AgentRun 開源平臺推出具學習能力與持久化執行的受管理AI 助理
Show HN: AgentRun – open-source, Self-improving Managed Agents
AgentRun 推出開源AI 助理平臺,為 Claude Code、Codex、OpenCode 和 pi 加入學習、持久化執行與集中管理功能。
- - 學習與工作流程:每次執行後可保留筆記、技能或工作流程,供後續執行使用。
- 工作流程支援工具呼叫、模型步驟、條件分支及交由AI 助理處理複雜情況。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
AgentRun 將學習記錄、可恢復執行與人工核准納入同一平臺,並支援多種 harness 與執行環境,呈現其管理AI 助理工作的整合方式。
打造更聰明的代理程式,使用更少 Token。
AgentRun 是一個開源平臺,能大幅提升代理程式的能力。它在你最愛的代理程式執行框架上加入自我改進、持續執行和控制平面。代理程式每執行一次,就會變得更聰明、更能容錯,並使用更少 Token。
代理程式的學習分頁:它保留了哪些內容,以及自上次以來有哪些變化。示範資料來自主控臺記錄的測試資料。
為什麼選擇 AgentRun
代理程式很擅長解決問題,但問題在於,它們會一再重複解決相同的問題。交給代理程式一項它已經做過上百次的工作,它還是會重新探索相同的 API、重讀相同的檔案、重建相同的計畫,而你得為每個 Token 付費。
讓代理程式使用最適合它的執行框架:Claude Code、Codex、OpenCode 或 pi。AgentRun 負責處理周邊所有事項:
- 它會從工作中學習。每次執行後,代理程式都會保留有助於下次執行的內容:備註、技能,或能直接完成工作的工作流程。下次執行時,就能從這些內容開始。
- 執行工作永不遺失。所有執行工作都儲存在同一處。即使在執行期間關閉伺服器,重新啟動後,工作也會接續進行。依照工作需求,為每個代理程式提供所需的電腦環境:沙箱、Linux 桌面、Android 手機或瀏覽器。
- 掌控權在你手上。透過核准機制、支出上限,以及管理所有代理程式的單一主控臺,檢視哪些事項需要你處理、哪些工作失敗、哪些正在執行,以及花費多少。
無須自行建置底層系統:這裡已備妥供應商整合、復原、執行追蹤與學習功能。只要一個指令,就能在筆記型電腦上執行;也可以在單一容器中執行,或部署成搭配執行器的伺服器。Apache-2.0。
三個步驟,立即開始
你需要 Node 24.22.3 或更新版本,並使用 macOS 或 Linux。
-
啟動。
npx @parcha/agentrun
它會在連線埠 7340(或下一個可用連線埠)啟動伺服器和一個執行器,將所有內容存放在
~/.agentrun,並在瀏覽器中開啟主控臺。 -
新增一組模型金鑰。在主控臺設定密碼,再到設定 → 模型金鑰新增金鑰。一組
OPENROUTER_API_KEY即可讓所有執行框架使用模型。Anthropic 金鑰可執行 pi 和 Claude Code;OpenAI 金鑰可執行 pi、Codex 和 OpenCode。 -
執行第一個代理程式。開啟範本,套用KYB 盡職調查,輸入公司的名稱和網站即可開始執行。只需要你的模型金鑰。執行完成後,開啟執行工作的報告分頁,即可檢視附有結論和每項主張引用來源的盡職調查報告。接著開啟代理程式的學習分頁,檢視它為下次執行保留了哪些內容。
想讓程式設計代理程式代為操作?告訴它:Read agentrun.ai/SKILL.md and set up AgentRun for me。
Docker、沙箱與伺服器部署
如果你的電腦正在執行 Docker,新代理程式就會取得含有 Shell 的 Docker 沙箱。映像檔會在首次使用時建置,過程需要幾分鐘;準備就緒後,主控臺會顯示通知。若沒有 Docker,代理程式仍可讀寫檔案,但無法使用 Shell。
想要取得附有網址的專屬伺服器?一鍵部署至 Render。
導覽
由工作流程決定下一步。步驟可以提出簡短且有明確型別的問題、檢視答案的把握度,並選擇後續路徑。此處模型以 0.61 的把握度傾向核准,低於工作流程設定的 0.75 門檻,因此案件會送交審查。
在同一處管理所有代理程式。首先開啟任務控制中心,依日期、執行框架和工具檢視哪些事項需要你處理、哪些工作失敗、哪些正在執行,以及花費多少。
每個代理程式都是一個 API。 在 Playground 啟動一次執行,然後將相同的請求複製到程式碼中。
