Headlong — 1万行Bash让Agent永不休眠，我拆了这个1.1k星的微框架

Mon, 07 Sep 2026 08:00:00 +0800

先说结论

大多数 Agent 框架是"用完即走"——你发个请求，它响应，然后就睡了。Headlong 反着来：让 Agent 一直活着。

这是 Laude Institute 开源的微框架（microharness），GitHub 1.1k Star、116 Fork、730 次提交，核心只有约 1 万行 Bash 脚本。我读完源码后的感受是：这是目前最反直觉、但可能最接近"数字同事"的 Agent 架构。

GitHub：https://github.com/laude-institute/headlong

什么是"持久主体性"

传统 Agent 的生命周期是这样的：

1

用户请求 → Agent 响应 → 休眠 → 等待唤醒 → 用户请求 → ...

Headlong 的 Agent 完全不同。它永不休眠，像人类的内心独白一样持续自主思考。人类的消息不会"启动一个会话"，而是作为一条观察注入到 Agent 的思维流中，由 Agent 自己决定是否回应、何时回应。

核心机制：

无人时：Agent 仍在思考，但思考速率指数级衰减，控制成本在 $1-2/小时
有人时：衰减重置，Agent 全速运转
多平台：Slack、Telegram、内置聊天，整个团队共享同一个 Agent 的思维流

这不是定时任务，不是 cron 唤醒。Agent 自己决定优先级，自己发起项目，有话要说时主动 ping 你。

为什么用 Bash 做 Agent 母语

Headlong 最反直觉的设计决策：核心引擎 shellm 是 Bash 实现的递归语言模型（RLM）。

工作原理极其简单：

1

把上下文发给 LLM → LLM 返回 Bash 命令 → 执行命令 → 读输出 → 循环

你可能会想：Bash？认真的？

认真的。原因有三：

LLM 天然理解 Bash。GPT、Claude、Gemini 的训练数据里有海量 shell 脚本，不需要额外的教学
curl 就是 HTTP 客户端，jq 就是 JSON 处理器。不需要任何工具抽象层，现有 Unix 工具直接充当 Agent 的能力
最小编码量。1 万行实现完整 Agent 框架，Python 版本通常需要更多代码

这是一种"递归语言模型"思路——Agent 的"编程语言"和"工具语言"合二为一，消除了传统框架中"LLM 输出 → 工具调用格式 → 解析 → 执行 → 结果格式化"的整个翻译层。

轨迹与记忆系统

traj：追加式 JSONL DAG

Agent 的全部思维和行动记录在一个追加式 JSONL DAG 中。关键特性：

Fork & Merge：Agent 可以分支实验，成功则合并，失败则丢弃
全生命周期保留：没有任何信息被永久丢弃
支持自省：Agent 可以回顾自己过去任何一步的思维

分层上下文压缩

这是 Headlong 处理长上下文的核心策略：

时间段	保真度	说明
近期	完整	逐字保留
中期	摘要	主题级压缩
远期	索引	需要时可检索原始内容

整个轨迹始终在上下文中，但按指数级衰减分辨率呈现。层级同时充当索引——Agent 需要细节时可随时回溯检索。这比滑动窗口方案（早期信息直接丢弃）好得多。

mem 与 SKILL.md

mem：基于文件的记忆存储，Agent 可以沉淀和编码自己的经验
SKILL.md：能力复用机制，把专项任务的处理流程保存为文件，下次直接调用

自我改进机制

这是 Headlong 最让人兴奋的特性之一。

Agent 可以：

1

fork 代码库 → 修改 → 测试 → 成功则 merge

Laude Institute 已经采纳了 Agent 产出的 50+ commits 到主仓库。我查了提交历史，最近的提交者包括 nickjalbert（人类）和 claude（Agent），两者协作开发同一个代码库。

这不是"生成代码让人审核"，而是 Agent 真正在参与软件工程的完整流程——fork、修改、测试、提交 PR、merge。失败了就丢弃整个分支，不需要回滚机制。

团队协作

Headlong 的 Agent 天然是团队共享的：

支持 Slack、Telegram 和内置聊天应用
整个团队共享同一个 Agent 思维流，没有 per-user 会话隔离
Agent 跟踪不同人在做什么，主动连接相关的人
实时 Dashboard 可以在浏览器里观察 Agent 的"内心独白"

这意味着你告诉 Agent 的事情，原则上团队其他人都能看到。这是特性，不是 bug——它让 Agent 的行为更像一个真正的同事，而不是每个人专属的工具。

与传统框架对比

维度	Headlong	AutoGPT/CrewAI 等
运行模式	持久主体性，永不休眠	任务驱动，完成即休眠
交互模型	消息注入思维流，Agent 自主决定何时回应	会话边界清晰
核心语言	Bash（LLM 原生理解）	Python（需工具封装）
上下文管理	分层压缩，全生命周期保留	滑动窗口，早期信息丢失
代码量	~1万行	通常远超1万行
自我改进	fork/merge 原生支持	无
团队共享	天然支持，单思维流	独立会话

安装体验

一行命令：

1

curl -fsSL https://headlong.ai/install.sh | bash

要求：

bash 3.2+、git、curl、jq、Python 3
LLM API Key（支持 Anthropic、OpenAI、Gemini、OpenRouter）或本地模型（llama.cpp、Ollama、vLLM、LM Studio）
Dashboard 需要 uv 和 bun/node

安装完成后，给 Agent 起的名字直接变成系统命令：

1
2
3
4
5


ada hello # 发一条消息，等回复
ada # 进入聊天模式
ada stop / ada start # 暂停/恢复思维
ada dash # 打开 Dashboard
ada bugreport # 打包日志提交 bug 报告

Docker 环境下推荐容器化运行，非 Docker 环境需要显式确认才允许在宿主机直接执行。

总结：从"工具"到"同事"

Headlong 代表了 Agent 架构的一个新方向。

大多数框架在优化"工具"——怎么更好地理解指令、调用函数、返回结果。Headlong 在做一件不同的事：让 Agent 成为一个持续存在的实体，有自己的思维流、记忆、甚至自我改进能力。

适合谁：

研究长周期 Agent 行为的研究者
想要"常驻式数字同事"的工程团队
对 Agent 架构有兴趣、想读一个 1 万行就能跑通的完整实现的开发者

1 万行 Bash，Apache 2.0 协议，730 次提交，50+ 次 Agent 自己贡献的代码。这不是概念验证，这是一个正在被使用的系统。

varkm

Shellm on Kalend's Blog