Show HN：AgentRun —— 开源、可自我改进的托管智能体

运行更聪明的 agent。使用更少的 token。

快速入门 · 导览 · 模板 · 部署 · 文档

AgentRun 是一个开源平台，能让你的 agent 如虎添翼。它在你自己钟爱的 agent harness 之上，增加了自我改进、持久化执行和一个控制平面。你的 agent 会变得更聪明、更容错，而且每次运行都使用更少的 token。

一个 agent 的 Learning 标签页：它保留了哪些内容，以及此后发生了什么变化。演示数据来自控制台记录的 fixtures。

为什么选择 AgentRun

Agent 很擅长搞清楚事情。问题在于，它们会一遍又一遍地搞清楚同样的事情。给一个 agent 一项它已经做过一百次的任务，它仍会重新发现同一个 API、重读同样的文档、重建同样的计划，而你要为其中的每一个 token 付费。

把你自己的 agent 放到它运行效果最好的 harness 上：Claude Code、Codex、OpenCode 或 pi。AgentRun 负责它周围的一切：

• 它会学习工作内容。每次运行之后，agent 会保留对下次有帮助的东西：一条笔记、一个技能，或者一个无需循环即可完成工作的 workflow。下一次运行就从那里开始。

• 它永远不会丢失一次运行。每一次运行都存放在同一个存储中。在运行途中杀掉服务器，再重新启动，这次运行会继续进行。为每个 agent 提供任务所需的计算机：一个 sandbox、一个 Linux 桌面、一部 Android 手机或一个浏览器。

• 你始终掌控全局。审批、支出上限，以及面向每个 agent 的同一个控制台：哪些需要你处理、哪些失败了、哪些正在运行，以及花了多少钱。

你无需自行搭建基础设施：provider 集成、恢复、运行跟踪和学习，全都在这里。用一条命令在你的笔记本电脑上运行它，或放在一个容器里，或作为带 runner 的服务器运行。Apache-2.0。

三步开始

你需要 Node 24.22.3 或更高版本，运行于 macOS 或 Linux。

• 启动它。npx @parcha/agentrun 会启动服务器和一个 runner，监听端口 7340（或下一个可用端口），把所有内容保存在 ~/.agentrun 中，并在浏览器中打开控制台。

        npx @parcha/agentrun
      

它会启动服务器和一个 runner，监听端口 7340（或下一个可用端口），把所有内容保存在 ~/.agentrun 中，并在浏览器中打开控制台。

• 添加一个模型密钥。在控制台中设置一个密码，然后在 Settings → Model keys 下添加一个密钥。一个 OPENROUTER_API_KEY 就能为每个 harness 提供模型。Anthropic 密钥可运行 pi 和 Claude Code；OpenAI 密钥可运行 pi、Codex 和 OpenCode。

• 运行你的第一个 agent。打开 Templates，应用 KYB due diligence，然后用一家公司的名称和网站启动一次运行。它除了你的模型密钥之外什么都不需要。完成后，这次运行的 Report 标签页会有一份 due diligence 报告，其中包含一个结论，并且每一项主张都附有引用。然后打开该 agent 的 Learning 标签页，看看它为下次保留了什么。

更想让你的编码 agent 来做这件事？告诉它：Read agentrun.ai/SKILL.md and set up AgentRun for me.

如果你的机器上运行着 Docker，新的 agent 会获得一个带 shell 的 Docker sandbox。它的镜像会在首次使用时构建，这需要几分钟，控制台会在就绪时提示。如果没有 Docker，agent 仍然可以读写文件，但不会获得 shell。

想要一个带 URL 的自有服务器？一键部署到 Render。

导览

做决策的 workflow。一个步骤可以提出一个快速的类型化问题，看清答案有多确定，然后选择一条路由。在这里，模型倾向于 approve，置信度为 0.61，低于该 workflow 的 0.75 门槛，因此该案例会进入复核。

Show HN: AgentRun – 开源、可自我改进的托管 Agent

每个 Agent 都在一个地方。最先打开的是 Mission Control：哪些需要你处理、哪些失败了、哪些正在运行、花了多少成本，按天、按 harness、按工具。

