langchain-evolution-deck/research/per-tech/openswe.md

Open SWE

Что это в одном абзаце

Open SWE — это open-source фреймворк LangChain Inc. для построения внутренних кодинг-агентов организации. Анонсирован в августе 2025, стабильная версия репозитория набрала 971+ коммитов и 10k stars к июню 2026. Open SWE — это не готовое SaaS-решение, а стартовый шаблон: он скомпонован поверх Deep Agents (а значит поверх LangGraph), поддерживает pluggable sandbox-провайдеры (Modal, Daytona, Runloop, LangSmith), триггеры из Slack / Linear / GitHub, и автоматически создаёт draft PR. Архитектура намеренно воспроизводит паттерны, которые Stripe (Minions), Ramp (Inspect) и Coinbase (Cloudbot) построили как proprietary — Open SWE даёт open-source реализацию «reference architecture» для кастомных внутренних coding agent-ов.

Метаданные на дату snapshot 2026-06-22:

• GitHub stars: ~10k
• Commits: 971+ (активная разработка)
• License: MIT
• JS-аналог: нет (Python-only проект, плюс TypeScript UI в ui/)
• Главный blog-пост: первоначальный анонс — август 2025, переработанная версия — 17 марта 2026

Источники:

• README github.com/langchain-ai/open-swe (raw-форма успешно получена)
• blog.langchain.com/open-swe-an-open-source-framework-for-internal-coding-agents
• https://github.com/langchain-ai/open-swe/blob/main/INSTALLATION.md
• https://github.com/langchain-ai/open-swe/blob/main/CUSTOMIZATION.md

---

Ключевые API и архитектурные компоненты

Open SWE — это не библиотека, а приложение, состоящее из backend-агента (Python), UI (TypeScript), и набора middleware/интеграций. Поэтому «API» здесь — это точки расширения, через которые организация кастомизирует фреймворк.

Импорты внутри Open SWE

from open_swe.agent import create_agent  # точка входа в агент
from open_swe.middleware import (
    check_message_queue_before_model,
    notify_step_limit_reached,
    open_pr_if_needed,
    ToolErrorMiddleware,
)
from open_swe.sandbox import (
    SandboxBackend,
    ModalBackend,
    DaytonaBackend,
    RunloopBackend,
    LangSmithBackend,
)
from open_swe.tools import (
    execute,
    fetch_url,
    http_request,
    linear_comment,
    slack_thread_reply,
)

Основная точка расширения — create_deep_agent

from deepagents import create_deep_agent
from open_swe.middleware import check_message_queue_before_model
from open_swe.sandbox import DaytonaBackend

agent = create_deep_agent(
    model="anthropic:claude-opus-4-6",
    system_prompt=construct_system_prompt(repo_dir, ...),
    tools=[
        execute,
        fetch_url,
        http_request,
        linear_comment,
        slack_thread_reply,
    ],
    backend=DaytonaBackend(api_key="..."),
    middleware=[
        ToolErrorMiddleware(),
        check_message_queue_before_model,
        open_pr_if_needed,
    ],
)

Sandboxes (pluggable)

from open_swe.sandbox import DaytonaBackend, ModalBackend, RunloopBackend

backend = DaytonaBackend(api_key="...")
# или ModalBackend(token_id="...", token_secret="...")
# или RunloopBackend(api_key="...")

Каждый backend — изолированный Linux-контейнер с полным shell-доступом, клоном репозитория и persistent state для thread-а.

Triggers (поверхности вызова)

• Slack — @openswe в любом thread. Поддерживает синтаксис repo:owner/name.
• Linear — @openswe в комментарии к issue.
• GitHub — @openswe в PR-комментарии для авто-ответа на review.

Каждый триггер создаёт deterministic thread_id, чтобы follow-up сообщения маршрутизировались в тот же запущенный агент.

Built-in tools

Tool	Назначение
execute	shell-команды в sandbox
fetch_url	загрузка web-страниц как markdown
http_request	API calls (GET, POST, etc.)
linear_comment	комментарии в Linear-тикетах
slack_thread_reply	ответы в Slack-тредах
read_file / write_file / edit_file / ls / glob / grep	Deep Agents filesystem tools
write_todos	planning tool от Deep Agents
task	spawning subagent-ов

GitHub-операции делаются через gh CLI внутри sandbox с GH_TOKEN=dummy, авторизация через LangSmith-прокси.

