2026 年，編碼智慧體的競爭正在悄悄換賽道論文。
過去兩年，比拼的重心一直是模型——誰的推理更強、誰的程式碼補全更準論文。但當越來越多團隊用上同一批頂尖模型，一個值得關注的問題浮出水面：同樣的大腦，換一套驅動它運轉的執行架構，成績到底能差多少？
針對以上問題，一篇名為《openJiuwen: Beyond Static Harnesses for Long-Horizon Coding Agents》的技術報告給出了強有力的參考，該報告結果直接重新整理了SWE-bench Verified和Terminal-Bench 2.1兩大榜單的SOTA——在500個真實GitHub issue構成的程式設計“黃金標準”中拿下82.6%，在真實終端環境複雜指令集中斬獲87.19%，雙雙超越此前最強表現3個百分點以上論文。筆者瞭解到，報告背後的openJiuwen是華為 2012 實驗室、華為雲、終端、計算聯合構建的開源 AI Agent 平臺，報告同時指出其Coding Harness核心能力已在面向辦公、程式設計的蜂群智慧體WorkSwarm中落地，一鍵下載安裝即可體驗。
在 SWE-bench Verified上論文，openJiuwen 與榜單最強系統使用同一款模型（Claude Opus 4.5），最終成績卻高出 3.4 個百分點，達到 82.6%；
在 Terminal-Bench 2.1上論文，openJiuwen 以 87.19%的準確率超越 Codex、Claude Code、Terminus 2 等一眾強力對手，比官方榜首高出 3.39 個百分點；
更關鍵的是一組"同模型"對照實驗：換上與榜首 Claude Code、榜二 Terminus 2 完全相同的 Fable 5模型，openJiuwen 依然拿到 84.04%，反超 Claude Code 的 83.8%，比 Terminus 2（80.4%）高出 3.6 個百分點論文。
同一個模型，差出來的分數，只能來自模型之外的那一層——Coding Harness，即真正驅動編碼智慧體理解任務、呼叫工具、診斷錯誤、持續推進的執行框架論文。
論文地址論文：
Coding Harness 的侷限：長時複雜任務論文，既考驗結構對開發者是否友好，也考驗執行時能否應對新情況
為什麼很多 Code Agent 在演示影片裡遊刃有餘論文，一到真實、複雜、長鏈路的任務裡就掉鏈子？
根子在於：多數編碼智慧體沿用的仍是一套"靜態"的 Harness——寫死的流程、寫死的工具列表、寫死的上下文策略論文。這套機制處理三五步的短任務問題不大，但長程編碼任務會帶來兩方面的壓力，讓它的短板逐漸顯現：
結構上越來越複雜，對開發者不友好論文。一個編碼 Agent 要用到的能力持續增多——安全策略、程式碼記憶、任務規劃、上下文管理、語義反饋、子任務委派、多智慧體協作。如果這些能力各自為戰，開發者每新增一種能力都得讀懂並改動整個執行核心：新功能牽一髮而動全身，排查問題要在糾纏在一起的邏輯裡來回跳轉，維護成本隨能力數量增加而顯著上升。
執行時越來越動態論文。任務推進過程中會不斷冒出"事前無法預知"的新資訊：程式碼改動後有沒有新的語義錯誤、任務到底是真的完成了還是看起來完成了、上下文裡哪些該留哪些該扔、這次踩過的坑下一次會不會重蹈覆轍。一套只會按預設劇本往前走的 Harness，難以應對這些資訊。
展開全文
openJiuwen 把這兩類壓力概括為 Structural Composability（結構可組合性）與 Runtime Adaptivity（執行時自適應性），並圍繞這兩個方向，重新設計了整套執行架構論文。
結構可組合性：執行核心穩定不變論文，能力模組可插拔擴充套件，對開發者友好
openJiuwen 的第一處關鍵設計，是把"能力"和"執行邏輯"徹底解耦——開發者不必啃透整個執行核心，就能像搭積木一樣組裝、擴充套件系統，這正是結構可組合性對開發者友好的核心所在論文。
openJiuwen Coding Agent 整體架構：Inner Loop（觀察—推理—行動—驗證）與 Outer Loop（目標—計劃—執行—評估—更新）之間論文，由一層可插拔的 Rail 組成穩定執行核心
Inner Loop / Outer Loop：同一套執行核心，覆蓋從單個 Agent 到團隊協作的所有場景論文。不論是獨立工作的單個 Agent、被委派處理子任務的 Agent，還是 Swarm 團隊裡的一名成員，跑的都是同一套"內層負責觀察—推理—行動—驗證，外層判斷要不要再來一輪"的執行引擎。開發者不需要為每一種使用場景重新設計一套排程邏輯。
Rail 機制：能力即外掛，想接就接論文。安全策略、記憶管理、任務規劃、工具治理、語義理解、人機互動……這些能力全部以 “Rail” 的形式掛載在執行生命週期的固定鉤子上，透過優先順序決定誰先誰後、誰能覆蓋誰。給 Agent 新增一種能力，只需要宣告一個新的 Rail，完全不用改動執行核心。這意味著很低的擴充套件成本：想加一條自定義規則、接一個內部工具，不必讀懂整個框架原始碼，照著 Rail 的介面寫一個 handler 即可。