每个 Agent 都是一个 API。在 Playground 里启动一次运行，然后把同样的请求复制到你的代码里。

控制权始终在你手里。Agent 可以停下来问你，运行会一直等待，直到你回答。

会学习工作的 Agent

在 Agent 的定义里设置 "learning": true 即可开启。每次运行结束时，Agent 会多获得一轮机会，说出它想保留什么。AgentRun 会检查、评分，并把通过的内容提交到该 Agent 自己的 git 文件夹。下一次运行就从那里开始。

        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
      

• 笔记是简短的 markdown 文件，每条只记一个事实，采用 Claude Code 的记忆格式。

• 技能是「如何再做一次某项工作」，只有完成了该工作的运行才能写入技能。

• 学到的 workflow 在任何 harness 上都以单次工具调用执行，受该运行自身的额度上限和工具权限约束。当一个学到的 skill 已服务过 3 次运行后，下一次运行会被要求把该工作写成 workflow 草案，草案在保留前会先做 dry-run：不询问模型，也不运行任何工具。

Agent 的 Learning 标签页会显示每一条笔记、技能和 workflow，以及变更日志；每次运行也会显示它被给予了哪些笔记、打开了哪些笔记。可以在那里把任何内容退役，也可以用 npx @parcha/agentrun learning retire 加上该笔记的 ETag。Git 会保留历史，所以退役的笔记可以再回来。

每个 Agent 都有一个 learning 文件夹：只有一个分支 main 的普通 git。运行会在自己的指令中读取活跃笔记的索引，并在自身技能之外获得学到的技能。代码会先检查每一个提案。违反自身某条规则（大小或数量上限、名称、形状）的条目会被剔除，其余照常继续。答案中任何位置出现密钥或隐藏字符、文件夹之外的文件、删除操作或索引已满，整份答案都会被丢弃，因为其中任何一条都不可信。然后由一个 grader 判断它说了什么，AgentRun 提交通过的部分。有风险的规则会等你确认。运行从某个页面或粘贴的邮件里发现的规则，或者包含账号的笔记，都会被丢弃。

一旦 Agent 的笔记超出学习预算，每次运行都会完整获得与它第一条消息相关的那些笔记，其余的则各给一行。只运行了学到的 workflow 的运行，不会被问要保留什么。

Workflows

很多 Agent 并不需要是 Agent。把可重复的工作写成带类型的 workflow：工具调用、模型步骤和快速的类型化判定（是或否、选一个、一个分数，各自带置信度），并在情况不清晰时回退到一个 Agent。AgentRun 把它作为某个 Agent 的一个 revision 来运行，受该 Agent 的工具权限约束，并和任何运行一样有额度上限，触发器也可以启动它。

这是 examples/support-answer.mjs 中控制流程的示意图，不是模型运行的录屏。

可以逐节点观察任何工作流的运行，暂停并恢复它，并查看每一个决策及其原因：

工作流是一个由带类型步骤组成的 JSON 文档：

        {
  "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 }
  ] }
}
      

步骤可以调用工具、运行模型、提出一个快速的带类型问题、根据答案分支、并行遍历一个列表、循环有限次数、调用其他工作流，或者把困难的情况交给智能体。把一个工作流保存为智能体的 workflow 字段；npx @parcha/agentrun workflows validate 会先对其进行检查。工作流语言也可以在你的应用内独立运行，并配有 TypeScript 构建器。

经得起中断的运行

每个智能体、修订、运行和步骤都存放在同一个存储中。在运行中途停止服务器再重新启动，运行会继续。有多个 runner 时，一旦某个已死 runner 的 30 秒租约到期，另一个 runner 就会接手它的运行。已完成的步骤绝不会再次运行；因崩溃而在调用中途被切断的写入会被标记为 interrupted，而不是重试，以便你检查。

始终由你掌控

• 审批。每个工具要么被允许、要么先询问你、要么被拒绝。需要询问的调用会停在运行页面上等待你回答。“Never ask” 可让智能体无人值守运行，而在服务器上设置的拒绝仍然对其生效。

• 花费上限。给一次运行设置上限，到达上限时它会暂停而不是失败，并告诉你继续所需的最低限度。AgentRun 无法计价的花费读取为 “unknown”，绝不是 $0。

