同样是 Agent 运行框架，一个想解决「组件无损热插拔」，另一个玩「代码递归派生」——路子差得不是一点半点 。——FreeLamp.com
Agent 系统越做越复杂，真正跑进生产环境，最折磨人的就三件事： 运行时的状态怎么演进 、多个 Agent 怎么协同、组件怎么迭代。这三件事，本质上就是 Agent 运行框架（Harness/Runtime） 要回答的核心问题。
北大和 DeepSeek 团队最近发了篇论文，提出 Cordis 系统 和上层构建的 DeepSeek Harness（下称 DSH），主打 「时空可组合性」的微内核架构 。开源社区的 Prime-Agent 走的是另一条路——抱着 IPython 原生内核（REPL）和 RLM（递归语言模型）不放，靠代码驱动、递归派生子 Agent。
两者哲学上的差异，一句话讲清：DSH 在解决操作系统级的「组件无损热插拔 + 副作用控制」，Prime-Agent 在探索计算内核级的 「代码驱动 + 递归自我派生」 。
本文看点
01
设计哲学：插件化 vs 代码化
02
底层机制：状态回滚的差距
03
落地意义：自我演化要什么底座
01
PHILOSOPHY
核心概念与设计哲学对照
| 维度 | DSH (Cordis) | Prime-Agent |
|---|---|---|
| 设计理念 | 一切皆插件 | 代码即控制（RLM） |
| 理论支撑 | 时空可组合性 | RLM + REPL 计算内核 |
| 组件生命周期 | 依赖追踪、状态回滚、拓扑调整 | IPython 内核内存变量管理 |
| 热插拔 / 演化 | 非中断式组件热替换 | 代码生成 / 动态加载模块 |
| 子 Agent 协同 | 插件化依赖图谱协调 | rlm() 树状递归派生 |
| 副作用处理 | 显式跟踪 + 自动撤销 | 代码作用域 + 沙箱隔离 |
02
MECHANISM
底层机制深度解构
状态演化：Cordis 的「时空可组合性」vs Prime 的 REPL 作用域
Cordis 最狠的一点，是甩掉了传统插件系统靠开发者手写 uninstall() 、 clean() 的土办法。
01
时间维
副作用追踪，无损回滚
02
空间维
动态依赖拓扑，级联协调
03
Context
状态恢复与撤销
Prime-Agent 的状态管理建立在持久化的 IPython 内核上：演化靠 Python REPL 的内存命名空间，要「改自己」就生成代码重定义函数、类或导入模块。短板在于——新代码一旦产生 全局副作用 （改全局变量、占文件句柄、污染单例），它没有原生的副作用撤销引擎，只能重置 REPL 进程或靠沙箱硬隔离。
智能体派生：依赖协调 vs 递归派生（RLM）
DSH 把多智能体协同、工具集成、权限控制、记忆机制统统抽象成 Cordis 插件。要扩展时不是「起个新进程」，而是把新 Agent、新工具作为节点插进现有拓扑图，通信调度跟着依赖关系走， 强一致、可确定 。
Prime-Agent 则是纯粹的递归派生：主 Agent 在 REPL 里直接 await rlm(\"Task\", name=\"sub_agent\") ，每个子 Agent 都带独立的会话树和内核。逻辑上极度自由，主 Agent 像写多进程程序一样管子 Agent；但子 Agent 之间的依赖是隐式的，藏在代码逻辑里，不像 DSH 那样被运行框架 显式建模 。
03
EVOLUTION
演化应用前景：为什么 Cordis 是刚需底座
论文重点提了一个终极场景——「自我演化 Agent Harness」 ：大模型不光生成代码，还高频地生成并部署自己的新组件（新工具、权限策略、逻辑流程）。
1
LLM 自主决策
2
生成新组件 / 新策略
3
热加载至 Harness
运行成功 → 固化进拓扑结构；运行异常 → Cordis 自动回滚，不伤主任务。
在这种高频自我修改下，传统系统的两个短板会被无限放大：
频繁重启扛不住
长链路任务里，重启 Agent 等于昂贵的 上下文丢失 + 网络连接中断 。
错误自愈是刚需
AI 生成的代码大概率有坑，改坏了必须能 精确撤销所有变更 、回到上一个已知安全状态。
DSH 靠 Cordis 的副作用追踪 + 恢复机制，给 LLM 的「试错式自我改造」垫了一张 安全网 。Prime-Agent 想做到同等精细度，要么自己在代码层写一整套 Try-Except-Rollback，要么把演化成本退化成沙箱进程的销毁重建。
04
SUMMARY
架构对比总结
| 技术维度 | DSH (Cordis) | Prime-Agent |
|---|---|---|
| 底层内核 | 自研 Cordis 微内核 | Python / IPython 解释器内核 |
| 状态回滚 | 原生支持（副作用追踪与恢复） | 无原生回滚（需重置 REPL） |
| 组件拓扑 | 显式拓扑图，自动级联协调 | 隐式调用链（代码逻辑抽象） |
| 适用场景 | 高可靠、高频自我变更的生产级 | 复杂计算、探索性代码生成、树状分解 |
| 系统侵入性 | 低（微内核隔离，组件解耦） | 中（强绑定 IPython / Subprocess） |
∞
THE END
结语
「Cordis 把自我演化做成了系统级能力，Prime-Agent 把自由度交给了代码——选哪个，看你更怕『改坏』，还是更怕『不自由』。」
参考文献
REFERENCE
Shi, Y., Zhang, W., & Cui, T. (2026). Cordis: Enabling Spatio-Temporal Composability for Dynamic Software Architectures and Self-Evolving Agent Harnesses. Peking University & DeepSeek Research.
DeepSeek AI. (2026). DeepSeek Harness (DSH): An \"Everything-is-a-Plugin\" Framework for Scalable Agent Systems. GitHub Repository.
Prime Agent Team. (2025). Prime-Agent: A REPL-driven Recursive Language Model Framework for Complex Engineering Tasks. GitHub Repository.
Wernke, M., et al. (2024). Tool Augmentation and Dynamic Plugin Lifecycle in Modern Agent Runtimes. Journal of Systems and Software, 208, 111892.
Richards, M. (2020). Software Architecture Patterns: Microkernel Architecture style. O\'Reilly Media.
END
本文由 FreeLamp.com 出品，专注 AI 与底层技术架构的深度观察。
如果你觉得今天这篇有收获，欢迎 点赞、在看、转发 三连，我们下篇见。
企业 AI 智能体失败的真相：12 条黄金法则 精度控制与自我演化：大模型智能体工业化部署的双螺旋架构 2026 架构师必读：如何在工程化落地中约束 OpenClaw 式的"暴力"智能体？ Cloudflare Kitesurf：给 AI Agent 定制的「蚂蚁体」浏览器，在 V8 沙箱里跑起来了
