2026 开源 Agent 框架大乱斗Unreal Agent、LangGraph、Claude Code选型该信谁【免费下载链接】unreal-agentAsync-first agent harness项目地址: https://gitcode.com/gh_mirrors/un/unreal-agent从 2025 年底开始Agent 领域的竞争重心已经从谁的模型更强转向谁的应用更好用。GitHub 热榜每周都在涌入新的 Agent 框架与运行时CSDN、掘金等社区里Async-FirstHarnessTool 异步化会话分叉等新词密集出现。当 Unreal Agent一个 Go 写的 async-first agent harness在 2026 年 9 月登上周榜时很多开发者产生了真实的困惑它和 LangGraph、Claude Code 这类更出名的名字到底谁才是生产环境该押注的方向这篇文章不打算做信仰投票。我会把三者拆解成可以对比的工程变量——异步模型、记忆/会话、工具生态、生产级能力——并逐一用可核验的事实说话。对 Unreal Agent 的部分直接给出仓库源码级证据README.md 与 harness/ 各组件方便你自己验证而不是听我转述。三个名字三种完全不同的物种选型该信谁这个问题的第一层误区是把它们当成同类竞品。实际上三者处在不同的抽象层级LangGraph一个以图Graph为中心的低层编排库把 Agent 的行为建模为状态机的节点与边。它的核心价值是让可复现、可控制的执行流显式化Python 生态出身适合需要精细控制流程、把 Agent 嵌进既有 Python 应用的团队。Claude Code一个闭源的终端编码 Agent 产品模型与工具链深度绑定。它是 Anthropic 的成品你在自己的代码库目录里运行它它替你读代码、跑命令、改文件。它几乎没有二次开发意义上的扩展接口它的可扩展性体现在 Skills/MCP 这样的给模型加能力机制上。Unreal Agent一个开源、语言为 Go 的agent harness。harness 这个词在 2026 年春天被社区重新讲清楚过——它不是模型、不是应用而是把模型推理、工具执行、会话持久化、崩溃恢复这些脏活包起来的那一层软件工程现实。Unreal Agent 的定位就是这一层的开源实现它给你一个协调器、一个收件箱、一个会话存储、一个工具注册表你自己接模型、接工具、接操作执行器README.md 的 Components 表列得清清楚楚。一句话LangGraph 卖的是编排范式Claude Code 卖的是开箱即用的成品Unreal Agent 卖的是生产级运行时组件。选型信谁取决于你要的是范式、成品还是地基。异步模型从串行等待到后台并行这是三者差异最大、也最容易被 Demo 掩盖的一点。传统 Agent 循环的隐藏账单绝大多数 Agent 框架包括 LangGraph 的典型 graph 流程、Claude Code 的默认循环遵循同一个节奏模型发出一条工具调用 → 框架执行工具 → 结果回填 → 模型再推理 → 再调用。这个推理-等待-推理的串行循环里模型在被工具执行阻塞的时间里上下文是完全空闲的。成本就藏在这里。一次需要先读三个文件、再决定改哪里的任务串行模型要发三轮请求每一轮都要把前面全部上下文重新发送一遍而中间那两轮请求的产出只有工具结果。这正是 Unreal Agent 官方设计里反复强调的痛点LLM 在空等工具执行时token 预算并没有消失它在以重复发送的历史上下文的形式持续消耗。Async-First把工具调用变成后台操作Unreal Agent 的核心创新是把工具调用与模型推理彻底解耦。看 harness/operation/operation.go一个 Operation 是可序列化的工作描述含 Type、Version、State、Idempotency 字段由工具 translator 提交、由独立的 Operation Manager 异步执行。再看 harness/tool/bash/bash.go 的 Bash translatorTranslate只做参数校验然后ctx.Submit(spec)提交一个 shell 操作并返回CallStatus{WaitingFor: [...]}——它不执行、不阻塞、不做 I/O整个翻译过程在协调器事件循环里同步完成但几乎零成本。模型发出 N 个工具调用后N 个操作立刻在后台并发跑起来。协调器harness/coordinator/loop.go通过slurpChannel批量收割输入与操作更新把落在同一时间窗口内的结果合并进同一个新 turn让模型一次拿到尽可能多的结果再推理。这就是 async-first 的收益结构同样的任务turn 数更少重复发送的上下文更少token 消耗显著下降。