00 / 05
Harnessy agentowe dla lokalnych modeli — przegląd
Plik źródłowyLekcje
Stan na 11 października 2026. Które otwarte harnessy zamieniają lokalny model w agenta, czym się różnią, który do czego wybrać — i kiedy lepiej złożyć własny. Ranking 20 najlepszych z 72 sprawdzonych, z profilami, klockami i architekturą pod konkretny sprzęt.
⚠️ Ten przegląd starzeje się w tygodniach. W 2026 część popularnych projektów umarła albo zmieniła właściciela (Roo Code, Flowise, Continue, Aider), a nowe dorobiły się setek tysięcy gwiazdek w dwa miesiące. Gwiazdki i wydania pobrałem z API GitHuba 11.10.2026. Niczego tu nie testowałem na swojej maszynie — to przegląd dokumentacji, kodu, notatek wydań i zgłoszeń, nie pomiar. Twój pomiar wygrywa.
Spis treści
- Po co ten przegląd
- Najkrótsza odpowiedź
- Czym jest harness
- Ranking: 20 najlepszych harnessów
- Porównanie techniczne
- Który do którego zastosowania
- Werdykt: budować na harnessie czy składać własny?
- Dlaczego nie ma ich w czołówce
- Jak liczyłem ranking
- Pliki w tym katalogu
- Powiązane części kursów
Po co ten przegląd
Buduję aplikacje wieloagentowe, lokalne albo hybrydowe:
- lokalnie — do 4 agentów naraz na DeepSeek-V4-Flash (4× AMD Radeon AI PRO R9700, llama-swap, 4 sloty po 131k kontekstu, około 13,6 tok/s na agenta);
- hybrydowo — Claude Opus 5.5 jako planista i orkiestrator (najwięcej inteligencji), lokalni agenci jako wykonawcy (najmniejszy koszt pracy).
Pięć zastosowań, według których oceniam każdy harness:
| Skrót | Zastosowanie | Czego wymaga |
|---|---|---|
| U1 | DevOps: rozwój i diagnozowanie | powłoka, kubectl, logi i metryki, bezpieczne uprawnienia, tryb bezgłowy |
| U2 | dochód pasywny lub prawie pasywny | złożone, długie przepływy, trwałość, harmonogram, zatwierdzenia |
| U3 | okazje na rynkach finansowych i świetne oferty sprzedaży | głębokie, precyzyjne i wydajne wyszukiwanie, monitoring, alerty |
| U4 | rozmowa z agentami głosem | STT i TTS po polsku, krótkie opóźnienie |
| U5 | praca ze zdjęciami i obrazami | model wizji, OCR, generowanie i edycja |
Najkrótsza odpowiedź
- Nie ma jednego harnessu do wszystkiego. Najlepszy układ to trzy warstwy: gotowy agent kodujący dla U1, własne aplikacje na frameworku dla U2 i U3, osobisty asystent z głosem jako interfejs.
- U1 → OpenCode (albo Goose): agent główny na Opus 5.5, subagenci na DeepSeeku, uprawnienia na wzorcach komend. Nie buduj tego sam.
- U2 i U3 → własna aplikacja na Pydantic AI (jedyny framework z wbudowanym limitem 4 slotów) albo LangGraph (najdojrzalsza trwałość) + klocki z 02-KLOCKI.md. Bez kodu: n8n.
- U4 i U5 na start → Hermes Agent: notatki głosowe na Telegramie z lokalnym rozpoznawaniem mowy (faster-whisper), „mostek wizji" dla tekstowego DeepSeeka, najlepszy cron. Uwaga: synteza mowy domyślnie idzie przez chmurę (Edge TTS), a lokalny polski głos nie jest potwierdzony — w pełni lokalny głos z polskim Piperem ma Moltis. Rozmowa na żywo po polsku — Pipecat.
- DeepSeek-V4-Flash nie widzi obrazów i zajmuje praktycznie cały VRAM — głos i wizja muszą iść na CPU, na zwolnioną kartę albo do chmury (03-ARCHITEKTURA.md).
- Subagenci Claude Code na lokalnych modelach to nie jest wspierana funkcja. Działa odwrotnie: Claude orkiestruje, lokalni agenci są jego narzędziami (MCP).
