Skip to content
RobotWorld
←返回能力前沿雷达

SOTA · 智能体与运行时

智能体运行时

Agent 运行时:插件与沙箱、工具接口、技能系统、长程记忆与自我改进。

模型能力是上限,agent 运行时决定你能拿到上限的多少。同一个模型换一层骨架,长任务完成率能差一倍以上——这不是修辞:Terminal-Bench 的成绩单必须把 harness 版本一起记下来才有意义,因为分数是「模型 × 运行时」的乘积,不是模型单独的属性。所以这个域量的是 agent 脚下那层东西:插件与工具的挂载语义、沙箱与权限边界、技能系统(能不能自己写工具、写完能不能复用)、长程记忆与会话恢复、以及自我改进回路(任务后总结出的经验,下一次是否真的用得上)。和 AGI 的连接点在于:模型权重是冻结的,而运行时是可以在部署之后继续变强的那一层。今天梯顶的几个开源项目走的是同一条路线——把记忆、技能、沙箱、持久化做成显式的运行时能力,而不是塞进一段越来越长的系统提示词里。判断一个 harness 值不值得用,不看它能跑通几个 demo,看这三件事:崩了能不能从断点续跑、越权操作有没有硬边界、技能与记忆能不能跨会话累积。

尺子长任务完成率、插件与技能生态、沙箱与遥测、单任务成本延迟

SOTA 阶梯

8
智能体运行时

DeepSeek Harness:一切皆插件的开源 agent 运行时

DeepSeek AI 开源的 agent harness(命令行 dsh,MIT,23 万+ star)。内核只提供插件系统语义,工具、界面、模型接入全部以插件挂载;底座是 Cordis 的时空可组合性范式(arXiv:2608.25512)。当前处于 developer preview,官方明确警告会有破坏兼容性的变更,运行前须读 SAFETY.md。基准复现尚未做过,这一档记为待复现。

234kGitHub Star 数
智能体运行时Agent
官网Repo
DeepSeek Harness:一切皆插件的开源 agent 运行时
智能体运行时

Pi:分层的 agent harness monorepo

Pi Agent Harness(原 badlogic/pi-mono,10.8 万+ star,MIT/TypeScript)。不是一个 CLI 而是一套可分层取用的包:pi-coding-agent(交互式编码 agent)、pi-agent-core(带工具调用与状态管理的运行时)、pi-ai(统一多 provider LLM API),外加 chord 组合运行时、pi-telemetry 遥测契约、pi-durable 持久化、pi-tui 差分渲染终端 UI。README 明确写出它没有内置权限系统,并给出微 VM / Docker / 沙箱三条边界路径。未做基准复现,记为待复现。

109kGitHub Star 数
智能体运行时Agent+1
Repo
Pi:分层的 agent harness monorepo
智能体运行时

Impeccable：给 AI 编码 Agent 的设计语言，专治 AI slop 前端

Paul Bakaus 出的开源设计技能：1 个技能、24 条命令、61 条确定性反模式检测规则，专治 AI 生成前端的千篇一律（Inter 字体、紫蓝渐变、卡片套卡片）。支持 Claude Code/Cursor/Codex/Gemini 等 16 种 harness 安装，带浏览器实时迭代模式与 Chrome 扩展；纯 Markdown 规则 + 零 LLM 检测引擎，Apache-2.0，75k+ stars。

76kGitHub Star 数
智能体运行时
官网Repo
Impeccable：给 AI 编码 Agent 的设计语言，专治 AI slop 前端
智能体运行时

Diagram Design：给 agent 用的编辑级图表设计 skill

MIT 开源的 agent skill，把 Claude Code/Codex/Factory Droid/Pi 变成图表设计工具：44 种视觉类型、211 个自包含 HTML 示例、语义模式与版式正交的结构，首次运行强制校验品牌 token 以免默认皮肤污染品牌站，渲染 lint 以像素 diff 抓 SVG 被裁。

47kGitHub Star 数
智能体运行时
官网Repo
Diagram Design：给 agent 用的编辑级图表设计 skill
智能体运行时

Deep Agents:逆向 Claude Code 得到的开箱即用 agent harness

README 第一行就自称「开箱即用的 agent harness」,MIT,Python(另有 deepagents.js),建在 LangGraph 之上,流式/持久化/检查点是继承来的。理解它的钥匙在致谢里那句「受 Claude Code 启发:试图找出它为什么通用,然后把这件事推得更远」——这是一次逆向工程,把一个公认好用的闭源编码 agent 拆开,问「到底哪几件事让它能处理长任务」。它给出的答案是四件被捆绑进来的事:可插拔后端的文件系统(长任务的产物是文件不是消息,上下文只留指针)、各有独立窗口的子智能体(上下文的隔离与压缩,不是多几个帮手)、长对话摘要 + 工具输出卸载到磁盘、以及按需加载的 Skills。另有沙箱内 shell、跨会话持久记忆、工具调用执行前可批准/编辑/拒绝的人在环中、任意 MCP server 当工具。模型无关:前沿 API、Baseten/Fireworks 上的开源权重、Ollama/vLLM/llama.cpp 自托管都能跑,三行 create_deep_agent 起一个能规划能读写文件的 agent。安全段写得异常坦白——遵循「信任 LLM」模型,边界必须在工具层与沙箱层强制,不要指望模型自我约束。29.7k★。未运行过;子智能体隔离效果与摘要信息损失尚未验证,记为待复现。

