Agent=Model+Harness:源码解剖的七子系统与平台化信号

当行业内都在比拼智能体的模型能力时,真正决定一个智能体能否在真实项目中稳定运行的,往往是模型之外的那层运行时。
近期一份来自行业观察的论文,没有聚焦跑分或基准测试,而是深入分析了11个生产级编码智能体的源码,试图回答一个核心问题:连接大模型与真实世界、支撑智能体反复执行任务的那层运行时,由哪些部分构成?不同系统的设计思路有何差异?又在向什么方向演化?
论文用简洁的公式点明核心:智能体 = 模型 + 运行时。
运行时是模型之外的运行层,负责观测环境、做决策、调用工具、反馈结果并推进任务,模型负责生成内容,运行时决定这些内容能否稳定对接真实世界。这里需要澄清的是,运行时并非通用智能体框架,也不是临时搭建的脚手架,更不是单纯的任务编排器。在生产环境中,编码智能体的差异往往不在于调用了哪个模型API,而在于运行时如何组织循环、管理上下文、控制权限、对接工具和编辑器,读懂运行时才能理解这些系统的真实分工。
论文将现有研究分为三类,指出各自的不足:
| 研究类型 | 回答内容 | 未回答内容 |
|---|---|---|
| 基准测试综述 | 给出统一任务上的得分排名 | 看不到系统内部结构,分数跨模型、跨日期不可比 |
| 概念分类研究 | 归纳出工具、记忆、规划等设计模式 | 停留在模式层面,未落地到真实生产代码 |
| 已有源码分类 | 解剖了一批开源系统 | 大多排除了厂商原生产品,而生产环境最常用的恰恰是原生编码智能体 |
这份论文补充了后两个缺口,将厂商原生系统和开源系统放在同一源码对照中,做静态阅读和定性比较,不跑统一任务集,也不做性能排名。研究样本共11个系统,外加1个元层对照,时间锚定在2026年7月:
| 分组 | 系统 | 语言/备注 |
|---|---|---|
| 厂商原生 | 克劳德代码、科德克斯、双子星命令行、米斯特拉尔氛围 | 分别为TS、Rust、TS、Python;克劳德代码基于2026年3月流通快照,可复现性最弱 |
| 开源与对照 | 开放智能手、辅助者、迷你SWE智能体、赫耳墨斯、派、开放代码、开放爪 | 迷你SWE智能体约100行,作为研究地板;派是最小内核反趋势;开放爪是非SWE多渠道网关对照 |
| 元层对照 | 奥姆尼根特 | 编排多个厂商运行时,自己不建编辑循环 |
先把运行时说清楚
论文用一个很简洁的等式把问题摆正:智能体 = 模型 + 运行时。
运行时可以理解成模型之外的那层运行时:它负责让模型观测环境、形成决策、调用工具、读取反馈,再循环推进任务。模型负责生成内容,运行时决定这些生成能不能稳定接到真实世界里。
这里有个容易混淆的地方:运行时不等于市面上那些通用智能体框架,也不等于临时拼装的脚手架、评测时套的评估运行时,更不等于只在顶层做任务分发的编排器。论文刻意把这些概念分开,避免一个词套所有东西。
放到生产环境里看就更清楚了:真正被使用的编码智能体,差别往往不在"调了哪个模型API",而在这层运行时怎么组织循环、怎么管上下文、怎么控权限、怎么接工具和编辑器。读懂运行时,才看得懂这些系统的真实分工。
论文把11个系统的内部结构拆成七个子系统,再加两条贯穿全局的横切面:
| 子系统 | 职责 | 源码里的关键观察 |
|---|---|---|
| 智能体循环 | 观测、决策、动作、反馈的主循环 | 循环是每个系统的核心;形态从极简一轮一轮调用,到带状态、带中断恢复的完整运行时不等 |
| 大模型集成与协同设计 | 模型客户端、提示构造、采样、重试与错误处理 | 原生系统会与自家模型服务做更深的协同;开源系统把这一层做得更可替换 |
| 工具与动作 | 工具注册、调用封装、动作执行与结果回传 | 工具是模型触碰环境的唯一出口,工具的边界和权限直接决定系统风险面 |
| 记忆与上下文 | 会话基座、上下文裁剪、信息检索与压缩 | 代码检索主要靠ripgrep、树叉、glob和Markdown上下文,而不是向量嵌入 |
| 安全与权限 | 沙箱、人工批准、文件与命令权限分级 | 沙箱是一种架构选择,不是系统规模的必然结果;原生产品把它当成最贵的部件之一 |
| 多智能体编排 | 子任务分派、子智能体协作 | 大多数系统把自有子智能体留在进程内,而不是拆成独立服务 |
| 可扩展性 | 插件、技能、钩子、扩展点与外部接入 | 技能被更多系统采用,数量上反超了工具协议 |
两条横切面不单独成模块,却贯穿所有系统:一是接口层,也就是命令行界面、编辑器集成、客户端与服务器的部署形态;二是会话基座,包括会话持久化、历史导入导出和跨会话延续。需要说明的是,这七个子系统是一份解剖坐标系,不是评分表。论文用它统一描述各家结构,并不意味着每个系统都该把七块做全,也不意味着模块越多就越强。
两组最硬的证据:两种"缺席",一个反直觉对比