由你掌控。 代理程式可以暫停並詢問你,執行會等到你回答後才繼續。
能從工作中學習的代理程式
在代理程式的定義中加入 "learning": true 即可啟用。每次執行結束時,代理程式會多執行一輪,說明它會保留哪些內容。AgentRun 會檢查並評分,再將通過的內容提交到代理程式自己的 git 資料夾。下一次執行便從這些內容開始。
flowchart LR
start["Run starts from<br/>the agent's main"] --> work["Run does the job"]
work --> propose["Last turn proposes<br/>notes, a skill, a workflow"]
propose --> check["Code checks,<br/>then one grader"]
check -->|kept| commit["Commit to main"]
commit --> start
載入中
- 備註是簡短的 Markdown 檔案,每個檔案記錄一項事實,採用 Claude Code 的記憶格式。
- 技能說明如何重複完成一項工作,只有成功完成該工作的執行才能寫入技能。
- 學到的工作流程會以一次工具呼叫的方式,在任何執行框架上執行,並遵守該次執行的額度與工具許可權。學到的技能用於 3 次執行後,系統會在下一次執行中要求代理程式將該工作整理成工作流程草稿;草稿會先試跑再決定是否保留:不會詢問模型,也不會執行任何工具。
代理程式的學習分頁會顯示所有備註、技能和工作流程,以及變更記錄;每次執行也會顯示收到並開啟了哪些備註。你可以在該分頁中封存任何專案,或使用 npx @parcha/agentrun learning retire 和備註的 ETag 封存。Git 會保留歷史紀錄,因此封存的備註可以復原。
哪些內容會保留,哪些會捨棄
每個代理程式都有一個學習資料夾:使用單一分支的純 git 資料夾,main。執行時,代理程式會在指示中讀取有效備註索引,並取得與自身並列的已學技能。程式碼會先檢查每項提案。違反自身規則的專案(例如大小或數量限制、名稱或格式)會被排除,其餘內容則會繼續處理。答案中任何位置若含有機密或隱藏字元、資料夾外的檔案、刪除專案或完整索引,就會捨棄整份答案,因為其中任何專案都無法信任。接著由一位評分器判斷內容,AgentRun 會提交通過的專案。高風險規則會等候你核准。執行時從網頁或貼上的電子郵件中找到的規則,以及記載帳號的備註,都會被捨棄。
代理程式的備註超出學習額度後,每次執行都會取得與第一則訊息相關的完整備註,其他備註則各取得一行摘要。若某次執行只執行了已學到的工作流程,就不會被詢問要保留哪些內容。
工作流程
許多代理程式其實不需要是代理程式。將可重複執行的工作寫成具型別的工作流程:包含工具呼叫、模型步驟和快速的具型別決策(是或否、擇一、評分,每項決策都附上信心度),並在情況不明確時交由代理程式處理。AgentRun 會將其作為代理程式的一個修訂版本執行,遵守代理程式的工具許可權與執行額度,就像任何一次執行一樣;也可以由觸發條件啟動。
這是 examples/support-answer.mjs 控制流程的示意圖,並非模型執行過程的錄影。
逐節點檢視任何工作流程的執行過程,暫停並繼續執行,還能閱讀每項決策及其原因:
工作流程的樣貌
工作流程是由具型別步驟組成的 JSON 檔案:
{
"v": 2, "name": "read-site",
"schemas": {
"In": { "type": "object", "required": ["website"], "properties": { "website": { "type": "string" } } },
"Page": { "type": "object", "required": ["ok"], "properties": { "ok": { "type": "boolean" } } }
},
"input": { "schemaId": "In" },
"output": { "schemaId": "Page", "path": "home" },
"root": { "node": "chain", "steps": [
{ "node": "call", "label": "Read the home page", "via": "tool", "tool": "web_fetch",
