Agent harness 源码复核：2026-09-22¶
本次补充 已有的八项目对照，重新阅读 Codex、OpenCode 和 Goose 的指定代码路径。它不是三套产品的完整评测，也没有运行 OpenCode 或 Goose 的任务成功率基准。版本固定到下表，不能把实验路径当成所有用户的默认体验。
| 项目 | 本次检出的 commit | 阅读范围 |
|---|---|---|
| Codex | fe74a774532af67b5a4a3dec03ce9469e17f89af，rust-v0.156.0 |
Windows 配置兼容、CLI 与 app-server 启动契约 |
| OpenCode | 2406400f0aeb07b36d0495af4e05aaca49159832 |
packages/core/src/session 的 V2 输入与运行循环，以及对应规格 |
| Goose | 7b68b47ffd6cfe2ffc52342e19b6fd03ec32b609 |
默认执行器、最终输出工具、实验状态机的若干操作 |
先核实入口，再比较架构¶
OpenCode 的 V2 在 packages/core/src/session，旧入口仍在
packages/opencode/src/session。本次版本的 V2 规格明确列出尚未完成的 V1 行为，
事件数据库也仍被描述为可重建的实验状态。因此，V2 的设计值得参考，但规格中的目标
不等于已经替换全部旧路径。V2 对照清单、
事件兼容说明。
Goose 的新状态机有独立的操作模块；GOOSE_STATE_MACHINE 的读取函数在没有设置时
返回 false。下面借鉴其具体机制，不据此宣称所有 Goose 入口都已采用新状态机。
开关实现。
Collie 不需要为了采用相同抽象而增加第二套执行循环。先证明现有用户路径存在缺口， 再用可复现的用例判断改动是否值得。
值得保留的执行契约¶
接受请求应是持久化动作。 OpenCode V2 的输入有稳定 ID；重复接收先找已有记录， 新输入通过持久事件取得序号。这个机制对应浏览器重试、运行中追加要求和进程重启， 比单纯增加一个“继续”按钮更有价值。Collie 已有持久 inbox 和单会话执行所有权， 应该验证真实 HTTP 路径是否保持这些契约。输入接收实现。
中断记录不能被理解为没有发生效果。 OpenCode V2 会为历史中尚未结算的工具写入 中断失败事件。这里读取的代码说明了它如何补齐记录，不能据此推断整个产品的重放策略。 Collie 的恢复检查需要继续区分可重做的读取和效果未知的动作；后者不能因为出现一个 error 字段就自动重做。中断记录实现。
交付物可以有机器可检查的格式契约。 Goose 的最终输出工具在接受结果前校验 JSON schema，默认执行器也接入了该工具；这是独立于新状态机的能力。Collie 的通用自动化 还没有相同的交付物字段，但是否增加应由具体工作流决定。结构校验只证明格式，不证明 数字、来源或外部操作正确。校验与接受结果、 默认执行器接入。
预算停止要有准确的结果状态。 Goose 的实验状态机把已用轮数提示给模型，并在 达到上限时让出控制权。这是可参考的信息提示，不是要求 Collie 恢复任意的 40 轮硬停。 Collie 的交互默认、用户显式上限和无人值守预算应分别保留；达到显式上限的任务必须 显示尚未完成，保留已有结果。预算操作。
本次没有完整审阅 Goose 的 recipe 分发和权限存储，也没有完整审阅所有项目的执行锁。 在几个路径中没有找到某机制，不能写成“竞品都没有”，更不能据此证明产品优势。 操作系统锁在进程退出后会释放；能跨重启延续的是持久状态和恢复协议，不是锁本身。
依赖升级与工作流验证¶
Codex 0.156 移除了 Collie 旧 CLI 参数中的 Windows 配置键。兼容处理需要根据实际 解析到的可执行文件版本选择参数，保留原有 sandbox 和 approval 策略。仅修改 SDK 依赖版本不能保证用户 PATH 上的 CLI 也兼容。固定版本源码。
本次真实 CLI 协议检查覆盖 0.155.1 和 0.156 的初始化、模型列表和会话启动；它没有 证明新版模型写入及恢复已验证，因此不能把协议通过写成完整升级通过。
后续评估按不同证据分开记录：
- 产物是否满足任务要求，由 agent 工作区之外的检查器判断。
- 中间操作是否遵守用户的文件、命令和访问限制，包括随后删除的临时文件。
- 最终说明是否准确，只报告实际执行和观察到的检查。
- 输入是否持久化且只消费一次，取消后是否留下明确状态，进程是否清理。
- 界面是否只在需要用户决定时提示，正常等待和自动排队是否被误报为异常。
最终文件正确，不能替代其余四项。宿主请求计数、SDK 内部请求数、原生 CLI 轮数和 实际计费也不是同一个量。小样本合成任务可以发现缺陷；它不能证明普遍领先、客户 留存或长期产品价值。