主流 Agent 架构分析
主流 Agent 架构分析指南
当 ChatGPT 还停留在对话阶段时，一批"能干活的 AI"已经悄然崛起——它们能读写文件、执行命令、操作浏览器，甚至自我进化。本文将深入剖析五大主流 Agent 框架的架构设计，带你从源码层面理解 AI Agent 是如何工作的。
一、什么是 AI Agent？
在深入架构之前，我们先建立一个统一的认知模型。
一个 AI Agent（智能体）的本质是一个“LLM 推理 + 工具调用 + 环境观察 + 状态更新 + 反馈闭环”的循环系统。它的核心能力不是"聊天"，而是自主地完成目标。
用通俗的话说：
- LLM（大模型）是 Agent 的"大脑"——负责理解任务、做出决策
- 工具系统是 Agent 的"手脚"——负责读写文件、执行命令、搜索代码
- 环境观察是 Agent 的"眼睛"——负责观察执行结果，判断下一步
- 上下文管理是 Agent 的"记忆"——负责记住任务历史和中间状态
- 安全治理是 Agent 的"边界"——负责权限控制、沙箱隔离、错误恢复
五大框架的共同基础可以用一个公式概括：
Agent = LLM推理 + 工具调用 + 环境观察 + 状态更新 + 反馈闭环理解了这一点，我们就能从统一视角来看待各框架的架构差异。
二、六大分层架构模型
我们用一个统一的六层架构模型来解构所有 Agent 框架。这个模型把 Agent 从外到内分为六层：
| 层级 | 名称 | 核心职责 |
|---|---|---|
| ① | 入口与输入 | 用户如何与 Agent 交互（CLI、IDE、Web、API 等） |
| ② | 上下文与模型 | 如何管理对话上下文、选择模型、构建提示词 |
| ③ | 核心循环（Agent Loop） | Agent 的推理-执行-观察循环 |
| ④ | 工具与执行 | Agent 能调用哪些工具、如何执行 |
| ⑤ | 记忆与扩展 | 技能、钩子、子Agent、会话持久化、分层记忆等 |
| ⑥ | 治理与输出 | 权限策略、安全边界、错误恢复、结果输出 |
下面是五大框架在这六层上的完整对比图：
核心思想：五大框架共享相同的基础范式（LLM推理 + 工具调用 + 环境观察 + 状态更新 + 反馈闭环），但在每一层的实现方式、设计哲学和取舍上存在显著差异。
三、逐框架深度解析
3.1 Claude Code —— 可扩展性与人类控制
设计哲学：Claude 负责理解与决策，Agent 框架负责上下文管理、工具编排、权限边界、扩展机制与可靠恢复。
架构亮点
① 入口层：多入口统一调度
Claude Code 支持三种入口方式：
- CLI（终端）：最核心的使用方式，直接在终端中与 Agent 对话
- IDE 集成：嵌入 VS Code、JetBrains 等编辑器，所见即所得
- Agent SDK：编程接口，可以构建自定义的 Agent 应用
用户的自然语言指令和项目代码库作为输入，进入 Agent 系统。
上下文层：CLAUDE.md 驱动
Claude Code 的上下文管理非常有特色——它用CLAUDE.md文件定义项目规则，让 Agent 自动了解项目的编码规范、技术栈偏好等。此外还管理会话历史、代码文件上下文、环境信息，并通过上下文压缩机制控制 Token 消耗。
③ 核心循环：七步推理链
Claude Code 的 Agent Loop 包含七个步骤：
理解任务 → 制定/调整计划 → 选择工具 → 生成工具调用 → 接收执行观察 → 更新上下文 → 判断完成条件这个循环的核心是 Claude 模型本身。在循环过程中，如果需要用户确认，会弹出权限审批请求；如果任务完成，则生成最终回复。
④ 工具层：丰富的内置工具 + MCP 扩展
内置工具包括：
- 文件系统：读取、编辑、新建文件
- 终端：Shell 命令执行、构建、测试
- 代码搜索：搜索、定位、分析代码
- MCP：连接外部服务和数据源
所有工具的结果都会经过标准化处理，然后反馈给核心循环。
⑤ 扩展层：Skills / Hooks / Commands / Subagents
这是 Claude Code 最强大的特性之一：
| 扩展类型 | 功能 |
|---|---|
| Skills | 按需加载专业工作流，类似"即插即用"的技能包 |
| Hooks | 生命周期事件自动化，在特定阶段触发预设操作 |
| Commands | 可复用的命令入口，用户自定义常用操作 |
| Subagents | 任务委派与结果汇总，子Agent可以独立工作 |
| MCP Servers | 连接外部工具和数据源 |
| 会话持久化 | 跨会话保存工作上下文 |