"args": { "url": "{website}" }, "out": "Page", "as": "home", "deadline_s": 60 }
] }
}步驟可以呼叫工具、執行模型、提出快速的具型別問題、根據答案分支、平行處理清單中的專案、在限定次數內迴圈執行、呼叫其他工作流程,或將棘手的情況交由代理程式處理。將工作流程儲存至代理程式的 workflow 欄位;npx @parcha/agentrun workflows validate 會先檢查。工作流程語言也能透過 TypeScript 建置器,在你的應用程式中獨立執行。
持續運作的執行
每個代理程式、修訂版本、執行與步驟都存放在同一個儲存庫中。執行期間停止伺服器再重新啟動,執行作業會接續進行。使用多個執行器時,某個執行器故障後,其他執行器會在其 30 秒租約到期後接手它的執行作業。已完成的步驟絕不會再次執行;若寫入作業在呼叫途中因當機而中斷,系統會標記為已中斷,而不會重試,方便你檢查。
由你掌控
- 核准。 每項工具都可設定為允許、先詢問你,或拒絕。需要詢問的呼叫會在執行作業頁面上等待你的回覆。「永不詢問」可讓代理程式無人值守地執行,而伺服器端設定的拒絕規則仍優先適用。
- 支出上限。 為執行作業設定上限,達到上限時作業會暫停而非失敗,並告訴你繼續執行所需的最低金額。若 AgentRun 無法計算成本,會顯示「未知」,絕不會顯示為 $0。
- 提問。 代理程式可以暫停並向你提問,執行作業會等到你回答為止。
- 單一控制台。 每個執行作業都有即時時間軸、檔案,以及可由你接手操作的瀏覽器畫面。
範本
五個可立即使用的代理程式。在同一個畫面套用範本、依需求自訂,並用專屬評估案例衡量成效。每個範本都是一個資料夾,內含代理程式指示、技能、規則與評估案例。範本 → 套用 不會授予任何許可權,必須由你逐一勾選 MCP 工具。
| 範本 | 功能 |
|---|---|
code-review |
檢視提取要求或差異,逐項對照程式碼確認發現,並以 JSON 回傳結果。會自行設定 GitHub 觸發條件 |
kyb |
針對單一公司的盡職調查:登記資料、所有人、制裁名單、有日期的不利媒體報導,以及每項主張都有引註的判斷 |
market-monitor |
每週一彙整你關注的公司有哪些變化,每項資訊都附上日期與連結 |
inbound-lead |
研究 webhook 傳送的每筆潛在客戶資料,並根據你的理想客戶輪廓評分,分數介於 0 至 100 |
release-notes |
將自上次發布以來合併的提取要求整理成發行說明,並以草稿議題形式留待人員處理 |
npx @parcha/agentrun template eval DIR 會在臨時伺服器上以真實執行作業執行範本的評估案例,並為其評分。範本套件說明資料夾格式。
觸發條件會自行啟動設有上限的執行作業:排程、已簽署的 webhook,以及 GitHub 提取要求事件。
代理框架與電腦
代理框架。 在代理程式定義中使用 harness 指定代理框架。核准、上限、電腦、觸發條件與學習功能在各框架上的運作方式相同。npx @parcha/agentrun server capabilities 列出伺服器上可執行的代理框架。
| 代理框架 | harness |
備註 |
|---|---|---|
| pi | pi |
預設值 |
| Claude Code | claude-agent |
首次使用時自動安裝 |
| Codex | codex |
首次使用時自動安裝 |
| OpenCode | opencode |
需要在伺服器旁安裝其 opencode-ai 套件;AgentRun 會印出安裝指令 |
電腦。 代理程式透過一項設定取得電腦。它只能使用該型別提供的工具;變更電腦不會影響代理程式的其他設定。
computer: kind: sandbox # none, sandbox, desktop, phone or browser provider: daytona # one you connected in Settings → Computers (none takes no provider)
| 型別 | 代理程式可執行的操作 | 服務供應商 |
|---|---|---|
none |
在執行資料夾中讀寫檔案;沒有 shell(使用 Archil 時,命令會在 Archil 的 exec 上執行) | 不需要 |
sandbox |
在 Linux 上執行程式碼、安裝套件,並在背景保留處理程序 | Docker、Daytona、Modal、E2B |
