OpenClaw—AI研究当前AI Agent框架百花齐放，但多数争论都集中在模型本身。本文通过深度源码分析，揭示真正的分水岭在于 “Harness”——连接模型与世界的”骨架”。
四种”骨架”的画像
openclaw：万能路由器。它的使命是连接一切。无论你从微信、Slack还是API来，无论你要调搜索引擎、数据库还是发邮件，它只负责将消息和工具天衣无缝地”接通”。
deer-flow：严谨的研究员。它不追求全能，只追求在研究流程上做到极致。每一步都可规划、可执行、可回溯，像一份严谨的实验记录。
hermes-agent：自我进化的发明家。它不仅能用工具，还能在运行中发现不足，自己创造新的工具和技能，像一块会自我迭代的乐高积木。
OpenHarness：工业级裸机骨架。它不做任何具体应用，只提供最严谨、最灵活的基础设施。你不是用它，而是基于它”组装”出一个专属Agent，就像用精密零件搭建一台机器。
六大模块深度对比
QueryEngine（核心引擎）：这是Harness的心脏，决定模型如何推理、何时调用工具、如何处理结果、何时停止。openclaw采用自研Orchestrator实现进程级Agent管理；deer-flow用LangGraph StateGraph实现图驱动状态机；hermes-agent用自研while-loop；OpenHarness则用712行的run_query()实现管线治理型引擎。
Tool System（工具系统）：Agent的”四肢”。openclaw的插件即服务模式让一切外部能力通过标准接口热插拔接入；deer-flow将工具嵌入StateGraph节点形成”规划→执行→验证”链路；hermes-agent支持运行时动态注册，Agent能发现和创造新工具；OpenHarness提供ToolBase抽象，支持声明式工具定义与元编程。
Permission System（权限系统）：安全边界。openclaw每个插件独立声明权限、用户逐个授权；deer-flow每个StateGraph节点声明权限、运行时检查；hermes-agent由LLM判断工具调用是否安全；OpenHarness提供声明式安全策略，可配置、需审计。
Context Management（上下文管理）：记忆的艺术。openclaw无内置上下文管理，依赖LLM自身上下文窗口；deer-flow用LangGraph Checkpointing保存状态快照、可回溯；hermes-agent有短期会话记忆+长期知识库+技能库三层分离；OpenHarness提供结构化上下文注入接口，支持自定义压缩策略。
设计哲学的根本分歧
openclaw：连接一切。优势是生态丰富、接入成本低；劣势是深度定制能力有限。
deer-flow：严谨研究。核心理念是”可复现”，每一步操作都有记录、可回溯。优势是过程透明、易调试；劣势是灵活度受限。
hermes-agent：自我进化。核心理念是”成长”，Agent不应只是执行者，还应是自身能力的塑造者。优势是适应性强、可自我改进；劣势是安全性更难保证。
OpenHarness：基础设施。核心理念是”精确”，它不做假设，只提供原子化能力。优势是灵活度最高；劣势是使用门槛最高。
共性瓶颈与突破方向
尽管四条路径不同，都面临相似的底层瓶颈：工具调用的精准性、状态管理的复杂性、安全与灵活的平衡。Agent框架的下一个突破点不在于更强的模型，而在于：更结构化的Workflow层、更强大的Workbench层、更智能的工具管理系统。