- Lokalnie nie zawsze jest taniej. Przy krótkich kontekstach Claude Haiku 5.5 (0,10 / 0,50 USD za milion tokenów) kosztuje mniej więcej tyle co prąd tej maszyny przy pełnym obciążeniu; przy kontekstach powyżej 100 tys. tokenów i w porównaniu z Sonnetem czy Opusem lokalny DeepSeek wychodzi wyraźnie taniej. Pewne zalety lokalne to prywatność, brak limitów i praca offline (koszty).
Czym jest harness
Model językowy sam nic nie robi — odpowiada tekstem. Harness to wszystko wokół niego, co zamienia go w agenta: pętla (myśl → wywołaj narzędzie → przeczytaj wynik → znowu), narzędzia, zarządzanie kontekstem i pamięcią, uprawnienia i piaskownica, harmonogram, kanały (terminal, czat, głos), obserwowalność. Pętlę od zera budujesz w kursie 1, części 6, a harness długich zadań w kursie 2, części 3.
W rankingu są cztery rodzaje harnessów:
| Rodzaj | Przykłady | Kiedy |
|---|---|---|
| agent kodujący — gotowy program w terminalu / IDE | OpenCode, Goose, OpenHands, Pi | U1; jako wykonawca w Twojej aplikacji |
| osobisty agent zawsze włączony — gotowy asystent z komunikatorami | Hermes Agent, ZeroClaw, Moltis | U4, U5, proste strażniki U3 |
| framework — biblioteka do budowy własnych agentów | LangGraph, Pydantic AI, Strands, Microsoft Agent Framework | U2, U3 — własne aplikacje |
| platforma przepływów — wizualne łączenie integracji | n8n | U2, U3 bez kodu |
Ranking: 20 najlepszych harnessów
Kolumny „Czym jest", „Do czego służy" i „Jaki problem rozwiązuje" odpowiadają na pytanie, czym każdy wygrywa z konkurencją. Szczegóły, konfiguracja lokalnego modelu, słabe strony i pomysły do ukradzenia — w 01-PROFILE.md.
| # | Harness | Kategoria | Czym jest | Do czego służy | Jaki problem rozwiązuje (przewaga) | Licencja |
|---|---|---|---|---|---|---|
| 1 | LangGraph | framework Py | runtime agentów jako grafów stanów z checkpointem po każdym kroku | trwałe, wznawialne przepływy wieloagentowe z człowiekiem w pętli | przerwane zadanie wraca dokładnie tam, gdzie stanęło — także po restarcie; najdojrzalsza trwałość w Pythonie | MIT |
| 2 | Goose | kodujący | agent ogólnego przeznaczenia w Ruście, pod fundacją AAIF (Linux Foundation) | kod, automatyzacje i powtarzalne „receptury" na własnej maszynie | receptury + cron + subagenci z własnym modelem w jednym narzędziu; eksperymentalny tool shim (tłumacz przez Ollamę albo wbudowany llama.cpp) ratuje modele, które słabo wołają narzędzia | Apache-2.0 |
| 3 | OpenHands | kodujący | platforma agentów kodujących + SDK + serwer agentów | „zespół inżynierów" działający stale: rozmowy, automatyzacje z crona i webhooków | najpełniejszy stos do osadzenia we własnej aplikacji; kontener na każdą rozmowę; agent wystawiony jako „model" OpenAI | MIT |
| 4 | Hermes Agent | osobisty | samouczący się asystent z 25+ komunikatorami, głosem i cronem | osobisty agent dostępny z telefonu, zadania planowane, delegowanie | wzorzec „planista z czołówki, tani wykonawcy" wpisany w konfigurację; najmocniejszy cron; głos w komunikatorach z lokalnym rozpoznawaniem mowy | MIT |
| 5 | Pydantic AI | framework Py | typowany framework agentów od twórców Pydantic | produkcyjne agenty z walidowanym wyjściem strukturalnym | jedyny współdzielony limiter współbieżności na model — dokładnie 4 sloty; najlepsze wyjście strukturalne; trwałość przez Temporal / DBOS / Prefect | MIT |
| 6 | Deep Agents | framework Py | gotowy harness w stylu Claude Code na LangGraph | długie zadania: research, kod, ops — bez budowania hydrauliki | planowanie + system plików + subagenci + kompakcja w jednym wywołaniu, na trwałości LangGraph | MIT |
| 7 | Strands Agents | framework Py | SDK agentów od AWS + gotowy harness | własna pętla bez pisania własnej pętli, dowolny model i chmura | natywny dostawca llama.cpp z gramatykami i cache_prompt zamiast udawania OpenAI |