AGENTS.md конвенция

Если в репозитории есть файл AGENTS.md в корне, он автоматически читается из sandbox и инжектится в system prompt. Это «правила команды» — conventions, testing requirements, архитектурные решения.

Middleware (точки расширения)

from langchain.agents.middleware import AgentMiddleware

class MyCustomMiddleware(AgentMiddleware):
    def before_model(self, state, runtime):
        # модифицировать state перед model call
        return state

    def after_model(self, state, runtime):
        # логирование / проверка результата
        return state

Типичные middleware в Open SWE:

• check_message_queue_before_model — инжектит follow-up сообщения до следующего model call.
• notify_step_limit_reached — после-agent hook для Slack-уведомления, если лимит исчерпан.
• open_pr_if_needed — safety net: коммитит и открывает PR, если агент этого не сделал.
• ToolErrorMiddleware — graceful handling ошибок tool-ов.

Customization точка: CUSTOMIZATION.md

Согласно документации, pluggable компоненты:

1. Sandbox provider — Modal / Daytona / Runloop / LangSmith / свой.
2. Model — любой провайдер через langchain.chat_models.init_chat_model.
3. Tools — добавить/удалить через массив tools.
4. Triggers — модифицировать Slack / Linear / GitHub интеграции.
5. System prompt — база + логика инкорпорирования AGENTS.md.
6. Middleware — добавить свой для validation / approval / logging.

---

Что нового в первом релизе

Оригинальный анонс (август 2025)

• Multi-agent архитектура: Manager + Planner + Programmer + Reviewer.
• Single sandbox (Daytona).
• GitHub Issues + Web UI триггеры.

Переработанная архитектура (март 2026)

• Замена multi-agent на единый create_deep_agent harness + subagents + middleware.
• Добавление pluggable sandbox providers (Modal, Runloop, LangSmith).
• Добавление Slack и Linear триггеров.
• Subagent-ы через task tool от Deep Agents.
• Middleware-система для deterministic orchestration.

Ключевой сдвиг

Open SWE переехал с multi-agent на single-deep-agent-harness + subagents. Это консолидация архитектурного паттерна: вместо явных Manager/Planner/Programmer/Reviewer — один главный агент с набором subagent-специализаций и middleware для orchestration. Бенефиты: upgrade path (подтягивать улучшения Deep Agents), меньше кастомного кода, чище orchestration через Send API.

---

Что нужно раскрыть в презентации

• Почему «внутренний» кодинг-агент, а не IDE-assistant — модель «colleague, not copilot».
• «Trust the LLM» внутри sandbox — изоляция важнее confirmation prompts.
• Pluggable sandboxes — почему несколько провайдеров и как мигрировать.
• AGENTS.md как организационный паттерн — те же conventions применяются и для AI.
• Subagent isolation — каждый child получает свой контекст.
• Middleware для validation — детерминированные проверки между шагами агента.
• Сравнение со Stripe Minions / Ramp Inspect / Coinbase Cloudbot — почему конвергенция паттернов важна.
• Open source как reference architecture — не finished product, а стартовая точка.

---

5 рабочих примеров кода Python

1. Минимальный запуск агента Open SWE (из README)

from deepagents import create_deep_agent
from open_swe.sandbox import DaytonaBackend
from open_swe.middleware import check_message_queue_before_model, open_pr_if_needed

agent = create_deep_agent(
    model="openai:gpt-5.5",
    system_prompt="You are an internal coding agent.",
    tools=[],  # будут добавлены built-in
    backend=DaytonaBackend(api_key="..."),
    middleware=[check_message_queue_before_model, open_pr_if_needed],
)

2. Кастомный system prompt с инкорпорированием AGENTS.md

def construct_system_prompt(repo_dir: str, base_prompt: str) -> str:
    agents_md_path = Path(repo_dir) / "AGENTS.md"
    extra = ""
    if agents_md_path.exists():
        extra = f"\n\nRepository rules:\n{agents_md_path.read_text()}"
    return base_prompt + extra