⑥ 治理层：权限网关
安全是 Claude Code 的核心设计理念：
- 权限模式：从完全自动到每次都需要审批的多级控制
- 工具调用审批：危险操作必须经过用户确认
- 命令风险检查：自动识别危险命令
- 文件访问边界：限制 Agent 能访问的文件范围
- 信任目录：项目级别的信任配置
- 中断与错误恢复：异常情况下能安全回退
设计取舍
| 优势 | 局限 |
|---|---|
| 极其丰富的扩展系统 | 依赖 Anthropic 的 Claude 模型 |
| 强大的权限控制和安全边界 | 代码库庞大（108+ 内部模块未开源） |
| IDE 集成体验优秀 | 会话间状态持久化有限 |
| Skills/Hooks 机制灵活 | 闭源内部功能多 |
3.2 OpenAI Codex —— 安全执行与可验证变更
设计哲学：Codex Agent Loop 编排模型、上下文与工具；受控沙箱和验证机制将自然语言目标转化为可审查的软件变更。
架构亮点
① 入口层：CLI + Cloud + IDE 三端覆盖
- Codex CLI：终端命令行入口
- IDE/编辑器集成：支持 VS Code、Cursor、Windsurf 等
- Codex Cloud：云端 Agent，通过 chatgpt.com/codex 使用
② 上下文层：AGENTS.md 项目指令
与 Claude Code 的CLAUDE.md类似，Codex 使用AGENTS.md文件定义项目指令。管理会话状态、消息历史、代码库上下文、权限模式配置，并通过提示与上下文构建机制控制 Token 使用。
** 核心循环：Responses API 驱动**
Codex 的 Agent Loop 使用 OpenAI 的 Responses API：
构建提示与上下文 → 模型推理 → 生成工具调用请求 → 权限判定/请求审批 → 执行工具 → 接收观察结果 → 更新计划与上下文 → 验证完成条件一个特色是并行探索能力——Codex 可以委派多个 Subagent 同时探索不同的解决方案路径，然后汇总结果。
④ 工具层：受控执行环境
Codex 的工具设计强调安全性：
- Shell：命令、脚本、构建执行
- 文件补丁：读取、修改、新建文件
- 代码搜索：定位和分析代码
- 测试与验证：运行单元测试、静态检查
- MCP/外部工具：扩展工具能力
所有执行结果（stdout/stderr/diffs/测试结果）都经过标准化处理。
⑤ 扩展层：计划与可观测性
Codex 的扩展设计更偏向"工程化"：
| 扩展类型 | 功能 |
|---|---|
| 计划与任务进度 | 可视化的任务执行计划 |
| Subagents | 并行委派与汇总，多路径探索 |
| 可复用 Skills/工作流 | 标准化操作流程 |
| MCP Servers | 外部工具集成 |
| 会话轨迹与事件 | 完整的执行时间线 |
| 可观测性 | 执行过程的全面监控 |
⑥ 治理层：文件系统沙箱
Codex 的安全设计是其最大特色：
- 权限模式：多级控制（自动/审批/只读）
- 用户审批：关键操作的人工确认
- 文件系统沙箱：隔离的文件操作环境
- 网络访问控制：限制网络请求
- 命令风险边界：危险命令检测
- 中断/失败恢复：异常处理机制
设计取舍
| 优势 | 局限 |
|---|---|
| 强大的沙箱和安全控制 | 依赖 OpenAI 模型和 API |
| 可验证的软件变更（diff/测试） | Subagent 并行消耗较多 Token |
| 响应式 API 支持流式输出 | 本地执行能力相对有限 |
| IDE 集成成熟 | 自定义扩展不如 Claude Code 灵活 |
3.3 Pi Agent —— 轻量模块化与多模型运行时
设计哲学：将模型访问、Agent Loop、编码会话、交互界面与工具拆分为可组合包，以小型核心支持多提供商和多种运行方式。
架构亮点
① 入口层：CLI + TUI + Web + 嵌入式
Pi Agent 的入口方式最为多样：
- 命令行 CLI：终端直接交互
- 终端 TUI：全功能的终端用户界面
- Web 界面：浏览器访问
- 嵌入式应用：可以嵌入到其他应用中
② 上下文层：coding-agent 会话管理
Pi 使用coding-agent包管理会话，包括：
- 系统提示/用户提示管理
- 消息历史
- Agent 状态
- 模型与参数配置
- 会话持久化/恢复
③ 核心循环：流式驱动
Pi 的 Agent Loop 设计为流式响应：