Apache-2.0 |
| 8 | OpenCode | kodujący | agent kodujący z serwerem HTTP (TUI to tylko jeden klient) | programowanie i DevOps w terminalu; osadzanie przez API | architektura klient–serwer z OpenAPI; agenci i subagenci z własnym modelem i uprawnieniami na wzorcach komend | MIT |
| 9 | DeerFlow | osobisty | „super-agent" ByteDance do długich zadań | badania, kod i treści z subagentami w piaskownicach | rodowód deep research + jawny model per subagent (dokumentowany „lokalny dla oszczędności") + zadania planowane z celem i warunkiem stopu | MIT |
| 10 | ZeroClaw | osobisty | runtime agenta w jednym pliku binarnym Rust, 30+ kanałów | osobisty agent działający na Twoich narzędziach pod kontrolą | najgłębszy model bezpieczeństwa: profile ryzyka, poziomy autonomii, automatyczna piaskownica, podpisane potwierdzenia | MIT / Apache-2.0 |
| 11 | Microsoft Agent Framework | framework Py | następca AutoGen i Semantic Kernel z silnikiem workflow | korporacyjne przepływy wieloagentowe z checkpointami | stabilne API z długim wsparciem; gotowe orkiestracje (Magentic, Handoff); ochrona przed prompt injection (FIDES) | MIT |
| 12 | DeepSeek Harness | kodujący | oficjalny harness DeepSeek złożony w całości z wtyczek | agent na modelach DeepSeek, osadzany w Web UI, CLI albo SDK | strojenie pod DeepSeek V4 od producenta; subagentami mogą być inne harnessy, także Claude Code | MIT |
| 13 | Pi | kodujący | minimalny harness kodujący + biblioteki, na których stoją inne harnessy | własny agent na małym rdzeniu; nauka | mały rdzeń z najgłębszym API rozszerzeń; natywny llama.cpp; „wirtualne modele" kierujące każde zapytanie gdzie trzeba | MIT |
| 14 | gptme | kodujący | agent terminalowy i szkielet agentów autonomicznych | osobisty agent w terminalu, agenci działający stale z systemd | wymienny format narzędzi (Markdown / XML / natywny) — działa tam, gdzie parsowanie wywołań w llama.cpp zawodzi | MIT |
| 15 | Moltis | osobisty | osobisty serwer agenta w jednym pliku binarnym Rust | asystent z głosem, harmonogramem i piaskownicą bez instalowania pół internetu | najbardziej kompletny „jeden plik": lokalne STT / TTS, wybór piaskownicy, presety wykonawców z własnym modelem | MIT |
| 16 | QwenPaw | osobisty | „Agent OS" od Alibaba AgentScope | wieloagentowy asystent z pamięcią i kanałami | wielowarstwowe bezpieczeństwo (piaskownica jądra, Tool Guard, skaner umiejętności) + model per agent | Apache-2.0 |
| 17 | OpenAI Agents SDK | framework Py | lekkie SDK z kilkoma prymitywami | proste systemy wieloagentowe, potoki głosowe | najprostszy model mentalny; serializowalny stan do zatwierdzeń po godzinach; potok głosowy z wymiennym STT / TTS | MIT |
| 18 | n8n | workflow | wizualna platforma automatyzacji z węzłami agentów | sklejanie integracji, alerty, przepływy bez kodu | najszerszy zestaw wyzwalaczy i integracji; zatwierdzanie per narzędzie wysyłane na komunikator | ⚠️ Sustainable Use (fair-code) |
| 19 | LibreChat | osobisty | wieloosobowa platforma czatu z agentami | wspólny czat dla wielu dostawców i lokalnych modeli, z agentami | prawdziwy wybór modelu per agent i zespoły subagentów jako grafy; interpreter kodu w mikro-VM | MIT |
| 20 | Kilo Code | kodujący | rozwidlenie OpenCode z UI w VS Code i JetBrains | kodowanie w IDE z subagentami | rdzeń OpenCode w IDE + menedżer równoległych agentów w osobnych worktree; migracja z martwego Roo Code | MIT |
Porównanie techniczne
✅ jest i działa z lokalnym modelem · ⚠️ częściowo albo z zastrzeżeniem · ❌ brak. „Hybryda" = czy jeden agent może działać na Claude, a inni na Twoim llama-swap. Gwiazdki i wydania: API GitHuba, 11.10.2026.
