Stripe 有 Minions，Ramp 有 Inspect，Coinbase 有 Cloudbot。这三家公司做了同一件事：造了自己的内部 AI 编程 Agent。不是用 Cursor 写代码，不是用 GitHub Copilot 补全，而是把 Agent 集成到 Slack、Linear、GitHub 里，让工程师在已有的工作流里直接调用 AI 干活——修 bug、写功能、开 PR。

但每家公司都从零开始造了一遍。

LangChain 觉得这件事不该重复做。所以他们开源了 Open SWE——一个内部编程 Agent 框架，直接复刻了 Stripe/Ramp/Coinbase 的架构模式。9.7k star，MIT 协议。

本文提纲

1. Open SWE 是什么、不是什么
2. 七层架构：从大厂模式提炼出来的设计
3. 触发方式：Slack、Linear、GitHub
4. 云沙箱：每个任务独立环境
5. 工具设计：精挑细选的 15 个
6. 和 OpenHands、SWE-bench 的区别
7. 实际用起来什么样

Open SWE 是什么、不是什么

先说清楚定位。

Open SWE 不是：
- 不是通用编程助手（那是 Cursor、Copilot 的定位）
- 不是跑 benchmark 的研究工具（那是 SWE-bench）
- 不是给你装个插件就能用的产品

Open SWE 是：
- 一个框架，用来搭建你组织内部的编程 Agent
- 你需要 clone 下来，按自己的代码库和工作流定制，然后部署
- 核心场景：工程师在 Slack 里 @Agent 修 bug，在 Linear 里让 Agent 接 issue，在 PR review 里让 Agent 改反馈

一句话总结：如果你所在的技术团队想拥有一个像 Stripe Minions 那样的内部 AI 编程工具，Open SWE 是起点。

七层架构：从大厂模式提炼出来的设计

Open SWE 的架构不是拍脑袋想出来的。README 里直接放了一张对比表，把 Stripe、Ramp、Coinbase 的方案和 Open SWE 的设计一一对应：

七层逐个说：

1. Agent Harness（组合式而非 fork）

Open SWE 没有从零造 Agent 引擎，也没有 fork 某个现有项目。它组合在 Deep Agents 框架之上——LangChain 的另一个项目，专门做 Agent 编排。好处是底层框架升级你能跟着走，坏处是多了一层抽象。

create_deep_agent(
    model="openai:gpt-5.5",
    system_prompt=construct_system_prompt(...),
    tools=[http_request, fetch_url, commit_and_open_pr, ...],
    backend=sandbox_backend,
    middleware=[ToolErrorMiddleware(), check_message_queue_before_model, ...],
)

2. Sandbox（每个任务独立环境）

每个任务跑在自己的云沙箱里——一个远程 Linux 环境，完整的 shell 权限。代码 clone 进去，Agent 在里面随便折腾，爆炸半径完全隔离。多个任务并行跑，互不干扰。

支持 5 种沙箱后端：

Stripe 用 AWS EC2 预热实例，Ramp 用 Modal 预热容器。Open SWE 把这些选项都留给了你。

3. Tools（精挑而非堆砌）

Stripe 有 500 个工具按 Agent 分配。Open SWE 选择了另一条路：~15 个精选工具，每个都有明确用途。

核心工具：

• execute — 在沙箱里执行 shell 命令
• commit_and_open_pr — Git commit 并开 draft PR
• fetch_url / http_request — 获取网页内容和调 API
• linear_comment / slack_thread_reply — 回复 Linear issue 和 Slack 线程
• web_search — 通过 Exa 搜索互联网

文件操作工具从 Deep Agents 继承：read_file、write_file、edit_file、ls、glob、grep。

4. Context（AGENTS.md + issue 上下文）

每个仓库放一个 AGENTS.md，写清楚代码规范、架构约定、注意事项。Agent 启动时自动读取并注入系统 prompt。加上 Linear issue 的完整内容（标题、描述、评论）或 Slack 线程历史，Agent 拿到的上下文是完整的。

还有一个 default_prompt.md 作为组织级别的默认指令。

5. Orchestration（子 Agent + 中间件）

task 工具可以派生子 Agent，每个子 Agent 有自己的中间件栈、todo 列表和文件操作。中间件做三件事：

• check_message_queue_before_model — Agent 运行中你可以追加消息，它会在下一步之前读取
• open_pr_if_needed — 兜底中间件，Agent 忘了开 PR 的话自动补上
• ToolErrorMiddleware — 工具调用出错时捕获和处理