30kGitHub Star 数
智能体运行时Agent+1
官网Repo
Deep Agents:逆向 Claude Code 得到的开箱即用 agent harness
智能体运行时

Learn Harness Engineering：把 AI 编码 Agent 调教到可靠的 harness engineering 实战课程

WalkingLabs 出的开源实战课程：14 讲 + 8 个项目 + 15 种语言，系统教你搭 AGENTS.md/状态管理/验证闭环/会话生命周期五件套，让最强模型在真实仓库里从「不可靠」变「可靠」。含 Pi、Claude Code、Codex、DeepSeek 四家前沿产品 harness 逆向拆解，以及 loop/graph engineering 进阶两讲；MIT 开源，附 harness-creator 技能与零依赖审计脚本。

19kGitHub Star 数
智能体运行时
官网Repo
Learn Harness Engineering：把 AI 编码 Agent 调教到可靠的 harness engineering 实战课程
智能体运行时

claude-quickstarts:Anthropic 自用 Claude 应用示范代码整仓摊开,18 个可跑项目覆盖会话、工具与 computer use

Anthropic 把自用构建 Claude 应用的示范代码以 claude-quickstarts 整仓摊开:18 个完整可跑项目,分三层——对话应用(客服、金融分析)、桌面与浏览器操作(computer use demo、原生 macOS 最佳实践参考实现、browser/computer toolset 极简示例)、长时智能体与 Managed Agents 生态(多渠道聊天、AG-UI 生成式 UI、cron 部署、知识蒸馏 wiki、九工具 MCP server)。MIT 许可,采集时 1.86 万 star。最值得逐行读的是 computer-use-best-practices:截图 resize、提示缓存、服务端压缩、批处理工具调用、沙箱 shell 与轨迹记录全部直接写进代码。

19kGitHub Star 数
智能体运行时LLM
Repo
claude-quickstarts:Anthropic 自用 Claude 应用示范代码整仓摊开,18 个可跑项目覆盖会话、工具与 computer use
智能体运行时

Midscene.js：视觉界面智能体与端到端测试框架

字节跳动 Web Infra 团队开源的视觉界面智能体与端到端测试框架。它用截图而非选择器定位元素，同一套接口覆盖 Web、安卓、iOS、鸿蒙与桌面，并提供 YAML 用例、TypeScript 节点、可回放报告与面向编程智能体的命令行技能。定位为智能体运行时层，而非 AI 编程工具。

15kGitHub Star 数
智能体运行时Agent
官网Repo
Midscene.js：视觉界面智能体与端到端测试框架

最新演示

30
Pando：面向 Agent 的 Git 后端
0:18

Pando：面向 Agent 的 Git 后端

@OpenAIDevs · 69次播放 · 2026-11-03
Agent RuntimeGit Backend
Pinokio Remote远程运行本地AI
2:20

Pinokio Remote远程运行本地AI

@cocktailpeanut · 66次播放 · 2026-11-02
Local AIRemote Computing
DeepSeek Harness推出插件创作模式
1:39

DeepSeek Harness推出插件创作模式

@DeepSeekHarness · 77次播放 · 2026-11-02
智能体运行时Plugins
Busabase为AI代理建立长期记忆底座
3:22

Busabase为AI代理建立长期记忆底座

@kellypeilinchan · 68次播放 · 2026-11-02
AI智能体Agent Memory
Echo 用代理设计开源人形
0:25

Echo 用代理设计开源人形

@meetsitaram · 98次播放 · 2026-11-01
EchoHumanoidCAD
全电脑可用的 Agent 桌面控制
0:20

全电脑可用的 Agent 桌面控制

@ctatedev · 88次播放 · 2026-10-31
Computer UseCoding Agent
OpenDuet：可自托管主动式智能体框架
1:10

OpenDuet：可自托管主动式智能体框架

@ataiiam · 116次播放 · 2026-10-27
OpenDuet智能体运行时
Harness² 驱动 JEV：冻结权重自进化
0:22

Harness² 驱动 JEV：冻结权重自进化

@openmys · 211次播放 · 2026-10-19
智能体运行时递归自我提升
Harness²：递归式自改进
0:47

Harness²：递归式自改进

@AHSeslami · 204次播放 · 2026-10-18
智能体运行时递归自我提升
OpenHuman：增长最快的开源智能体框架
0:19

OpenHuman：增长最快的开源智能体框架

@tinyhumansai · 215次播放 · 2026-10-15
OpenHuman智能体运行时
SlashVibe:AI 智能体的掌上物理控制器
1:14

