PenguinHarness Skill：LlamaFactory 作者出品，一句话生成自进化 Agent

PenguinHarness 是由 LLaMA-Factory 作者郑耀威开源的 Agent 构建平台，核心思路是”用 Agent 造 Agent”——用户输一句话描述需求，平台自动生成完整的 Agent 应用脚手架、代码和运行说明，并内置自进化能力让 Agent 持续跑分迭代。2026-08-18 刚被腾讯新闻等平台报道，今日 GitHub 热度迅速攀升，被称为 2026 年 Harness 赛道的最新重磅选手。

功能与原则

PenguinHarness 围绕三个核心能力设计：一句话生成 Agent、刻意做小的工具集、自进化 Skill 迭代。不同于 LangChain 等框架需要手写编排逻辑，PenguinHarness 把构建 Agent 的门槛从”写代码”降到”说一句话”。平台内置四大 Skill 分组（办公效率、软件开发、AI 应用开发、Agent 调优），覆盖从数据采集到模型部署的全流程。

认可度

截至 2026-08-18，GitHub 约 1,423 Stars、141 Forks（建仓仅 1 个月，2026-07-19 首次提交）。已上架 Product Hunt，并获得科技媒体密集报道。因 LLaMA-Factory 积累的品牌效应，作者郑耀威在开源社区具有高影响力，项目冷启动阶段已具备相当热度。

链接

GitHub：https://github.com/Prism-Shadow/penguin-harness
官网：https://penguin.ooo/
文档：https://penguin.ooo/docs/

原作者

郑耀威（GitHub @Prism-Shadow / @hiyouga），LLaMA-Factory 作者。LLaMA-Factory 是开源大模型微调领域最知名项目之一，在 GitHub 拥有数万 Stars。郑耀威的新项目延续了其”降低 AI 工具使用门槛”的一贯思路。

介绍

PenguinHarness 自称为”Harness for RSI”，RSI 即 Reinforcement Learning from Sub-Agent Inspection（子 Agent 检查迭代）。用户只需输入一句自然语言描述，平台即可生成完整可运行的 Agent 应用，包括脚手架、代码和运行说明。例如输入”收集 https://github.com/ericbuess/claude-code-docs 的文档，构建一个 RAG 问答应用”，平台即可输出一套带检索、来源引用和示例问题的文档专家 Agent，全程仅消耗约 0.2 元 token（DeepSeek V4 Pro）。

平台的另一个核心设计是刻意做小工具集。团队认为”工具少、接口干净 → 成本低、token 消耗少”，在官方 benchmark 中，数据分析准确率 66.67%（vs Claude Code 53.33%），成本仅 $0.55（vs Claude Code $38.48），相差约 70 倍。但需要注意的是，官方 benchmark 中各 harness 跑的是各自常配的模型（PenguinHarness 配 DeepSeek V4 Pro，Claude Code 配 Claude Opus 4.8），编程题上 PenguinHarness 71.25% 落后于 Claude Code 86.25%。

特点

• 一句话生成完整 Agent：自然语言输入 → 脚手架 + 代码 + 说明，一站搞定
• 自进化 Skill 循环：内置 agent-creation / benchmark-design / agent-evaluation / agent-optimization，Agent 跑分找弱点、迭代升级，每轮自动快照可回滚
• 超低运行成本：工具集精简，数据分析成本仅 Claude Code 的 1/70
• 国产模型深度适配：DeepSeek V4、Kimi K3、GLM 5.2、混元 3、Qwen 3.8 Max 原生支持，兼容 OpenAI 协议可接入任意模型
• 开箱即用桌面端：macOS / Windows / Linux 均有桌面应用，curl 一行命令也可启动

使用方法

桌面端（推荐新手）：
下载对应平台的安装包，双击安装，打开即已登录，无需终端操作。

命令行安装（需要 Node ≥ 24）：

curl -fsSL https://penguin.ooo/install.sh | sh
penguin web   # 打开 http://127.0.0.1:7364

构建第一个 Agent：
在输入框中用自然语言描述需求，例如：

“收集 https://github.com/ericbuess/claude-code-docs 的文档，构建一个 RAG 问答应用，让 AI 化身 Claude Code 配置专家，回答带来源引用”

平台自动生成完整应用并可立即运行。

使用场景与人群

适用场景：需要快速构建特定领域 AI Agent 的开发者；研究 Agent 自进化能力的团队；对成本敏感、想在本地部署 Agent 的企业用户。
目标用户：AI 应用开发者、大模型微调研究者、RAG 系统构建者、Agent 工作流探索者。

输入与输出案例

案例一：RAG 文档专家

输入：

“收集 https://github.com/ericbuess/claude-code-docs 的文档，构建一个 RAG 问答应用，化身 Claude Code 配置专家，回答带来源引用”

输出：
– 一个完整可运行的 RAG 问答 Agent
– 包含检索、来源可点击直达原文、内置示例问题
– Token 消耗约 0.2 元（DeepSeek V4 Pro）
– 可直接在平台运行或导出部署

案例二：数据分析 Agent

输入：

“连接本地 CSV 文件，生成销售数据的月度趋势摘要，包含图表”

输出：
– 自动生成数据读取、可视化、摘要生成的 Agent 代码
– 内置 data-analysis Skill，支持 firecrawl 等工具扩展
– 可在平台 Trace 视图观测每轮请求详情

GitHub: https://github.com/Prism-Shadow/penguin-harness