1.openclaw2.hermes3.claude codehttps://github.com/lbda1/CC4.codex没开源5.deepcode集成 Deep Code | DeepSeek API Docshttps://github.com/lessweb/deepcode-cli6.codewarehttps://github.com/Hmbown/CodeWhale7.generic agenthttps://github.com/lbda1/GenericAgent8.openworkerhttps://github.com/lbda1/openworker9.staffdeckGitHub - lbda1/StaffDeck: Enterprise Digital Employee Platform · GitHub共同架构标准的Agent大脑如果把一个AI Agent比作人这几个项目的代码都构造了一个类似的大脑工作回路。这个回路通常包含几个标准部件核心循环The Agent Loop这是所有Agent的心脏。以GenericAgent为例其核心循环仅约100行代码agent_loop.py流程是感知环境状态 → 任务推理 → 执行工具 → 写入记忆。Claude Code的对话循环也遵循类似模式但其实现分布在约1884个TypeScript文件中规模要庞大得多。工具系统Tool System这是Agent的手脚让LLM能影响外部世界。所有项目都有一套内置工具shell命令和file操作是标配。一个明显的趋势是MCP模型上下文协议正成为接入外部工具的标准OpenWorker和CodeWhale等项目都有专门的mcp模块来封装这一能力。权限与安全Permissions Safety为防止Agent失控一套权限系统是必须的。Claude Code拥有复杂的23项Bash安全检查和7种权限模式CodeWhale通过execpolicycrate实现了审批与沙箱策略引擎OpenWorker的shell.py则专门设计了防交互命令卡死、超时兜底等11项安全需求。 核心分野经验与记忆的不同哲学尽管骨架相似但它们对如何让Agent变聪明的回答截然不同这主要体现在对长期记忆Memory的处理上。项目代码规模核心策略记忆/经验管理目标场景GenericAgent~3,000行极简内核 自进化分层记忆系统将成功路径固化为可复用的Skill实现越用越强。个人桌面自动化处理跨应用、需长期学习的复杂任务。Hermes Agent中等规模渐进式加载 后台审查通过Nudge Engine在后台定期触发Agent反思将新知识沉淀为Skill并支持Skill的自我修补_patch_skill。编程助手强调技能的持续优化与团队共享。OpenClaw~530,000行重型背包模式每次会话将SOUL.md、IDENTITY.md等大量设定一股脑塞入上下文造成Token浪费但获得全知视角。生活自动化与多渠道IM交互生态丰富。Claude Code~512,000行复合记忆系统支持混合检索向量BM25召回率高达89%。记忆被视作独立子系统复杂但强大。专业编程助手提供最稳定、最工程化的体验。CodeWhale中等规模模型中立 沙箱隔离架构清晰工具系统完善支持LSP集成可在编辑后注入诊断信息但未强调长期自我进化。高性能终端编程支持多角色混合模型。OpenWorker中等规模交付成品 安全优先作为桌面应用强调本地优先、审批门控和MCP集成但其记忆机制不如前几个项目突出。企业级工作流自动化直接产出报告、邮件等成品。️ 几个特殊的代码实现细节Claude Code的复杂工程它的代码库极为庞大包含自研的React终端渲染器、Agent协调器Coordinator和多级错误恢复机制相当于一个为终端打造的完整操作系统。GenericAgent的自举证明它声称项目README中从git init到提交信息均由Agent自己完成是其最小内核自进化哲学的强力实证。OpenWorker的严谨设计它的shell.py模块是工具设计的范本如何在一个模块里同时解决跨平台、超时、后台任务、防交互等问题代码写得非常清晰。 总结这些项目本质上都在构建一个可编程的LLM运行时。相同点是都遵循Agent基本范式不同点则在于如何管理上下文和知识以实现智能。