SlashVibe:AI 智能体的掌上物理控制器

@slashvibe_ai · 252次播放 · 2026-10-14
AI智能体智能体运行时
Oh-My-Hermes 3.0.2：技能与护栏

Oh-My-Hermes 3.0.2：技能与护栏

@rlaope · 342次播放 · 2026-10-11
Oh-My-HermesAgent Skills
Voyager：创意工作的开放 Harness
1:25

Voyager：创意工作的开放 Harness

@anvisha · 340次播放 · 2026-10-08
智能体运行时视频生成
iPhone Use:Codex 操控手机
0:40

iPhone Use:Codex 操控手机

@zhongerxin · 334次播放 · 2026-10-08
Mobile AgentComputer Use
书生·端砚免费 5 亿 Token：Intern-S2/Atria/Agents-A1 限时 0 墨点，兼容 OpenAI/Anthropic 协议
2:16

书生·端砚免费 5 亿 Token：Intern-S2/Atria/Agents-A1 限时 0 墨点，兼容 OpenAI/Anthropic 协议

@xiangxiang103 · 1523次播放 · 2026-10-04
ShanghaiAILabInternLM
Open Dots 正式发布：Composio 开源版 Dot 常驻 Agent，1/10 成本跑在你的 Mac 上
0:15

Open Dots 正式发布：Composio 开源版 Dot 常驻 Agent，1/10 成本跑在你的 Mac 上

@KaranVaidya6 · 769次播放 · 2026-09-30
Harness常驻Agent
三个开源工具给 Agent 装上「全网抓取」超能力：Agent-Reach、Patchright Enhanced、Scrapling
0:41

三个开源工具给 Agent 装上「全网抓取」超能力：Agent-Reach、Patchright Enhanced、Scrapling

@liambraus · 1101次播放 · 2026-09-30
Harness网页抓取
Nav Arena「Can Jev Nav?」：133 环境 / 2000+ 任务实测 System-1 语言模型开机器人，Jev 输入改写让完成率 40%→90%
0:23

Nav Arena「Can Jev Nav?」：133 环境 / 2000+ 任务实测 System-1 语言模型开机器人，Jev 输入改写让完成率 40%→90%

@stash_pomichter · 782次播放 · 2026-09-30
导航导航基准
浙大北大开源 Easel：社媒运营 Agent 工作台，发现→策划→创作→发布→复盘全链路，一键发 7 平台
2:00

浙大北大开源 Easel：社媒运营 Agent 工作台，发现→策划→创作→发布→复盘全链路，一键发 7 平台

@denziideng · 1353次播放 · 2026-09-30
Harness社媒运营
谷歌 CC：全家共用的群组级 AI 助理，有自己的验证账号和邮箱
0:12

谷歌 CC：全家共用的群组级 AI 助理，有自己的验证账号和邮箱

@xiaohu · 849次播放 · 2026-09-29
AI智能体谷歌
Open-Dots：OpenAI 刚发布 Dots，他就开源了一个自己能跑的版本
0:45

Open-Dots：OpenAI 刚发布 Dots，他就开源了一个自己能跑的版本

@matchaman11 · 1192次播放 · 2026-09-29
Open-DotsOpenAI
Perplexity Computer 推出 Automations：基于事件触发与定时的持续型 Agent 任务
1:32

Perplexity Computer 推出 Automations：基于事件触发与定时的持续型 Agent 任务

@perplexity_ai · 702次播放 · 2026-09-29
Perplexity自动化
Manus 发布个人 Agent「Cue」：对标 OpenAI Muse，回归国内市场
1:15