| # | Harness | ⭐ GitHub | Ostatnie wydanie | Lokalny model | Hybryda | MCP | Głos | Obraz | Harmonogram | Piaskownica / zatwierdzenia |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | LangGraph | 43,1k | 1.2.14 (6.10) | ✅ | ✅ model per węzeł | ✅ | ⚠️ kaskada DIY | ✅ | ⚠️ Agent Server | ⚠️ człowiek w pętli, bez piaskownicy |
| 2 | Goose | 55,1k | 1.54.0 (8.10) | ✅ | ✅ GOOSE_SUBAGENT_* |
✅ | ⚠️ dyktowanie, bez TTS | ✅ | ✅ cron | ⚠️ tryby zatwierdzeń, bez piaskownicy |
| 3 | OpenHands | 90,5k | 1.26.0 (8.10) | ✅ | ✅ profil per subagent | ✅ | ⚠️ tylko wejście | ✅ | ✅ cron, webhook | ✅ kontener na rozmowę |
| 4 | Hermes Agent | 252,7k | 0.21.6 (8.10) | ✅ | ✅ delegation.* |
✅ | ⚠️ STT lokalnie, TTS domyślnie w chmurze (Edge) | ✅ mostek wizji | ✅ najlepszy cron | ✅ smart approvals, Docker, SSH |
| 5 | Pydantic AI | 20,5k | 2.55.0 (9.10) | ✅ | ✅ + limit współbieżności | ✅ | ⚠️ realtime tylko chmura | ✅ | ❌ (Prefect / DBOS) | ⚠️ zatwierdzenia narzędzi |
| 6 | Deep Agents | 30,1k | 0.7.23 (7.10) | ✅ | ✅ model per subagent | ✅ | ❌ | ⚠️ | ⚠️ Agent Server | ✅ backendy piaskownic |
| 7 | Strands Agents | 8,8k | harness 0.2.0 (8.10) | ✅ natywny llama.cpp | ✅ | ✅ | ⚠️ tylko chmura | ✅ | ❌ | ⚠️ |
| 8 | OpenCode | 212,6k | 1.19.0 (11.10) | ✅ | ✅ model per agent | ✅ | ❌ | ✅ | ❌ | ⚠️ reguły allow / ask / deny |
| 9 | DeerFlow | 83,7k | 2.1.0 (24.09) | ✅ | ✅ model per subagent | ✅ | ❌ | ✅ | ✅ once / cron / interval | ✅ lokalnie, Docker, K8s |
| 10 | ZeroClaw | 33,0k | 0.8.5 (5.09) | ✅ slot llamacpp |
✅ agent per dostawca | ✅ | ✅ Piper, telefon | ✅ przekierowanie wizji | ✅ cron + procedury | ✅ Landlock / Bubblewrap |
| 11 | Microsoft Agent Framework | 14,1k | py 1.21.0 (8.10) | ⚠️ uwaga na Responses API | ✅ | ✅ | ❌ w Pythonie | ✅ | ❌ | ✅ FIDES, mikro-VM |
| 12 | DeepSeek Harness | 247,3k | 0.2.1-alpha.2 (9.10) | ✅ profil compat |
✅ także Claude Code jako dziecko | ✅ | ⚠️ bez polskiego | ✅ | ✅ | ✅ domyślnie tylko odczyt |
| 13 | Pi | 114,2k | 1.1.0 (7.10) | ✅ natywny llama.cpp | ✅ wirtualne modele | ✅ | ❌ | ✅ | ❌ | ❌ z założenia |
| 14 | gptme | 4,4k | 0.34.0 (18.09) | ✅ formaty Markdown / XML | ✅ | ✅ | ⚠️ realtime chmurowy | ✅ | ✅ systemd | ⚠️ polityka powłoki |
| 15 | Moltis | 2,9k | 20260913.02 (14.09) | ✅ | ✅ presety | ✅ | ✅ lokalne STT / TTS | ⚠️ | ✅ cron, heartbeat | ✅ wybór piaskownicy |
