Досье: OpenHands + MetaGPT

Автономные software-агенты с открытым кодом: возможности, архитектура, реальные результаты

Дата: Июль 2026
Статус: Активно развиваются (обе системы живы в 2026)
Лицензии: MIT (обе)

Часть 1: OpenHands — Control Center для Coding Agents

Что это?

OpenHands (ранее известный как OpenHands Agent Canvas) — это самохостируемый контрольный центр для developer-агентов. Это не сам агент, а платформа оркестрации и фронтенд для запуска разных агентов (OpenHands, Claude Code, Codex, Gemini и любые ACP-совместимые) через единый интерфейс.

Основная идея: разработчик один раз настраивает несколько "backend'ов" (локальный компьютер, VM в облаке, Docker контейнер, корпоративная инфраструктура), а затем в UI может переключаться между ними, не теряя контекста. Агенты выполняют автоматизацию кода, генерацию отчётов, декомпозицию GitHub issues и другие engineering задачи.

Архитектура и ключевые компоненты

OpenHands состоит из трёх основных слоёв:

Agent Canvas Frontend (Node.js, React-подобный SPA)
Веб-интерфейс для управления агентами
Переключение между разными backend'ами
Просмотр истории выполнения, логов, результатов
Создание и управление automations
Agent Server (Python, REST API)
REST API для запуска одного или нескольких агентов на одной машине
Может жить на laptop'е, Mac Mini, VM, внутри OpenHands Cloud
Обрабатывает общение с LLM, выполнение инструментов, управление сессиями
Automation Server (опционально)
Позволяет запускать агентов по расписанию или по webhook'ам
Интеграция с Slack, GitHub, Linear, Notion
Создание workflows для автоматизации повторяющихся tasks

Как работает sub-agent оркестрация?

OpenHands использует Agent-Client Protocol (ACP) — стандартизированный протокол для коммуникации между фронтенд и агентами. Это позволяет:

Запускать разные агенты на разных машинах
Одновременно использовать несколько агентов (один для кода, другой для тестирования)
Легко переключаться между ними в одном интерфейсе
Распределённые вычисления: тяжёлые задачи идут на мощный сервер, лёгкие — на laptop

Оркестрация происходит через REST API между Agent Canvas и Agent Server. Каждый Agent Server может управлять состоянием одного или нескольких worker'ов, которые выполняют реальные действия.

Память и контекст

Сессии: каждый запуск агента — это отдельная сессия с собственным контекстом
History: локальное хранилище истории запросов, ответов и логов в UI
Workspace: если агент работает с файлами, workspace обычно это ~/.openhands/ или смонтированная директория
Настройки LLM: профили для разных моделей (GPT-4, Claude, Gemini и т.д.)

Деплой на своём сервере

OpenHands предоставляет три варианта:

Локально без sandbox'а (рискованно, агент имеет полный доступ к файловой системе) bash npm install -g @openhands/agent-canvas agent-canvas
Docker с sandbox'ом (рекомендуется) bash docker run -it --rm \ -p 8000:8000 \ -v "$HOME/.openhands:/home/openhands/.openhands" \ -v "${PROJECTS_PATH}:/projects" \ ghcr.io/openhands/agent-canvas:1.0.0-rc.11 Агент видит только файлы под /projects.
На облачном сервере (OpenHands Cloud или OpenHands Enterprise)
Микрометра безопасности и масштабирования
Централизованное управление для teams

Цена и коммерческие модели

Open Source: полностью бесплатно, MIT лицензия
OpenHands Cloud: облачная версия с коммерческой поддержкой (цены не публичны)
OpenHands Enterprise: для корпораций (цены не публичны)
Затраты: если использовать API OpenAI или других LLM провайдеров, платишь им, не OpenHands'у

Сильные стороны

Гибкость бэкенда: switch между local/remote/cloud агентами без перезапуска
Vendor-agnostic: работает с любым LLM (OpenAI, Anthropic, Ollama, etc.)
Distributed execution: можно распределить несколько Agent Server'ов в инфраструктуре
Automations: встроенная система для scheduling и webhook'ов
Active development: регулярные обновления, инкубаторная программа для партнёров
Хороший DX: интуитивный UI, быстрая настройка

Слабые стороны

Молодость: всё ещё в beta/RC статусе (версия 1.0.0-rc.11 в 2026)
Документация: некоторые детали архитектуры слабо описаны
Изоляция агентов: нет встроенного механизма для кооперации между разными агентами (каждый работает отдельно)
Персистентность памяти: контекст теряется между сессиями (нет встроенного knowledge base)
Масштабирование: ограничения на число одновременно запущенных агентов на одном сервере

Для кого?