Manus 发布个人 Agent「Cue」：对标 OpenAI Muse，回归国内市场

@xiaohu · 1483次播放 · 2026-09-28
ManusCue
Paperclip：把一群 AI 智能体变成一家有组织架构的公司
0:34

Paperclip：把一群 AI 智能体变成一家有组织架构的公司

@vicky_grok · 695次播放 · 2026-09-27
AI智能体Multi-Agent Orchestration

论文与深读

35
OpenRUA：统一 Harness 让开放模型用机器人2026-11-03OpenRUA：统一 Harness 让开放模型用机器人OpenRUA 的五层统一 harness 让 Qwen 无深度在 RoboDojo 达 31.39 分、真机零样本达 53.50 分，并揭示空间定位、几何计算与真机开放流程的边界。
EvoGroup：面向共享上下文的群体智能体自进化执行框架2026-11-02EvoGroup：面向共享上下文的群体智能体自进化执行框架EvoGroup 把群体智能体的运行框架本身作为进化对象。它从只有六个基础工具的最小框架出发，在共享上下文的多轮任务中记录轨迹与置信度，优先分析高置信正确、高置信错误和低置信样本，再通过自适应渐进披露与分桶归因提炼跨轨迹问题，并从表示、操作、干预和策略四个接口修订记忆、工具、中间件、提示词与技能。在 EverMemBench 留出集上，DeepSeek-V4-Flash 的 pass@1 从 71.07% 提升到 89.58%，超过 Codex 的 82.62% 和 Claude Code 的 85.83%；冻结后的框架在 GroupMemBench 上仍体现一定迁移能力，但模型差异与修订回归仍是主要限制。
机器人使用智能体民主化：开放模型统一执行框架2026-11-01机器人使用智能体民主化：开放模型统一执行框架uni-robot-agent 将模型、调度、共享工具、服务与后端拆成统一机器人使用框架，通过异步流水线、不可变观测、可追踪执行和结构化反馈，让不具备特权输入的开放权重模型直接操控机器人；Qwen3.8-Flash-Next 在 RoboDojo 上取得 31.39 分，超过已发表的 GPT-6 Astra–RoboProbe 28.97 分，并在 19 项真实任务上取得 49.50 分。
深入 DeepSeek Harness 的 Super-agent 架构2026-11-01深入 DeepSeek Harness 的 Super-agent 架构DeepSeek Harness 拆解 Super-agent：以 Router 分派、Worker 隔离执行、事件触发和外部 Watchdog，让一个智能体持续协调多任务并节省人的注意力。
记忆税：解析智能体记忆的净价值2026-10-25记忆税：解析智能体记忆的净价值以原始历史的朴素 RAG 为参照，拆分记忆收益与记忆税，并在三类主基准和两类扩展场景中解释 90/99 项结果为何未超过 RAG。
HarnessMM：面向智能体执行框架 Token 效率的递归自我改进2026-10-23HarnessMM：面向智能体执行框架 Token 效率的递归自我改进智能体执行框架常在工具返回反馈后反复调用推理模型，即使前一次调用已经确定了下一步动作。HarnessMM 在模型与工具边界复用已验证的可执行决策，以可执行决策图保存动作、字面参数、因果依赖和公共守卫，并通过受保护决策复用与认证回调替换跳过后续慢推理；遇到新语义、证据不足或选择器弃权时仍回到原始执行器。方法还以训练反馈递归改进配套框架配置，并由验证集选择部署配置。HumanEval、工业框架、MBPP、ALFWorld 与 GAIA2 等实验显示，在完整任务口径下可显著降低 Token 消耗，部分设置还提升成功率。
DiscoveryRSI:递归学习发现有价值假说2026-10-16DiscoveryRSI:递归学习发现有价值假说科学发现的难点不在生成想法，而在把值得做的假说发展成可执行的调查，并从这一过程中学习。本文先给出「有价值且可检验的研究假说」的操作性定义：有据可依的主张 + 可行的调查计划 + 明确的判定标准 + 替代解释。DiscoveryRSI 用多智能体进化搜索生长假说树，把选中的调查编译成可执行的 Harbor 任务，并通过三条互相咬合的机制递归自改进：假说信用优化把科学评估按文档化贡献归因成有界监督信号，harness 回放在冻结模型权重的前提下改进研究工作流，rediscovery 把被接受的更新放回新问题继续积累经验。配套的 DFM-Bench 在假说、修订、发展路径、研究轮与跨提案贡献五个层次评估质量与累积进展。四个生命科学域上，假说质量从基座模型的 4.86 升至两轮自改进后的 5.39，增益集中在可证伪性与数据可解性；专家盲评中 DiscoveryRSI-27B 在重要性与「主张可信且有证据边界」两项上高于 GPT-6 Luna；与模型 cutoff 之后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 与 Claude Opus 5 的 2.3%。代码、27B 模型与基准均已开源。
智能体科学家：编排编码智能体实现自动化科学（协同）发现2026-10-13智能体科学家：编排编码智能体实现自动化科学（协同）发现现代编码智能体正在重塑计算研究中人类的角色：它们写代码、发起 in-silico 实验、分析结果，并在越来越长的时间跨度上自主运转。但完全自主的研究智能体有两个硬伤——想法半径太窄，搜索动力学是短视的爬山。Sakana AI 提出 The Agentic Scientist：一条端到端的分布式流水线，让人类研究者与编码智能体并肩做计算研究。系统把研究拆解为任务起草、想法生成、规划、沙箱实验、结果聚合、基线与消融构建、事后分析与报告撰写，每一步都由下一代编码智能体驱动并自带智能体自校验；上层由一个元控制器管理并行的研究智能体，并在每个阶段强制 rubric 校验，因此同一套编排层能跨不同执行环境、编码 harness 与评价指标复用。系统的自主性是一条连续光谱：既可当协同科学家工具，也能端到端独立完成科研。在协同模式下，其开发版本参与完成的一篇论文已被 ALIFE 2026 接收；在全自主模式下，它攻克了若干机器学习开放问题，例如把 Doc-to-LoRA 的精确匹配准确率从 51.7% 推到 98.0%，并让元训练出的进化策略在 7 个未见过的 Brax 控制任务中的 5 个上匹配或超过 CMA-ES。消融进一步显示：可靠的科学自主性不只取决于基座模型能力，更取决于跨智能体的编排层。