社区情报里那条 CSDN 报道给出的数字是相比 Codex 省约 40% 成本、相比 Pi 省约 20%性能无损。这个数字无法在仓库里直接复现但它的机制是完全可验证的——省下的正是串行空等期间重复发送的历史上下文。为了让模型主动利用这种并行性Unreal Agent 甚至把引导写进了系统提示词harness/contextbuilder/prompts/preamble.md 明确要求模型当后续命令互不依赖时在同一 turn 里发出多个独立工具调用而不是一次一个并告知工具调用是异步的一旦发出就在后台运行不会阻塞你。运行中结果占位符与心跳异步不等于发出就消失。看 harness/contextbuilder/builder.go 里的ToolCallRunningPayload运行中的调用会向模型显示该工具仍在运行结果将在后续 turn 到达请继续独立的工作或结束本轮等待它。而 harness/coordinator/loop.go 里的心跳机制默认 10 分钟见 cmd/internal/agentrunner/run.go保证即使模型睡着了挂起的工具也有唤醒路径。对比之下LangGraph 在图内的异步主要靠并行分支fan-out/fan-in表达你需要自己把并行结构显式画出来Claude Code 的多命令并行更像是产品内部的工程细节你无法改造其调度策略。Unreal Agent 把并行从图结构降维成了运行时默认行为——这是它在工具生态维度上的真正卖点。记忆与会话追加式账本、恢复与分叉Agent 有没有记忆是 2026 年面试题的高频词掘金那篇腾讯面经把记忆系统列进了七大考点但不同框架对记忆的工程定义完全不同。Unreal Agent 的记忆模型在 harness/sessionstore/sessionstore.go 里写得非常硬核Session 是 append-only 的持久化历史账本每个条目带单调递增的 Sequence、Kindinput / turn / model_response / tool_call_status与时间戳。这个设计带来三个 LangGraph 与 Claude Code 都难以等价提供的性质可恢复Store.Resume能从账本里重建未完成的操作与输入 IDharness/sessionstore/localfile/state.go 的resume()会挑出所有非终结操作。崩溃后重启 runner用同一个session_id就能把上下文和进行中的工具操作原样接上——这正是生产级与Demo 级的分水岭之一。可分叉Fork允许以某个 turn 为界派生出新会话同一文件里forkStoredState实现了边界定位与继承。这在跑偏了想回到某个决策点重新试的场景里是真正的杀手锏LangGraph 的 checkpoint 需要你自己规划恢复点Claude Code 则完全不开放这类操作。可审计每次持久化的条目都会同步通知 Observerrunner 用它把事件流写成 JSONL 输出见 cmd/unreal-agent-runner/main.go 与 cmd/internal/agentrunner/run.go 的sessionObserver。你的每一次模型调用、每一次工具状态变迁都有不可变记录这直接支撑了基准测试与调试。在上下文一侧harness/contextbuilder/builder.go 是纯内存状态机它把已提交的上下文冻结为 committed prefix把尚未提交的新事件暂存在 staged suffixCommit()时才合并。这保证了重建上下文不依赖持久化、不做 I/O——再看 harness/contextbuilder/compaction.go它还实现了保留 20000 token 预算的压缩超过模型压缩阈值时用一次专门的 summarizer 调用生成交接摘要未完成的工具调用会被 carry-forward 到新上下文compaction.md 定义了摘要必须覆盖的目标/约束/进展/决策/下一步。这套账本 纯函数式上下文 显式压缩的组合是面向长时间、可中断任务设计的。Claude Code 也有 session 与 resume 能力但它是产品自管的黑盒LangGraph 用 checkpointer 存储图状态但图状态 ≠ 完整事件账本。Unreal Agent 把记忆做成了可验证的审计日志这在需要对 Agent 行为负责的生产场景基准测试、合规、调试复现里是结构性的差异。工具生态注册表、Skills 与多提供商工具是 Agent 的手脚三个框架在这里的哲学也截然不同。Unreal Agenttranslator 与 operation 的两段式Unreal Agent 的工具模型在 harness/tool/tool.go 里拆成了两段Translator校验工具调用、翻译为操作纯函数、不做 I/O与Operation可序列化的异步工作单。