83页报告拆解11个编码Agent：三条发现，一次常量验证

一份罕见的源代码级拆解

Wavestone AI Lab 发布了一份 83 页的研究报告，对市面上 11 个生产级编码 Agent 进行了源代码级别的拆解。这份研究覆盖了 Claude Code、Codex CLI、Gemini CLI、Mistral Vibe、OpenHands、Aider、Mini-SWE-Agent、Hermes、Pi、OpenCode、OpenClaw^广告共 11 个系统，外加一个元框架对照组 Omnigent。

研究对象涉及约 400 万行 Python、TypeScript 和 Rust 代码，按子系统逐一拆解，并叠加了 90 天的纵向 diff 分析。这是目前公开文献中对编码 Agent 内部架构最系统的一次审视。

论文中有一句话值得反复咀嚼：“清单类断言（工具数量、功能格、版本锁定）以周为单位衰减，而结构性断言（循环分类、子系统解剖、缺失项）迄今被证明是持久的。”这句话本身就解释了这份报告的价值所在——它关注的不是会快速过期的功能列表，而是架构层面的模式。

83页报告拆解11个编码Agent

三项核心发现

双重缺席：没有通用框架，没有内嵌检索

报告最引人注目的发现是“双重缺席”——11 个系统中没有任何一个使用通用型 agentic 框架，也没有任何一个将代码检索作为核心机制嵌入上下文循环。

真正在交付产品的系统选择了“无聊”的路线：自己写调度器、自己管上下文。这一发现暗示，通用框架在编码 Agent 这个细分场景下可能并不适用——不是因为它们不够好，而是因为生产级编码 Agent 对上下文管理有非常具体且非标准化的需求。

所谓“agentic 框架”，通常指 LangChain、AutoGen、CrewAI 这类提供通用任务编排、工具调用与记忆管理的库。它们的好处是开箱即用，代价则是抽象层叠加、调试链路拉长、以及难以针对单一场景做极致优化。编码 Agent 的工作负载有鲜明特征：上下文窗口极其珍贵、工具调用高度结构化、失败恢复路径需要精确控制。这种场景下，通用框架的抽象反而成了负担——开发者需要知道每一次 token 花在哪里、每一步调度为何发生。这就是为什么顶级系统宁愿手写一个几十行的 while 循环，也不愿引入一个数百个依赖项的框架。这一现象在软件工程史上并不罕见：性能敏感的场景最终往往会脱离通用抽象，回到贴近金属的实现。

Skills 机制正在胜出

11 个系统中有 9 个已经采纳了 skills/plugin 系统，采用率超过了 MCP（11 个中有 8 个）。其中一个系统甚至发布了由 Agent 自己编写的 skill。供应链治理正在成为一个新议题。

这个数据点值得关注：Skills 机制的采用率高于 MCP，说明在编码 Agent 场景下，轻量级的技能扩展方式比标准化协议更受欢迎。

Skills 与 MCP 代表两种不同的扩展哲学。MCP（Model Context Protocol）是 Anthropic 提出的标准化协议，规定了模型与外部工具、数据源之间如何通信，强项在于跨系统的互操作性——同一个 MCP server 理论上可以被任何支持该协议的客户端使用。Skills 则更轻量，通常是打包好的提示词、脚本和资源的集合，按需加载进上下文，无需常驻进程或协议握手。在编码 Agent 场景下，Skills 的优势在于：启动成本低、易于版本管理和审查、可以纯文本形式扩散。代价则是缺乏统一标准，不同系统的 skill 格式互不兼容。采用率的差异（9/11 对 8/11）虽然不大，但方向值得注意：开发者似乎更倾向于“够用就好”的扩展方式，而非等待一个完整生态成熟。

通过模仿实现架构收敛

90 天的 diff 显示，架构正在收敛：后来的入场者正在复制先行者的模式。这不是独立演化，而是有意识的模仿。对于整个赛道来说，这意味着架构差异化的窗口可能正在缩小。

