大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



在过去一年，AI Agent 赛道几乎每天都在诞生“下一个改变世界的项目”。但真正能留下来的，却寥寥无几。

Suna 就是一个让人感到颇为唏嘘的例子。

如果你看过这篇文档： www.zdoc.app/zh/kortix-a…

你会发现，它几乎具备了一个“理想 AI Agent 平台”的所有要素。

但现实却远没有想象中那么美好。

---

要理解 Suna，就必须先理解 AI Agent 这一波浪潮是怎么来的。

2023 年，大模型刚刚爆发时，人们意识到一个问题：

ChatGPT 只能回答问题，却无法真正替人“做事”。

于是，一个新的方向诞生了：AI Agent。

Agent 的核心理念非常简单：

让 AI 不只是对话，而是自动完成任务。

这类系统通常具备四个核心能力：

1. 任务规划（Planning） ：将复杂任务拆解为可执行的子任务
2. 工具调用（Tool Use） ：调用外部工具获取信息或执行操作
3. 环境操作（Environment Interaction） ：与文件系统、浏览器等环境交互
4. 长期任务执行（Long-running Tasks） ：持续执行任务并处理中间结果

于是，AI 开发者开始疯狂尝试构建“自动化 AI 员工”，希望让 AI 像人类一样独立完成复杂工作。

---

AI Agent 的第一波爆发，来自几个非常著名的项目，它们代表了早期对 AI Agent 的理想主义憧憬。

最早出圈的 Agent 项目之一是 AutoGPT。它的理念非常激进：

给 AI 一个目标，让它自己完成任务。

例如：

• “创建一个电商网站”
• “研究新能源市场并生成投资报告”

AI 会自己：

• 自动拆分任务
• 搜索必要信息
• 编写代码实现
• 执行所有步骤

当时很多人惊呼：AI 即将替代程序员！

但现实很快给大家泼了冷水，AutoGPT 的问题非常明显：

• 任务经常跑偏：AI 容易误解目标，执行方向偏离预期
• 成本极高：大量的 API 调用导致费用飙升
• 执行不稳定：长任务经常失败，很多任务跑几个小时最后却什么都没完成

这些问题让人们意识到，纯 LLM 驱动的 Agent 还远远无法替代人类。

---

另一个著名项目是 BabyAGI。相比 AutoGPT，它更加专注于：

任务队列 + 任务优先级管理

其核心逻辑非常简单：

1. 执行当前任务
2. 根据结果生成新任务
3. 更新任务优先级列表

这种设计后来成为很多 Agent 系统的基础架构，尤其是在需要管理多个任务的场景中。

但问题依然一样：长任务执行不稳定。复杂任务往往在执行过程中出现各种问题，导致最终结果不符合预期。

---

到了 2024 年，行业开始意识到：

纯 LLM Agent 很难稳定工作

于是出现了第二波路线：工具型 Agent。典型代表包括：

• LangChain Agent：通过链状结构连接多种工具
• OpenAI Function Calling：大模型直接调用函数
• 各种 AI Workflow 平台：可视化编排 AI 任务流

这类系统的核心思想是：

不让 AI 自由发挥，而是限制在工具框架内

AI 可以调用的工具包括：

• 浏览器：获取网页信息
• 数据库：查询存储数据
• API：调用外部服务
• 文件系统：读写本地文件

这种模式大幅提升了可控性，任务成功率明显提高。

但问题也很明显：

它更像自动化脚本，而不是真正的 Agent

AI 依然在严格的框架内执行预设步骤，缺乏自主决策能力。

---

2025 年开始，AI Agent 进入第三个阶段：AI Worker。

这一阶段的目标已经不是“聊天”，而是：

让 AI 成为数字员工

典型能力包括：

• 浏览器操作：像人类一样浏览网页、点击交互
• 代码执行：编写和运行代码解决问题
• 文件处理：读写和处理各种格式的文件
• 自动任务执行：无需人类干预完成整个任务
• 多步骤工作流：执行复杂的多步骤任务流程

于是，一批新的 Agent 平台出现，它们更强调 AI 的实际工作能力：

• Manus：通用 AI Worker 平台
• Devin：AI 软件工程师，专注于代码开发
• OpenClaw：企业级 Agent 自动化平台，专注于业务流程自动化
• Suna：开源版 AI Worker，提供完整的 Agent 运行环境