内置工具只有 Bash、ViewImage、SkillUse 三个harness/tool/registry.go这是刻意的最小化——它把如何执行任意工作开放给了 Operation Manager 接口harness/operation/operation.go 的ManagerREADME 甚至直接建议你实现一个把序列化操作转发到远程沙箱进程的代理 manager让工具在别处执行。Skills 机制是另一个亮点harness/tool/registry.go 的DiscoverSkills会扫描workspace/.harness/skills/*/SKILL.md解析 YAML frontmattername/description注册进注册表供模型通过 SkillUse 工具调用。这跟 Claude Code 的 SKILL.md 协议是同构的思路——标准化 Markdown 描述技能接口、运行时解析加载——但 Unreal Agent 把它做成了开源、可编程的注册/注销 APIRegisterSkill/UnregisterSkill。多提供商支持见 cmd/internal/providers/providers.goollama、openai、openai-codex、openrouter、fireworks、anthropic 六个开箱即用统一走 harness/llm/adapter.go 的Adapter接口。OpenAI 客户端甚至会带prompt_cache_key会话 ID与显式缓存字段harness/llm/clients/openai/client.go、responsesapi/request.go把异步 prompt cache 友好落地到请求层——这也是它宣称成本优势的另一个技术支点。LangGraph 与 Claude Code 的生态坐标LangGraph 的生态强在图谱丰富node、edge、并行分支、checkpointer、人机回环一应俱全且和 LangChain 的工具/记忆组件贯通Python 团队上手成本极低。它的代价是图的表达能力越强生产维护越重——你需要自己保证 checkpoint 与状态 schema 的演进兼容。Claude Code 的生态强在模型与工具的深度绑定Anthropic 的模型包括最新的 Claude Opus 系对它的工具调用格式做了专门调优Skills/MCP 生态也成熟。代价是它是黑盒你无法替换它的协调逻辑、无法干预它的调度、无法用它的会话做审计。如果你需要可控的运行时Claude Code 恰恰是最不可控的那一个。从 Demo 到生产成熟度盘点Unreal Agent 的生产级证据链持久化与版本契约README 明确承诺session-store 条目可序列化且格式带版本号不支持的会话版本在恢复时显式报错操作带版本且始终可序列化。这在长期运行的生产环境里意味着可迁移性而不是把状态丢给内存。严格的校验文化整个仓库布满防御性校验——输入 ID 非空、控制消息模式合法、操作类型/版本不可变harness/sessionstore/localfile/state.go 的validateOperation、fork 边界必须可定位。这种宁可显式失败也不静默损坏的姿态是生产代码的特征。Benchmark 集成benchmarks/harbor/README.md 提供了 Harbor 0.22.0 评测适配器支持 openai/anthropic/openrouter/fireworks 模型、thinking_level控制并输出 ATIF 格式轨迹含 token 统计与异步时序字段。把评测适配器打进仓库主代码树说明作者把可测量当成了框架的一等公民——这是很多 Demo 框架根本没有的一层。双入口headless 的 cmd/unreal-agent-runnerJSON 请求进、JSONL 事件流出支持 session 恢复与交互式的 cmd/unreal-agent-tui支持 Codex 订阅发现、多主题、文件名模糊搜索加上 Docker 镜像与 Homebrew 安装构成了一套完整的部署面。各自的短板诚实的对比必须包括反方证据Unreal Agent年轻、生态小、内置工具只有三个Go 栈意味着接入新工具要写 Go 代码而不是 Python/JSON社区文档与第三方教程的数量远不及 LangGraph/Claude Code。它赌的是运行时正确性比生态广度先到这个赌注是否成立要等基准分数与生产案例进一步积累。LangGraph异步成本优势不存在它不做工具级后台并行持久化是 checkpoint 而非完整事件账本性能与 token 成本高度依赖你画的图结构。适合需要显式流程控制的场景不适合让它自己跑的长任务。