MultINav：超越可达性的交互式导航基准与智能体框架2026-10-12MultINav：超越可达性的交互式导航基准与智能体框架MultINav 统一「开门改变连通、开容器改变可见」两类交互及其顺序依赖，发布 3000 回合 MultINav-Bench 与三阶段智能体 MultINav-Agent；混合任务成功率 24.1%，较 MoMa-LLM 提升 22.4 个百分点。
RSI-Anything：用世界模型驱动递归自我改进2026-10-09RSI-Anything：用世界模型驱动递归自我改进RSI-Anything 把世界模型接进递归自我改进的闭环：预测决定哪些候选动作值得花掉稀缺的外部反馈，反馈再回头驱动策略学习或工作流改写，并在可靠性检查判定预测器已经漂移时触发有条件的世界模型自适应，最后由组件门与配对门决定哪一版策略-模型对被保留下来指导下一轮。底座是 JEPA-Anything 的正交预测分解。固定 coder 时，200 道 CodeContests 的隐藏测试通过率从静态验证器的 26.3% 升到固定世界模型的 29.2%、自适应后的 31.2%，在线测试用量几乎不变；GUI 评测里平均动作数降 39.4%；实验室规划的五个连续策略版本把 LabHorizon F200 从 21.80% 抬到 46.01%；同样的 40 次实验预算下，Suzuki 流动筛选的最佳观测产率 96.15%，贝叶斯优化 82.16%。
nanoMuse：面向个人设备的开源智能体2026-10-06nanoMuse：面向个人设备的开源智能体nanoMuse 将完整智能体放入每台个人设备，以 Sentinel 审查每次动作，支持可选同步中继、可读记忆、模型自选与 GPL-3.0 自托管。
Recursive Game Creator：面向玩家体验的递归游戏开发框架2026-10-06Recursive Game Creator：面向玩家体验的递归游戏开发框架Recursive Game Creator 把「游戏能跑」与「游戏好玩」拆成两个必须分别验证的命题，用 Designer、Builder、Player、Reviewer 四个角色组成递归闭环。Player 不靠 GUI 逐帧点击，而是编写可复用的代码策略批量收集 gameplay 轨迹，动作循环内一次模型都不调；Reviewer 把轨迹、截图与用户偏好合成共享信号（成功率、游玩时长）与游戏专属 rubric，并以匿名双顺序 A/B 判定决定哪一版被保留。模型参数全程固定，被优化的是游戏工件本身。同一底座下 GameCraft-Bench 总分三轮从 72.70 升到 77.89，比同模型 baseline 的 71.26 高 6.63 分；GameASG-Bench 严格任务成功率从 9/47 提升到 25/47（+34.1 个百分点），L2 均值 93.4% 与扩展特性 P2 的 93.9% 为全场最高。专家评分中操作 2 到 8、可玩性 1 到 7，平均游玩时长 1.50 到 12.41 分钟。代码已以 MIT 协议开源。
阿里 68 页《AI Native 研发实践》手册精读：编码只占研发链路不到 1%，主战场在别处2026-10-01阿里 68 页《AI Native 研发实践》手册精读：编码只占研发链路不到 1%，主战场在别处阿里 2026 Handbook 精读：三个真实案例（AIDC 数字投手、千问用增 Agent、万有无界）、五大挑战与四层企业级 Agent 基础设施。核心数据：编码仅占研发链路 <1%（1 小时编码 vs 3 周上线）、交付周期减半、缺陷率降 70%、变更失败率降 90%+；「云上 Scrum」组织形态、Session→Commit→Change→Workitem 度量归因、Guardrail 三态门控（UNKNOWN 永不视作 PASS）、以及「把自己蒸馏完就没位置了」的组织代价反思。
多 harness 强化学习完全指南：在 Claude Code、Codex 里直接训练模型——HF 团队用 2.6B 小模型验证跨 harness 训练2026-10-01多 harness 强化学习完全指南：在 Claude Code、Codex 里直接训练模型——HF 团队用 2.6B 小模型验证跨 harness 训练同一个模型换个 agent harness 表现判若两人：GLM-5.2 在 SWE-bench Pro 上一个 harness 23%、另一个 52%；受控实验里换 harness 移动 13 个点，同 harness 换模型只移动 2.5–5 个点。Hugging Face 团队（Adithya S Kolavi、Joel Niklaus、Lewis Tunstall、Leandro von Werra 等，联合 Liquid AI）发布的这篇长文给出开放解法：在 Claude Code、Codex、OpenCode、Mini-SWE-Agent 这些真实 harness 里做 agentic RL，harness 一行代码不改。框架三件套——OpenEnv 提供与环境/训练器共享的标准接口，capture proxy 以「会话即钥匙」方式截获模型端点上的精确 token id、逐 token 行为 logprob 与损失掩码（强制全分布采样，top_p=1.0），Harbor 提供 40+ harness 适配器与 26 种沙箱后端，TRL 的 Async GRPO 消费带掩码的训练序列。用 1 万小时级数据之外的实打实数字说话：LFM2.5-2.6B 四 harness 训练后平均 pass@1 从 42.2% 升到 54.2%，四个 harness 全涨，已解任务工具调用少 31%；只训 OpenCode 的对照组增益几乎锁在自己家里。文章还诚实交代了 SFT 对照（RL 54.6% vs SFT 47.5%）、Qwen 先涨后崩的完整归因（输出预算耗尽、不交卷空转、奖励项被钻空子导致 0.740→0.178）以及 proxy 并发上限等工程边界。
