给智能体链路记录定形状的四种方式里，唯一自称是标准的那个，恰恰是你唯一无法固定版本的那个：2026 年 6 月 12 日，OpenTelemetry 把全部六十个 gen_ai 属性标为弃用并挪进了一个仓库，而那个仓库至今没有打标签的发布，schema URL 的位置还写着 TODO。仅这一个版本就带来八处改名与两处删除——其中包括两个 token 用量属性。请按「你的后端据以分派的那套词表」来选，在采集器处做翻译，并且永远不要让成本图表指向一个稳定性仍为 Development 的属性名字。
五个最知名的开源深度研究智能体里，一个在 2026 年 8 月把自己归档了，一个把自己重写成了通用智能体外壳，还有一个自 2025 年 9 月起没再收过一次提交。研究循环已经变成每个外壳的默认功能，于是唯一还值得拿来做选择的那根轴是：你的语料放在哪里，以及谁有资格看见你的查询。
四者都是 Apache-2.0，四者都带 PPO 与 GRPO，所以许可证和算法清单什么都没定下来。真正定下来的是：你的环境在 rollout 里是一个被单独调度的参与者，还是生成器内部的一个回调——因为针对「慢工具」的每一种修法，买到吞吐的方式都是拿陈旧数据去训练。请按「你拿到的是哪一个陈旧度旋钮」来选，而不是按谁的加速比数字最大。
四者都能接收 OpenTelemetry，所以「支持 OTel」什么都没定下来——真正能让一条轨迹可迁移的那套词汇表，至今整体仍停在 Development 稳定级。请按「谁拥有写入路径与批量读出路径」来选，因为生产轨迹是你唯一无法重新造出来的资产，而许可证徽章跟你能不能把它们取回来是两回事。
这四个框架都能把 LLM 调用编排成规模化的数据集，而在这条轴上，它们的差别只是手感。真正决定结果的那条轴，是这个工具能不能把一个核验器放进循环里去执行——因为一个与生成器同门的评判器会滤掉你一半的行，却没有增加任何信息。四者之中只有一个把程序化校验当成一级阶段。
NVIDIA 把智能体的强制力拆成了两层：一层是主机 CPU 上的内核沙箱，一层是跑在主机碰不到的 DPU 上的看守。沙箱今天就以 Apache-2.0 摆在 GitHub 上；看守没有发货日期。这道裂缝不是发布事故——「远得足以防篡改」的那一层，同时也远得看不懂智能体当时想干什么。
规则库大小什么也决定不了，「检测 vs 阻止」也一样。Kubernetes 运行时安全假定一个工作负载有一条行为基线，而一个编码智能体的基线是「一个开发者可能做的任何事」——所以那根轴是：传感器能不能把一次系统调用归因到某一次工具调用。然后是第二个决定：杀掉一个工具子进程并不能停下一个智能体，它只是给那个循环递去一次无从解释的崩溃与一个重试的理由。
一家初创公司的分析器从 curl 里挖出六个 CVE，而据它自述，同一窗口里 Codex 与 Mythos 一个也没找到——而 2026 年的一个基准，仅用小模型与开放权重模型就找回了 68% 的真实「由 AI 发现的 CVE」，检测环节没有任何前沿模型。被挪动的变量是搜索结构，不是模型。该拿去比价的数字是「每维护者分诊工时换来几项被接受的发现」：29 份报告提交，六份被接受，全部评为 Low。
这四者都能删掉你智能体环境变量里那把长期密钥，而它们之间的取舍归结为：信任锚放在哪儿，以及人与机器是否需要同一个策略平面。它们谁也回答不了 2026 年智能体事故真正在问的那个问题：SVID 证明的是哪个进程在调用，从不证明这一轮在服务哪位用户，也不证明上下文里那条指令是谁写的。先买下这层地板，然后再去买第二样东西。
四个本地运行时、同一份权重，进去的是四份不同的提示词，出来的是「工具调用到底解析没解析出来」的四种答案。这些都与吞吐无关，而吞吐是唯一被拿来比较的那根轴。
四个领先的 TypeScript 智能体框架在工具循环上几乎完全一致，分歧只落在一件决定你架构的事上：HTTP 请求结束之后，这趟运行活在哪里。这一根轴替你选了数据库、部署方式和退出成本——而 AI SDK 自己的疑难解答页（用户按下「停止」与标签页被关掉无法区分）正是这根轴才是真轴的最干净证明。