| 16 | QwenPaw | 35,6k | 2.2.1 (11.09) | ✅ | ✅ model per agent | ✅ | ⚠️ błędy transkrypcji | ✅ | ✅ | ✅ piaskownica jądra |
| 17 | OpenAI Agents SDK | 30,0k | 0.23.1 (2.10) | ⚠️ uwaga na Responses API | ✅ Claude przez LiteLLM | ✅ | ⚠️ potok STT / TTS (lokalnie przez własne adaptery) | ✅ | ❌ | ✅ agenci w piaskownicy |
| 18 | n8n | 207,0k | 2.42.6 (9.10) | ⚠️ wyłącz Responses API | ✅ model per węzeł | ✅ | ❌ do złożenia | ✅ | ✅ najlepsze wyzwalacze | ⚠️ zatwierdzenia, historia CVE |
| 19 | LibreChat | 45,5k | 0.8.8 (1.10) | ✅ | ✅ zespoły subagentów | ✅ | ✅ STT / TTS | ✅ | ⚠️ eksperymentalny | ✅ interpreter w mikro-VM |
| 20 | Kilo Code | 27,6k | JetBrains 7.1.9 (8.10) | ⚠️ błędy schematów | ✅ model per subagent | ✅ | ⚠️ chmurowy Whisper | ⚠️ | ❌ | ⚠️ reguły uprawnień |
Przed podłączeniem któregokolwiek do llama-swap przeczytaj
siedem pułapek wspólnych dla wszystkich — Responses API,
reasoning_content DeepSeeka, okno kontekstu, prompt cache, liczba narzędzi, limit współbieżności, schematy narzędzi.
Który do którego zastosowania
Ocena 1–5 według badania dokumentacji (nie pomiaru). Pogrubione — najlepsze w kolumnie. Te liczby mierzą dopasowanie funkcji do zastosowania i nie są rekomendacją: tabela „Co wybrać" niżej bierze pod uwagę także gotowość do użycia (np. LangGraph ma 5 w U1, ale do DevOps lepiej wziąć gotowy OpenCode, niż budować agenta na frameworku).
| # | Harness | U1 DevOps | U2 dochód pasywny | U3 rynki i okazje | U4 głos | U5 obrazy |
|---|---|---|---|---|---|---|
| 1 | LangGraph | 5 | 5 | 4 | 2 | 3 |
| 2 | Goose | 4 | 5 | 4 | 3 | 3 |
| 3 | OpenHands | 4 | 5 | 3 | 2 | 3 |
| 4 | Hermes Agent | 4 | 4 | 4 | 4 | 4 |
| 5 | Pydantic AI | 4 | 5 | 4 | 4 | 4 |
| 6 | Deep Agents | 5 | 4 | 4 | 1 | 2 |
| 7 | Strands Agents | 4 | 4 | 4 | 3 | 3 |
| 8 | OpenCode | 5 | 4 | 2 | 1 | 3 |
| 9 | DeerFlow | 3 | 5 | 3 | 1 | 3 |
| 10 | ZeroClaw | 4 | 4 | 4 | 4 | 4 |
| 11 | Microsoft Agent Framework | 4 | 4 | 3 | 2 | 3 |
| 12 | DeepSeek Harness | 4 | 4 | 3 | 2 | 3 |
| 13 | Pi | 4 | 4 | 2 | 1 | 3 |
| 14 | gptme | 4 | 4 | 3 | 3 | 4 |
| 15 | Moltis | 4 | 4 | 4 | 5 | 3 |
| 16 | QwenPaw | 3 | 4 | 3 | 3 | 3 |
| 17 | OpenAI Agents SDK | 4 | 3 | 3 | 4 | 3 |
| 18 | n8n | 4 | 5 | 5 | 2 | 3 |
| 19 | LibreChat | 3 | 4 | 3 | 2 | 4 |
| 20 | Kilo Code | 4 | 4 | 2 | 2 | 2 |
Co wybrać — i z jakimi klockami:
| Zastosowanie | Pierwszy wybór | Alternatywa | Kluczowe klocki (02-KLOCKI.md) |