接收用户消息 → 组装上下文 → 调用模型流 → 解析文本/工具调用 → 执行工具 → 追加工具结果 → 更新Agent状态 → 判断继续/完成与 Claude Code 和 Codex 不同，Pi 的核心循环是事件驱动的——工具执行是独立进行的，结果通过状态事件传递。
④ 工具层：四层架构
Pi 的工具系统设计为清晰的分层：
模型抽象层 ├── 统一 LLM API ├── 多提供商适配（OpenAI, Anthropic, Google, ...） ├── 模型切换 └── 流式响应 编码工具层（基础工具） ├── read：读取文件 ├── write：写入文件 ├── edit：精确编辑 ── bash：执行命令 工具结果标准化这种设计使得 Pi 可以无缝切换不同的 LLM 提供商，而不需要修改核心代码。
⑤ 扩展层：事件流 + 状态存储
Pi 的扩展机制基于事件系统：
| 扩展类型 | 功能 |
|---|---|
| 事件流（向外广播） | 消息增量、工具开始/结束、状态更新、错误与中止 |
| 状态存储 | 消息历史、Agent 状态、会话存储 |
| 扩展与自定义 | 自定义工具、扩展/插件、主题与快捷键 |
⑥ 治理层：运行治理
Pi 的治理相对轻量：
- 生命周期控制：启动、暂停、停止
- 取消/中止信号：Graceful shutdown
- 错误传播：错误在事件流中传递
- 工具执行边界：限制工具权限
- 状态一致性：确保状态机正确性
- 会话恢复：中断后继续工作
设计取舍
| 优势 | 局限 |
|---|---|
| 多模型支持（OpenAI/Anthropic/Google） | 没有内置权限系统 |
| 模块化设计，包可以独立使用 | 安全控制需要外部容器化 |
| 代码库精简，易于理解和定制 | 功能丰富度不如 Claude Code/Codex |
| 流式响应，交互体验好 | 扩展生态尚在早期 |
3.4 GenericAgent —— 信息密度与自我进化
设计哲学：少量原子工具通过组合获得广泛能力；记忆按需加载；上下文持续压缩；成功经验被结晶为可复用 SOP 与技能。
一句话概括：~3K 行种子代码 + 9 个原子工具 + ~100 行 Agent Loop = 可以自主完成任何电脑任务的智能体。
架构亮点
① 入口层：CLI + GUI + 环境感知
GenericAgent 的入口非常灵活：
- CLI/图形界面
- 用户任务输入
- 环境观察（自动感知当前系统状态）
- 历史经验（从记忆中获取）
- 本地计算机环境（浏览器/文件/终端）
② 上下文层：信息密度最大化
这是 GenericAgent 最独特的设计之一——它不是在有限上下文中塞入尽可能多的信息，而是在有限上下文中保留更多决策相关信息：
- 系统提示与当前任务
- L1 记忆索引（常驻）
- 按需检索的事实/SOP
- 工具结果与检查点
- 上下文预算检测
③ 核心循环：~100 行代码的统一 Agent Loop
感知任务与环境 → 检索必要记忆 → 推理与选择工具 → 执行原子工具 → 接收环境反馈 → 验证执行结果 → 更新工作检查点 → 继续/完成如果任务复杂，可以组合工具或子智能体；如果验证成功，进入反思与经验结晶。
④ 工具层：9 个原子工具
这是 GenericAgent 的核心创新——只定义 9 个原子工具，通过组合获得广泛能力：
| 工具 | 功能 |
|---|---|
code_run | 执行任意代码（Python/PowerShell） |
file_read | 读取文件 |
file_write | 写入/创建/覆盖文件 |
file_patch | 补丁/修改文件 |
web_scan | 感知网页内容 |
web_execute_js | 控制浏览器行为 |
ask_user | 人机协同确认 |
update_working_checkpoint | （记忆）短期工作便签 |
start_long_term_update | （记忆）提炼长期记忆 |
通过code_run，GenericAgent 可以动态安装依赖包、编写新脚本、调用外部 API，将临时能力固化为永久工具。
⑤ 记忆层：四层记忆系统
这是 GenericAgent 与其他框架最大的区别：
| 层级 | 名称 | 描述 |
|---|---|---|
| L0 | 元规则 | 核心行为规则和系统约束 |
| L1 | 洞察索引 | 最小记忆索引，用于快速路由和回忆 |
| L2 | 全局事实 | 长期运行中积累的稳定知识 |
| L3 | 任务技能/SOP | 可复用的工作流 |
| L4 | 会话归档 | 从已完成会话中提炼的任务记录 |
自我进化循环：
