定點注入確定性邏輯，例如消息注入和自動 PR 創建。升級路徑：由於 Deep Agents 作為獨立庫積極開發，上下文壓縮、提示緩存、規劃效率等改進可以流入 Open SWE，無需重建自定義內容。
為你的組織定製
Open SWE 旨在作為一個可定製的基礎，而非成品。每個主要組件都是可插拔的：沙箱提供商、模型、工具、觸發器、系統提示和中間件。定製指南詳細介紹了每個擴展點並提供示例。
與內部實現的比較
下表展示了 Open SWE 與 Stripe（Minions）、Ramp（Inspect）和 Coinbase（Cloudbot）在公開信息基礎上的對比。核心模式相似，差異在於實現細節、內部集成和組織特定工具。
開始使用
Open SWE 現已託管在 GitHub 上。安裝指南指導你完成 GitHub 應用創建、LangSmith 設置、Linear/Slack/GitHub 觸發器和生產部署。定製指南展示如何為你的組織更換沙箱、模型、工具、觸發器、系統提示和中間件。該框架採用 MIT 許可，你可以復刻、定製並在內部部署。如果你在其基礎上構建了有趣的內容，我們很樂意聽取你的反饋。
多個工程組織已成功在生產中部署內部編碼智能體。Open SWE 提供了類似架構模式的開源實現，旨在適用於不同的代碼庫和工作流。我們仍在瞭解不同環境下的最佳實踐，但該框架為探索此方法的團隊提供了一個起點。