6款自托管AI Agent横评：谁才是真正会自我进化的数字员工

星标数量为何不能决定AI Agent的真实排名

在开源AI Agent圈，GitHub星标几乎成了默认的排名依据。但B站UP主「小行星AI观测站」在最新一期横评中提出了一个鲜明立场：星标只能说明围观的人多，不能说明它「上班」以后会不会自己变强。

GitHub星标（Stars）是开发者收藏或关注某个仓库的行为，本质上是一种"书签"功能，而非质量认证。星标数量受到发布时机、社交媒体传播、Product Hunt首发、Hacker News上榜等流量事件的强烈影响，与项目实际可用性、稳定性或创新深度之间的相关性相当有限。值得注意的是，GitHub Stars还存在"刷星"现象——部分项目通过付费推广或组织化互动快速积累星标，进一步削弱了其作为质量信号的可信度。学术研究（如2019年MSR会议论文）也已记录了星标数量与代码质量指标之间缺乏统计显著相关性的问题。对于AI Agent这类需要长期稳定运行的基础设施而言，星标尤其容易误导选型——它衡量的是发现时的兴奋感，而非使用后的可靠性。

这份榜单刻意区别于百科式介绍或安装教程，它是一张有立场的主观榜。评测者把六款自托管的「数字员工」摆上桌面，核心问题只有一个——谁真的会自己成长，谁只是把聊天框换了个系统壳。

最反直觉的结论是：全网星标最多、坐拥38万星、生态最成熟的Open Claw，只排到第三名。夺冠的，是一个种子代码仅3000行的小项目。

评判常驻Agent的三道门槛

传统聊天机器人（Chatbot）本质上是无状态的请求-响应系统：用户输入一条消息，系统生成一条回复，交互结束后不保留任何行动能力。AI Agent则在此基础上引入了"行动循环"（Action Loop）架构：感知环境→制定计划→调用工具→观察结果→更新状态，形成持续运转的闭环。这一循环架构源于强化学习中的"感知-行动-奖励"范式，但现代LLM-based Agent将其具体化为：通过Chain-of-Thought或Tree-of-Thought推理分解任务、借助Function Calling接口调用外部工具、将工具返回值注入上下文驱动下一轮循环。循环的稳定性高度依赖LLM的指令遵循能力和工具调用的幂等性设计。现代AgentOS的核心组件通常包括：任务规划器（Planner）、工具调用层（Tool Use / Function Calling）、记忆系统（短期工作记忆+长期向量存储）和执行器（Executor）。这种架构让Agent能够跨会话保持状态、主动触发操作，但也意味着它拥有了对系统资源的持续访问权，权限边界问题因此变得至关重要。

评测者给出了清晰的评判框架，一款合格的常驻AgentOS至少要过三关：

• 站得住：能否7×24小时稳定运行；
• 学得会：越用越强是否有内在机制支撑，而非营销噱头；
• 管得住：数据、权限、模型、成本，最终是否还在用户自己手里。

用他的话说：「会聊天只是入场券，会自己成长才是真本事。」这个框架也构成了后续排名的三大维度：常驻与技能生态、成长性（自进化与长期记忆），以及能否「被驯养」（支持开源国产模型、数据归属透明、Token账单可控）。

第六至第四名：中间件、中文入口与冷启动解法

第六名 OpenScaler：省Token的智能调度层

大语言模型的调用成本通常与模型参数量正相关：GPT-4级别模型的Token价格可以是小模型的10-100倍。Token路由（Token Routing）或模型级联（Model Cascading）策略正是为了解决这一成本问题而生——核心思路是用小模型处理简单子任务，只在遇到复杂推理时才调用大模型。在工程上，路由决策可以基于预定义规则（任务类型分类器决定模型选择）、基于置信度动态判断（小模型输出置信度低于阈值时自动升级调用），或基于历史任务结果训练的强化学习路由策略。业界典型参考包括Martian、Unify等路由服务以及Meta提出的FrugalGPT框架——对于Token价格差距悬殊的模型组合，合理路由可将推理成本降低60%-90%，同时将整体任务成功率保持在较高水平。