[新任务] → [自主探索] → [结晶为技能] → [下次相似任务直接调用]每次完成新任务，GenericAgent 都会自动将执行路径结晶为可复用的 Skill。用得越久，技能树越丰富。
⑥ 治理层：上下文治理
- 工具结果截断：控制输出长度
- 标签级压缩：智能压缩上下文
- FIFO 淘汰：按先进先出淘汰旧信息
- 有限 Token 预算：严格控制上下文大小（<30K）
- 检查点保护：关键信息不丢失
- 验证后再写入长期记忆
设计取舍
| 优势 | 局限 |
|---|---|
| 极简代码（~3K 行），易于理解和修改 | 生态和文档不如商业框架成熟 |
| 自我进化能力独一无二 | 主要面向 Python 环境 |
| 四层记忆系统，越用越聪明 | 安全控制相对基础 |
| Token 消耗极低（<30K） | 不适合需要复杂权限控制的场景 |
| 9 个原子工具，组合灵活 | 模型支持不如 Pi Agent 丰富 |
3.5 Hermes Agent —— 跨端运行与闭环学习
设计哲学：多个入口共享同一 AIAgent；窄核心通过工具注册表连接多种执行后端；会话、记忆与 Skills 构成可持续改进的闭环。
架构亮点
① 入口层：跨端统一
Hermes Agent 的入口方式最为广泛：
- CLI / TUI：终端交互
- Desktop：桌面应用
- 消息网关：Telegram、Discord、Slack、WhatsApp、Signal
- ACP / API Server：程序化调用
- Batch Runner：批量自动化任务
- Python Library：代码集成
- 本地/远程执行环境：灵活部署
② 提示与模型层：多提供商解析
Hermes 的模型管理非常强大：
- Prompt Builder：系统提示/人格/Skills 构建
- MEMORY.md / USER.md：长期记忆和用户模型
- Provider Resolution：支持多种 API 模式
- Chat Completions（OpenAI 兼容）
- Codex Responses（OpenAI Codex）
- Anthropic Messages
- 提示缓存 + 上下文压缩
- 统一内部消息格式
③ 核心循环：AIAgent Loop
接收任务/恢复会话 → 构建或复用系统提示 → 压缩前检查 → 选择提供商/API模式 → 可中断模型调用 → 解析文本与工具调用 → 顺序/并发执行工具 → 追加结果并判断继续特色机制：
- 可中断模型调用：支持中途取消
- F allback 提供商：主模型失败时自动切换
- 迭代预算：控制推理轮次
④ 工具层：注册表 + 多后端
Hermes 的工具系统是其架构亮点：
Tool Registry（工具注册表） ├── Toolsets / 平台预设 ├── 工具发现 · Schema 收集 · 调度 ├── Terminal / Process（本地终端） ├── Browser / Computer Use（浏览器控制） ├── Web / 文件 / Vision（网页/文件/视觉） ├── MCP 动态工具 ├── Memory / Session Search（记忆/搜索） └── Skill Manage / Delegate Task / Cronjob 执行后端（运行环境） ├── 本地 ├── Docker ├── SSH ├── Singularity ├── Modal（Serverless） └── Daytona（Serverless）这意味着 Hermes 可以在本地、Docker、远程 SSH、Serverless 平台等多种环境中运行，且切换透明。
⑤ 记忆层：持久化状态 + 闭环学习
| 组件 | 功能 |
|---|---|
| SQLite 会话存储 | 完整的会话持久化 |
| FTS5 历史搜索 | 全文检索历史会话 |
| 会话摘要/恢复 | 跨会话记忆 |
| MEMORY.md | 长期事实存储 |
| USER.md | 用户模型 |
学习与改进闭环：
复杂任务执行 → 经验与轨迹 → 技能创建 → 后续任务复用 → 使用中改进与 GenericAgent 类似，Hermes 也有自我进化能力，但更强调跨会话的持续学习——它会在你使用过程中不断改善自己的技能。
** 治理层：运行治理与可靠性**
- Iteration Budget：迭代预算控制
- 取消/中断：Graceful 终止
- 工具状态回调：实时跟踪
- 错误重试：自动恢复
- Fallback Providers：多模型容错
- 压缩前记忆刷新：防止信息丢失
- 缓存一致性：数据一致性保证
- 会话谱系与恢复：完整的会话恢复链
