企业官网建设流程全解析

• 人工智能
• AI Agent
• Agent 工作流
• Agent 评测
• GUI 自动化

LongHorizon-Harness 是一个面向 AI Agent 的长程电脑使用（computer-use）执行框架：你只需给出一次目标，它就能驱动 Claude Code、Codex、OpenCode 或 DeepSeek Harness，跨桌面 App 和终端连续工作数十小时，并且每一步都会在真实环境中被验证、被存档。本文是一份新手友好的快速教程：环境检查 → 一键安装 → 项目初始化 → 在网页工作台或命令行中跑通第一个桌面自动化任务，全程约 10 分钟。

先懂原理：三个角色组成的"执行闭环"

LongHorizon-Harness 的核心思想是Loop Engineering（闭环工程）：不训练新模型，而是给现有 Agent 套上一层"规划 → 执行 → 验证 → 保存或恢复"的循环。

它内部有三个职责清晰的分工：

只有通过 Auditor 独立验证的进度才会被保存为可信状态；失败的结果只作为证据进入下一轮。这意味着任务即使中途失败或上下文刷新，也能从上一个检查点可靠恢复——这正是"长程桌面自动化"可靠性的来源。

三个角色的完整实现分别在 src/lh_harness/manager.py（Manager 调度逻辑）、src/lh_harness/auditor_agent.py（独立审计），感兴趣的读者可以直接阅读源码。

环境准备：4 项依赖快速清单

开始前，确认电脑上具备以下条件（lh-harness doctor会帮你逐项检查）：

💡 目前官方在 macOS 上测试最充分，Windows 可用但未经完整测试。

一键安装步骤：两行命令搞定

第 1 步：安装 LongHorizon-Harness 本体

uv tool install lh-harness # 或者：pip install lh-harness

第 2 步：（可选）安装电脑操作插件

如果你的任务不涉及点击桌面软件（纯命令行任务），可以跳过这步。需要操作 GUI 时，按你使用的 Agent 安装对应插件：

# 使用 Codex lh-harness plugin install codex-computer-use # 使用 Claude Code（或两者都用） lh-harness plugin install open-computer-use

插件安装一次即覆盖本机所有项目；macOS 上需要手动到"系统设置 → 隐私与安全性"中授权辅助功能和屏幕录制权限，安装过程会提示。

第 3 步：环境自检

lh-harness doctor

doctor是只读检查，会报告 Python 运行时、各 Agent CLI（通过实际执行--version验证而非仅查找路径）、Node.js 和插件状态，有任何一项失败都会给出修复提示。

项目初始化：生成专属配置文件

进入你想让 Agent 操作的项目目录，执行：

cd /path/to/your/project lh-harness init

这会在项目下生成./.lh-harness/config.toml（已存在则不覆盖，可用--force重新生成）。配置文件的核心是[run]段：

• agent/model：全局默认后端与模型（如codex+gpt-5.6-sol）
• max_rounds：最多允许的"规划-执行-审计"轮数，默认 30
• dashboard：是否在每次运行时自动打开网页监控台
• [run.roles.*]：为每个角色单独指定后端和模型——比如用旗舰模型做 Manager 和 Auditor，用便宜快速的模型做 Executor，按需控制成本

完整的字段说明见 src/lh_harness/config.py 与 README.zh-CN.md 中的"配置参考"章节。

跑通第一个桌面自动化任务（两条路径任选）

路径 A：浏览器工作台（推荐新手）

lh-harness web --workspace-root .

浏览器会自动打开http://127.0.0.1:8799/的 Web 工作台。在这里你可以：为每个角色分别选择后端和模型、发起任务、处理审批请求、运行中追加指令、随时停止或重启。工作台前端源码位于 frontend/web/src/，服务端在 src/lh_harness/dashboard/ 和 src/lh_harness/webapi/。

路径 B：命令行直接运行

TASK="检查当前目录并总结其中的文件结构。" lh-harness run --task "${TASK}" --agent codex

几个实用细节：

• 命令行参数（如--agent）会临时覆盖配置文件中的同名字段；
• 任务默认作用于你启动命令的目录，.lh-harness/目录本身受保护，不会把日志误当成任务内容；
• 长任务建议写成文件再运行：lh-harness run --task @task.md；
• 每次运行结束后，你会得到一段基于已验证状态的自然语言总结，任务未完成时会直说"未完成"。

运行中你能看到什么

运行期间，控制台按角色逐行打印进展，Dashboard 则展示每一轮的：📋 计划 → ⚡ 执行结果 → 🔍 审计证据 → ♻️ 返工原因。所有运行产物（任务状态、事件流、审计报告、各角色轨迹、最终报告）都保存在./.lh-harness/runs/<run-id>/下，完整报告在logs/report.json，让每一次进度都可检查、可恢复、可复现。

效果实测：同一模型，只换执行框架

LongHorizon-Harness 不是靠个别成功案例撑场面，而是在数百个 GUI + CLI 混合的真实任务上做了规模化评测（同一骨干模型 Qwen 3.7-Plus、同一执行后端，只改变外层框架）：

三大基准的完整复现套件随仓库提供，分别位于 eval/WeaveBench-harness/、eval/OSWorldv2-harness/ 和 eval/TB-harness/，每个目录都配有环境配置与启动脚本说明。

源码结构速览与常见问题

核心源码全部在 src/lh_harness/ 下，几个值得关注的入口：

• 命令行入口：src/lh_harness/cli.py
• Agent 后端适配（Claude Code / Codex / OpenCode / DeepSeek）：src/lh_harness/adapters/
• 本地执行环境：src/lh_harness/environment/local.py
• 角色提示词：src/lh_harness/role_prompts.py

如果想通读源码，可以克隆仓库浏览：

git clone https://gitcode.com/gh_mirrors/lo/LongHorizon-Harness

新手常见卡点排查：

1. doctor报 Agent CLI 失败 → 常见于 Windows 上 Microsoft Store 安装留下的 0 字节codex.exe别名，按doctor输出的提示重装 CLI 即可；
2. macOS 上 GUI 操作无反应 → 检查"辅助功能"和"屏幕录制"权限是否已授权；
3. 单轮超时 → 运行会保留部分轨迹和已验证状态，下一轮 Manager 会自动从工作区现状中恢复，无需人工干预；
4. 版本问题 →lh-harness check-update可随时检查 PyPI 上的新版本。

写在最后

LongHorizon-Harness 把"让 AI 用一次鼠标"变成了"让 AI 连续可靠地工作数十小时"：规划、执行、独立验证、断点恢复，四件事它都替你工程化好了。现在就可以运行uv tool install lh-harness，给自己定一个跨 App 的实际任务，10 分钟后你会拥有一个真正跑起来的桌面自动化系统。🚀

• 人工智能
• AI Agent
• Agent 工作流
• Agent 评测
• GUI 自动化