OpenScaler最亮眼的能力正是基于这一思路实现的本地模型路由——同一个任务先用低成本模型尝试，遇到瓶颈再切换高性能模型。配合MetaSkill任务编排，它更像一个懂调度的「省钱中间件」。对于需要长时间运行、频繁调用工具的常驻Agent而言，Token成本控制往往是决定项目是否具备生产可行性的关键因素之一。

但定位局限也恰在于此：它更接近基础设施层，而非完整的常驻Agent OS。评测者的建议是：如果你要跑长任务又在意Token账单，它有明确价值；但若你想要一个全能数字管家，别把它作为起点。

第五名 Hana Agent：赢在用户真实在场

Hana Agent的核心优势不在于技术论文，而在于接入场景足够贴近中文用户——微信、QQ、飞书，这些才是国内用户每天真实打开的入口。它还为Agent设计了性格层，不只面向开发者群体。

评测者对这个方向给予认可，因为它清楚地知道用户在哪里。但在记忆深度和自进化能力上，Hana Agent目前还不够成熟，难以承载生产级压力。适合想先在中文聊天场景里「养」一个Agent的用户，但别让它第一天就接管核心工作流。

第四名 OpenHuman：用数据同步暴力解决冷启动

冷启动（Cold Start Problem）在推荐系统领域指新用户因缺乏历史数据导致初期推荐质量差的困境，移植到AI Agent语境中，指的是Agent在缺乏用户上下文的初期阶段无法做出高质量决策的问题。Agent的冷启动本质上是一个上下文工程（Context Engineering）问题——这一概念近年来从Prompt Engineering演化而来，指在给定Token窗口限制下，最大化注入对当前任务最有价值的上下文信息的一系列技术与策略。其核心挑战在于：LLM的有效上下文窗口往往小于其标称最大长度，且信息在Prompt中的位置会显著影响模型的实际利用率——这一现象被称为"Lost in the Middle"效应，已有斯坦福大学的实证研究记录。模型的能力上限由训练决定，但实际表现质量由注入上下文的质量决定。

OpenHuman解决冷启动的方式相当激进：连通邮箱、日历、代码库、笔记，把用户的上下文先同步成一个本地知识库，用结构化的本地知识替代杂乱的原始数据流，让有限的上下文窗口得到最高效的利用。别的Agent需要你解释一周背景，它第一次同步完就更懂你。这是一种激进的上下文预加载策略，能显著压缩冷启动周期，代价是需要用户开放大量敏感数据的读取权限——这一权衡揭示了Agent设计中的普遍张力：能力越强、个性化越深，所需的数据访问边界就越宽。

聪明是真聪明，风险也是真风险——它需要持续读取你的收件箱和工作资料。适合上下文散落在十个工具里的知识工作者，但敏感账号建议分阶段接入。

前三名：生态王 vs 真正会成长的数字员工

第三名 Open Claw：被主动降档的生态冠军

38万星标、1.7万个技能、覆盖数十个聊天平台——Open Claw是这个圈子无可争议的生态王。你需要的教程、插件、现成技能，它应有尽有。

但评测者在本期当众给它降了一档，理由发人深省：生态规模不等于成长机制。Open Claw当然可以通过插件实现各类自进化玩法，但它的核心架构里并没有刻着「学习闭环」。它是行业基准，却不是自进化这道命题的最佳答案。

第二名 Hermes：有实证的技能沉淀者

Hermes的关键词只有一个——真会长。它观察你完成任务的方式，将成功路径沉淀为可复用技能。用得越久，它自己生长出来的能力越多。

Agent的"自进化"在工程实现上通常有两条路径。第一条是技能固化（Skill Crystallization）：Agent将成功完成某类任务的执行序列抽象为可复用的程序或函数，存入技能库，下次遇到同类任务直接调用，避免重复推理——Hermes正是采用此路径。代表性学术工作包括斯坦福的Voyager（在Minecraft环境中自动生成并积累可执行技能库）和ACL 2024的ExpeL框架；其优势在于固化后的技能是确定性可执行代码，速度快且行为可预期，缺点是技能库需要持续管理（去重、版本控制、失效检测）。第二条是检索增强记忆（RAG-based Memory）：将历史交互、用户偏好、任务结果向量化存入持久化数据库，在新任务时检索相关上下文注入Prompt，实现"越用越懂你"的效果，代表框架包括MemGPT和Zep。两者核心区别在于：前者生成的是可执行代码，后者生成的是可检索知识；两者并不互斥，部分高级Agent框架已尝试将二者结合。