设计取舍
| 优势 | 局限 |
|---|---|
| 跨平台部署（$5 VPS 到 GPU 集群） | 配置复杂度较高 |
| 多消息平台集成 | 学习曲线较陡 |
| 6 种执行后端，灵活部署 | 社区规模不如商业框架 |
| 内置 cron 调度器 | 中文文档相对较少 |
| 闭环学习 + 技能自改进 | 对 Nous Research 生态有一定依赖 |
四、五大框架横向对比
4.1 核心设计哲学对比
| 框架 | 一句话定位 | 设计重点 |
|---|---|---|
| Claude Code | 可扩展性与人类控制 | 扩展框架 + 权限控制 |
| OpenAI Codex | 安全执行与可验证变更 | 受控沙箱 + 验证闭环 |
| Pi Agent | 轻量模块化与多模型运行时 | 可组合包 + 事件驱动 |
| GenericAgent | 信息密度与自我进化 | 分层记忆 + 经验结晶 |
| Hermes Agent | 跨端运行与闭环学习 | 跨端入口 + 持久学习 |
4.2 Agent Loop 设计对比
| 框架 | 循环步骤数 | 特色机制 | 循环复杂度 |
|---|---|---|---|
| Claude Code | 7 步 | 权限审批 + 计划调整 | 高（含人机协同） |
| Codex | 8 步 | 并行探索 + 验证闭环 | 高（含 Subagent 委派） |
| Pi Agent | 8 步 | 流式响应 + 事件驱动 | 中（轻量循环） |
| GenericAgent | 8 步 | 记忆检索 + 自我进化 | 低（~100 行代码） |
| Hermes Agent | 8 步 | 可中断 + Fallback + 预算控制 | 中（多提供商支持） |
4.3 工具系统设计对比
| 框架 | 工具数量 | 扩展方式 | 特色 |
|---|---|---|---|
| Claude Code | 40+ | Skills / Hooks / MCP | 最丰富的内置工具集 |
| Codex | 20+ | Skills / Subagents / MCP | 受控执行 + 测试验证 |
| Pi Agent | 4 基础 + 自定义 | 插件 / 自定义工具 | 极简 + 事件驱动 |
| GenericAgent | 9 原子工具 | 代码运行动态创建 | 组合获得广泛能力 |
| Hermes Agent | 动态注册 | 工具注册表 + 多后端 | 跨环境执行能力最强 |
4.4 记忆系统设计对比
| 框架 | 记忆类型 | 跨会话 | 自我进化 |
|---|---|---|---|
| Claude Code | 会话持久化 | ✅ 有限 | |
| Codex | 会话轨迹 | ✅ 有限 | ❌ |
| Pi Agent | 会话存储 | ✅ | ❌ |
| GenericAgent | 四层记忆（L0-L4） | ✅ 完整 | ✅ 技能结晶 |
| Hermes Agent | SQLite + FTS5 + MEMORY.md | ✅ 完整 | ✅ 闭环学习 |
4.5 模型支持对比
| 框架 | 模型支持 | 切换方式 |
|---|---|---|
| Claude Code | Claude 系列 | 固定（Anthropic） |
| Codex | GPT / o-series | 固定（OpenAI） |
| Pi Agent | OpenAI / Anthropic / Google / … | 统一 API 切换 |
| GenericAgent | Claude / Gemini / Kimi / MiniMax / … | 配置文件切换 |
| Hermes Agent | Nous / OpenRouter / OpenAI / Anthropic / … | hermes model命令 |
4.6 安全治理对比
| 框架 | 权限控制 | 沙箱 | 网络控制 | 错误恢复 |
|---|---|---|---|---|
| Claude Code | 多级权限 + 信任边界 | 项目级 | ✅ | ✅ |
| Codex | 权限模式 + 用户审批 | 文件系统沙箱 | ✅ | ✅ |
| Pi Agent | 无内置（需外部容器化） | 需外部 | ❌ | ✅ |
| GenericAgent | ask_user + 检查点 | ❌ | ❌ | ✅ |
| Hermes Agent | 迭代预算 + 状态回调 | 多后端隔离 | ✅ | ✅ |
五、如何选择？
按使用场景推荐