Software companies: автоматизация code review, зависимостей, тестирования
Individual developers: агент-помощник на локальной машине
DevOps/DevTools teams: интеграция в CI/CD pipeline'ы
Enterprises: самохостируемая версия с контролем данных

Свежесть в 2026

Статус: ЖИВОЙ И АКТИВНЫЙ - Последние обновления в марте 2026 (mgx.dev, продукт на #1 ProductHunt) - Активная разработка SDK и инструментов - Растущее комьюнити (Discord, GitHub issues)

Часть 2: MetaGPT — Framework для Software Company из LLM'ов

Что это?

MetaGPT — это framework для создания мультиагентных систем, которые имитируют структуру и SOP (Standard Operating Procedures) программной компании. Вместо того, чтобы один агент делал всё, здесь каждой роли (Product Manager, Architect, Project Manager, Engineer) назначается свой LLM-агент, и они коллаборируют.

Ключевая идея: Code = SOP(Team) — вывод не просто код, а результат применения SOP к команде LLM'ов. На входе: требование в одну строку ("Create a 2048 game"). На выходе: user stories, competitive analysis, требования, data structures, APIs, полная документация, готовый к запуску код.

Архитектура и ключевые концепции

Multi-Agent Orchestration

MetaGPT строит иерархию агентов:

Product Manager Role
Анализирует требование
Пишет user stories и competitive analysis
Создаёт требования (PRD — Product Requirements Document)
Architect Role
Проектирует архитектуру системы
Определяет data structures, APIs, modules
Пишет technical specification
Project Manager Role
Планирует работу, создаёт tasks
Управляет зависимостями между компонентами
Engineer Roles (может быть несколько)
Реализуют код на основе TDD (Test-Driven Development)
Пишут unit tests, integration tests

Memory и Knowledge Sharing

Shared Context: все агенты имеют доступ к общему контексту (requirements, design docs, code)
File System: каждый агент может читать/писать файлы в workspace
Message Passing: агенты общаются через систему сообщений
Persistent Memory: workspace сохраняется между запусками, поэтому можно продолжить работу

Workflow Execution

[User Input] 
    ↓
[PM: Analyse → PRD]
    ↓
[Architect: Design → APIs, Data Model]
    ↓
[ProjectManager: Plan → Task Breakdown]
    ↓
[Engineer1: Code → implement_user.py]
    ↓
[Engineer2: Code → implement_game.py]
    ↓
[All: Testing → unit_tests, integration_tests]
    ↓
[Output: Full Repo with Docs]

Как использовать? Быстрый старт

Через CLI

pip install --upgrade metagpt
metagpt --init-config  # создаст ~/.metagpt/config2.yaml
metagpt "Create a 2048 game"  # запустит pipeline

Результат: полный Git repo с кодом, документацией, тестами в ./workspace.

Через Python API

from metagpt.software_company import generate_repo
from metagpt.utils.project_repo import ProjectRepo

repo = generate_repo("Create a 2048 game")
print(repo)  # выведет структуру repo

Как компонент (roles + tasks)

import asyncio
from metagpt.roles import ProductManager, Architect, Engineer

async def main():
    pm = ProductManager()
    arch = Architect()
    eng = Engineer()

    # Запустить workflow
    await pm.run("Create a REST API for TODO app")
    await arch.run()
    await eng.run()

asyncio.run(main())

Деплой на своём сервере

MetaGPT — это Python library, поэтому деплой прямолинейный:

Локально (ноутбук/desktop) bash pip install metagpt export METAGPT_WORKSPACE="/path/to/projects" metagpt "Your task"
Docker bash docker pull metagpt/metagpt:latest docker run --rm \ -v /opt/metagpt/config/config2.yaml:/app/metagpt/config/config2.yaml \ -v /opt/metagpt/workspace:/app/metagpt/workspace \ metagpt/metagpt:latest \ metagpt "Your task"
В production (на сервере)
Используется как backend для веб-приложения
Можно запустить REST API wrapper вокруг MetaGPT
Использовать Celery или RQ для async jobs

Конфигурация LLM

~/.metagpt/config2.yaml:

llm:
  api_type: "openai"  # или azure, ollama, groq
  model: "gpt-4-turbo"  # или gpt-3.5-turbo, claude-3
  base_url: "https://api.openai.com/v1"  # или локальный Ollama
  api_key: "YOUR_API_KEY"

directory:
  workspace: "./workspace"  # где сохранять результаты

Цена

Open Source: бесплатно, MIT лицензия
API Costs: платишь OpenAI, Anthropic или другому провайдеру LLM за каждый token
Commercial Support: DeepWisdom (создатели MetaGPT) предоставляют консультации
MGX Platform: недавно запущена платформа (mgx.dev) — коммерческий продукт для enterprise

Сильные стороны

End-to-end pipeline: от требования до deployment-готового кода
Realistic simulation: структура как реальная компания (PM, Architect, Engineer)
SOP materialization: явное описание процессов, которые обычно неявные
Output quality: выход часто лучше, чем если попросить одного агента
Extensible: легко добавить свои роли и tasks
Knowledge Persistence: workspace сохраняется, можно итерировать
Active Research: регулярные публикации (AFlow, SPO, AOT papers в 2025)

Слабые стороны

Медленность: многоагентный workflow дольше, чем прямой запрос
Token costs: для сложных задач может потребоваться много API calls
Context windows: каждый агент имеет ограничение на контекст
Hallucinations: LLM'ы могут генерировать неправильный код (нужна проверка)
No true collaboration: агенты работают последовательно, не параллельно (в базовой версии)
Зависит от LLM quality: если модель слабая, результат будет слабый
Python-centric: хорошо работает для Python проектов, другие языки требуют кастомизации

Для кого?

Startups/Indie Hacker'ы: быстро прототипировать MVP'ы
Enterprise DevOps: автоматизация code generation, architecture review
Researchers: изучение multi-agent systems
AI companies: используют как базу для своих продуктов
Контрактные разработчики: ускорить delivery на простых projects

Свежесть в 2026

Статус: ЖИВОЙ И ОЧЕНЬ АКТИВНЫЙ - Февраль 2025: запуск MGX (MetaGPT X) на ProductHunt - Февраль 2025: два новых paper'а (SPO, AOT) - Январь 2025: принята статья AFlow в ICLR 2025 (oral presentation, top 1.8%) - Регулярные обновления в main GitHub ветке - Активная разработка enterprise версии

Сравнение: OpenHands vs MetaGPT

Критерий	OpenHands	MetaGPT
Назначение	Control center для агентов	Framework для создания multi-agent систем
Primary Output	Выполнение arbitrary задач	Полный software project
Architecture	Frontend + Distributed Backends	Monolithic multi-agent framework
Memory	Per-session, слабая persistence	Workspace-based, хорошая persistence
LLM Integration	Vendor-agnostic, plugin-based	Focused, config-driven
Deployment	Local, Docker, Cloud	Local, Docker, embedded
Team Simulation	Нет явного	Да, структурирована как компания
Time to Value	Быстро (один запрос)	Медленнее (многоагентный pipeline)
Costs	Инфраструктура + LLM API	LLM API (много tokens)
Learning Curve	Низкая (UI-driven)	Средняя (Python API, роли/tasks)

Реальные примеры систем на основе этих платформ

На базе OpenHands

GitHub Copilot Workspace (Microsoft) — использует архитектуру похожую на OpenHands
Cursor IDE — встроенный agent control center
Replit Agent — облачный IDE с агентом
Custom CI/CD Pipelines — компании интегрируют OpenHands для автоматизации

На базе MetaGPT

DeepWisdom Data Interpreter — специализированный агент для data science (встроена в MetaGPT)
Debate Framework — multi-agent debate system для лучших решений
Researcher Agent — автоматический research assistant
Receipt Assistant — обработка документов
MGX Platform — коммерческий продукт DeepWisdom (запущен в 2025)