Claude Codetoken 成本在三者中通常最高串行循环 闭源无法优化调度不可审计、不可替换内部组件多代理/编排能力要依赖外围的 Agent Farm 类工具而非自身。它是最好的成品不是最好的地基。选型决策表把上面的分析压成一张表维度Unreal AgentLangGraphClaude Code本质开源 agent harnessGo图编排库Python闭源终端 Agent 产品异步模型工具级后台并行async-first图内并行分支需显式建模产品内实现不可定制记忆/会话append-only 账本 分叉 崩溃恢复checkpoint 图状态会话可恢复黑盒工具生态内置 3 工具 translator/operation 两段式 SkillsLangChain 全家桶贯通Skills/MCP深度绑定 Anthropic 模型成本优化少 turn、prompt cache 友好社区报告省 20%–40%依赖图设计通常最高可审计性完整事件 JSONL可回放部分checkpoint低生产成熟度版本契约 校验文化 Harbor 基准适配器生态年轻生态成熟状态演进需自理产品成熟不可二次开发最佳适用长任务、可中断、要审计与恢复、愿意用 GoPython 团队、流程需显式可控个人/小团队、要开箱即用、绑定 Anthropic选型不是信谁而是你的约束是什么如果你的团队是 Python 栈、任务流程固定且需要人审LangGraph 的显式图是最好的文档如果你要的是今天就能用的最强编码 AgentClaude Code 无可争议如果你的目标是把 Agent 当作长期运行的生产组件——要崩溃恢复、要事件审计、要在多个模型/工具/沙箱间自由组合、要算得清每一分 token 成本——那么像 Unreal Agent 这样把运行时正确性作为第一设计原则的 harness才值得你押注。而验证该不该信的最好方式不是读这篇对比而是用它的评测适配器跑一轮你自己的基准benchmarks/harbor/README.md 已经给了完整的构建与运行路径——数据会说话比任何框架的自我介绍都可靠。【免费下载链接】unreal-agentAsync-first agent harness项目地址: https://gitcode.com/gh_mirrors/un/unreal-agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
2026 开源 Agent 框架大乱斗Unreal Agent、LangGraph、Claude Code选型该信谁【免费下载链接】unreal-agentAsync-first agent harness项目地址: https://gitcode.com/gh_mirrors/un/unreal-agent从 2025 年底开始Agent 领域的竞争重心已经从谁的模型更强转向谁的应用更好用。GitHub 热榜每周都在涌入新的 Agent 框架与运行时CSDN、掘金等社区里Async-FirstHarnessTool 异步化会话分叉等新词密集出现。当 Unreal Agent一个 Go 写的 async-first agent harness在 2026 年 9 月登上周榜时很多开发者产生了真实的困惑它和 LangGraph、Claude Code 这类更出名的名字到底谁才是生产环境该押注的方向这篇文章不打算做信仰投票。我会把三者拆解成可以对比的工程变量——异步模型、记忆/会话、工具生态、生产级能力——并逐一用可核验的事实说话。对 Unreal Agent 的部分直接给出仓库源码级证据README.md 与 harness/ 各组件方便你自己验证而不是听我转述。三个名字三种完全不同的物种选型该信谁这个问题的第一层误区是把它们当成同类竞品。实际上三者处在不同的抽象层级LangGraph一个以图Graph为中心的低层编排库把 Agent 的行为建模为状态机的节点与边。它的核心价值是让可复现、可控制的执行流显式化Python 生态出身适合需要精细控制流程、把 Agent 嵌进既有 Python 应用的团队。Claude Code一个闭源的终端编码 Agent 产品模型与工具链深度绑定。它是 Anthropic 的成品你在自己的代码库目录里运行它它替你读代码、跑命令、改文件。它几乎没有二次开发意义上的扩展接口它的可扩展性体现在 Skills/MCP 这样的给模型加能力机制上。Unreal Agent一个开源、语言为 Go 的agent harness。harness 这个词在 2026 年春天被社区重新讲清楚过——它不是模型、不是应用而是把模型推理、工具执行、会话持久化、崩溃恢复这些脏活包起来的那一层软件工程现实。Unreal Agent 的定位就是这一层的开源实现它给你一个协调器、一个收件箱、一个会话存储、一个工具注册表你自己接模型、接工具、接操作执行器README.md 的 Components 表列得清清楚楚。