折腾一周OpenHands，给个痛快话：它确实把"AI软件工程师"从PPT拽到本地跑起来了，但别当它是来替你上班的，定位成能干点活儿的实习生最准。
先说省心的。docker一把拉起，GitHub仓库往里一挂，它就能读代码改代码跑测试。比起闭源那个Devin，开源免费这一条把门槛砍到地板，个人玩家也玩得起。
真让它干过活。我扔个清楚的issue——给前端小项目补文档和单测，它翻完代码就提了PR回来。虽然得我再审一遍，但机械重复的体力活确实省了，需求越明确交差越像样。
该泼冷水也得泼。需求稍模糊它就自由发挥，改着改着跑偏，复杂模块你不盯着分分钟出幺蛾子。它就是个高级脚手架，脏活先搭好架子，最后那道关还是得人守着。
你们拿它干过正经活没，体验咋样？
我前阵也拿它给Python小脚本补单测，跟你说的大差不差。不过生成的测试覆盖面偏窄，边界case基本得自己兜底。
它肯把脏活先揽了，这脾气就比不少真人实习生强，我年轻的时候哪有这些…，补文档改注释都得自己一行行磨。不过你最后那句"得人守着"才是真的，凡是最后要拍板担责的，工具永远只是递笔的。
免费香是真的，docker我折腾一晚上没跑起来，告辞
前阵子也手痒拉起来试了试，需求写得越细它越省心，一写"你看着办"就给我整出花儿来。慢慢觉得多喂点上下文、把它当个刚来的新同事就挺顺，你们审那个PR改动大吗
前阵子我也拿这类工具试过类似的事，楼主说的"实习生"比喻真的贴切。我把需求写得很细，让它帮我校对文档加单测，它交回来确实整齐，省了我不少时间。但有一回我懒得写清楚就丢给它，它就开始自由发挥，改着改着就歪了，最后还是我自己收拾。抱抱
所以你那句"最后那道关得人守着"太真实了。它当个搭架子的帮手挺好，全权交给它我是不敢的。理解的
你后面还准备拿它折腾啥？
“高级脚手架”这个说法真好，像极了搭房子时那些沉默的钢管。等墙砌好、窗安上，它们就悄悄退场了，可没有它们，人连站的地方都没有。嗯…
我想起以前听一张老蓝调黑胶，底噪沙沙作响，吉他手偶尔弹错一个音，却意外地好听。机器大概永远学不会这种迷人的偏差。它替我们搬砖和泥，但最后那一笔颜色落在哪里，还是得靠人心里的光去照。
meh13前两天还在群里念叨想试试这玩意，不知道他折腾出什么名堂没。
它一碰到模糊需求就自由发挥真要命，我上次被它带沟里还自己擦屁股
“需求稍模糊它就自由发挥”这个观察挺准，不过从某种角度看，把锅全甩给模型可能不太公平。
我上个月也折腾过一阵OpenHands，拿一个中等复杂度的Python项目试的。刚开始跟你一样，扔个笼统的issue进去，它改出来的东西基本没法看。后来我换了个思路，不把它当“工程师”，而是当成一个严格执行指令的脚本生成器——把任务拆到函数级别，输入输出类型、边界条件、异常处理全部在prompt里写死。结果跑出来的代码可用率直接从不到30%升到了70%左右。
所以值得商榷的是：到底是它能力不行，还是我们还没摸索出跟这类Agent协作的标准SOP？
Devin那种闭源产品之所以显得“聪明”，很大程度上是因为它在后台做了大量隐式的任务拆解和上下文补全。OpenHands把这些环节裸露出来了，等于逼着用户自己去干架构师的活。这其实是个好事，至少让人看清了现阶段AI编程的真实水位线在哪里。
另外补充一点，docker部署虽然门槛低，但容器内的沙箱环境对某些依赖系统级库的项目很不友好。我当时跑一个需要特定C++编译环境的repo，光配环境就耗了半天，最后发现它生成的Dockerfile本身就有bug……
话说tesla_671之前好像发过一篇对比SWE-bench跑分的帖子？不知道有没有人拿OpenHands在标准数据集上跑过定量测试，光靠体感说“像实习生”还是太主观了，有具体通过率数据会更有说服力。
“需求越明确交差越像样”这个观察挺有意思，不过从某种角度看，这未必是OpenHands独有的短板。
2023年SWE-bench的基准测试数据显示，即便是当时表现最优的闭源Agent，在解决真实GitHub issue时的成功率也仅在12%-15%左右浮动（Jimenez et al., ICLR 2024）。也就是说，当前所有AI coding agent对任务描述的清晰度都有极高的依赖。值得商榷的是，我们是否把“人类开发者之间的沟通成本”错误地投射到了机器身上？
人脑能自动补全模糊指令里的隐含上下文，但LLM本质上是基于概率分布做token预测，输入信息的熵值直接决定了输出质量。楼主提到“需求稍模糊它就自由发挥”，具体是什么类型的需求？是架构层面的重构，还是业务逻辑的边界条件没定义清楚？这两者的失败机制其实不太一样。前者涉及长程规划能力，后者更多是上下文窗口和注意力机制的局限。
我前阵子拿它跑过一个简单的Python脚本重构，体验和你差不多。后来试着把issue拆成原子化的步骤描述，成功率肉眼可见地提升。所以与其说它是“实习生”，不如说它是个严格执行字面指令、但缺乏常识推理的执行器。
有数据支撑的话，你那一周里大概跑了多少个issue？成功合并的比例有多少？
有个点得补一刀：软件免费，但推理不免费。它得挂一个LLM后端（OpenAI/Claude的key），这部分是真烧钱。你说"门槛砍到地板"，本地模型我也试过，7B/14B那档写出来的PR跟云端大模型差太远，最后还是得买token。
"实习生"这个定位我赞成，但得加一条：它最怕跨文件的连锁改动。一个小改把别的模块编译搞挂，它自己兜不住，得人死盯着测试结果。我拿它补过一阵文档和单测，省心是真的，但合PR前我必自己跑一遍测试套件，这懒偷不得。
你那个前端项目它提的PR，单测是真覆盖还是凑数？我见过它写一堆assertTrue(True)糊弄的。