有四个 MCP 服务端，存在的意义都是不让编码智能体照着它一知半解的 API 写代码，而且四个都管用。真正决定它们帮不帮得上忙的那根轴是：回来的是哪一种文本——上游文件、从上游抽出来的片段，还是模型写的关于这份代码的散文。而它们谁都没有堵上自己被拿来对治的那处失效：你的智能体依然不知道你跑的是哪个版本，因为没有一个会去读你的 lockfile，其中还有一个把版本变成了提示词里的一句话。
四个在功能表上读起来像替代品的 Python 智能体库，竞争的并不是它们功能表所用的那根轴。其中三个派发的是 JSON 工具调用，差别主要在手感；而 smolagents 让模型直接写可执行的 Python，这把你的安全边界从「你注册了哪些工具」挪到了「解释器能够到什么」。第二根没人计价的轴是状态：那两个你一个周末就能换掉的库，正是那两个什么状态都不替你持有的。
四个在功能表上看起来可以互换的开源语音框架，重心其实落在四个不同的列上——运行时、媒体服务器、图、电话线——而其中只有一个是事后难以更换的。人人拿来跑分的流水线手感，恰恰是全双工模型正在商品化掉的那部分；所以要按媒体通路归属、电话接入广度与维护速度来挑，并且在上线之前先把 TEN 的许可证读一遍。
每一款开源红队扫描器攻击的，都是用户打字进去的那条通道。而你的智能体被攻击的，是工具返回数据的那条通道——一份检索到的文档、一次 API 响应、一个它被吩咐去读的页面——而这四款默认没有一款会往那里放一个字符串。按"够得到哪里"来选，而不是按探针数量；然后看清攻击语料还有谁在维护：微软已于 2026 年 3 月封存 PyRIT，而 Promptfoo 如今归 OpenAI 所有。
OpenRouter 的 Auto Router 底下跑的是 Not Diamond，所以四个产品其实是三个路由决定。对智能体真正要紧的不是"选哪个模型"，而是"一条查询值得多少计算"——那正是 vLLM Semantic Router 所分类的东西。而路由器是一个错误无声的分类器：它会带着 200 返回一个有效、只是略差一点的答案，所以除非你留着一份留出集，否则你能看见的只有省下来的钱。在智能体循环内部，逐步路由会与提示词缓存打架，而且通常打输。
四个项目都有混合检索、图谱与智能体式检索，所以功能对照表什么也定不了。真正起决定作用的是两件事：这套框架是跑在你自己的进程里，还是作为一套自带数据库、自带用户体系与自带值班表的第二生产系统抵达；以及文档解析的边界落在哪里——因为正是它决定了你那条质量最高的路径是开源的、是按页计费的，还是一份你自己扛的集成工作。选姿态；功能在一年半以前就已经趋同了。
最多星的开源 text-to-SQL 项目如今是只读的——Vanna 在 2026 年 3 月 29 日以 23.8k 星归档了仓库——而 Dataherald 自 2024 年 7 月起没再收过一次提交。仍在每天发版的那两个，恰恰是在问题与 SQL 之间放了一件持久、可评审的产物的那两个。前沿模型吞掉了 SQL 生成；它们吞不掉的，是你那四种「营收」定义里这个问题指的是哪一种——而无论你选哪个项目，那一层都归你自己。
这四个总是被拿吞吐来跑分，而那是一次 50 到 500 毫秒的上游调用里 1.9 毫秒的跨度——大家照着它排名次，却把那根带日期的轴放着不量。四者中有三个实现了 2026-07-28 的无状态版本，而最常用的那个 Go 库没有；但更锋利的问题是：它们当中谁替你吸收掉双版本窗口，而不是把它变成你的拓扑。
这四家都被当成「把个人数据挡在模型流量之外」的四种做法来卖，而它们其实是三道不同的边界——在采集处入库、在链路上变换、在事后去找——真正决定你残余风险的正是这个。其中两家是分类器，所以一次漏检就是一次没有任何东西会上报的泄露；而每一次脱敏，都是对「你的事故响应将会需要的那份追踪」施加的一次有损变换。
这四者之间检索质量的差距，远小于「一次更新要花多少钱」的差距，所以真正的决定是：你的图是一次建成、只做追加，还是被持续改写。而且四者都用字符串匹配去重实体——这正是没有哪份基准抓得住的那个失败。
四者渲染的都是一条流式消息列表，demo 看上去也都差不多。真正不同的是那一层你日后换不掉的东西——一套线上协议、一个 npm 依赖、一份被拷进你仓库的源码，还是一整台你从没写过其前端的 Python 服务器。而在这样一年之后——一块画布把自己归档了，另一块换了东家——「如果它哪天安静下来，我手上还剩什么」才是值得据以决策的那条轴。