---

就在这个背景下，Suna 出现了。它的定位非常直接：

开源版 Manus

Suna 的架构设计非常完整，几乎涵盖了 AI Worker 的所有核心组件：

每个 Agent 运行在独立容器中，提供安全的执行环境。支持：

• 浏览器自动化：像人类一样操作浏览器
• 代码执行：运行 Python 代码解决问题
• 文件系统访问：读写和处理文件

这实际上是一个 AI Worker Sandbox，确保 Agent 可以安全执行任务。

Agent 可以调用多种工具，形成完整的工具链：

• 浏览器工具：访问网页、提取信息
• Python 环境：执行代码、处理数据
• 文件系统工具：读写本地文件
• API 调用：与外部服务交互

本质是一个 Agent Toolchain，让 Agent 能够处理各种复杂任务。

Suna 提供了一个非常接近 Manus 的 UI：

• 对话界面：与 Agent 进行自然语言交互
• 任务执行过程：实时查看任务进度
• 工具调用日志：了解 Agent 执行细节

很多开发者第一次看到时的反应是：

“这几乎就是开源 Manus”

---

如果说 Suna 是 开源版 AI Worker，那么 OpenClaw 走的是完全不同的一条路线。它的定位是：

企业级 AI Agent 自动化平台

其 GitHub 项目： github.com/openclaw/op…

它的核心设计思想不是“让 AI 自由执行任务”，而是：

让 AI 驱动企业系统自动化

1. Event Driven Agent：事件触发的自动化

OpenClaw 的 Agent 不是通过聊天触发，而是 事件驱动。例如：

• 企业微信群消息
• Webhook 通知
• 系统状态变化
• API 调用请求

都可以触发 Agent 执行任务。这使它更适合 企业自动化场景，无需人工干预即可自动处理业务流程。

2. Gateway 架构：企业级中间件设计

OpenClaw 采用 Gateway + Agent Runtime 架构，非常接近企业级中间件设计：

• Gateway 负责消息路由、Agent 调度、权限管理和 UI 控制台
• Agent Runtime 负责具体的任务执行

这种架构确保了系统的可扩展性和稳定性，能够支持大规模企业级应用。

3. 插件工具系统：面向企业集成

OpenClaw 提供插件化工具系统，Agent 可以调用：

• 企业微信：发送消息、处理审批
• HTTP API：与外部服务交互
• 数据库：读写业务数据
• 外部系统：集成企业现有系统

这种设计明显是面向 企业集成，让 AI 能够融入现有企业系统，而不是替代它们。

---

两者看起来都是 AI Agent，但本质上 目标完全不同，代表了 AI Agent 领域的两种截然不同的路线。

简单来说：

Suna 更像 AI 实习生：可以完成各种简单任务，但需要有人指导和监督 OpenClaw 更像企业自动化平台：可以融入现有企业系统，自动处理业务流程

---

相比 OpenClaw，Suna 面临一个更大的挑战：

通用 AI Worker 本身就是一个极难的问题

原因包括：

1️⃣ 长任务执行不稳定：复杂任务在执行过程中容易出现各种问题 2️⃣ LLM 规划能力有限：大模型的长期规划能力仍然不足 3️⃣ 工具调用容易失败：与外部工具的交互常常出现错误

这些问题导致 Suna 虽然设计完美，但在实际使用中常常让人失望。

而 OpenClaw 的路线更加现实：

把 AI 限制在企业自动化框架内

这种模式虽然不那么“炫”，但在实际落地上反而更容易成功。因为它不需要 AI 完全自主完成任务，而是让 AI 成为企业系统的一部分，辅助人类完成工作。

---

从目前的发展趋势看，AI Agent 可能会分成两条路线：

代表项目：

• Manus：通用 AI Worker 平台
• Devin：AI 软件工程师
• Suna：开源版 AI Worker

目标是：

AI 可以替人完成复杂任务

但技术难度极高，需要解决长任务稳定性、规划能力、工具调用可靠性等一系列问题。

代表项目：

• OpenClaw：企业级 Agent 自动化平台
• 各类 Workflow AI 平台

目标是：

AI 增强企业系统自动化

这种路线更加现实，也更容易商业化。它不需要 AI 完全替代人类，而是让 AI 成为企业系统的一部分，提升现有流程的效率。

---

AI Agent 领域从来不缺“惊艳的开始”，但真正困难的是：

把 AI 从“能演示”变成“能工作”

Suna 的出现让很多人看到了 开源 AI Worker 的可能性，它的架构设计几乎完美，代表了对 AI Agent 的理想主义憧憬。

而 OpenClaw 则代表了另一条更务实的路线：

让 AI 融入企业系统，而不是替代一切

也许未来真正成功的 Agent，并不会完全属于某一条路线，而是 两者的结合：既有通用 AI Worker 的灵活性，又有企业自动化平台的稳定性和可靠性。

Suna 虽然现在让人感到唏嘘，但它的探索为 AI Agent 领域提供了宝贵的经验。也许在未来，当技术更加成熟时，Suna 的理念会以某种方式再次回归。