desktop |
檢視 Linux 畫面、移動滑鼠、輸入文字 | Orgo、E2B、Docker(使用你自己的 X 伺服器映像檔) |
phone |
在 Android 上點按、滑動、輸入文字、開啟應用程式並讀取畫面 | 手機代理框架(租用的雲端 Android) |
browser |
瀏覽網頁,並可隨時將控制權交給你 | Browserbase、Kernel |
除 none 以外的每種型別都會指定其服務供應商。未設定電腦的代理程式會在伺服器有 Docker 時使用 Docker 沙箱,否則不會取得電腦。遠端電腦的費用會透過你在供應商處的帳戶收取。
金鑰、執行檔案、接管與相容性測試
- 金鑰。 在 Settings → Computers 中新增一次廠商的金鑰。伺服器會加密儲存,並且只顯示是否已設定;金鑰絕不會傳到代理程式執行所在的電腦。Test connection 會向廠商發出一次讀取要求,不會啟動任何工作。
- 執行檔案。 根據預設,執行資料夾會存放在你的伺服器上,並掛載到 Docker 沙箱中。在 Settings 中啟用 Archil 磁碟後,資料夾會改存放於該磁碟,因此 Daytona、Modal 或 E2B 沙箱都會掛載同一個資料夾。這三種沙箱僅能搭配 Archil 磁碟執行;啟用 Archil 時,系統會拒絕使用 Docker 沙箱。
- 監看與接管。 瀏覽器執行過程會透過你自己的伺服器串流到執行專案的 Screen 分頁,不會經由廠商連結。你可以接手控制,再交還給代理程式。代理程式也可以停止並請你接手,例如需要登入或解答驗證碼時。
- 驗證。 每個提供者都有適用於其型別的相容性測試套件。執行
npm ci && npm run build之後,從簽出的程式碼目錄中自行對廠商執行測試:npm run conformance -w @parcha/agentrun-computer -- --provider docker --kind sandbox。
@parcha/agentrun-computer 是底層通訊協定:每臺電腦上都執行一個小型常駐程式,每個廠商則有一個提供者。
運作方式
flowchart LR
you["Console · CLI · API"] --> server["Server"]
server --> store["One store<br/>SQLite or Postgres"]
runner["Runners"] -->|claim runs| store
runner --> hands["Hands<br/>run folder + computer"]
載入中
- 伺服器。 在
/v2提供 API 和主控臺。它會將執行專案和命令寫入儲存區,再從中讀取資料供你檢視。使用--no-runner啟動時,伺服器本身不會執行代理程式迴圈。 - 儲存區。 代理程式、修訂版本、執行專案,以及每次執行的日誌都集中存放於此。預設使用資料資料夾中的 SQLite,也可透過
AGENTRUN_STORE_URL使用 Postgres。 - 執行器。 每個執行器會從儲存區領取執行專案,並同時執行多個工作。每次核准檢查、限制和模型呼叫都會在此進行。新增執行器即可擴充處理能力。
- 執行環境。 代理程式的工具在此執行操作。每次執行都有一個存放檔案的資料夾。沙箱會將該資料夾掛載到
/workspace,並在其中執行工具;使用桌面、手機或瀏覽器時,資料夾則會留在執行器上。
從終端機與程式碼操作
npx @parcha/agentrun 也是伺服器的 CLI。伺服器啟動後,在另一個終端機執行這些命令;CLI 會自動找到伺服器及其權杖。這段指令碼會建立代理程式、啟動一個上限為 $1 的執行專案,讓代理程式向你提問,再回答問題,並讀取代理程式寫入的檔案。啟用 Docker 時,第一次執行會等待沙箱映像檔準備就緒。
