ARTICLE · 1388887
从50种智能体架构的源码分析,看AI Agent的三种工作范式|ReAct、Workflow与Harness的技术逻辑及其组织行为映射
在实际使用不同AI Agent的过程中,可以观察到一种显著差异:即使采用相近的大语言模型、工具接口和知识资源,不同智能体仍然呈现出不同的工作行为。
OpenClaw更接近一个能够持续承担任务、自主组织工作过程的执行主体;Hermes Agent和WeKnora的智能推理机制更突出模型根据反馈持续决策的过程;Dify、n8n等系统则更容易呈现出明确的流程执行特征。
这种差异不能完全归因于模型能力。
当大语言模型逐渐成为可替换的通用组件,Agent的行为差异便越来越多地取决于其外围的软件架构。
为了研究这一问题,我们将比较范围从最初的12种Agent Framework /Runtime扩展至50种,覆盖通用Agent框架、Coding Agent、持续运行型Runtime、Workflow平台及新兴Harness系统。
研究重点不是功能数量,而是源码中的基本控制逻辑:谁决定行动,谁组织执行,谁维持状态,谁判断任务完成。
由此,我们重新审视了三个具有代表性的技术概念:ReAct、Workflow与Harness。

ReAct关注行动决策。2022年提出的ReAct方法,将语言模型推理与外部环境行动交替组织,使模型能够根据观察结果持续调整行为。其核心是形成推理、行动与反馈之间的动态闭环。
Workflow关注任务组织。工作流理论源于更早的企业流程管理与软件工程实践,强调通过明确的步骤、依赖关系和状态转换,实现复杂工作的结构化执行。引入大语言模型之后,Workflow可以在保持流程约束的同时,将部分节点交由AI自主处理。
Harness关注执行承载。Harness原本具有测试与执行脚手架的工程含义。在现代Agent系统中,其关注点扩展至模型运行所需的工具、上下文、文件系统、会话状态、权限、执行生命周期与恢复机制。
三者分别回应了三个不同的问题:
ReAct解决行动的不确定性,Workflow解决过程的组织性,Harness解决执行的持续性。
这三个概念具有不同的历史来源,也具有不同的抽象层级。
在50个研究对象中,我们重点比较了代表性系统如何决定下一步行动、组织任务流程,并保存与管理工作进展。
以WeKnora和Hermes Agent为例,它们的核心执行过程都是:先由模型判断当前问题,必要时调用工具,再依据工具返回的信息调整下一步行动。这使智能体能够在不确定的环境中逐步探索,而不必提前确定全部工作步骤。
LangGraph代表另一种组织方式:把复杂任务划分为相互关联的步骤,并根据完成情况与预设条件决定后续步骤。每一步仍可由模型自主处理,但整体流程具有清晰的组织结构。
OpenClaw、Codex和OpenHands则更强调持续工作的环境:不仅让模型思考和调用工具,还管理工作记录、文件、执行权限与任务进展,使多轮行动能够围绕同一个目标衔接起来。
DeepAgents与Mastra进一步表明,持续执行能力并不只有一种实现方式:有的通过组合记忆、工具与权限等能力实现,有的通过能够保存和恢复进度的流程机制实现。
这些源码结构说明:
ReAct、Workflow与Harness并非三种互斥的Agent类型,而是可以嵌套、组合的技术机制。
一个Harness可以承载Workflow,一个Workflow节点可以运行ReAct,一个ReAct Agent也可以动态生成或调整Workflow。
因此,直接将50个系统划分为ReAct-first、Workflow-first和Harness-first,虽然直观,却不足以构成严格的架构分类学。
更合理的做法,是分别研究行动决策、流程组织、任务状态、权限控制、协作方式与结果验收,同时保留这三个具有历史意义、便于理解的概念。
需要说明的是,本次分析以50个项目为研究样本。其中部分项目有较充分的源码资料,另一些项目则主要参考公开的架构资料。上述结论来自对部分代表性实现的分析。
如果将研究视角从软件内部转向人类组织,会发现三种技术范式具有直观的行为对应。
现实组织中存在三种典型的工作方式。
一种人根据问题与现场反馈不断调整行动,表现为“推一步,走一步”。
一种人遵循既定程序、步骤与规则,表现为“按部就班做事”。