|---|---|---|---|
| U1 DevOps | OpenCode (Opus główny, DeepSeek subagenci) | Goose; albo Claude Code + MCP do lokalnych agentów | kubernetes-mcp-server, mcp-grafana (tylko odczyt), srt |
| U2 dochód pasywny | własna aplikacja: Pydantic AI albo LangGraph | n8n (bez kodu), OpenHands SDK (przepływy wokół kodu) | Prefect albo DBOS, Cognee, ntfy |
| U3 rynki i okazje | własny lejek (timery + Pydantic AI) albo n8n | Hermes Agent (strażnicy cron), Local Deep Research | SearXNG, Crawl4AI, changedetection.io, OpenBB, ntfy / Telegram |
| U4 głos | Hermes Agent (notatki głosowe od razu; TTS w chmurze) | Moltis (w pełni lokalnie, Piper po polsku); docelowo własny Pipecat | Pipecat + Smart Turn, whisper.cpp / Parakeet, Piper → Chatterbox |
| U5 obrazy | Hermes Agent albo ZeroClaw (mostek wizji) | własny potok | DeepSeek Vision-Exp (test), Qwen3.6-35B-A3B, Docling + PaddleOCR-VL |
Jak to złożyć w całość na tym sprzęcie: 03-ARCHITEKTURA.md.
Werdykt: budować na harnessie czy składać własny?
Oba — ale w różnych warstwach.
| Warstwa | Decyzja | Dlaczego |
|---|---|---|
| Agent do pracy (U1) | weź gotowy — OpenCode albo Goose | to dojrzałe produkty z setkami opiekunów; własny nie dogoni ich w powłoce, edycji plików i uprawnieniach |
| Twoje aplikacje (U2, U3) | zbuduj na frameworku — Pydantic AI albo LangGraph | przewaga jest w dopasowaniu przepływu do pomysłu, a frameworki dają trwałość, limity i walidację bez narzucania produktu |
| Interfejs i głos (U4, U5) | weź gotowy na start — Hermes Agent; potem własny Pipecat | najszybsza droga do rozmowy z agentem z telefonu; przypinaj wersje, bo tempo zmian jest ogromne |
| Pętla agenta | zbuduj raz sam, dla zrozumienia — kursy 1 i 2 | kto zbudował pętlę od zera, ten wie, czego szukać w cudzym harnessie i kiedy go porzucić |
Czego się uczyć z cudzego kodu (czytelny rdzeń, dobre pomysły): Pi — minimalny rdzeń i wiele trybów osadzenia; nanobot — czytelny Python do forkowania; mini-swe-agent — agent w 100 liniach; OpenCode — serwer z API i agenci jako pliki; Hermes Agent — delegacja ze schematem wyniku i strażnicy cron; ZeroClaw — model bezpieczeństwa.
Czego unikać: martwych projektów (Roo Code, Flowise, Continue, Plandex); Codex CLI z modelami lokalnymi (tylko Responses API); LiteLLM bez przypiętych wersji (kompromitacja PyPI 24.03.2026); n8n i OpenClaw wystawionych do internetu.