# 1. Make an agent that can write files and ask you things. cat > agent.json <<'EOF' {"definition": {"id": "notes", "version": 1, "name": "Notes", "instructions": "Do what you are asked, and write what you make to a file.", "skills": [], "tools": ["write", "ask_person"]}} EOF npx @parcha/agentrun agents create --body @agent.json # 2. Start a capped run and wait. It stops to ask you which region (exit code 8: it waits on you). npx @parcha/agentrun runs start notes --max-cost-usd 1 --wait \ --body '{"input": {"content": "Ask me which region to cover, then write region.md about it."}}' > out.json # 3. Answer, wait for it to finish, and read what it wrote. run=$(node -p 'require("./out.json").run_id') npx @parcha/agentrun runs message "$run" --content "Europe" npx @parcha/agentrun runs wait "$run" > out.json npx @parcha/agentrun runs read-file "$run" region.md
runs wait 在執行完成時以狀態碼 0 結束,執行失敗時以 1 結束,等待你處理問題、執行上限或核准時則以 8 結束。runs timeline RUN_ID --follow 會即時串流每個步驟,而每次執行都會附有指向其頁面的 console_url。npx @parcha/agentrun help 會列出所有命令;npx @parcha/agentrun skill install --claude(或 --codex)會教你的程式碼代理程式如何使用 CLI。
使用 TypeScript 或 Python 執行相同工作
使用 TypeScript 使用者端(npm install @parcha/agentrun-client,不需相依套件)。使用者端會從環境變數讀取伺服器位址和權杖;伺服器啟動時會列印兩者(使用 npx @parcha/agentrun 時,權杖位於 ~/.agentrun/.token,位址通常是 http://127.0.0.1:7340):
export AGENTRUN_BASE_URL=http://127.0.0.1:7340/v2 export AGENTRUN_API_KEY=$(cat ~/.agentrun/.token)
import { AgentRun } from "@parcha/agentrun-client"; const client = new AgentRun(); // AGENTRUN_BASE_URL and AGENTRUN_API_KEY const started = await client.runs.start("notes", { input: { content: "Ask me which region to cover, then write region.md about it." }, max_cost_usd: 1 }); let run = await client.runs.wait(started.run_id); if (run.pending?.kind === "question") await client.runs.message(run.run_id, { content: "Europe" }); run = await client.runs.wait(run.run_id); console.log(run.status, run.cost.usd);
Python 使用者端是 pip install parcha-agentrun,提供相同的方法(TypeScript 使用者端、Python 使用者端)。
部署
一鍵部署至 Render。
按一下即可部署 render.yaml:一個配備 1 CPU / 2 GB、使用 10 GB 磁碟的執行個體,採用已發布的映像檔(不需建置),並為你產生權杖和密封金鑰。你的 Render 工作區必須繫結信用卡:依本文撰寫時 Render 的價格,執行個體每月約 $25,磁碟每月 $2.50。在 Render 表單中貼上 OPENROUTER_API_KEY。我們建議使用設有美元額度上限和到期日的 OpenRouter 金鑰。請勿與任何人分享此金鑰。服務啟動後,開啟其 URL,並從服務的 Environment 分頁複製 AGENTRUN_TOKEN,貼上以設定密碼。