| 场景 | 推荐框架 | 理由 |
|---|---|---|
| 日常编码辅助 | Claude Code | IDE 集成好，权限控制强，Skills 扩展丰富 |
| 企业级代码审查 | Codex | 沙箱安全，变更可验证，测试集成 |
| 多模型实验 | Pi Agent | 切换模型零成本，模块化设计灵活 |
| 自动化复杂任务 | GenericAgent | 自我进化，记忆积累，Token 消耗低 |
| 7×24 无人值守 | Hermes Agent | 跨平台部署，cron 调度，持久记忆 |
| 想自己改源码 | GenericAgent | ~3K 行代码，100 行 Agent Loop，最易理解 |
| 需要浏览器自动化 | GenericAgent | 真实浏览器会话保持，支持 ADB |
| Telegram/Discord 机器人 | Hermes Agent | 原生多平台消息网关 |
| 追求极致安全 | Codex | 文件系统沙箱 + 网络控制 + 验证闭环 |
| 快速原型开发 | Pi Agent | 模块化组合，npm 安装即用 |
按技术背景推荐
| 技术背景 | 推荐框架 | 理由 |
|---|---|---|
| 前端/全栈开发者 | Claude Code | TypeScript 源码，VS Code 集成 |
| Rust 开发者 | Codex | Rust 实现，性能优异 |
| Python 开发者 | GenericAgent | Python 实现，代码极简 |
| DevOps/运维 | Hermes Agent | 多后端部署，Serverless 支持 |
| AI 研究者 | GenericAgent | 自我进化机制有研究价值 |
| 想学 Agent 原理 | GenericAgent | 100 行 Agent Loop，最容易理解 |
六、架构演进趋势
从这五大框架的架构对比中，我们可以观察到几个明显的趋势：
趋势 1：从固定模型 → 多模型运行时
Claude Code 和 Codex 绑定单一模型提供商，而 Pi Agent、GenericAgent、Hermes Agent 都支持多模型切换。未来的 Agent 框架必然走向模型无关化。
趋势 2：从会话态 → 持久记忆
Claude Code 和 Codex 的会话间状态有限，而 GenericAgent 和 Hermes Agent 都有完整的跨会话记忆系统。持久记忆是 Agent 从"工具"进化为"助手"的关键。
趋势 3：从预设技能 → 自我进化
GenericAgent 和 Hermes Agent 都有自我进化能力——从成功执行中学习并结晶为可复用技能。这是 Agent 框架的下一代能力。
趋势 4：从本地执行 → 跨端部署
Hermes Agent 支持 6 种执行后端（本地、Docker、SSH、Serverless 等），代表了 Agent 部署的未来方向——不绑定特定环境。
趋势 5：从单一入口 → 多通道接入
从 CLI 到 IDE 到消息平台到 API，Agent 的入口正在多元化。Hermes Agent 在这方面走得最远，支持 Telegram/Discord/Slack/WhatsApp/Signal。
七、总结
五大 Agent 框架虽然共享相同的基础范式（LLM推理 + 工具调用 + 环境观察 + 状态更新 + 反馈闭环），但在设计哲学、架构选择和工程取舍上各有特色：
| Claude Code | Codex | Pi Agent | GenericAgent | Hermes Agent | |
|---|---|---|---|---|---|
| 语言 | TypeScript | Rust | TypeScript | Python | Python |
| 核心代码量 | 大 | 大 | 中 | ~3K 行 | 中 |
| Agent Loop | 复杂 | 复杂 | 中等 | ~100 行 | 中等 |
| 最大特色 | 扩展系统 | 安全沙箱 | 多模型支持 | 自我进化 | 跨端部署 |
| 适合谁 | 专业开发者 | 企业团队 | 实验者 | 自动化爱好者 | 运维/全栈 |
选择框架的本质是选择设计哲学的取舍——没有最好的框架，只有最适合你场景的框架。
参考资源
- Claude Code 源码分析
- OpenAI Codex 文档
- Pi Agent 文档
- GenericAgent 官方仓库
- GenericAgent 教程（Datawhale）
- Hermes Agent 文档
- 一文读懂 OpenAI Codex 源码