3. Кастомный middleware для логирования

from langchain.agents.middleware import AgentMiddleware

class AuditMiddleware(AgentMiddleware):
    def __init__(self, logger):
        self.logger = logger

    def after_model(self, state, runtime):
        self.logger.info(f"model_called_at_step_{state.get('step')}")
        return state

4. Subagent-конфигурация для специализаций

test_runner = {
    "name": "test_runner",
    "description": "Runs project tests and reports results",
    "system_prompt": "You run tests, parse failures, suggest fixes.",
    "tools": ["execute", "read_file"],
}

doc_writer = {
    "name": "doc_writer",
    "description": "Updates documentation after code changes",
    "system_prompt": "You update markdown docs based on code changes.",
    "tools": ["read_file", "edit_file"],
}

agent = create_deep_agent(
    model="anthropic:claude-opus-4-6",
    tools=[],
    subagents=[test_runner, doc_writer],
)

5. Кастомный sandbox backend (заглушка)

from open_swe.sandbox import SandboxBackend

class MyInternalBackend(SandboxBackend):
    def __init__(self, connection_string: str):
        self.conn = connection_string

    def execute(self, command: str) -> str:
        # подключение к внутреннему devbox-пулу
        return self._run_in_devbox(command)

    def read_file(self, path: str) -> str:
        return self._fetch_from_devbox(path)

---

TypeScript

UI: репозиторий содержит ui/ (TypeScript, 26.6% от кода). Это web-приложение для управления: GitHub login, per-user model/profile settings, team defaults, enabled-repo management, chat UI.

// Пример из ui/ (псевдокод, точная структура зависит от версии)
import { OpenSWEClient } from "@openswe/client";

const client = new OpenSWEClient({
  langsmithApiKey: process.env.LANGSMITH_API_KEY,
});

await client.invoke({
  threadId: "issue-123",
  prompt: "Fix the bug in src/auth.py",
  repo: "owner/name",
});

Где нет TS-аналога для backend: Open SWE — это Python-приложение (LangGraph/Deep Agents), TypeScript только в UI-слое.

---

Плюсы и минусы

Плюсы

• MIT license — можно форкать и адаптировать.
• Pluggable sandbox — Modal / Daytona / Runloop / LangSmith / свой.
• Subagents + middleware — composable вместо monolithic.
• AGENTS.md convention — переиспользует существующий паттерн документации.
• Multiple triggers — Slack / Linear / GitHub / Web UI.
• Built on Deep Agents — automatic upgrade path для improvements.
• Хорошая документация — INSTALLATION.md и CUSTOMIZATION.md детальные.
• Active development — 971+ коммитов, 10k stars.

Минусы

• Не finished product — нужно кастомизировать под свою org.
• Sandbox costs — Modal / Daytona / Runloop требуют платных аккаунтов.
• Slack / Linear / GitHub интеграции — нужен OAuth setup для каждого.
• Security model «trust the LLM» — высокие требования к sandbox-изоляции.
• Production deployment сложный — требует LangSmith, GitHub App, sandbox provider, secrets management.
• Observability — нужен Datadog или LangSmith setup.
• Документация быстро устаревает — архитектура переписывалась за 9 месяцев.

---

Заметки для презентации

• Это reference architecture, not product. Подчеркнуть, что каждый компонент заменяем.
• Использовать аналогию: Open SWE = «Kubernetes для AI агентов» — даёт framework, но ожидает ops-работу.
• Показать, как именно Open SWE воспроизводит паттерны Stripe/Ramp/Coinbase — это главный аргумент «convergence proof».
• Если есть audience с enterprise-бэкграундом — акцент на sandbox isolation как security primitive.
• Подчеркнуть, что Open SWE не замена Cursor или Claude Code, а инфраструктура для «своего Claude Code».
• Если показывать схему архитектуры — выделить слои: Harness (Deep Agents) → Sandbox (pluggable) → Tools (curated) → Context (AGENTS.md) → Orchestration (subagents + middleware) → Invocation (Slack/Linear/GitHub) → Validation (prompt + middleware).