这个设计方向非常接近「个人数字员工」的真实想象。缺点也直接：启动期比较「笨」，你需要先养它几周，不能第一天就要求满血上岗。适合愿意长期投入、把AI Agent当作真实协作伙伴的用户。

第一名 Generic Agent：3000行代码的自进化操作系统

冠军不是最大的那个，却最贴近评测者理想中的形态。Generic Agent被定义为「一个会生长新技能的操作系统」：3000行种子代码、9个原子工具、100行主循环。每解决一个新任务，就把执行路径固化为新技能——设计小巧、逻辑狠辣、边界可控。

它将技能固化机制做到了极致：100行主循环的简洁设计意味着系统状态高度透明、行为可预期，这正是"边界可控"的工程基础。在软件工程中，代码规模与可审计性之间存在经典权衡——代码行数越少，意味着攻击面越小、状态空间越易穷举、行为越易验证。相比那些通过庞大插件生态堆砌功能的项目，Generic Agent把「自进化」这件事以最小化、最可审计的方式实现：每一次技能固化产生的新代码都可被完整追溯，整个系统的演化路径对用户保持透明，同时有学术论文背书其设计有效性。

它支持接入国产开源模型，且有学术论文背书。相比其他项目堆砌庞大生态，Generic Agent把「自进化」这件事做得异常干净。缺点是需要一定折腾能力，别期待开箱即用的豪华体验。

完整排名与选型建议

本次横评完整榜单：

1. Generic Agent —— 自进化设计最纯粹
2. Hermes —— 有实证的技能沉淀机制
3. Open Claw —— 最成熟的生态与行业基准
4. OpenHuman —— 用数据同步破解冷启动
5. Hana Agent —— 中文场景入口最真实
6. OpenScaler —— 省成本的路由调度层

排序逻辑只有一条：真会自己长的排前面，靠生态、插件、路由补能力的往后排。这是综合判断，不适合用单一维度挑剔。

按工作流选，而不是按排名选

评测者给出的选型思路非常务实：

• 要自进化能力：优先看 Generic Agent 和 Hermes；
• 要最大插件生态：首选 Open Claw；
• 要中文聊天入口：从 Hana Agent 开始试；
• 只想压低长任务的Token成本：OpenScaler有明确价值。

没有全能王，只有合不合你的任务场景、数据环境和耐心预算。

给常驻Agent设边界，而不是让它裸奔

横评最后的提醒尤其值得重视：常驻Agent的潜在风险不容小觑。它的卖点正是能替你操作系统、读写文件、发送消息、执行命令、调用外部工具——越能干，越需要明确边界。

业界已记录多种针对Agent的攻击向量：提示注入（Prompt Injection）——OWASP已将其列为LLM应用首要安全风险（OWASP Top 10 for LLM Applications, LLM01），恶意内容通过Agent读取的外部文档（网页、邮件、RAG数据库）触发非预期指令，2023年已有研究演示了通过污染RAG数据库诱导Agent泄露私人信息的完整攻击链；目标劫持（Goal Hijacking）——长链任务中中间步骤被篡改导致最终行为偏离预期；以及权限蔓延（Permission Creep）——与操作系统的"confused deputy"问题同源，Agent在执行授权任务时被诱导使用已获得的高权限完成未授权操作。NIST AI RMF和MITRE ATLAS框架已开始系统化梳理此类AI特定攻击面，是构建常驻Agent安全策略的重要参考基准。安全实践的最小权限原则（Principle of Least Privilege）在此语境下意味着：沙箱环境隔离执行上下文、接口白名单限定可调用工具集、预算上限约束资源消耗。

正确的做法是：先给它沙箱隔离、接口白名单、预算上限，明确它能访问什么、能触达什么、能花多少钱。对于自托管Agent而言，用户同时是系统管理员，这些配置必须在部署初期主动完成，而非依赖Agent自行约束。真正能「上班」的AI Agent，一定先有权限管理。这或许是整期横评里最容易被忽视，却最关键的一条实践准则。

核心要点