Swarm Flow：不是一套固定的多智慧體架構，而是一組可自由拼裝的編排運算元論文。它提供 budget（查詢剩餘預算）、parallel（併發派發並等待收齊）、compact（過濾空結果）、pipeline（流式傳遞結果）、agent_session（維護有狀態會話）、human（引入人工兜底）等運算元，最後以 return收口。示例中，一個編碼 Agent 用它們拼出了"查預算 → 並行生成 → 過濾 → 流式複核 → 仲裁 → 必要時人工 → 返回"的流程——但這只是眾多拼法之一，開發者可以按自己的任務自由重排、增減這些運算元，不必繫結某一種協同架構。
Swarm Flow 編排示例：budget查詢預算 → parallel並行生成候選 → compact過濾空結果 → pipeline流式複核 → agent_session有狀態仲裁 → 必要時 human人工兜底 → return返回結果論文。
執行時自演進論文：讓編碼 Agent 真正學會"邊做邊學"
架構再清晰，如果 Agent 不能根據執行中出現的新資訊調整，長任務依然容易出問題論文。圍繞這一核心問題，openJiuwen 給出了四套配套機制：
Goal Mode（目標驅動）：不再是"跑夠固定步數就收工"，而是持續評估目標是否完成、是否被卡住，並把"完成判斷"和"預算耗盡"嚴格區分開——既不會明明做完了還在空轉，也不會明明卡住了還在硬撐預算論文。
LSP-Driven Passive Feedback（語言伺服器被動反饋）：每次程式碼改動，語言伺服器產生的型別錯誤、懸空引用等診斷資訊會被自動過濾、去重、排序後主動推送給下一步決策，不必等 Agent 自己想起來去查——相當於配了一位隨時線上的 Code Reviewer論文。
Context Management（動態上下文管理）：不再是把系統提示詞加完整對話歷史直接塞進上下文，而是根據即時壓力做漸進式壓縮、結構化摘要、死迴圈摺疊，甚至把體積過大的內容解除安裝到外部儲存、按需檢索取回——避免長任務被上下文視窗拖累論文。
Self-Reflection（跨任務經驗沉澱）：任務完成後，系統會從執行軌跡中提煉可複用的經驗存入經驗庫，供未來相似任務檢索呼叫——相當於給 Agent 配了一本自己越寫越厚的"覆盤筆記"論文。模型引數沒有變，但 Agent 會隨著使用不斷積累經驗。
這四套機制彼此關聯，構成一個此消彼長的權衡系統：更豐富的上下文能帶來更好的決策，卻會擠佔有限的上下文預算；更嚴格的完成判斷能減少"假裝做完"，卻要多付出評估成本論文。openJiuwen 的價值，正是把這些原本要靠工程師逐個專案摸索的取捨，沉澱成了可配置、可組合的工程能力。
約束最佳化視角下的執行時自適應機制：在 Context Construction（上下文構建）、Diagnostic-Feedback Injection（診斷反饋注入）、Acceptance & Stopping（接受與停止）三個維度上，系統不斷向"可行且理想"的執行時配置區域逼近論文。
Benchmark論文：SWE-bench Verified 與 Terminal-Bench 2.1 雙雙重新整理 SOTA
openJiuwen 在兩個差異極大的基準上系統評測了這套架構論文。
SWE-bench Verified（500 個源自真實 GitHub issue 的修復任務，考驗倉庫級長程軟體工程能力）：openJiuwen 使用 Claude Opus 4.5，Resolved 82.6%，超過當前榜單最強的同模型系統（79.2%）3.4 個百分點論文。值得注意的是，榜單最強的對比系統用的同樣是 Claude 4.5 Opus——同樣的模型，差出來的 3.4 個百分點，只能來自 Harness 本身。
Terminal-Bench 2.1（89 個容器化終端任務，覆蓋軟體工程、系統運維、資料處理、模型訓練與安全等更廣泛場景）：openJiuwen 使用 GPT-5.6 Sol，Accuracy 87.19%，超過官方榜單最強結果（Claude Code + Fable 5，83.8%）3.39 個百分點，超過 Codex、Claude Code、Terminus 2 等多個強力系統論文。
同時還有一組"模型對齊"實驗：把 openJiuwen 換成與榜首、榜二完全相同的 Fable 5，成績依然是 84.04%，比 Claude Code + Fable 5 高 0.24 個百分點，比 Terminus 2 + Fable 5 高出 3.64 個百分點論文。這組對比排除了"模型強弱"這個混淆變數——即便模型完全一致，Harness 本身的貢獻依然十分明確。
資料分析：優勢來自架構的兩個設計維度
總分好看只是結果，把總分拆開看更有意思——正好能看出 Structural Composability 和 Runtime Adaptivity 這兩條設計主線各自兌現了多少論文。
證據一：細看分類目，openJiuwen 在"工具密集型"任務上優勢明顯——這正是結構可組合性的紅利論文。在同樣使用 Fable 5 的模型對齊設定下：
file-operations（檔案操作）
：openJiuwen 0.76論文，Claude Code 0.56，Terminus 2 0.52；