Flowise 在 2026 年 8 月 13 日把自己归档了，维护者点名了原因：如今编码智能体接手了那些复杂度，而僵硬的低代码工作流正是在那里撞墙的。还站着的三家也不是靠画布活下来的——每一家守的都是画布底下的某样东西，而每一份许可证都把那是什么写得清清楚楚。n8n 禁止你把它提供给别人，Dify 禁止多租户运营，Langflow 什么都不禁而它归 IBM 所有。先读条款，再读功能表。
四个框架都能做出会调用工具、带 RAG、接 MCP 的智能体，所以功能不是那个决定。真正把它们区分开的，是每一个对你已经在跑的运行时提出了什么要求——而对这两个 JVM 框架来说，那个要求是一个 Spring Boot 大版本。
训练器和 GPU 都可以租，基座模型每个季度换一次，所以一个 RL 项目唯一留得下来的东西是环境——任务分布、工具面，以及给一次运行打分的那个校验器。这四家平台对"那件产物住在哪里、奖励由谁来写"给出了不同答案，而其中那个提出要包下整条流水线的，正在对新用户关门。按环境的可移植性和校验器的归属来选；训练器的对比反倒是容易的那部分。
MCP 规范只裁定了否定面——自 2026-07-28 版本起，服务器「绝不可」把它从客户端收到的令牌原样透传——却把 RFC 8693 令牌交换留在了路线图上；于是四个网关给出了四种不同的答案。agentgateway 与 ContextForge 做令牌交换；Obot 附上用户存好的上游令牌，并且正处在两种模型之间的迁移中；Docker MCP Gateway 则压根没有「用户」这个概念——这对一台工作站是诚实的，对一支集群则是出局的。按这条轴来选；同时请注意，在其他三家并不参赛的那条轴上，Docker 的隔离方案是四者中最强的。
开放的智能体轨迹语料是社区有史以来最好的微调数据，而几乎没有人在读它们里面到底装了什么：一条轨迹记录的是模型、执行框架与工具词汇表三者共同行动的结果，因此真正迁移过去的，很大程度上是那个框架的习惯。拿 OpenHands 的轨迹去微调，你得到的是一个在 OpenHands 里更强的模型——这和「更强的智能体」不是同一个论断，而你的评测分不出这两者。
微软新发布的 Thinkingbox 基准里，最强模型的 pass@1 是 65.36%，pass^20 是 25.25%。若失败彼此独立，连中二十次应当只有 0.02%——所以这个智能体在四分之一的工作上可靠，在其余大部分上是一枚硬币；而恰恰是抛硬币的那一段，会通过评审并被发布出去。
关于这四个引擎发布过的每一个性能数字，都由某家厂商自己撰写，而它们没有一个测量了智能体记忆真正产生的并发写入负载。真正可核验的三件事——许可证、写入路径的并发模型、你的记忆框架有没有现成驱动——指向一个反直觉的结论。
同一个 MCP 服务器可以在四个地方查到，而你得到的是四种不同性质的答案：名字归谁、谁替你托管、镜像由谁构建，以及世上究竟有些什么。其中只有一个对你即将运行的那件产物给出了承诺——而四个都没有读过工具描述，那才是 MCP 服务器真正攻击你的地方。
四个开源评测框架被拿来比 star 数和指标数量，团队选了最火的那个，然后开始跟它较劲。真正决定契合度的问题是：你需要断言"正确"的对象是什么——是某一个组件上的一个指标（DeepEval）、一个检索分数（Ragas）、一次跨提示词与提供方的比较（Promptfoo），还是一个在沙箱里运行的智能体的一条被打了分的轨迹（Inspect）。把工具对上那个单位，它们就不再跟你较劲——反而开始彼此配合。
你的沙箱厂商已经从这四者里替你挑好了一个，而这个选择决定了你的智能体能不能跑 pip install。按冷启动排序，得到的顺序恰好与按"智能体拿到多少个 Linux"排序相反——因为启动时间就是那个内核。回答一个问题：这段代码要不要装东西；整个选择面随即塌缩。
GEPA 报出的优势幅度——较 GRPO 最多 20%、较 MIPROv2 13%——全都测在自动检查器免费、且失败运行可以被用词句描述的场景上。这四个优化器里，两个靠一个裸标量就能跑，两个需要一句话。你的评测函数返回什么，决定了你能用上这个领域的哪一半；所以先改指标，再改优化器。