• 提问。智能体可以停下来问你，运行会等你回答后再继续。

• 一个控制台。每次运行都有一个实时 Timeline、它的文件，对于浏览器还有一个你可以接管的屏幕。

模板

五个现成的智能体。在一个屏幕中应用一个，把它变成你自己的，并用它自己的 eval 用例来衡量它。每个模板是一个文件夹：智能体的指令、它的技能、它的规则和它的 eval 用例。Templates → Apply 在你亲自勾选每个 MCP 工具之前不会授予任何权限。

npx @parcha/agentrun template eval DIR 会在一个一次性服务器上把模板的 eval 用例作为真实运行来执行并评分。Template packages 有文件夹格式说明。

触发器会自行启动有上限的运行：定时计划、带签名的 webhook 和 GitHub pull request 事件。

Harnesses 与 computers

文章标题：Show HN: AgentRun – 开源、自我改进的托管智能体

正文： Harnesses。在智能体的定义中指定一个 harness。审批、上限、计算机、触发器和学习在每个 harness 上的工作方式相同。npx @parcha/agentrun server capabilities 会显示你的服务器运行哪些 harness。

Computers。智能体通过一个设置获得一台计算机。它获得该类型的工具，仅此而已，更改计算机会改变智能体的其他任何东西。

        computer:
  kind: sandbox        # none, sandbox, desktop, phone or browser
  provider: daytona    # one you connected in Settings → Computers (none takes no provider)
      

除 none 外的每种类型都需要指定其提供商。没有计算机设置的智能体在服务器有 Docker 的情况下获得 Docker 沙箱，否则没有计算机。远程计算机通过你自己的供应商账户计费。

• 密钥。在 Settings → Computers 中一次添加供应商的密钥。你的服务器会将其密封，仅显示为已设置或缺失；它永远不会进入智能体的计算机。Test connection 会在供应商处执行一次读取，不会启动任何东西。

• 运行的文件夹。默认情况下，运行的文件夹位于你的服务器上，Docker 沙箱会挂载它。在 Settings 中开启 Archil 磁盘后，文件夹改为存放在那里，因此 Daytona、Modal 或 E2B 沙箱会挂载同一个文件夹。这三种仅在带有 Archil 磁盘时运行，并且开启 Archil 后 Docker 沙箱会被拒绝。

• 观看和接管。浏览器运行会通过你自己的服务器流式传输到运行的 Screen 选项卡，绝不通过供应商链接。接管控制，然后交还。智能体也可以暂停并请求你接管，例如为了登录或验证码。

• 证明。每个提供商都有针对其类型的合规性测试套件。在 npm ci && npm run build 之后，从检出目录自行对供应商运行它：npm run conformance -w @parcha/agentrun-computer -- --provider docker --kind sandbox。

@parcha/agentrun-computer 是底层的协议：每台计算机中有一个小型守护进程，每个供应商有一个提供商。

如何组合在一起

        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"]
      

• Server。在 /v2 提供 API 和控制台。它将运行和命令写入存储，并为你读回。使用 --no-runner 启动时，它本身不运行任何智能体循环。

• Store。智能体、修订、运行以及每次运行的日志，都在一个地方。默认在数据文件夹中使用 SQLite，或通过 AGENTRUN_STORE_URL 使用 Postgres。

• Runners。每个 runner 从存储中认领运行，并同时运行多个。每次审批检查、上限和模型调用都在这里发生。添加 runner 以横向扩展。

• Hands。智能体工具执行的地方。每次运行都有一个用于其文件的运行文件夹。沙箱将该文件夹挂载到 /workspace，工具在其中运行；桌面、手机或浏览器则将文件夹留在 runner 上。

从终端和从代码

npx @parcha/agentrun 同时也是服务器的 CLI。在服务器运行时，在第二个终端里执行这些命令；CLI 会自行找到服务器及其 token。该脚本会创建一个 agent，启动一次上限为 $1 的运行，让 agent 向你提一个问题，回答它，然后读取 agent 写出的文件。开启 Docker 时，首次运行会等待沙箱镜像。

        # 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 在运行完成时以 0 退出，失败时以 1 退出，在等待你时以 8 退出：一个问题、它的成本上限，或一次审批。runs timeline RUN_ID --follow 会在每一步发生时实时流式输出，每次运行都带有一个指向其页面的 console_url。npx @parcha/agentrun help 列出所有命令；npx @parcha/agentrun skill install --claude（或 --codex）会教会你的编程 agent 使用这个 CLI。

