5 系统概览

表 4 给出 11 个系统的高层比较。语料库横跨三个数量级的代码规模、三种编程语言和根本不同的设计哲学；最后一列给出每个系统的标志性能力——截至 2026 年 7 月，语料库中没有其他系统以同样形式实现的能力。⁴⁴4本研究的 4 月版曾逐系统列出 SWE-Bench Verified 分数。我们已把它们从比较表中移除：可得数字均为自报，来自不同代际的模型与配置，且若干早于各系统当前的默认设置。留档如下，2026 年春季的自报数字为：OpenHands 77.6%、Mini-SWE-Agent 74%+、Claude Code 72.7%、Codex 69.1%（均为 SWE-Bench Verified）；其余系统未发布可比数字——Pi 明确征集真实会话数据，“而不是玩具基准”。

表 4：11 个系统的高层比较，含每个系统的标志性能力。Claude Code 在本表及其他 7 月数据表中的条目反映的是 2026 年 3 月源码快照（我们可获得的最新的源码）；交付的二进制（2.1.206，2026 年 7 月）可能有所不同。

系统	语言	规模	供应商	工具	多智能体	沙箱	UI	标志性能力
OpenHands	Python	中等	多供应商	25+	是	Docker/Apptainer/远程	Web+CLI+SDK	资源锁定的并行工具；把竞争对手 Harness 作为 ACP 后端托管
Aider	Python	小	多供应商	13 格式	否	无	CLI	13 种多态编辑格式；语料库中唯一的排序仓库地图
Claude Code	TS	大	Anthropic	43	是	可选运行时 + worktree	CLI	工具延迟加载；共享提示词缓存的分叉；他人抄袭的参照物
Codex	Rust	超大	OpenAI	25–30	是	原生（3 操作系统）	CLI/TUI	智能体自维护的跨会话记忆；工具调用作为 V8 执行的代码
Gemini CLI	TS	超大	Google	35+	是	原生（3 操作系统）	CLI/TUI	把模型路由做成运行时调度；语料库中唯一的 A2A 服务器
Mistral Vibe	Python	小	Mistral+	12+	是	可选 worktree	CLI/TUI	中间件管线循环；经 ACP 暴露回退（rewind）
Mini-SWE-Agent	Python	极小	多供应商	1	否	Docker+	CLI	100 行的地板：七个子系统全部最小化实现
Hermes	Python	超大	多供应商（自研）	69	是	6 个可插拔后端	CLI/TUI/Web+28 通道	自我改进的技能循环；谱系压缩；停止时校验
Pi	TS	中等	多供应商，35 家	7	扩展	无（刻意设计）	CLI/TUI	一切皆扩展的内核；会话树版本控制
OpenCode	TS	大	多供应商	17	是	无（策略层）	客户端/服务器	客户端/服务器 Harness；语法感知的命令权限控制
OpenClaw	TS	大	多供应商	109+	是	无	多通道	网关委派；每次回复前运行 Active-Memory 子智能体

“规模”是定性指标，反映系统主要源码树中代码量的数量级：极小（约 $\sim$ 5 K 行）、小（约 $\sim$ 20–40 K）、中等（约 $\sim$ 80–110 K）、大（约 $\sim$ 500 K+）、超大（约 $\sim$ 600 K+，其中 Codex 在 7 月快照中约有 $\sim$ 110 万行 Rust）。这些数字跨语言与计数约定不可直接比较；报告它们只是为了让系统在“简单性-能力”轴上定位。

观察 1。11 个系统的代码规模横跨三个数量级，却面向相似的任务，然而循环的精巧程度并不能预测基准表现。Mini-SWE-Agent 的极简线性循环取得的报告结果与 OpenHands 的事件溯源对话引擎处于同一区间，尽管后者仅在循环编排上就投入了多得多的代码。生产级系统的大部分体量处理的都是与任务完成正交的关切：安全、用户体验、可扩展性——以及越来越多的客户端与传输：OpenCode 的非测试源码约有五分之三是它的 TUI、Web、桌面与 SDK 客户端而非 Harness 本体，而 Codex 的 7 月代码树用六位数的行数养着应用服务器传输层、插件和一个任何基准都不会度量的实时语音层。