Files

T

Yaowei Zheng 9767fe60e9 docs(changelog): 0.2.0 entries for the July 22 batch (#30 )

Co-authored-by: Alice <alice@prismshadow.com>
Co-authored-by: Claude Fable 5 <noreply@anthropic.com>

2026-07-23 02:06:43 +08:00

8.9 KiB

Raw Blame History

PenguinHarness

使用 LangChain，以 1 倍速度人工构建 Agent；
使用 PenguinHarness，以 100 倍速度用 Agent 构建 Agent。

零代码 Harness CLI 与 Web UI，连接 1000+ 模型。

English | 简体中文

为什么选择 PenguinHarness

三个递进的理由——从任务效果，到构建方式，再到进化能力。

1. 🏆 效果同级，成本低一到两个数量级

刻意精简的工具集配合干净的底层接口：更少的工具调用、更少的 Token，对 DeepSeek 等开放模型深度适配。各自搭配常用模型、同一批任务，正面对比：

数据分析准确率最高——成本只有 Claude Code 的 1/70。

2. ⚡ 一句话，让 Agent 构建 Agent 应用

输入一句话，Agent 为你构建完整的 Agent 应用——脚手架、代码、运行说明，一步到位：

收集 https://github.com/ericbuess/claude-code-docs 的文档，做一个化身 Claude Code 配置专家、回答带来源引用的 RAG 问答应用。

这是做出来的成品——一个文档专家：检索增强、引用可点击直达原文、内置示例问题：

https://github.com/user-attachments/assets/604eb626-0a5d-4a62-87e3-14ebade1cd5f

而生成整个 RAG 应用，仅消耗了 0.2 元（$0.02）的 token——使用 DeepSeek V4 Pro 模型。

3. 🧬 自进化，越用越强

借助 PenguinHarness 技能库，Agent 自己评估、自己优化：跑 Benchmark、找失分点、发布 N+1 版——每轮之前自动快照，每个请求都可在轨迹观测中回放。

https://github.com/user-attachments/assets/aec49ae9-b743-467b-b247-37bedfeaa36e

内置 Skill 库

开箱内置四组 Skill（文档），Agent 也能编写并优化自己的 Skill：

分组	Skill
办公效率	`data-analysis`、`firecrawl`
软件开发	`web-design`、`software-engineering`
AI 应用开发	`penguin-sdk`、`penguin-cli`、`agenthub-models`、`vllm`、`ollama`、`llamafactory`
Agent 调优	`agent-creation`、`benchmark-design`、`agent-evaluation`、`agent-optimization`

支持的模型

模型	可用供应商
DeepSeek V4	DeepSeek, OpenRouter, Fireworks AI, SiliconFlow, Qwen Token Plan
Kimi K3	Moonshot AI, OpenRouter, Qwen Pay-As-You-Go
GLM 5.2	Z.AI, OpenRouter, Fireworks AI, SiliconFlow, Qwen Token Plan, Qwen Pay-As-You-Go
Hunyuan 3	OpenRouter
Qwen 3.8 Max	Qwen Token Plan（预览）
GPT 5.6	OpenRouter
Gemini 3.6 Flash	Google Gemini, OpenRouter
Claude 5	Anthropic, OpenRouter

上表每个系列只列最新一代，完整预置清单请在应用的模型页查看；只要是 OpenAI 协议的端点都可以接入：选择预置，或用自定义端点连接 1000+ 在线与本地模型。

系统需求

需求项	支持情况
操作系统	Linux、macOS
架构	x64、arm64
运行时	一行安装器自带（经 npm 安装需 Node >= 24）
模型	至少一个模型的 API key

安装

🌐 Web 应用——面向人

🚀 一行安装，启动完整体验（多会话对话、Agent / 技能 / 模型管理、用量统计、轨迹观测、评估中心）：

curl -fsSL https://penguin.ooo/install.sh | sh
penguin web        # 启动服务并打开 http://127.0.0.1:7364（首次登录：admin / penguin-2026）

📦 或经 npm 安装：npm install -g @prismshadow/penguin-cli。在应用内模型页配置模型后即可对话。

🤖 CLI 与 SDK——面向 Agent

同一引擎、可脚本化——为被 Agent 驱动而生（以及让 Agent 构建 Agent）：

penguin config model add --provider deepseek --model-id deepseek-v4-pro --api-key sk-... --set-default
penguin run -m "Create hello.txt containing Hello, Penguin"   # 单次任务
penguin chat       # 交互式 REPL（/compact、/exit、Ctrl-C 中断）
penguin server     # 无界面服务（与 Web 应用同一套 API）

import { createAgent, isCompleteModelMessage, userText } from "@prismshadow/penguin-core";

const agent = await createAgent({ agentId: "default_agent" });
const session = await agent.createSession({ workspaceDir: process.cwd() });

for await (const output of session.run([userText("Create hello.txt containing hi")], {
  approve: async () => "allow", // 按工具调用逐个审批
})) {
  if (isCompleteModelMessage(output) && output.payload.type === "text") {
    console.log(output.payload.text);
  }
}

路线图

Benchmark 套件正式发布
桌面端应用
Windows 系统支持
Agent 公司与模板
公司级自进化能力
更多规划，敬请期待……

参与开发

pnpm install && pnpm build   # 先构建：core 的导出指向 dist/
pnpm dev                     # 服务端 + Web 一起启动（带前缀日志，依赖只构建一次）

完整工作区指南见 CONTRIBUTING.md：开发命令、质量门禁、仓库结构与 changelog 规则。

引用

如果 PenguinHarness 对你的研究有帮助，请引用：

@software{penguinharness2026,
  author  = {{PrismShadow Team}},
  title   = {PenguinHarness: Efficient Self-Improving Harness for Everyone},
  year    = {2026},
  url     = {https://github.com/Prism-Shadow/penguin-harness},
  license = {Apache-2.0}
}

协议

由 LlamaFactory 作者 Yaowei Zheng、PrismShadow AI Team 与 Fable 5 共同用 ❤️ 构建。

8.9 KiB Raw Blame History Unescape Escape