OpenHarness, Claude Code를 11,733줄로 다시 쓰다

AI 에이전트 프레임워크의 복잡성과 코드 규모가 계속 커지는 가운데, 홍콩대학교(HKU) Data Intelligence Lab이 개발한 OpenHarness가 주목받고 있다. 순수 Python으로 작성된 11,733줄의 코드로 Claude Code 핵심 도구의 98%를 재현하며 경량화와 기능성의 균형을 증명했다. 2026년 4월 v0.1.0 출시 이후 연구자와 개발자 커뮤니티에서 빠르게 확산되고 있다.

덩치가 커지는 에이전트 프레임워크의 딜레마

상용 에이전트 프레임워크의 코드 규모가 수십만 줄에 달하면서 내부 구조를 파악하기 어려워졌다. 클로즈드 소스 프레임워크는 커스터마이징과 연구 목적 활용에 제약이 따르고, 프레임워크 간 호환성이 부족해 도구와 플러그인의 재사용성도 떨어진다. LLM 모델에 종속되면 특정 벤더에 락인되는 문제가 생기고, 연구 환경에서 에이전트 동작을 분석·실험할 경량 인프라도 마땅치 않았다.

지능과 실행을 가르는 하네스 패턴

OpenHarness는 "Harness" 디자인 패턴을 채택해 LLM 지능 레이어(무엇을 할지 결정)와 실행 레이어(어떻게 할지 수행)를 명확히 분리한다.

⤢✕

LLM은 추론에만 집중하고 실행 인프라는 Harness가 담당하는 관심사 분리, 10개 이상의 서브시스템을 명확한 인터페이스로 나누는 인터페이스 기반 디커플링, 외부 컴파일 의존성 없이 Python만으로 전체 시스템을 구현하는 순수 Python 원칙, 환경변수 설정만으로 Anthropic·OpenAI·DeepSeek·Ollama 등을 자유롭게 전환하는 모델 비종속이 설계 원칙이다.

Claude Code와 나란히 놓고 보면

항목	Claude Code	OpenHarness
코드 줄 수	~516,000줄	11,733줄
도구 수	44개	43개(98%)
명령어 수	89개	54개(61%)
언어	TypeScript + Python	순수 Python
모델 지원	Anthropic 전용	OpenAI 호환 모든 모델
라이선스	상용	오픈소스
Skills 호환	자체 생태계	Anthropic Skills 호환

엔진부터 조율까지, 서브시스템이 나눠 맡는 일

OpenHarness는 10개 이상의 서브시스템으로 구성되며, 각 서브시스템은 독립적으로 동작한다. Engine(추론 엔진)은 LLM과의 통신을 담당하며 OpenAI 호환 API로 다양한 모델 백엔드를 지원하고 스트리밍 응답·도구 호출·컨텍스트 관리를 수행한다. Tools(도구 시스템)는 파일 시스템·셸·검색·웹·MCP 스타일 통합 등 43개 도구를 제공하며, 각 도구의 경계가 명확해 개별 단위의 추론과 디버깅이 가능하고 커스텀 도구를 위한 표준화된 인터페이스도 있다. Memory(메모리 시스템)는 대화 이력과 작업 상태를 영속적으로 저장해 세션 간 컨텍스트를 유지하고 메모리 검색·요약 기능을 내장했다. Permissions(권한 시스템)는 도구 실행에 세분화된 권한 제어를 적용해 파일 삭제·시스템 명령 같은 위험한 작업에 안전 경계를 설정하고 사용자 승인 흐름을 내장했다. Coordinator(다중 에이전트 조율)는 복수 에이전트 간 작업 분배·조율, 메시지 전달과 상태 공유, 병렬 작업 실행을 지원한다.

Ohmo, 명령 하나로 뜨는 퍼스널 에이전트

OpenHarness에는 Ohmo라는 퍼스널 에이전트 앱이 내장돼 있다. ~/.ohmo 워크스페이스 기반의 독립적 실행 환경에서 게이트웨이·부트스트랩 프롬프트·채널 설정 흐름을 포함하며, 단일 명령어(ohmo)로 즉시 실행할 수 있다. OpenHarness의 전체 도구와 기능을 퍼스널 에이전트 형태로 활용한다.

⤢✕

품질을 지키는 테스트 체계

114개의 유닛 테스트가 통과했고, 6개의 E2E(End-to-End) 테스트 스위트가 운영되며, GitHub Actions 기반 CI/CD 파이프라인으로 코드 커버리지와 린팅이 자동화돼 있다.

연구실부터 커스텀 에이전트까지, 쓰이는 곳

에이전트 동작 분석·도구 사용 패턴 연구·새로운 에이전트 아키텍처 실험이 필요한 연구 환경, 리소스가 제한된 환경의 경량 개발 환경, 표준화된 인터페이스를 기반으로 한 도메인 특화 커스텀 에이전트 구축, 에이전트 프레임워크의 내부 구조를 배우는 교육 목적, 동일한 Harness 위에서 서로 다른 LLM의 성능을 비교하는 모델 비교 연구에 쓰인다.

OpenHarness는 AI 에이전트 프레임워크가 반드시 거대하고 복잡할 필요가 없다는 것을 증명한 프로젝트다. 모델 비종속성과 완전한 오픈소스라는 강점을 더한 HKU Data Intelligence Lab의 연구 기반 설계는, 에이전트 프레임워크의 경량화와 민주화라는 방향성을 제시한다.