6. Invocation（三入口）

这是 Open SWE 和通用编程助手最大的区别——Agent 不在编辑器里，在你的工作流里。

7. Validation（prompt 驱动 + 安全网）

Agent 被指示在 commit 前跑 lint、format、test。open_pr_if_needed 中间件是兜底。

触发方式：Slack、Linear、GitHub

三种触发方式，各自独立：

Slack： 在任何线程里 @Agent，加上 repo:owner/name 指定仓库。Agent 立刻回复 表示收到，然后去沙箱里干活。干完把结果贴回线程。

Linear： 在 issue 评论里 @openswe。Agent 读取完整 issue 上下文（标题、描述、所有评论），然后开始工作。完成后在 issue 里贴评论并关联 PR。

GitHub： 在 PR 评论里 @openswe。Agent 读取 PR diff 和 review comments，针对反馈做修改，直接推送到 PR 分支。

这三种方式覆盖了工程师日常工作的三个核心场景：讨论（Slack）、排任务（Linear）、代码审查（GitHub）。Agent 就嵌入在这些流程里，不需要额外打开任何工具。

云沙箱：每个任务独立环境

沙箱是整个架构里最关键的基建决策。为什么不用本地环境？

1. 隔离性 — Agent 在沙箱里可以随便执行命令，不怕搞坏任何东西
2. 并行性 — 多个任务同时跑，每个独立沙箱，不排队
3. 持久性 — 关掉 Slack 窗口，沙箱还在跑。后续消息复用同一个沙箱
4. 可重建 — 沙箱不可达时自动重建，不丢失进度（repo 从 PR 状态恢复）

沙箱从 Docker 镜像创建（bracelangchain/deepagents-sandbox:v1），每个约 32GB 文件系统空间。可以预装团队的常用工具链。

创建沙箱快照的代码：

from langsmith.sandbox import SandboxClient

client = SandboxClient(api_key="<your key>")
snapshot = client.create_snapshot(
    name="open-swe",
    docker_image="bracelangchain/deepagents-sandbox:v1",
    fs_capacity_bytes=32 * 1024**3,
)

工具设计：精挑细选的 15 个

和 Stripe 的 500 个工具相比，15 个看起来太少。但这是有意为之的设计选择：

• 500 个工具意味着每个 Agent 只分配一小部分，需要复杂的路由逻辑
• 15 个工具意味着每个 Agent 都有完整能力集，路由简单
• 不够用时，自己加。自定义工具就是一个 Python 函数：

# agent/tools/datadog_search.py
def datadog_search(query: str, time_range: str = "1h") -> dict[str, Any]:
    """Search Datadog logs for debugging context."""
    ...

加完之后在 server.py 的工具列表里注册就行。

模型也可以随意切换：

# OpenAI（默认，使用 Responses API）
model=make_model("openai:gpt-5.5", reasoning={"effort": "medium"})

# Anthropic
model=make_model("anthropic:claude-sonnet-4-6", temperature=0)

# Google
model=make_model("google_genai:gemini-2.5-pro", temperature=0)

和 OpenHands、SWE-bench 的区别

这是必须要澄清的。

Open SWE 不是去跑 SWE-bench 拿高分的，它的 README 里甚至没有放任何 benchmark 数据。它的价值在于架构模式——把一线大厂验证过的内部 Agent 设计变成了可复用的开源代码。

实际用起来什么样

部署流程：

git clone https://github.com/langchain-ai/open-swe.git
cd open-swe
uv venv && source .venv/bin/activate
uv sync --all-extras

然后需要：
1. 创建 GitHub App（需要 Contents R/W、Pull requests R/W、Issues R/W 权限）
2. 配置 LangSmith（API key、tenant ID、project ID）
3. 构建沙箱快照
4. 配置触发器（Slack/Linear/GitHub，都是可选的）
5. 设置环境变量（约 30 个）
6. 启动服务：uv run langgraph dev --no-browser

生产环境部署到 LangGraph Cloud。

日常使用：

工程师在 Linear issue 里评论 @openswe，Agent 自动：
1. 读取 issue 全部上下文
2. 在云沙箱里 clone 仓库
3. 理解代码，实施修改
4. 跑 lint/test 验证
5. 开 draft PR
6. 在 issue 里贴评论关联 PR

工程师全程不需要离开 Linear。等 Agent 干完活，点进 PR review 就行。

Open SWE 的意义不在于它比 Cursor 或 Copilot 更强——它和那些工具不在同一个赛道。它的意义在于：给想造内部编程 Agent 的团队一个经过验证的起点。Stripe 花了不知道多少工程师年造了 Minions，你现在可以在 Open SWE 的基础上花几天时间搭出类似的东西。9.7k star 说明这件事有很多团队需要。

作者: itech001
来源: 公众号：AI人工智能时代
主页: https://www.theaiera.cn，每日分享最前沿的AI新闻和技术。

本文首发于 AI人工智能时代，转载请注明出处。