PenguinHarness — автоматический конструктор самообучающихся агентов

PenguinHarness — open-source инструмент (лицензия Apache-2.0) от команды Prism Shadow под руководством Yaowei Zheng (автора LlamaFactory), который позиционирует себя как «автоматический конструктор агентов». Вместо того чтобы вручную собирать агента на фреймворке, вы пишете одну фразу — а агент строит для вас полноценное агентное приложение: каркас, код и инструкции по запуску, от начала и до конца. Затем этот же агент может оценивать и оптимизировать сам себя, выпуская новые версии собственных навыков.

Ключевая идея сформулирована в README репозитория как противопоставление LangChain:

С LangChain вы собираете агентов вручную — со скоростью 1×. С PenguinHarness агенты собирают агентов — со скоростью 100×.

Инструмент распространяется как десктопное приложение (macOS, Windows, Linux) и как CLI с npm-пакетом, при этом оба варианта используют одну и ту же директорию данных ~/.penguin/data.

Три причины, выделенные авторами

Разработчики намеренно расставляют причины в определённом порядке — от качества выполнения задач к способу сборки агентов и их саморазвитию.

1. Высокие результаты при значительно меньших затратах

PenguinHarness использует намеренно минимальный набор инструментов поверх чистых низкоуровневых интерфейсов: меньше вызовов инструментов, меньше токенов. Стек глубоко оптимизирован под открытые модели, в первую очередь DeepSeek. В сравнительных тестах проект показывает лучшую точность на задачах анализа данных — при цене примерно в 1/70 от стоимости Claude Code на тех же задачах, а на кодинге идёт вровень с OpenAI Codex.

2. Одна фраза — и агент собирает агентное приложение

Из README — пример задания, который агент выполняет целиком:

Collect the docs from https://github.com/ericbuess/claude-code-docs and build a RAG app that answers Claude Code questions as a configuration expert, citing its sources.

Результат — полноценный эксперт по документации с retrieval, цитируемыми источниками, ссылающимися на исходные файлы, и встроенными примерами вопросов. По заявлению авторов, на генерацию всего RAG-приложения ушло около $0.02 токенов на DeepSeek V4 Pro.

3. Самоэволюция: агент становится сильнее в процессе использования

Через механизм PenguinHarness Skills агент оценивает и оптимизирует себя: запускает бенчмарк, находит потерянные баллы, выпускает версию N+1. Перед каждым циклом делается снапшот состояния, а каждый запрос можно наблюдать в Trace-представлении.

Встроенные навыки

В комплекте идёт четыре группы навыков (полная документация — на сайте проекта). Агенты также могут писать и оптимизировать собственные навыки.

Поддерживаемые модели

Для каждой модели представлены несколько провайдеров; в приложении страница Models содержит все встроенные пресеты, а любой OpenAI-совместимый endpoint подходит — можно выбрать пресет или указать кастомный endpoint для 1000+ онлайн- и локальных моделей.

Используются только последние поколения каждой модели.

Требования

Установка

Есть два способа, оба работают с одним корнем данных ~/.penguin/data, поэтому десктопную и CLI-установку можно свободно смешивать.

Десктопное приложение — установка в два клика: приложение встраивает сервер и открывается уже авторизованным, без терминала и пароля. CLI — однострочный установщик (или npm / офлайн-пакет) ставит команду penguin, а penguin web открывает полный веб-интерфейс в браузере на http://127.0.0.1:7364: мультисессионный чат, управление агентами/навыками/моделями, статистика использования, Trace-наблюдаемость и центр оценки.

На CLI-установке первый вход — admin, с начальным паролем, выводимым при первом запуске сервера (вида penguin-1234); его нужно сменить сразу после входа. Модели настраиваются на странице Models в приложении.

Быстрая установка и запуск:

curl -fsSL https://penguin.ooo/install.sh | sh
penguin web        # start the service and open http://127.0.0.1:7364

Установка через npm (Node >= 24):

npm install -g @prismshadow/penguin-cli
penguin web

Для Windows есть PowerShell-установщик (irm https://penguin.ooo/install.ps1 | iex), для изолированных сетей — офлайн-установка из архива с GitHub Releases, где каждый пакет включает payload программы, SHA256-контрольную сумму и установщик платформы в одном файле.

Текущие сборки не подписаны, поэтому первая установка может потребовать разового снятия блокировки: sudo xattr -rd com.apple.quarantine /Applications/PenguinHarness.app на macOS, «Run anyway» в SmartScreen на Windows и chmod +x для AppImage на Linux.

CLI и SDK — для агентов

Тот же движок доступен скриптово, и он задуман как раз для того, чтобы им управляли агенты (в том числе агенты, которые собирают других агентов):

penguin config model add --provider deepseek --model-id deepseek-v4-flash --api-key sk-... --set-default
penguin run -m "Create hello.txt containing Hello, Penguin"   # one-shot task
penguin chat       # interactive REPL (/compact, /exit, Ctrl-C to interrupt)
penguin server     # headless service (same API the Web App uses)

SDK на TypeScript (@prismshadow/penguin-core) позволяет встраивать агента в свои приложения с поканальным подтверждением вызовов инструментов:

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", // per-tool-call approval
})) {
  if (isCompleteModelMessage(output) && output.payload.type === "text") {
    console.log(output.payload.text);
  }
}

Roadmap

Публичная версия бенчмарк-набора, агентные компании и шаблоны, самоэволюция на уровне компаний, интеграция OpenShell (shell с управлением правами). Десктопное приложение и поддержка Windows уже реализованы.

Разработка проекта

pnpm install && pnpm build   # build first: core's exports point at dist/
pnpm dev                     # backend + web app together (prefixed logs, deps built once)

Выводы

PenguinHarness — интересный пример практической реализации идеи «агенты строят агентов» с уклоном в экономичность: вместо пышного фреймворка — минимальный набор инструментов, заточенный под конкретные модели. Для тех, кто хочет быстро получить рабочего агента из одной формулировки задачи, не собирая пайплайны вручную, это готовая альтернатива и десктопному, и CLI-подходу одновременно.