论文里证据最扎实的,不是某家系统做了什么,而是两件在11个系统里都没有出现的事。作者做过样本三倍扩张和三个月后的二次复核,结论保持一致。
缺席一:没有一个运行时采用通用智能体框架
11个系统里,没有一个在运行时引入通用智能体框架。连自家的双子星命令行,也没有用自己的通用框架。各家更倾向把循环、工具、记忆直接写在自己的代码里。这说明至少在编码智能体这个场景,通用框架目前并不是生产运行时的默认底座;至于这是场景成熟度问题,还是框架定位问题,论文没有下定论。
缺席二:没有一个用向量嵌入做代码检索
11个系统里,没有一个把向量嵌入用于代码库检索。读代码、定位符号和上下文,主要靠ripgrep、树叉、glob匹配和Markdown上下文组织。嵌入只出现在对话记忆场景:开放爪默认使用混合检索,赫耳墨斯只在可选插件里提供嵌入。这并不否定RAG本身,而是提示一个现实观察:在编码智能体当前的工作方式里,确定性的工具检索比语义嵌入更常被直接采用。
反直觉对比:一百行脚本和百万行系统处在同一成绩区间
样本里的迷你SWE智能体大约只有100行,是研究地板级实现;它自报在SWE基准测试上达到74%以上。科德克斯源码约110万行,属于重型系统。两者的自报成绩落在相近区间。你就说这事反不反直觉。不过口径必须讲清楚:这些分数跨模型、跨日期、跨配置,论文明确不把它们当成可横比的排名,只作为背景。它能提示的是循环复杂度并不直接预测任务完成率;但绝不能反过来推出"简单实现就足够",因为运行时承担的权限、可靠性、上下文管理和多步协作,并不体现在单题分数里。
四个常见理解,需要先纠偏
论文里反复澄清的误解归成四条,每条都对应一个想当然的判断。
误区一:系统越复杂,能力越强。复杂度和任务完成率之间,在这份样本里看不到直接对应。循环再厚,也可能只是在处理工程边界问题;而静态源码阅读本身无法测量运行性能,不能把结构规模读成能力高低。
误区二:大系统一定自带沙箱。沙箱是一种主动选择,不是规模的必然结果。赫耳墨斯、开放代码体量不小,却没有做操作系统级隔离;而原生产品常把沙箱当成成本最高的部件之一。隔离强度对应风险偏好,不对应代码行数。
误区三:原生优化等于紧耦合。原生系统确实和自家模型、服务协同更深,但紧耦合并不是厂商原生的专利:谁愿意为每个厂商维护条件代码,谁就能拿到对应的原生优化。紧耦合真正独有的好处,是和服务端一起协同进化、掌握更新循环的控制权;代价则是绑定和迁移成本。
误区四:工具协议已经统一。事实是技能被9个系统采用,数量上反超了接入工具协议的8个。编辑器与智能体对接、运行时托管、跨厂商互通等角色中,真正做跨厂商协作的,样本里只有双子星。自有子智能体大多留在进程内,没有变成独立服务。
最终判断:运行时正在从工具变成平台
论文的核心趋势判断是:编码智能体的运行时,正在从完成任务的工具,转向承载能力、规则和协作关系的平台。支撑这一判断的四个信号:
| 信号 | 源码里的表现 |
|---|---|
| 技能成为声明式单元 | 能力以可声明、可装载、可复用的技能单元存在,而不是写死在主循环里 |
| 钩子与事件总线 | 运行时对外暴露事件与挂载点,允许外部在关键节点插入逻辑 |
| 工具与工作流边界融合 | 单次动作与多步流程在同一层融合,工具既可以被调用,也可以串成流程 |
| 运行时作为服务面 | 运行时对外提供接口和服务形态,不只是一个本地命令行工具 |
顺着这四个信号,论文观察到两条靠近的路线:运行时在吸收框架的编排能力,框架也在下沉成运行时;市场出现切换成本和企业级治理需求;最上层出现元运行时,如奥姆尼根特那样编排多个厂商运行时,自身不建编辑循环。另外,系统间趋同从结构相似走到词汇层面模仿,特色半衰期以周计,行为策略从提示词散文迁移到配置文件和开关标志。
这是一条趋势观察,不是预言。它说明当下在发生什么,不保证所有系统都会沿着同一方向走到同一个形态。
这份研究能回答什么
读这篇论文时,有几条边界需要先摆清楚,否则很容易把结构观察误读成性能结论。
• 研究方式是静态源码阅读,不跑统一任务集,所以看不到真实运行性能、稳定性和失败率。
• 没有同任务、同模型的头对头对比,不能据此给产品排能力名次。
• 克劳德代码采用2026年3月的流通快照,是样本里可复现性最弱的一环。
• "框架缺席"未追溯动态加载等情形,代码检索结论限定在编码智能体场景。
• 结论面向编码场景,外推需重新验证。
• 清单信息易过期,阅读时以论文锚定时间为准。
• 系统间是定性比较,含作者主观判断,不等同于客观测量。
后记:以后怎么看一个智能体的运行时
若将论文浓缩为可复用的判断框架,有两层:
看结构,回到七个子系统和两条横切面,结构齐全不代表更强,缺模块对应特定工程代价;
看平台化程度,对照四个信号,信号越多越接近平台形态,越可能有切换成本和治理需求。
最后强调分工原则:源码解剖能回答运行时如何搭建,回答不了真实任务表现,需结合统一任务和同模型评测。把这两件事分开,就不容易被任何一边的结论带偏。