架构收敛在技术史上是一个反复出现的模式。当某一领域出现明确的主导设计（dominant design）后，竞争重心会从架构探索转向实现质量、生态和分发能力。不过需要注意，diff 层面的相似并不等同于能力相似：复制一个循环结构容易，复制其中积累的提示词工程、工具实现细节和失败处理的边界条件则极难。先行者的护城河可能会从“知道用什么架构”转移到“知道架构里每个参数为什么是这个值”。

亲手验证：一个常量的消亡

报告引用了一个 Claude Code 的常量：AUTOCOMPACT_BUFFER_TOKENS = 13,000。论文自己的表格中标注了警告：shipping binary 的版本可能已经不同。

作者进行了实际验证——从 npm 拉取论文引用的 2.1.206 版本二进制文件，再与自己当前安装的 2.1.296 版本进行对比：

grep -aow 'AUTOCOMPACT_BUFFER_TOKENS' <binary>   # 0 hits
grep -aow 'POST_COMPACT_TOKEN_BUDGET'  <binary>   # 0 hits

两个版本、两个常量，全部零命中。但二进制文件中存在一个重新命名后的常量家族：autoCompactWindow、compact_boundary、PreCompact/PostCompact hooks。旧的名称已经衰减，但它们描述的压缩机制在新名称下继续存在。

这个验证恰好证实了论文自己写下的那句话——清单类断言会快速过期。论文预见了这个问题，而实际验证又重现了这个教训。

为什么一家咨询公司会发布这份研究？

作者提出了一个大多数解读忽略的问题：为什么 Wavestone 这样的咨询公司要投入资源做这份研究？

通过观察公开信息，可以拼出一幅图景：

产品层：维护公开的 agentic-coding skills 仓库
客户层：官网首页展示 Sanofi × Claude Code 案例
招聘层：在多个国家招募 Agentic 工程师和顾问
财务层：季度营收下降 2%，调整了年度目标，并宣布收购一个 AI/数据团队
合作层：对话式 AI 平台合作，微软 Copilot 专项认证

这构成了一条典型的咨询获客漏斗：研究建立信誉 → “成熟度评估/路线图”成为标准化产品 → 定制项目在顶端。论文的作用是缩短被信任所需的时间。

作者对此的判断是：AI 不会杀死咨询业，而是改变其形态。金字塔底部——研究、幻灯片、初稿，这三项最便宜的 AI 任务——会变薄。留下的是判断的签名和问责：模型不能被问责、不能被解雇、不能进入董事会。在信息泛滥的环境中，“有具体的人为此负责”变得更有价值。

引用前的注意事项

这份报告的读者需要注意几点：

基准测试分数未独立验证。 论文中出现的评估数字来自系统供应商自身，无法在本地重新运行。

规模和方法的数字来自论文本身。 “约 400 万行”“90 天 diff”“29 个模式”“13 个跨领域观察”——这些数字未经过独立验证。

没有公开的代码或数据工件。 对于一份以源代码研究为卖点的工作，这是一个可复现性缺口。结构性发现不依赖逐行复现，但详细计数需要。

快照纪律。 引用的一切都带有日期。一份被引用的常量在几个月内就被重命名的论文，本身就是这条规则最好的论据。

“快照纪律”指的是在研究快速迭代的软件系统时，所有的观察结论都必须附带明确的时间戳和版本号。因为编码 Agent 的二进制文件以周为单位更新，一个今天正确的常量名或函数结构，下个月可能就不复存在。规范的引用方式是同时标注系统名称、版本号、抓取日期和数据来源（如 npm 包哈希或 git commit），否则结论无法被他人复现或反驳。这一纪律不仅适用于引用外部研究，也适用于团队内部的技术决策文档——把“当前 Claude Code 行为如何如何”写进设计文档而不注明版本，几乎注定会在短期内失效。