Гибридный подход: OpenHands + MetaGPT

Можно комбинировать:

OpenHands (Frontend + Orchestration)
    ↓
Управляет несколькими Backend'ами:
    - Backend 1: OpenHands Agent
    - Backend 2: MetaGPT Agent (запущен как service)
    - Backend 3: Claude Code Agent

Преимущества: - OpenHands для управления и switching - MetaGPT для генерации software projects - Специализированные агенты для specific tasks - Единая точка управления через OpenHands UI

Ключевые выводы и рекомендации

Выводы

Обе системы живы в 2026 и активно развиваются
OpenHands — это orchestration platform, а не сам агент
MetaGPT — это framework для симуляции компании через LLM'ы
Разные use cases: OpenHands для повседневной автоматизации, MetaGPT для полного software generation
Экосистема растёт: появляются коммерческие продукты (OpenHands Cloud, MGX Platform)
Research активен: обе компании публикуют статьи, улучшают algorithms
Open Source остаётся основой, несмотря на коммерциализацию
Costs зависят от LLM API, не самих платформ (в open source версиях)
Deployment гибкий: от laptop'а до корпоративной инфраструктуры
Future направление: повышение autonomy, лучше memory, более complex workflows

Ссылки и источники

Официальная документация

OpenHands
GitHub: https://github.com/All-Hands-AI/OpenHands
Docs: https://docs.openhands.dev/overview/introduction
Discord: https://go.openhands.dev/slack
MetaGPT
GitHub: https://github.com/geekan/MetaGPT
Docs: https://docs.deepwisdom.ai/main/en/
MGX Platform: https://mgx.dev/

Исследовательские статьи

MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework
Publication: ICLR 2024
Link: https://openreview.net/forum?id=VtmBAGCN7o
Authors: Sirui Hong et al.
AFlow: Automating Agentic Workflow Generation
Publication: ICLR 2025 (oral, top 1.8%)
Link: https://openreview.net/forum?id=z5uVAKwmjf
SPO & AOT Papers
Released: February 2025
Link: https://arxiv.org/pdf/2502.06855 (SPO)
Link: https://arxiv.org/pdf/2502.12018 (AOT)

Community и примеры

Matthew Berman Tutorial
YouTube: "How To Install MetaGPT - Build A Startup With One Prompt!!"
Link: https://youtu.be/uT75J_KG_aY
MetaGPT Hugging Face Space
Live demo: https://huggingface.co/spaces/deepwisdom/MetaGPT-SoftwareCompany
OpenHands Incubator Program
GitHub: https://github.com/OpenHands/incubator-program
Status: Beta, actively recruiting partners

Дата обновления: 2026-07-11
Рекомендуемая периодичность перепроверки: каждые 2-3 месяца (быстрый темп развития)

Досье: OpenHands + MetaGPT

Автономные software-агенты с открытым кодом: возможности, архитектура, реальные результаты

Часть 1: OpenHands — Control Center для Coding Agents

Что это?

Архитектура и ключевые компоненты

Как работает sub-agent оркестрация?

Память и контекст

Деплой на своём сервере

Цена и коммерческие модели

Сильные стороны

Слабые стороны

Для кого?

Свежесть в 2026

Часть 2: MetaGPT — Framework для Software Company из LLM'ов

Что это?

Архитектура и ключевые концепции

Multi-Agent Orchestration

Memory и Knowledge Sharing

Workflow Execution

Как использовать? Быстрый старт

Через CLI

Через Python API

Как компонент (roles + tasks)

Деплой на своём сервере

Конфигурация LLM

Цена

Сильные стороны

Слабые стороны

Для кого?

Свежесть в 2026

Сравнение: OpenHands vs MetaGPT

Реальные примеры систем на основе этих платформ

На базе OpenHands

На базе MetaGPT

Гибридный подход: OpenHands + MetaGPT

Ключевые выводы и рекомендации

Выводы

Рекомендации по выбору

Ссылки и источники

Официальная документация

Исследовательские статьи

Community и примеры