使用 TypeScript 客户端（npm install @parcha/agentrun-client，无依赖）。客户端从环境变量读取服务器地址和 token；服务器启动时会打印这两者（使用 npx @parcha/agentrun 时，token 位于 ~/.agentrun/.token，地址通常是 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 客户端是 pip install parcha-agentrun，方法相同（TypeScript 客户端、Python 客户端）。

部署它

Render，一键完成。

该按钮会部署 render.yaml：一个 1 CPU / 2 GB 的实例，配 10 GB 磁盘，使用已发布的镜像（无需构建），并为你生成 token 和 seal key。它需要你的 Render 工作区绑定一张卡：实例约每月 $25，磁盘 $2.50，按撰写本文时 Render 的价格。在 Render 的表单中，粘贴 OPENROUTER_API_KEY。我们建议使用带有美元上限和过期日期的 OpenRouter key。不要把这个 key 分享给任何人。上线后，打开它的 URL，从服务的 Environment 标签页粘贴 AGENTRUN_TOKEN 来设置你的密码。

在装有 Docker 的 Linux 机器上：

        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
      

Show HN: AgentRun – 开源的、自我改进的托管式 Agent

端口只发布在本机的 loopback 上；在向其他人开放之前，请先在前面放一个 TLS 代理。这个 compose 文件没有 Docker socket，因此它的 agent 可以使用文件工具和 web_fetch，但没有 shell。若要用 Docker 沙箱，请使用仓库根目录下的单服务器 compose.yaml（Docker Engine 26 或更高版本），在宿主机上运行服务器，或使用带 Archil 磁盘的 Daytona 或 E2B computer。

在服务器和每个 runner 上把 AGENTRUN_STORE_URL 设为 postgres:// URL（compose 文件的 pg profile 会运行一个 runner），用 --no-runner 启动服务器，并用同一镜像以 runner --data /data --name <name> 启动每个 runner。给每个进程相同的 AGENTRUN_SEAL_KEY。本版本中 runner 仍然共享 /data 卷。

部署 AgentRun 涵盖 runner、健康检查和升级。

安全

每个保存的密钥（模型和工具密钥、MCP 凭据、登录信息、webhook 签名密钥）都由同一个密钥 AGENTRUN_SEAL_KEY 封存；要保管好它，因为一旦丢失，被封存的内容也就丢失了。密钥是只写的：控制台只显示每个密钥是已设置还是缺失，且只有控制台能粘贴、替换或移除密钥（你已登录的会话，或在关闭账号时运行在 loopback 上的启动器控制台）。在服务器启动处设置的密钥优先于粘贴的密钥。API token 不能写入密钥，也不能批准工具调用。一次运行只会拿到它自己的模型和工具所需的密钥，而一次运行所学到的任何东西都无法保住交给它的密钥。SECURITY.md 说明了如何报告漏洞。

文档

• AgentRun Server：API、模型、工具、MCP 服务器、触发器、支出上限、学习与安全，完整说明

• agentrun.ai 上的快速入门与文档

• CLI 的 skill 与每一条命令

• 部署、computers、模板

• 工作流语言、编写、指南

• 更新日志与贡献

接下来

• 按每次调用选择 computer，而不只是按 agent 选择

• 第一方 computers

• iPhone、macOS 和 Windows computers

• 像今天的浏览器运行那样，观看并接管桌面或手机运行

• 把 Composio 作为工具目录

• 基于 Agent Client Protocol 的 harnesses

• 一个 Slack 触发器和一个 Parallel 监视器触发器

许可证与致谢

Apache-2.0。Copyright 2026 Parcha Labs, Inc. 由 Grep.ai 构建。

AgentRun 构建在 Earendil Works 的 pi（MIT）之上，即其下方的 agent loop 和持久运行时；还构建在 Stagehand 和 Browserbase Node SDK、TypeSafe JavaScript SDK、Archil 的磁盘 SDK，以及 vercel-labs/durable-harness（Apache-2.0）之上，持久 harness 的理念和代码正建立在其之上。每个项目保留自己的许可证；每个包的 NOTICE 列出了它所包含的内容。