还有一种人接受目标之后,能够自行组织资源、调整路径并克服障碍,表现为“自己想办法”。
这三种工作方式,与人们使用不同Agent时形成的直观感受具有明显的相似性。
这种对应并不意味着Harness天然具备自主完成目标的能力,也不意味着ReAct只能执行局部动作。
它揭示的是另一件事:人们对智能体的认识,并不只是对软件技术特征的理解,也是对现实组织中工作角色的经验投射。
ReAct-like、Workflow-like和Harness-like可以被理解为三种具有社会认知基础的智能体工作行为原型。
它们不是严格的软件类别,而是使用者对智能体如何工作的概括。
进一步分析可以发现,组织中的工作方式并非孤立存在,而是与任务委派方式密切相关。
组织可以委派具体动作,可以委派标准流程,也可以在明确权限与约束的条件下委派完整目标。
不同的委派方式,对执行主体提出不同要求。
动作委派重视即时行动与反馈;流程委派重视程序一致性与可控性;目标委派则更加依赖自主组织、持续状态管理和结果验证。
因此,现实中的角色需求可能构成智能体架构选择的重要上层变量。
其逻辑关系可以表述为:
「角色需求」→「工作行为期待」→「架构能力要求」→「Agent Runtime实现」→「实际任务表现」
这里的关键概念是目标委派能力(Goal Delegation Capacity):在给定资源、授权和验收条件下,一个智能体能够相对独立地承担多大复杂度的目标。
它与模型推理能力有关,但并不完全由模型决定。
一个智能体能否承担复杂目标,还取决于它能否维持任务状态、协调资源、处理异常、约束行动,并提供可验证的交付结果。
这也解释了为什么相同模型在不同Agent Runtime中可能表现出显著不同的工作能力。
模型决定了智能体可以如何思考,运行时架构则在很大程度上决定了这种思考能否转化为持续、可靠的行动。
由此,我们提出一种双层的Agent Architecture Taxonomy研究思路。
第一层是可感知的工作行为原型,保留ReAct-like、Workflow-like和Harness-like三种具有历史连续性与组织经验基础的概念。
第二层是可审计的软件架构机制,通过源码分析决策、流程、状态、治理、协作与完成控制。
两层之间建立可验证的映射关系。
这一体系不再追问某个Agent究竟属于三类中的哪一类,而是研究:
哪些架构机制使Agent表现出反馈驱动、流程驱动或目标驱动的工作特征?
不同机制的组合,如何影响使用者对Agent工作角色的感知?
这种角色感知又是否与真实任务完成能力一致?
这一研究路径将软件架构分析与组织行为需求联系起来,也为智能体的架构选型提供了新的视角。
当然,源码结构与用户感知之间的对应关系,目前仍是一项需要实验验证的研究假设。后续需要通过统一任务测试、行为轨迹分析和使用者评价,检验这种映射的稳定性与解释能力。
50种Agent Framework/Runtime的比较,使我们逐步从功能差异走向控制机制,再从控制机制走向组织行为。
这一过程形成了三个层次的认识。
首先,ReAct、Workflow与Harness分别描述行动决策、任务组织和执行承载,不构成严格互斥的技术分类。
其次,这三个历史形成的概念,在使用者认知中对应着反馈驱动、流程驱动与目标驱动三种典型工作方式。
最后,智能体的技术架构不仅是推理算法和执行机制的组合,也可以被理解为现实组织中角色需求、任务委派方式与工作责任结构在计算系统中的映射。
由此可以提出一个更具一般性的研究命题:
智能体架构的演化,不仅体现为机器自主行动能力的增强,也体现为人类工作委派方式向计算系统的延伸。
从这个角度看,未来智能体的关键问题,可能不再只是“模型能够做什么”,而是:
人类能够将什么样的工作,以何种自主性、约束和责任结构,可靠地委派给智能体。
这或许才是理解Agent Framework、Runtime与Harness架构演化的一条更深层线索。
— END —
中国一汽数·行者
📮 合作咨询:Shuxingzhe-service@faw.com.cn
初 审:徐 智
复 审:王籽今
终 审:徐 振














































































