今天想给大家介绍一个我们打磨了很久的项目 —— OpenAgent，一个面向个人开发者和极客的开源本地 AI Agent 。定位跟 OpenClaw 、Hermes 类似，都是「个人本地助手」这个赛道，但我们走了一条完全不同的路：用 Go 语言写成一个单文件二进制，下载 exe 双击就能跑，零配置开箱即用。
一句话定位：开箱即用的单文件本地 Agent ，效果更稳、延迟更低、资源占用更少。
GitHub：github.com/the-open-agent/openagent（求 Star ⭐）
官网：openagentai.org
一、为什么做这件事
现在用 AI 干活的人越来越多 —— 不只是写代码，做 PPT 、跑脚本、查资料、整理文档，大家都在用 Agent 。但用过一段时间，绝大多数人都会撞上同一堵墙：部署成本。
市面上不少「知名」 Agent 是结构性的依赖怪兽 —— 一个完整环境下来，Node.js 、Python 、Docker 、WSL 层层嵌套。问题往往不在模型本身，而在 Agent 的交付形态：依赖膨胀、文件散落数万、配置繁琐、迁移困难。每一层都在消耗用户耐心，月底还要被账单教育一次。
OpenAgent 的取舍从第一天就很明确：把「单文件零配置」做成顶层设计目标，而不是事后打的补丁。我们选了一条更硬核的路 —— 用 Go 从零写成一个单二进制文件，没有运行时依赖，没有安装器，没有 Docker 。前端的 React 直接 embed 进二进制里，后端就是纯 Go ，一个进程监听 14000 端口。
这就是今天的 OpenAgent 。
二、不止轻量 —— 这是一个完整的 Agent 工作平台
OpenAgent 不只是一个跑得快的单文件，配套的是一整套日常工作流要用的能力：
三、直接亮数据：效果与延迟横评 OpenClaw
架构做完了，效果到底怎么样？我们花了十多天做横向评测，把 OpenAgent 和 OpenClaw 拉到同一条起跑线。统一用 deepseek/deepseek-v4-flash 作为底层模型，这是目前性价比较高的模型，最容易暴露各家 Agent Harness 的真实水平。
3.1 Agent Tool 调用对标（核心效果）
12 个任务 × 3 轮 = 36 次计分，统一模型、统一 prompt：
[td]指标[/td]
[td]OpenAgent[/td]
[td]OpenClaw[/td]
成功率
**83.33%**（ 30/36 ）
61.11%（ 22/36 ）
平均耗时
14,183 ms
26,128 ms
平均 Token
1,312
2,362
合规率
90.0
76.67
覆盖率
97.5
91.67
综合分
91.14
78.41
一句话总结：成功率更高、速度更快、Token 更省。OpenAgent 每轮平均耗时比 OpenClaw 少约 11.9 秒，Token 消耗少约 1,050 。36 轮真实执行，判分由自动化脚本完成，无人工干预。
3.2 对话场景性能
[td]指标[/td]
[td]OpenAgent[/td]
[td]OpenClaw[/td]
完成率
100%
95%
格式正确率
100%
82.5%
事实准确率
100%
92.5%
平均延迟
3,991 ms
26,781 ms
OpenAgent 在对话场景下完成率、格式正确率、事实准确率均达到 100%，平均延迟约 4 秒； OpenClaw 平均延迟约 26.8 秒。
3.3 项目本体性能
[td]维度[/td]
[td]OpenAgent[/td]
[td]OpenClaw[/td]
冷启动就绪
~2.7 s
~29.2 s
常驻内存
~110 MB
~215–307 MB
安装体积
exe ~23 MB
~382 MB / 42,000+ 文件
TTFT （首包延迟）
~23 ms
~44 ms
冷启动：OpenAgent 中位数 2.7 秒就能通过 health 检查返回 HTTP 200 ，OpenClaw 需要 29.2 秒。
体积：OpenAgent 单文件约 23 MB ，OpenClaw 整块目录约 382 MB ，文件数超过 4 万。这不是「精简功能换体积」，而是 Go 静态编译 + 前端 embed 的架构优势。
内存：空闲状态下 OpenAgent 约 110 MB ，OpenClaw 约 215–245 MB 。压测后 OpenAgent 约 120 MB ，OpenClaw 约 307 MB 。
四、凭什么效果更好、延迟更低 —— 3 个工程决策
不是「砍功能换性能」，是每一层都做对了选择。
① Single Binary：一个文件，零依赖
Go 静态编译，前端 React build 后直接 embed 进二进制。Windows 用户下载 exe 双击就能跑，不需要 WSL 、不需要 Docker 、不需要 Node.js 。Mac/Linux 一条命令安装。这才是「个人本地 Agent 」该有的交付形态。
② Shell 执行带边界，安全可控
源码层面，tool/shell.go 定义了默认超时 30 秒、最大 300 秒、PTY 可选、会话式 poll/write/submit 等机制。Shell 能力在默认实现上是强约束的生产向工具，而非无限制远程执行。同时支持审计日志、SSO 、请求日志等企业级可观测性。
③ Go 原生并发，内存可控
Go 的 goroutine + channel 模型让高并发场景下的内存增长非常克制。80 路并发 health 压测，内存仅增长 10 MB 。对比 Node.js 的内存曲线，这是语言层面的结构性优势。
五、坦白说几句，欢迎来挑战
离「完美」还有多远，先把几件事说清楚：
[ol]
[/ol]
欢迎你来挑战：
六、关于 Go 重写
可能有朋友会问：做 AI Agent 不是 Python 的天下吗，怎么用 Go ？
Agent 的瓶颈在 LLM 调用而非语言性能 —— 决定一个 Agent 跑得好不好的，是 Harness 层的架构设计，不是底层语言的执行速度。Go 的优势在于：静态编译单文件、内存可控、并发模型简洁、跨平台原生支持。这些特性对于「个人本地 Agent 」这个场景来说，比 Python 的动态灵活性更重要。
我们用 Go 写了三个月，从零到一，做出了这个内核。
七、谁用谁爽 —— 几类典型场景
🔧 程序员 / 开发者：CLI 形态直接替代 Claude Code ，BYOK 用自己的 Key ，本地 Shell 、Browser 、Office 工具一键调用。
🏠 个人用户 / 极客：同样的机器配置，原本跑一个 Agent 就卡，现在能轻松跑多个 —— 内存占用不到同类的一半。
💼 自由职业者 / 一人公司：做客户提案、写咨询报告、出竞品分析、整理材料 —— 本地跑，数据不出本机，省下来的就是安全感。
八、怎么上手
Windows （最省心，推荐）
macOS / Linux / WSL
curl -fsSL https://raw.githubusercontent.com/the-open-agent/openagent/master/scripts/install.sh | bash
Windows PowerShell
irm https://raw.githubusercontent.com/the-open-agent/openagent/master/scripts/install.ps1 | iex
模型怎么接
九、最后
OpenAgent 是 Apache 2.0 开源项目，代码全在 GitHub 上，欢迎审阅、欢迎 Star 、欢迎提 issue 。
我们坚信：个人本地 Agent 的未来，不是越来越重，而是越来越轻。 一个文件，双击即用，这才是用户真正想要的。
GitHub：github.com/the-open-agent/openagent ⭐
测评集代码：github.com/the-open-agent/agentbench
QQ 群：963536134
