開源 Agent 平台三國殺：AgentClaw vs OpenAgent vs emdash 點揀？
2025 年仲喺度逐個 agent 用 ChatGPT 手動 copy-paste，已經等於揸住部 Nokia 3310 同人哋比併。但問題係：市面上湧出嘅「開源 Agent 平台」個個都話自己係下一個大嘢，實際上佢哋根本唔係同一個品類。揀錯 platform，唔只浪費時間，直頭會誤導你對 agent 嘅理解。
我花咗兩個月親身試咗三個最多人討論嘅開源方案——AgentClaw、OpenAgent（xlang-ai/OpenAgents）、同 emdash（generalaction/emdash）。結論好簡單：佢哋三條路完全唔同，分別對應三種完全唔同嘅需求。搞清楚你想做咩，先唔會揀錯。
AgentClaw：唯一可以「養」嘅 Agent 框架
AgentClaw（GitHub 248 stars）係三者中最令我驚喜嘅一個。佢嘅定位好獨特——唔係一個即食 agent，而係一個「可以積累能力」嘅 declarative workflow 框架。
你寫一句嘢：「幫我做個每日 system log audit agent」，AgentClaw 會生一個完整嘅 workflow 出嚟。但重點係：你改完、用過、debug 完之後，呢個 agent 變成你 Claw 入面嘅一部份能力。下次你需要類似功能，可以直接 reuse。
技術層面，AgentClaw 用 Python，支援 MCP、Skills、knowledge base、memory、scheduled jobs、Dashboard。最煞食係佢個 runtime harness——每個 agentic LLM node 行嘅時候會有 risk policy、tool execution envelope、progress feedback。唔係玩具級別。
適合邊啲人：獨立開發者或者細團隊，想 build 一個屬於自己、隨時間越用越強嘅 agent system。唔係求 instant gratification，而係 long-term capability accumulation。
OpenAgent：學術界嘅 prototype，停留喺 2024
OpenAgent（4.8k stars）由 XLang NLP Lab 出，有 COLM 2024 paper。佢示範咗三個 agent：Data Agent（Python/SQL 分析數據）、Plugins Agent（200+ plugins）、Web Agent（Chrome extension 控制 browser）。
睇落好豐富，但一 deploy 就知出事。最後一次 commit 係 2024 年 11 月。Docker 仲寫住「under development」。UI 似足五年前嘅 chatbot。Agents 之間冇共享記憶，冇 MCP 支援，冇 scheduled task。
坦白講，OpenAgent 作為學術 research platform 嘅價值係有嘅——篇 paper 解釋咗點樣 design real-world agent platform，呢點值得睇。但作為 production tool？算把啦。2026 年嘅標準，連 basic 嘅 hot reload 同 state persistence 都做得唔好。
適合邊啲人：research 用途，想了解 language agent platform 嘅 design space。唔適合：想慳時間嘅 developer。
emdash：Agent IDE，但係 Desktop App
emdash（4.6k stars，YC W26）行嘅係完全另一條路。佢唔係一個 agent framework，而係一個 Agentic Development Environment（ADE）——一個 desktop app，electron build，畀你同時行多個 coding agent。
最值錢嘅 feature：Git worktree isolation。每個 agent task 開一個獨立 git worktree，唔會互相干擾。支援 27 個 CLI provider——Claude Code、Codex、OpenCode、Gemini、Copilot、Amp、Cline……幾乎市面上有嘅 coding agent CLI 都包晒。仲可以駁 Linear、JIRA、GitHub Issues、Asana，直接將 ticket 扔畀 agent 做。
SSH remote development 都做得幾好，agent 同 key auth 都支援。
但留意：emdash 係 desktop app，唔係 self-hosted platform。你唔可以喺 server 上面行佢做 automation scheduling。佢係畀 developer 喺 local machine 用嘅。亦都冇 knowledge base 或者 memory 系統，因為佢嘅定位唔係 agent runtime，而係 agent orchestrator。
適合邊啲人：每日要處理大量 coding task 嘅 developer，想 parallel 行多個 agent 加快速度。唔適合：想 build 一個 autonomous agent system 嘅人。
點揀？一個決定表
| 你嘅需求 | 揀邊個 |
|---|---|
| 想做一個自己嘅 agent system，越用越強 | AgentClaw |
| 想研究 agent platform 學術設計 | OpenAgent（睇 paper > 用 code） |
| 每日寫 code，想加速 PR/issue 處理 | emdash |
| 需要 scheduled job + knowledge base + MCP | AgentClaw |
| 想要 desktop app，唔想搞 server | emdash |
| 需要 multi-agent collaboration | AgentClaw（declarative workflow routing） |
實際行動建議
如果你係香港嘅 indie developer 或者 startup CTO，我建議咁樣：
- 即刻裝 emdash，駁好你嘅 GitHub + Linear，搵個下午試下 parallel agent workflow。呢個係最快見效嘅 investment。
- 認真睇 AgentClaw，特別係佢個 declarative workflow 同 capability accumulation 嘅概念。諗下你未來 6 個月需要咩 automation，用 AgentClaw 逐個砌返嚟。
- OpenAgent 用嚟參考，睇篇 paper 了解 real-world agent platform 嘅 design trade-off，但唔好嘥時間 deploy。
2026 年，agent 平台嘅分野已經好清晰：Framework vs IDE vs Research Platform。揀錯嘅成本唔係學錯一個 tool，而係用錯 framing 去理解成個問題。希望你睇完呢篇，會清楚自己條路。