Dlaczego nie ma ich w czołówce
| Projekt | Miejsce | Powód |
|---|---|---|
| OpenClaw | 47 (64 pkt) | najpopularniejszy (391,7k ⭐) i z największą liczbą kanałów, ale 722 porady bezpieczeństwa opublikowane w 2026 (14 krytycznych, policzone przez API GitHuba), wg raportów branżowych z lutego 2026 setki złośliwych umiejętności w ClawHub i dziesiątki tysięcy instancji wystawionych do internetu; z lokalnymi modelami cicho gubione wywołania narzędzi i niszczony prompt cache. Jako studium architektury — świetny: kurs 2, część 1 |
| Open WebUI | 29 (69 pkt) | najlepsze UI dla lokalnych modeli, ale subagenci zawsze działają na modelu rodzica (brak hybrydy), 158 porad bezpieczeństwa w 2026 i licencja z klauzulą marki |
| Cline | 33 (68 pkt) | zmiany formatu narzędzi wielokrotnie psuły lokalne modele; dyktowanie to płatna usługa |
| CrewAI | 34 (68 pkt) | powracające „puste odpowiedzi" z modelami lokalnymi, telemetria domyślnie, harmonogram tylko w płatnej platformie |
| Codex CLI | 59 (57 pkt) | od 1.02.2026 tylko Responses API — z llama.cpp kruche; brak dostawcy Anthropic |
| Aider, Roo Code, Continue, Flowise, Plandex | wykluczone | zatrzymane albo zarchiwizowane w latach 2025–2026 — szczegóły |
Jak liczyłem ranking
1. Warunki wejścia (wszystkie cztery): kod publiczny i licencja pozwalająca na self-hosting (źródłowo-dostępne dopuszczone, ale oznaczone ⚠️); udokumentowane podłączenie lokalnego modelu przez endpoint zgodny z OpenAI (bezpośrednio albo — oznaczone — pośrednio, przez adapter); aktywność — commit nie starszy niż 3 miesiące i wydanie (także przedpremierowe) nie starsze niż 6 miesięcy przed 11.10.2026; projekt nie jest oficjalnie zakończony — dlatego odpada np. Continue, którego opiekunowie ogłosili koniec projektu, choć ostatnie wydanie pochodzi z czerwca 2026. Sprawdzonych: 72 projekty, przeszło 64, odpadło 8.
2. Sześć kryteriów, każde 1–5, z wagami według moich celów:
| Kryterium | Waga | Co oceniam |
|---|---|---|
| A — wielu agentów i hybryda | 25% | subagenci, model per agent, Claude jako planista z lokalnymi wykonawcami |
| B — obsługa lokalnego modelu | 20% | wywołania narzędzi z llama.cpp, dokumentacja, znane błędy, limit współbieżności |
| C — pokrycie zastosowań | 20% | średnia ocen U1–U5 (tabela wyżej), zaokrąglona |
| D — dojrzałość | 15% | gwiazdki, rytm wydań, liczba opiekunów, stabilność API |
| E — wartość do nauki | 10% | czytelność rdzenia, dokumentacja, rozmiar |
| F — bezpieczeństwo i kontrola | 10% | piaskownica, zatwierdzenia, historia luk |
Wynik = (25·A + 20·B + 20·C + 15·D + 10·E + 10·F) / 5, czyli 0–100. Remisy rozstrzyga C, potem gwiazdki.
3. Punktacja czołówki — zmień wagi i policz po swojemu:
| # | Harness | A | B | C | D | E | F | Wynik |
|---|---|---|---|---|---|---|---|---|
| 1 | LangGraph | 5 | 4 | 4 | 5 | 3 | 4 | 86 |
| 2 | Goose | 5 | 4 | 4 | 5 | 3 | 3 | 84 |
| 3 | OpenHands | 5 | 4 | 3 | 5 | 3 | 5 | 84 |
| 4 | Hermes Agent | 5 | 4 | 4 | 4 | 2 | 4 | 81 |
| 5 | Pydantic AI | 5 | 4 | 4 | 4 | 3 | 3 | 81 |
| 6 | Deep Agents | 5 | 4 | 3 | 4 | 4 | 4 | 81 |
| 7 | Strands Agents | 4 | 5 | 4 | 4 | 3 | 3 | 80 |
| 8 | OpenCode | 5 | 4 | 3 | 5 | 3 | 3 | 80 |
| 9 | DeerFlow | 5 | 4 | 3 | 4 | 3 | 4 | 79 |
| 10 | ZeroClaw | 4 | 4 | 4 | 4 | 2 | 5 | 78 |
| 11 | Microsoft Agent Framework | 5 | 3 | 3 | 4 | 3 | 5 | 77 |
| 12 | DeepSeek Harness | 5 | 4 | 3 | 3 | 3 | 4 | 76 |
| 13 | Pi | 4 | 5 | 3 | 4 | 5 | 1 | 76 |
| 14 | gptme | 4 | 4 | 4 | 3 | 4 | 3 | 75 |
| 15 | Moltis | 4 | 4 | 4 | 2 | 3 | 5 | 74 |
| 16 | QwenPaw | 4 | 4 | 3 | 4 | 3 | 4 | 74 |
| 17 | OpenAI Agents SDK | 4 | 3 | 3 | 4 | 5 | 4 | 74 |
| 18 | n8n | 4 | 3 | 4 | 5 | 3 | 2 | 73 |
| 19 | LibreChat | 5 | 3 | 3 | 4 | 2 | 4 | 73 |
| 20 | Kilo Code | 5 | 3 | 3 | 4 | 3 | 3 | 73 |
Pełna lista 64 kandydatów z wynikami i ośmiu wykluczonych — 01-PROFILE.md.