system-administration（系統運維）
：openJiuwen 0.889論文，Claude Code 0.778，Terminus 2 0.844；
換成主力配置 GPT-5.6 Sol 後，system-administration 衝到 0.956，software-engineering 達到 0.908，data-science 達到 0.950論文。
這幾類任務高度依賴工具——反覆讀寫檔案、操作終端、核對環境狀態論文。openJiuwen 開箱即用的操作型工具加上 Rail 提供的統一執行介面，讓 Agent 不必為每個任務臨時現造工具，省下的執行軌跡能更多用在推理和驗證上——結構可組合性由此兌現成了具體的分數差距。
模型對齊設定（均使用 Fable 5）下，openJiuwen 在 data-processing、debugging、security、system-administration、scientific-computing、file-operations 六大類目上的表現均優於或接近 Claude Code、Terminus 2，其中 file-operations 優勢最為明顯（0.76 vs 0.56 / 0.52）論文。
證據二：任務越拖越長，優勢越明顯——這是執行時自適應性在起作用論文。把 SWE-bench Verified 的 500 個任務按預估修復時長切成四段，只對比同樣使用 Claude Opus 4.5 的系統：
耗時最短的兩檔，openJiuwen 表現最優；在最考驗長程執行的 1–4 小時檔，拿到 52.38%，逼近成績最好的 live-SWE-agent（54.76%）論文。
值得注意的是 mini-swe-agent 的一個反常現象：同樣是 Opus 4.5，推理力度調到 high 反而比調到 medium 更差（35.71% vs 42.86%）——推理力度越高，模型花在思考上的 token 越多，會擠佔長任務裡本就有限的上下文視窗論文。而 openJiuwen 同樣用 high 推理力度，卻在這一檔衝到 52.38%，比 mini-swe-agent 的兩種設定都明顯更高。這背後是 Context Management 機制在起作用：它會根據即時壓力動態取捨該留什麼、該壓縮什麼，讓更深的推理不必以更少的有效上下文為代價——這正是執行時自適應性要解決的問題：能否即時消化不斷累積的資訊，而不是被它拖住手腳。
從論文到應用：能力開源並整合至WorkSwarm論文，也進入華為雲碼道
這篇論文的價值不只是重新整理了兩個榜單，而是這套架構從設計之初就是為了被真正用起來——它已經開源，並封裝進了可以直接安裝使用的產品論文。
對開發者而言，openJiuwen SDK 把結構可組合性落到了實處：Rail 機制讓你無需讀懂整個框架原始碼就能插入自定義能力；Inner Loop/Outer Loop 統一的執行語義，讓單 Agent 指令碼可以平滑擴充套件為多智慧體 Swarm 團隊；Goal Mode、LSP 被動反饋、上下文管理等工程能力開箱即有論文。
對普通使用者而言，WorkSwarm 支援 HarmonyOS / Windows / Mac 一鍵安裝下載論文。開啟應用後像聊天一樣描述需求，Agent 會自動讀檔案、搜程式碼、跑 Shell、裝依賴、改程式碼、跑測試，直到任務完成。驅動它的，正是拿下 SWE-bench Verified 82.6% 與 Terminal-Bench 2.1 87.19% 的同一套 openJiuwen 架構。
這也是 openJiuwen 團隊反覆強調的一件事：Coding Harness 不該只掌握在少數團隊手中，它應該像作業系統一樣，開發者能擴充套件，普通使用者能直接用論文。
同時，openJiuwen社羣與華為雲碼道深度協同，作為碼道的社羣聯創版本，也持續將開源框架中的優秀能力整合到碼道中論文。
WorkSwarm 官網： / Windows / Mac 一鍵下載安裝，安裝後即可透過自然語言對話方式驅動 Agent 完成任務論文。
結語論文：編碼智慧體競爭的關鍵已不僅是模型能力
Terminal-Bench 2.1 和 SWE-bench Verified 的難點在於，Agent 必須在真實環境裡連續做對很多件事：理解任務、診斷錯誤、管理上下文、判斷何時收手、把結果真正交付出來論文。模型決定的是 Agent 的基礎智力，而 openJiuwen 用兩個榜單證明的是：真正決定 Agent 能走多遠的，是那套包裹在模型外面、看不見卻始終在起作用的 Coding Harness。
這一次，openJiuwen 論文公開、程式碼開源、產品可裝論文。從一篇技術論文，到兩個權威基準雙雙重新整理 SOTA，再到一次下載安裝就能用上的桌面體驗，驗證的始終是同一件事——Harness，不該只活在論文和榜單裡，它應該裝進每一個人的電腦。一鍵下載安裝 WorkSwarm，立即體驗吧！
相關資源論文：
論文地址論文：
openJiuwen 官網論文：
WorkSwarm GitHub論文：
WorkSwarm AtomGit論文：
Swarm Skills Hub論文：