RankEvolve：把研究流程编译成状态机，让 Claude Code 与 Codex 互审补丁的自动研究 harness2026-09-30RankEvolve：把研究流程编译成状态机，让 Claude Code 与 Codex 互审补丁的自动研究 harnessMeta 团队提出 RankEvolve——面向排序模型演化的多智能体自动研究框架：可执行操作协议（EOP）编译为运行时强制的状态机，治好长周期流程漂移；meta-meta-harness 把 Claude Code、Codex 等完整编码 agent 产品绑定为执行图节点并互相交叉审查；知识层让负结果与事故教训跨迭代沉淀。在开源 HSTU 推荐模型上十二轮迭代将 MovieLens-20M LARGE 的 NDCG@10 推到 0.2192（较发表锚点 +4.48%）。基于隐藏 oracle 的 ExecML 基准显示：预算匹配下 CC+Codex 异构配对把 all-oracle 执行准确率从 45.8% 提到 62.5%（配对 +16.7，95% CI [6.6,26.7]），静默关键缺陷率砍到 10.4%，且在 LitGPT 上复现（+12.5）。
智能体元推理：把运行控制做成独立推理过程2026-09-29智能体元推理：把运行控制做成独立推理过程Meta 提出智能体元推理运行框架：控制器按评估、提议、估值、派发四个阶段决定下一步计算，只保留紧凑状态并按需读取持久记忆。ProgramBench 上搭配 GPT-5.5 达到 71.5%，同模型的 Codex 为 58.0%。
QwenGyre：训练 xLong 长程智能体的弹性强化学习框架2026-09-27QwenGyre：训练 xLong 长程智能体的弹性强化学习框架单次执行数小时、数百次模型与环境交互、生命周期近 100 万 token 的 xLong 长程智能体任务，把在线强化学习推到两个极限：rollout 长尾让 GPU 大量空转，黑盒 harness 的分叉历史又让轨迹严重冗余。QwenGyre 的回答是解耦三种生命周期——harness 执行、GPU 角色、训练样本。弹性调度器以水位 w(t)=d(t)-f(t) 为准绳在 rollout 与训练之间迁移 GPU 角色，RDMA KV-cache 迁移与 Mooncake 权重拉取把角色切换压到平均 8.52 秒与 3.46 秒，且全程不打断在途执行；轨迹处理器用 TITO 记录与轨迹树保住每个输出的原始条件上下文，为超时执行已完成的部分打分，并按 main、main-summary、sub-agent、sub-agent-summary 的角色优先级每执行至多准入 5 条轨迹，共享前缀只训一次。在旗舰 Qwen 3.8 2.4T、每条 rollout 70 万 token 的规模上，48 步把 NL2RepoBench 通过率从 52.5% 提到 58.5%，相对 Colocate 与 Async 分别取得最高 1.85× 与 1.78× 的端到端加速。
走进 OpenAI 的智能体软件工厂：Codex 如何接管一家前沿实验室2026-09-27走进 OpenAI 的智能体软件工厂：Codex 如何接管一家前沿实验室The Pragmatic Engineer 实地走访 OpenAI：Codex 与 ChatGPT Work 接管全公司，非工程部门 4 个月从 0% 到 90% 采用；九步智能体软件工厂流水线（含 Perf Factory 与 Sevbot）逐段拆解，IDE 与 PR 正被重新想象。
World Action Agent：让 VLM 在视觉动作工作区里驾驶机器人2026-09-24World Action Agent：让 VLM 在视觉动作工作区里驾驶机器人香港科技大学（广州）、香港中文大学与 Knowin AI 提出 World Action Agent（WAA），一个多智能体 harness——它不改 VLM，而是改 VLM 看到什么、以及它的决策如何生效，让通用 VLM 只用点选、拖拽、预览、执行等基础工具就能驾驶机器人，所有决策都在同一个「视觉动作工作区」内完成。工作区有三个性质：其一是 Contact views，根据交互区域、遮挡、取景紧凑度、视点冗余与稳定性主动求解相机参数，且约束两个视图的水平投影正交，使任何对齐误差都能沿两个独立方向被读出，且只需基坐标系点云，因此对 RGB-D 融合、仿真渲染或 VGGT 重建等感知来源完全无关；其二是动作试演，把每个动作表示为可编辑提案，由 cuRobo 规划后以半透明机器人叠加到各视图并报告可行性，Imagination Agent 在物理场景不变的独立上下文中反复修订，只有具备可执行规划的提案才能变成物理运动；其三是视图内修正，智能体在观察到误差的 Contact view 中从参考点拖到期望位置，参考点可以是所持物体上的可见点，因此无需先把关系换算成绝对位姿。技能侧由 Learner、Editor、Reviewer 三个角色在证据与独立审核约束下从专家视频与人类 Canvas-GUI 教学中进化出关系型多模态技能库。LIBERO-Pro 上以 Gemini 3.7 Flash 为骨干、仅用 LIBERO-90 进化并冻结的技能取得 75.6% 平均成功率的 SOTA，超过 ASPIRE（72.0%）、端到端 VLA 与同骨干的 Show-Harness（6.7%），Spatial 两个切分达 80.0 / 73.3；每回合仅 31 次模型调用、150 秒、0.1996 美元，远低于 Show-Harness 的 120 次、874 秒、0.5021 美元。同一套冻结技能迁移到 robosuite 达 100.0%；用 112 条轨迹（1,774 决策步）LoRA 微调 Qwen3.5-9B 只替换主智能体，域外成功率从 1.7% 提升至 43.3%。
用 Jev 构建 Agentic Harness：一份把『决定』与『执行』分开的工程实录2026-09-23用 Jev 构建 Agentic Harness：一份把『决定』与『执行』分开的工程实录Avid 的 3500 字构建实录：把 Jev 当决策层放进本地优先的 Rust 编码工作区 keel。核心原则只有一句——模型可以建议下一步，宿主仍然拥有这一步：宿主准备菜单、Jev 从菜单中选、宿主再检查一次；固定路由与进行中会话绕过自动选择；选择不授予权限。附决策回执如何变成可重放的评估场景。