4. Jak zbierałem fakty. Sześciu agentów badawczych przeszło równolegle dokumentację, README, notatki wydań i zgłoszenia na GitHubie (osobni dla agentów osobistych, kodujących, frameworków Pythona, TypeScriptu i platform przepływów, klocków oraz głosu, wizji i hybrydy). Liczby z GitHuba pobrałem sam z API. Najbardziej zaskakujące twierdzenia sprawdziłem w źródle pierwotnym (m.in. liczba porad bezpieczeństwa OpenClaw i Open WebUI, kompromitacja LiteLLM, zarchiwizowanie Flowise i Roo Code, usunięcie Chat Completions z Codex CLI, limiter w Pydantic AI, atak na pakiety Mastra, karta modelu DeepSeek-V4-Flash, cennik Anthropic). Twierdzenia oparte tylko na blogach i materiałach marketingowych oznaczam w profilach.
Ograniczenia. Kryteria A–F to ocena, nie pomiar. Gwiazdki to nie jakość (DeepSeek Harness zebrał 247 tys. w dwa miesiące). Wyniki U1–U5 pochodzą z analizy dokumentacji. Żaden harness nie był uruchomiony na tej maszynie.
Pliki w tym katalogu
| Plik | Co w nim jest |
|---|---|
| README.md | ten przegląd: ranking, porównanie, wybór, werdykt, metoda |
| 01-PROFILE.md | siedem pułapek wspólnych, 20 profili (konfiguracja lokalnego modelu, hybryda, głos, obraz, bezpieczeństwo, słabe strony, co ukraść), pozostali kandydaci i wykluczeni |
| 02-KLOCKI.md | bramki, wyszukiwanie, przeglądarki, deep research, monitoring cen, dane finansowe, powiadomienia, harmonogram, pamięć, obserwowalność, piaskownice, MCP dla DevOps, głos, obraz |
| 03-ARCHITEKTURA.md | zasoby tej maszyny, wzorzec planista–wykonawcy, co jest udowodnione, pięć układów U1–U5, koszty, ścieżka budowy |
| ZRODLA.md | źródła z datą sprawdzenia i tym, co z nich wziąłem |
Powiązane części kursów
| Temat | Gdzie |
|---|---|
| pętla agenta od zera | kurs 1, część 6 |
| krajobraz narzędzi (wcześniejszy, krótszy przegląd frameworków i agentów kodujących) | kurs 1, część 9 |
| hybryda lokalny + Claude | kurs 1, część 10 |
| architektury agentowe i OpenClaw rozłożony na części | kurs 2, część 1 |
| harness długich zadań | kurs 2, część 3 |
| MCP, CLI, A2A | kurs 2, część 9 |
| flota wielu agentów | kurs 2, część 13 |
| router hybrydowy | kurs 2, część 17 |
| gotowi asystenci AI (rynek, architektura, offline, Polska) | przegląd asystentów AI |
Pomiary tej maszyny: local-llm-bench-results (szybkość i jakość, także agenci równolegle).
Licencja tekstu: CC BY 4.0 — jak całe repozytorium (LICENSE.md).