同一个产品，在名字相同的基准上被报出过 49.0% 和 94.4%，取决于谁跑的、什么时候跑的。分数无法为这个品类做裁决。这四者之间真正不同、而且在你采用之后就改不了的，是谁决定什么被记住、谁让它失效，以及你还能不能把它取出来。
四者都能表达同一条策略。但只有其中两个不需要调用方提供事实就能作答——而当调用方是一个正在读攻击者可控文本的智能体时，这就是全部的安全性质所在。第二个问题是检查预算：智能体每个任务要发出几十次授权调用，而过滤一次检索结果要发出上千次。
聊天产品要有好几百个并发用户，专用 GPU 才划得过按 token 计价；智能体只需要十来个工作单元，因为它每一步都要把整个上下文重发一遍。真正该决定你在这四家里选谁的，是这道算术题，而不是每百万 token 的单价。
Meta 的 300 亿参数开放权重智能体模型，在 SWE-Bench Verified 上是 76.0，在 τ³-Banking 上只有 24%。它六个头条数字里有五个测的是"模型独自面对一个可被程序核验的目标"；第六个测的是"陪着一个人、照着一份成文规程办事"——而常驻本地助手活的正是后面这条轴。
四家都讲 CDP，所以自动化代码一天就能搬走，SDK 对比什么也决定不了。真正的选择是：谁持有已登录的 profile、谁持有重建它所需的凭据，以及你继承的是谁的出口 IP 信誉——外加一个事实：它们之间的延迟差距全部来自控制面。
8 月 6 日，五家互为对手的厂商就一个目录结构达成了一致，并明确拒绝就安装、分发、权限、沙箱与来源验证达成一致。这个格式让"指令加带凭据的工具访问"这一个捆绑包可以在六个客户端之间通行——而这恰恰意味着补偿性控制如今归你。
功能表已经收敛，所以真正的决定在许可证与计费的计量单位——而每一种计量方式定价的，都是那份日后会变成你的黄金集、回归基线与微调语料的轨迹存档。按 OpenTelemetry 做仪表化、把这份流双写到一处你自己拥有的地方，平台就成了一个可替换的后端。
DeepSeek 用一套尚未发布的 harness 报出了 DeepSWE 成绩，而封闭测试三天里收到 712 个开源项目报名。智能体分数早就不再是对模型的测量——把每个公开数字都读成"模型 × harness"这一对，并通过钉死自己的 harness 来比较模型。
排名前二的终端编码智能体在 Terminal-Bench 2.1 上只差 0.4 分，落在外壳噪声以内——于是决策重心挪到了许可证、配置可移植性与分发稳定性上。6 月 18 日 Google 演示了原因：一个 10.5 万星的开源 CLI 被退役，换成闭源二进制，免费额度从每天约 1000 次请求砍到约 20 次。
框架对比总在争论图 vs 团队 vs 交接，但比喻到第三周就不再要紧。十八个月后你无法重选的，是一次运行住在哪里、崩溃后"恢复"意味着什么，以及人能不能把做了一半的任务暂停下来——照状态模型来选，对比的其余部分会自行解决。
NVIDIA 与 Linux Foundation 于 2026 年 7 月 27 日发起 Open Secure AI Alliance，37 家创始成员，名单里没有 OpenAI、Google、Anthropic 和 Meta。它公布的范围——身份、隔离、护栏、日志、模型格式、扫描、智能体外壳——全是运行时基础设施，这意味着从中产出的标准是你要自己去落地的东西，而不是模型厂商发给你的东西。
重排序模型不碰索引、不持状态，换一个只要一个下午——这终于让"追排行榜"变得理性了，只可惜排行榜量的恰恰是这四家差异最小的那条轴。真正差出一个数量级以上的是计费单位和许可证，而这两样在智能体规模下咬得最狠。
这四者并不是同一层上的四个替代品——TRL 是训练器 API，Axolotl 与 LlamaFactory 包在它外面，而 Unsloth 在导入时重写它的源码。这一个事实就能预测你真正会感受到的东西：TRL 在 7 月发布了 1.9.2，而其中两家仍然锁在 0.x 那条线上。那张没人能溯源的著名速度对比表，量的完全是错的轴。
这四者中有三个约束采样器，让非法输出根本产生不出来，而它们之间的选择坍缩成一个问题：你的 schema 会重复吗？第四个做的是另一类事，也是唯一能强制那些真正搞垮智能体的规则的——因为语法只保证枚举值是五个当中的一个，却对"是哪一个"只字不提。