开源项目

31
NVIDIA/auto-ontologyApache-2.0

NVIDIA Auto Ontology：给智能体一套可验证的数据语义层

NVIDIA 开源的数据语义层，自动编译术语、关系与 SQL 属性，经人工认证后通过 MCP、CLI 和 API 为智能体提供可追溯的文本转 SQL 能力。

智能体运行时MCP
Python5.2k40831
CopilotKit/OpenDuetMIT

OpenDuet：主动工作的自托管个人智能体

基于 OpenBot 与 CopilotKit 打造的自托管主动型个人智能体，以独立电脑执行任务，并用审批、审计与网络策略约束每一步。

OpenDuetCopilotKit
TypeScript9781288
bowenliang123/dsh-contextApache-2.0

dsh-context:把 DeepSeek Harness 的上下文窗口变成可对账的账本

DeepSeek Harness(dsh)的上下文洞察与管理插件:五个入口覆盖跨会话总览、单会话组成/趋势/事件/文件活动与子 Agent 编队;宿主侧把 V4 持久事件日志 fold 成逐请求组成时间线,计量口径与运行时自身投影逐条验等,兼容矩阵按基线 tag 用真实 harness 源码探针。

Agent ContextLLM智能体
TypeScript2.8k979
google-research/harness2Apache-2.0

Harness²：面向开放世界的递归式 Agent Harness 优化框架

Google 开源的递归式 agent harness 优化框架：任务级用对比式 Propose–Probe–Compose 在无真值反馈下改进当前 harness，harnessing 级把被采纳的 harness 与证据沉淀为领域经验库，指导后续任务。权重全程冻结，单步就把 GLM-5 与 Gemini 3.5 Flash 在三个专业基准上抬升最高 11.5 分。

智能体运行时递归自我提升
Python6.6k59429
anthropics/claude-quickstartsMIT

claude-quickstarts:Anthropic 自用 Claude 应用示范代码整仓摊开,18 个可跑项目覆盖会话、工具与 computer use

Anthropic 把自用构建 Claude 应用的示范代码以 claude-quickstarts 整仓摊开:18 个完整可跑项目,分三层——对话应用(客服、金融分析)、桌面与浏览器操作(computer use demo、原生 macOS 最佳实践参考实现、browser/computer toolset 极简示例)、长时智能体与 Managed Agents 生态(多渠道聊天、AG-UI 生成式 UI、cron 部署、知识蒸馏 wiki、九工具 MCP server)。MIT 许可,采集时 1.86 万 star。最值得逐行读的是 computer-use-best-practices:截图 resize、提示缓存、服务端压缩、批处理工具调用、沙箱 shell 与轨迹记录全部直接写进代码。

ClaudeClaude API
TypeScript19k3.2k175
ruc-datalab/EvoOntologyMIT

EvoOntology：越用越懂数据的自进化本体层

人大数据实验室的自进化本体层（946★，MIT，Python）：领域语义固化为带版本管理的本体层，经 MCP 工具供 Claude Code / Codex 按需查询；诊断→归因→补丁→门控评估的演化循环让本体随执行轨迹持续变准，DDR-Bench 四骨干平均 69.5→89.5。

智能体运行时MCP
Python9468012
web-infra-dev/midsceneMIT

Midscene.js：视觉界面智能体与端到端测试框架

字节跳动 Web Infra 团队开源的视觉界面智能体与端到端测试框架。它用截图而非选择器定位元素，同一套接口覆盖 Web、安卓、iOS、鸿蒙与桌面，并提供 YAML 用例、TypeScript 节点、可回放报告与面向编程智能体的命令行技能。定位为智能体运行时层，而非 AI 编程工具。