Docker Compose:一部伺服器和兩個執行器
在裝有 Docker 的 Linux 電腦上:
git clone https://github.com/Parcha-ai/agentrun && cd agentrun/deploy printf 'AGENTRUN_SEAL_KEY=%s\n' "$(openssl rand -base64 32)" > .env && chmod 600 .env echo 'OPENROUTER_API_KEY=...' >> .env docker compose up -d --build docker compose logs server # the console's link, the first visit's setup code and, the first time, the token
連線埠僅會在這部電腦的 loopback 介面上發布;若要讓其他人連線,請先在前方設定 TLS 代理伺服器。
此 compose 檔案沒有 Docker socket,因此其中的代理程式可使用檔案工具和 web_fetch,但無法使用 shell。若要使用 Docker 沙箱,請在儲存庫根目錄使用單一伺服器的 compose.yaml(需要 Docker Engine 26 或更新版本)、在主機上執行伺服器,或使用配備 Archil 磁碟的 Daytona 或 E2B 電腦。
在 Postgres 上執行器
在伺服器和每個執行器上,將 AGENTRUN_STORE_URL 設為 postgres:// URL(compose 檔案的 pg 設定檔會啟動一個執行器);使用 --no-runner 啟動伺服器,並使用 runner --data /data --name <name>,從相同映像檔啟動每個執行器。每個處理程序都要使用相同的 AGENTRUN_SEAL_KEY。在此版本中,執行器仍共用 /data 磁碟區。
部署 AgentRun》涵蓋執行器、健康檢查和升級。
安全性
每個已儲存的密碼(模型和工具金鑰、MCP 認證資料、登入資料、Webhook 簽署密碼)都會使用同一把金鑰 AGENTRUN_SEAL_KEY 進行密封;請妥善保管,因為遺失這把金鑰,就無法取回以它密封的內容。密碼採唯寫設計:主控臺只會顯示每項密碼已設定或尚未設定,只有主控臺可以貼上、替換或移除密碼(透過已登入的工作階段;若停用帳戶,則透過 loopback 上啟動器的主控臺)。伺服器啟動時設定的金鑰會優先於貼上的金鑰。API 權杖無法寫入密碼,也無法核准工具呼叫。每次執行只會取得其模型和工具所需的金鑰,而執行期間得知的任何資訊都無法保留它取得的密碼。SECURITY.md 說明如何回報安全漏洞。
檔案
- AgentRun Server:完整介紹 API、模型、工具、MCP 伺服器、觸發條件、支出上限、學習和安全性
- agentrun.ai 快速入門和檔案
- CLI 的技能和所有指令
- 部署、電腦、範本
- 工作流程語言、撰寫方式、指南
- 變更日誌和貢獻方式
即將推出
- 每次呼叫都可選擇電腦,不再只限於每個代理程式選擇一部
- 第一方電腦
- iPhone、macOS 和 Windows 電腦
- 像目前的瀏覽器執行一樣,監看並接管桌面或手機上的執行工作
- 將 Composio 作為工具目錄
- 透過 Agent Client Protocol 使用 Harness
- Slack 觸發條件和 Parallel 監控觸發條件
授權條款與致謝
Apache-2.0。Copyright 2026 Parcha Labs, Inc. 由 Grep.ai 打造。
AgentRun 採用 Earendil Works 的 pi(MIT)作為基礎,包括其代理程式迴圈和底層持久化執行環境;也採用 Stagehand 和 Browserbase Node SDK、TypeSafe JavaScript SDK、Archil 的 disk SDK,以及 vercel-labs/durable-harness(Apache-2.0);持久化 Harness 的設計和程式碼也以此為基礎。各專案均保留自己的授權條款;每個套件的 NOTICE 檔案都會列出其中包含的內容。