一句话LangGraph 卖的是编排范式Claude Code 卖的是开箱即用的成品Unreal Agent 卖的是生产级运行时组件。选型信谁取决于你要的是范式、成品还是地基。异步模型从串行等待到后台并行这是三者差异最大、也最容易被 Demo 掩盖的一点。传统 Agent 循环的隐藏账单绝大多数 Agent 框架包括 LangGraph 的典型 graph 流程、Claude Code 的默认循环遵循同一个节奏模型发出一条工具调用 → 框架执行工具 → 结果回填 → 模型再推理 → 再调用。这个推理-等待-推理的串行循环里模型在被工具执行阻塞的时间里上下文是完全空闲的。成本就藏在这里。一次需要先读三个文件、再决定改哪里的任务串行模型要发三轮请求每一轮都要把前面全部上下文重新发送一遍而中间那两轮请求的产出只有工具结果。这正是 Unreal Agent 官方设计里反复强调的痛点LLM 在空等工具执行时token 预算并没有消失它在以重复发送的历史上下文的形式持续消耗。Async-First把工具调用变成后台操作Unreal Agent 的核心创新是把工具调用与模型推理彻底解耦。看 harness/operation/operation.go一个 Operation 是可序列化的工作描述含 Type、Version、State、Idempotency 字段由工具 translator 提交、由独立的 Operation Manager 异步执行。再看 harness/tool/bash/bash.go 的 Bash translatorTranslate只做参数校验然后ctx.Submit(spec)提交一个 shell 操作并返回CallStatus{WaitingFor: [...]}——它不执行、不阻塞、不做 I/O整个翻译过程在协调器事件循环里同步完成但几乎零成本。模型发出 N 个工具调用后N 个操作立刻在后台并发跑起来。协调器harness/coordinator/loop.go通过slurpChannel批量收割输入与操作更新把落在同一时间窗口内的结果合并进同一个新 turn让模型一次拿到尽可能多的结果再推理。这就是 async-first 的收益结构同样的任务turn 数更少重复发送的上下文更少token 消耗显著下降。社区情报里那条 CSDN 报道给出的数字是相比 Codex 省约 40% 成本、相比 Pi 省约 20%性能无损。这个数字无法在仓库里直接复现但它的机制是完全可验证的——省下的正是串行空等期间重复发送的历史上下文。为了让模型主动利用这种并行性Unreal Agent 甚至把引导写进了系统提示词harness/contextbuilder/prompts/preamble.md 明确要求模型当后续命令互不依赖时在同一 turn 里发出多个独立工具调用而不是一次一个并告知工具调用是异步的一旦发出就在后台运行不会阻塞你。运行中结果占位符与心跳异步不等于发出就消失。看 harness/contextbuilder/builder.go 里的ToolCallRunningPayload运行中的调用会向模型显示该工具仍在运行结果将在后续 turn 到达请继续独立的工作或结束本轮等待它。而 harness/coordinator/loop.go 里的心跳机制默认 10 分钟见 cmd/internal/agentrunner/run.go保证即使模型睡着了挂起的工具也有唤醒路径。对比之下LangGraph 在图内的异步主要靠并行分支fan-out/fan-in表达你需要自己把并行结构显式画出来Claude Code 的多命令并行更像是产品内部的工程细节你无法改造其调度策略。Unreal Agent 把并行从图结构降维成了运行时默认行为——这是它在工具生态维度上的真正卖点。记忆与会话追加式账本、恢复与分叉Agent 有没有记忆是 2026 年面试题的高频词掘金那篇腾讯面经把记忆系统列进了七大考点但不同框架对记忆的工程定义完全不同。Unreal Agent 的记忆模型在 harness/sessionstore/sessionstore.go 里写得非常硬核Session 是 append-only 的持久化历史账本每个条目带单调递增的 Sequence、Kindinput / turn / model_response / tool_call_status与时间戳。这个设计带来三个 LangGraph 与 Claude Code 都难以等价提供的性质可恢复Store.Resume能从账本里重建未完成的操作与输入 IDharness/sessionstore/localfile/state.go 的resume()会挑出所有非终结操作。