项目概览
本报告对 2025-2026 年 AI Agent 编程领域的三个代表性框架进行了全景对比：Hermes Agent（Nous Research，47.5k Stars）、OpenClaw/NanoClaw（轻量级 Agent 运行时）以及 OpenHarness（HKUDS，8.4k Stars）。报告首先介绍了 Agent Harness 范式的技术定义与谱系，指出其为 LLM 提供工具、搜索、记忆与安全边界等基础设施。随后分析了 AI 编程的六大结构性痛点，包括模型无记忆、工具碎片化、无法持久化、模型锁定与单 Agent 瓶颈等。核心章节详细阐述了各框架的设计思想、核心原理与系统架构，并通过对比矩阵、关键数据流和典型应用场景，展示了它们在功能定位、技术特性与适用场景上的差异。报告还讨论了工程落地建议、优缺点与通用局限，并澄清了常见误区，为开发者选择和使用 Agent 框架提供了参考。
解决什么问题
在 Agent Harness 范式出现之前，开发者使用 AI 编程面临六大结构性痛点：模型无记忆，每次对话从零开始，不记得之前的上下文和偏好；工具碎片化，代码编辑、搜索、部署需要使用不同工具，频繁切换导致上下文断裂；无法持久化，AI 只活在浏览器标签页里，关了就没了，无后台常驻、无定时任务、无消息推送；模型锁定，被单一供应商绑定，切换成本高；单 Agent 瓶颈，所有任务串行执行，复杂任务效率低。Agent Harness 的本质是回答如何让 LLM 安全、高效地与真实世界交互，把 LLM 从"问答机器"变成"数字员工"，使其能读文件、跑命令、搜网页、记笔记、定时汇报，像人一样持续工作。
工作方式
报告对比了三个框架的实现方式。Hermes Agent 采用 Agent Loop 闭环学习循环，包含三层记忆架构（工作记忆、程序性记忆、陈述性记忆），支持六种终端后端（Local/Docker/SSH/Daytona/Singularity/Modal），通过 Skill 自创建、Skill 自改进、Nudge 机制、FTS5 搜索、Honcho 用户建模和 RPC 子 Agent 等机制实现能力增长。NanoClaw 采用网关架构，由 IM 平台层、Gateway 网关进程、Agent Runtime 和隔离执行环境组成，支持频道分组、触发模式、Skills 声明式定义、MCP 工具集成和 Cron 调度。OpenHarness 采用十大子系统架构，包括 engine、tools、skills、plugins、permissions、hooks、commands、mcp、memory、coordinator 等，其 Agent Loop 核心伪代码展示了查询→流→工具调用→循环的执行流程。
核心能力
- Hermes Agent 支持 200+ 模型，一条命令切换，零代码改动
- Hermes Agent 支持 CLI、Telegram、Discord、Slack、WhatsApp、Signal 统一网关
- Hermes Agent 内置闭环学习系统，Skill 可自创建、自改进
- Hermes Agent 支持 6 种终端后端，部署灵活
- Hermes Agent 内置批量轨迹生成与 RL 环境集成
- NanoClaw 支持频道即工作空间，每个群聊有独立文件系统、记忆、工具集
- NanoClaw 支持 MCP 工具集成，能力可无限扩展
- NanoClaw 支持容器化隔离，每个 Agent 实例运行在独立容器中
- NanoClaw 支持 Cron 定时任务
- OpenHarness 仅 11K 行代码，44 倍轻量于 Claude Code
- OpenHarness 兼容 anthropics/skills 和 claude-code/plugins
- OpenHarness 支持多 Agent 协调，可创建团队、派发子任务
使用前需要了解
- AI 整理 · 本地测试，未经人工复核；依据历史报告节选，不代表当前产品状态。
- 本报告为技术对比文档，未说明具体的使用边界。但报告指出所有 Agent Harness 的共同局限：依赖 LLM 质量，Agent 的能力上限取决于底层模型，模型"幻觉"会导致错误操作；调试困难，Agent 行为是概率性的，同一输入可能产生不同输出；安全风险，即使有权限管控，Agent 执行的代码仍需人工审查；成本不可预测，复杂任务的 Token 消耗可能很高；上下文窗口限制，长对话可能触发压缩，丢失早期信息。报告还指出，当前 Agent 最擅长辅助开发，但架构设计、需求分析、复杂调试仍需要人类判断，Agent 是"超级助手"而非"自动程序员"。