智能体运行时GUI Agent
TypeScript15k1.2k70
TencentCloud/OctopMIT

Octop:把多用户多智能体助手装进一个 Python 进程的自托管平台

腾讯云开源的自托管 AI 助手平台(MIT,8777 star)。一个进程同时跑 FastAPI 后端、React 控制台、CLI、IM 通道与 cron,控制面默认 SQLite WAL、可选 PostgreSQL;把 octop-harness、octop-gateway、octop-memory、octop-browser 四个运行时库组合成可自托管产品。专家库与 AgentTeams、双向 ACP、跨实例 Bridge、工具护栏与 PII 脱敏是差异化部分,ADR 与行号级 spec 把取舍和禁令写成可复核的证据。

智能体运行时多智能体
Python8.8k1.1k63
cathrynlavery/diagram-designMIT

Diagram Design：给 agent 用的编辑级图表设计 skill

MIT 开源的 agent skill，把 Claude Code/Codex/Factory Droid/Pi 变成图表设计工具：44 种视觉类型、211 个自包含 HTML 示例、语义模式与版式正交的结构，首次运行强制校验品牌 token 以免默认皮肤污染品牌站，渲染 lint 以像素 diff 抓 SVG 被裁。

AgentSkillDiagramDesign
HTML47k3.0k133
lexmount/moliApache-2.0

Moli：给 AI 智能体用的 Rust 无头浏览器

Moli 是 Lexmount 开源的无头浏览器，用 Rust 写的独立内核而不是 Chromium 包装，专门服务 AI 智能体（9 千+ star，Apache-2.0 / MIT 双许可）。核心设计是按需布局与绘制：默认只取页面结构、不触发布局与绘制，加 –layout 才开真实几何、命中测试与截图，布局结果冻结为一次性的 FrozenLayoutTree，绘制状态用完即弃。CDP、经典 WebDriver 与双向 WebDriver 共用同一内核，无需另装驱动或浏览器。官方自测：192 站点抓取的中位常驻内存 73 MiB（无头 Chrome 773 MiB），Lexbench 一千三百零八项可比任务成功率 81.88%（Chrome 99.85%）。未做基准复现，记为待复现。

智能体运行时Headless Browser
Rust9.1k27718
getpaseo/paseoNOASSERTION

Paseo：把 Claude Code / Codex / Copilot 等 coding agent 装进同一个自托管驾驶舱

自托管的多编码 Agent 编排平台（20.9k stars）：Claude Code、Codex、Copilot、OpenCode、Pi、Antigravity、Muse Code 走同一界面，跑在你自己的机器与完整 dev 环境里；本地 daemon（WebSocket + 33 个 MCP 工具）统一编排，Electron 桌面 / Expo iOS·Android / Web / CLI 四端接入，git worktree 并行隔离、语音默认本地 ONNX、端到端加密 relay 远程跟进；monorepo 含 plugin registry、skills 与 Hub 生态，Apache-2.0。

AI CodingCoding Agent
TypeScript21k2.5k56
pbakaus/impeccableApache-2.0

Impeccable：给 AI 编码 Agent 的设计语言，专治 AI slop 前端

Paul Bakaus 出的开源设计技能：1 个技能、24 条命令、61 条确定性反模式检测规则，专治 AI 生成前端的千篇一律（Inter 字体、紫蓝渐变、卡片套卡片）。支持 Claude Code/Cursor/Codex/Gemini 等 16 种 harness 安装，带浏览器实时迭代模式与 Chrome 扩展；纯 Markdown 规则 + 零 LLM 检测引擎，Apache-2.0，75k+ stars。

HarnessAI Coding
JavaScript76k4.5k207

现在就能用的资产

这个域还没有挂上可直接装用的 skill。

消费它的领域

科研21知识管理1制造与工业1设计与前端1影音创作1开发66营销与增长1文档与演示1游戏制作1

边界与失败模式

边界比模型侧更硬,而且大部分不是算法问题,是工程与信任问题。一、没有统一尺子:这个域几乎没有公认榜单。Terminal-Bench、OSWorld、GAIA 量的是「模型配某个骨架」的合成结果,换个 harness 分数就变,所以横向比较两个运行时的优劣基本做不到;站内因此主要记可核对的工程事实(有没有持久化、沙箱边界、技能生态规模),而不是完成率排名。二、自我改进未被证明:hermes-agent 这类项目把「任务后自己写技能、技能在使用中自己改」作为卖点,主张很强,但可证伪的受控实验(同模型同任务、开与不开回路的对照)公开数据里几乎没有,站内一律记为待复现。三、权限与安全是薄弱处:多数开源运行时要么没有权限系统(pi 的 README 自己写明),要么只有一层确认提示;能执行 shell、能改文件、能联网的 agent,一次提示注入就可能越界,沙箱是必需品而不是可选项。四、star 不等于可用:这一层的社区热度受发布节奏影响极大,几万 star 的项目也可能只适配特定模型与特定操作系统;判断成本要自己付一遍。五、成本与延迟被系统性低估:运行时决定每个任务要调多少次模型、每次带多少上下文。同一任务在「一次长上下文」与「多步小上下文 + 检索记忆」两种骨架下的 token 账单能差数倍,长任务里工具调用失败重试还会再放大一轮,预算要按最坏情况算。

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。