这四者的每一份对比，开头都是固定 batch 下的每秒 token 数——而这恰恰是最难迁移到智能体流量上的那个数字：在那里，同一段提示词会带着几百个新 token 回来二十次。真正把它们区分开的，是 KV 缓存以什么为键、受约束解码在满 batch 下还能不能撑住，以及那道构建步骤要吃掉你一个季度里的多少。
三份 README 描述的是同一件事——把用例喂给模型、给输出打分、卡住构建。但在核心数据结构这一层，它们对"评测究竟是什么"意见相左：是一次攻击、一条断言，还是一场实验。名词选错了，工具就不会让你写出你真正需要的那种测试。
每一份文档解析器对比都以准确率排行榜的形式发布，而准确率恰恰是最难迁移到你自己文档上的那个维度。真正能迁移的有两件事：版面流水线会漏掉一个数字，但结构上编不出一个数字；以及自建与托管两条成本曲线，会在一个你五分钟就能算出来的量级上相交。
每一个 AI 网关主打的都是同一个功能：自动故障转移到第二家厂商。那个功能并不是可用性上的胜利——它是一次只在事故期间才被触发的、未经测试的部署，而且落到一个你的评估从未覆盖过的模型上。真正该拿来做选择的是：谁来运维这一跳，因为那才是你没法便宜地反悔的决定。
Moonshot 在 7 月 27 日把 2.8 万亿参数做成了免费下载——同时把自家 API 定价定得高于它所取代的上一代模型，而市面上没有任何一块 GPU 装得下这份权重。开放权重为智能体开发者换来的恰恰只有一样闭源 API 给不了的东西，而那样东西不是成本。
在挑本地向量存储之前，先注意一件事：Claude Code、Cursor 与 Codex 都把自己的删掉了——领先的编程智能体用 grep 检索，而不是嵌入。如果你的语料仍然需要索引，那么这四者并非互相竞争的产品，而是四种不同的架构：一个不带存储的搜索库、一个 SQLite 扩展、一个带预写日志的嵌入式引擎，以及一种落在磁盘上的列式格式。
"护栏"并不是一样东西。开源生态沉淀出四种形态——可编程的 rails DSL、验证器库、安全分类模型，以及扫描器流水线——而 2025–26 的并购潮决定了谁能独立存活。本文讲清每一种到底做什么、在模型周围坐落何处，以及为何它们都没有"解决"提示注入。
当没有 API 时，智能体只能自己操作浏览器——而四个开源项目对"它该如何看页面"意见相左。browser-use 读取 DOM，Skyvern 看像素，Stagehand 让你在代码与 AI 之间自由调节，而 Playwright MCP 根本不是智能体，而是任何模型都能调用的标准浏览器工具层。选其一其实是两个决定：Python 还是 TypeScript，以及框架还是 MCP 服务器。
2026 年 6 月，五款前沿级模型在两周窗口内集中发布。差距早已不是谁登顶 MMLU——每家实验室如今押注的是不同的轴：智能体计算机操作、推理成本、多模态延迟，或纯粹的价格底线。先选好轴，再选模型。
每个编码 Agent 留下的遥测轨迹都不一样：JSONL 记录、SQLite 数据库，或者只有一份纯文本日志。所以你该装哪款开源跟踪器，取决于你的 Agent 走的是哪条轨迹。四款跟踪器，四条轨迹，外加几个真正能压低账单的开关。
每隔几个月，四家实验室就会发布一款听上去差不多的开源权重旗舰——MoE、长上下文、推理模式、多模态，基准成绩也在彼此之间反复易手。可真正决定你在生产环境中跑哪一款的，是各家下一步押注的那条轴：多模态生态、推理经济性、智能体推理，还是宽松许可下的前沿能力。
四款 RL 交易项目，四份几乎一致的功能清单——Gymnasium 环境、OHLCV 摄入、PPO/SAC/A2C/DQN、回测评估。真正决定谁能在严肃的研究或生产循环中扛下去的那一点，在功能清单上根本看不见：谁来掌控仿真契约。
大多数智能体从零开始，你得花上几天向它交代背景。OpenHuman 在一次同步中就载入了对你工作生活的压缩模型——本文带你安装、接入你的工具栈，并在约十五分钟内得到一个有用的回答。
2026 年增长最快的三款开源智能体——在功能清单上几乎一致，跑起来却像完全不同的物种。逐图解析三者架构分歧之处。