崩溃后重启 runner用同一个session_id就能把上下文和进行中的工具操作原样接上——这正是生产级与Demo 级的分水岭之一。可分叉Fork允许以某个 turn 为界派生出新会话同一文件里forkStoredState实现了边界定位与继承。这在跑偏了想回到某个决策点重新试的场景里是真正的杀手锏LangGraph 的 checkpoint 需要你自己规划恢复点Claude Code 则完全不开放这类操作。可审计每次持久化的条目都会同步通知 Observerrunner 用它把事件流写成 JSONL 输出见 cmd/unreal-agent-runner/main.go 与 cmd/internal/agentrunner/run.go 的sessionObserver。你的每一次模型调用、每一次工具状态变迁都有不可变记录这直接支撑了基准测试与调试。在上下文一侧harness/contextbuilder/builder.go 是纯内存状态机它把已提交的上下文冻结为 committed prefix把尚未提交的新事件暂存在 staged suffixCommit()时才合并。这保证了重建上下文不依赖持久化、不做 I/O——再看 harness/contextbuilder/compaction.go它还实现了保留 20000 token 预算的压缩超过模型压缩阈值时用一次专门的 summarizer 调用生成交接摘要未完成的工具调用会被 carry-forward 到新上下文compaction.md 定义了摘要必须覆盖的目标/约束/进展/决策/下一步。这套账本 纯函数式上下文 显式压缩的组合是面向长时间、可中断任务设计的。Claude Code 也有 session 与 resume 能力但它是产品自管的黑盒LangGraph 用 checkpointer 存储图状态但图状态 ≠ 完整事件账本。Unreal Agent 把记忆做成了可验证的审计日志这在需要对 Agent 行为负责的生产场景基准测试、合规、调试复现里是结构性的差异。工具生态注册表、Skills 与多提供商工具是 Agent 的手脚三个框架在这里的哲学也截然不同。Unreal Agenttranslator 与 operation 的两段式Unreal Agent 的工具模型在 harness/tool/tool.go 里拆成了两段Translator校验工具调用、翻译为操作纯函数、不做 I/O与Operation可序列化的异步工作单。内置工具只有 Bash、ViewImage、SkillUse 三个harness/tool/registry.go这是刻意的最小化——它把如何执行任意工作开放给了 Operation Manager 接口harness/operation/operation.go 的ManagerREADME 甚至直接建议你实现一个把序列化操作转发到远程沙箱进程的代理 manager让工具在别处执行。Skills 机制是另一个亮点harness/tool/registry.go 的DiscoverSkills会扫描workspace/.harness/skills/*/SKILL.md解析 YAML frontmattername/description注册进注册表供模型通过 SkillUse 工具调用。这跟 Claude Code 的 SKILL.md 协议是同构的思路——标准化 Markdown 描述技能接口、运行时解析加载——但 Unreal Agent 把它做成了开源、可编程的注册/注销 APIRegisterSkill/UnregisterSkill。多提供商支持见 cmd/internal/providers/providers.goollama、openai、openai-codex、openrouter、fireworks、anthropic 六个开箱即用统一走 harness/llm/adapter.go 的Adapter接口。OpenAI 客户端甚至会带prompt_cache_key会话 ID与显式缓存字段harness/llm/clients/openai/client.go、responsesapi/request.go把异步 prompt cache 友好落地到请求层——这也是它宣称成本优势的另一个技术支点。LangGraph 与 Claude Code 的生态坐标LangGraph 的生态强在图谱丰富node、edge、并行分支、checkpointer、人机回环一应俱全且和 LangChain 的工具/记忆组件贯通Python 团队上手成本极低。它的代价是图的表达能力越强生产维护越重——你需要自己保证 checkpoint 与状态 schema 的演进兼容。Claude Code 的生态强在模型与工具的深度绑定Anthropic 的模型包括最新的 Claude Opus 系对它的工具调用格式做了专门调优Skills/MCP 生态也成熟。代价是它是黑盒你无法替换它的协调逻辑、无法干预它的调度、无法用它的会话做审计。如果你需要可控的运行时Claude Code 恰恰是最不可控的那一个。从 Demo 到生产成熟度盘点Unreal Agent 的生产级证据链持久化与版本契约README 明确承诺session-store 条目可序列化且格式带版本号不支持的会话版本在恢复时显式报错操作带版本且始终可序列化。这在长期运行的生产环境里意味着可迁移性而不是把状态丢给内存。严格的校验文化整个仓库布满防御性校验——输入 ID 非空、控制消息模式合法、操作类型/版本不可变harness/sessionstore/localfile/state.go 的validateOperation、fork 边界必须可定位。这种宁可显式失败也不静默损坏的姿态是生产代码的特征。Benchmark 集成benchmarks/harbor/README.md 提供了 Harbor 0.22.0 评测适配器支持 openai/anthropic/openrouter/fireworks 模型、thinking_level控制并输出 ATIF 格式轨迹含 token 统计与异步时序字段。把评测适配器打进仓库主代码树说明作者把可测量当成了框架的一等公民——这是很多 Demo 框架根本没有的一层。双入口headless 的 cmd/unreal-agent-runnerJSON 请求进、JSONL 事件流出支持 session 恢复与交互式的 cmd/unreal-agent-tui支持 Codex 订阅发现、多主题、文件名模糊搜索加上 Docker 镜像与 Homebrew 安装构成了一套完整的部署面。各自的短板诚实的对比必须包括反方证据Unreal Agent年轻、生态小、内置工具只有三个Go 栈意味着接入新工具要写 Go 代码而不是 Python/JSON社区文档与第三方教程的数量远不及 LangGraph/Claude Code。它赌的是运行时正确性比生态广度先到这个赌注是否成立要等基准分数与生产案例进一步积累。LangGraph异步成本优势不存在它不做工具级后台并行持久化是 checkpoint 而非完整事件账本性能与 token 成本高度依赖你画的图结构。适合需要显式流程控制的场景不适合让它自己跑的长任务。Claude Codetoken 成本在三者中通常最高串行循环 闭源无法优化调度不可审计、不可替换内部组件多代理/编排能力要依赖外围的 Agent Farm 类工具而非自身。它是最好的成品不是最好的地基。选型决策表把上面的分析压成一张表维度Unreal AgentLangGraphClaude Code本质开源 agent harnessGo图编排库Python闭源终端 Agent 产品异步模型工具级后台并行async-first图内并行分支需显式建模产品内实现不可定制记忆/会话append-only 账本 分叉 崩溃恢复checkpoint 图状态会话可恢复黑盒工具生态内置 3 工具 translator/operation 两段式 SkillsLangChain 全家桶贯通Skills/MCP深度绑定 Anthropic 模型成本优化少 turn、prompt cache 友好社区报告省 20%–40%依赖图设计通常最高可审计性完整事件 JSONL可回放部分checkpoint低生产成熟度版本契约 校验文化 Harbor 基准适配器生态年轻生态成熟状态演进需自理产品成熟不可二次开发最佳适用长任务、可中断、要审计与恢复、愿意用 GoPython 团队、流程需显式可控个人/小团队、要开箱即用、绑定 Anthropic选型不是信谁而是你的约束是什么如果你的团队是 Python 栈、任务流程固定且需要人审LangGraph 的显式图是最好的文档如果你要的是今天就能用的最强编码 AgentClaude Code 无可争议如果你的目标是把 Agent 当作长期运行的生产组件——要崩溃恢复、要事件审计、要在多个模型/工具/沙箱间自由组合、要算得清每一分 token 成本——那么像 Unreal Agent 这样把运行时正确性作为第一设计原则的 harness才值得你押注。而验证该不该信的最好方式不是读这篇对比而是用它的评测适配器跑一轮你自己的基准benchmarks/harbor/README.md 已经给了完整的构建与运行路径——数据会说话比任何框架的自我介绍都可靠。【免费下载链接】unreal-agentAsync-first agent harness项目地址: https://gitcode.com/gh_mirrors/un/unreal-agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
