EverMind 开源多智能体 Host Agent 框架 Raven，定位 "the harness of harnesses"

Raven 的切入点被明确写成一个空档：当前 Agent 生态碎片化，Claude Code、Codex 各有所长，但缺少一个统一层去编排它们。Raven 把自己定义为“宿主 Agent”，接收复杂任务后生成任务 DAG，明确依赖关系、让可并行部分并行执行，再把每个节点分派给最合适的 Agent。

这个定位决定了它和编码 Agent 的关系是叠加而非竞争：它站在 Claude Code、Codex 之上，通过 ACP、CLI 或 OpenAI 兼容 API 接入第三方 Agent，官方内置了 Claude Code、Codex、Qwen Code、Kimi Code 等 13 个预设。换句话说，Raven 的价值主张不在于某个单点能力更强，而在于把已有的 harness 组织成一支队伍。

需要区分的是：框架开源、定位为“the harness of harnesses”属于已确认事实；而“生态碎片化、缺少统一编排层”这一判断，来自来源方的叙述，属于来源方主张。

Raven 内置四个专业 Agent，各自有明确职责边界与对应 benchmark：Raven-Research 负责自主深度研究、文献综述与带可溯源引用的结构化报告；Raven-Code 面向 Agentic 软件开发；Raven-Design 产出 PPT、海报、图表、Web 界面等视觉交付物；Raven-Oncall 面向无人值守的长时工作流自动化。

数字方面，README 称 Raven-Code 在 DataAgentBench 上以 0.8762 Pass@1 居首；官方还称 Raven-Oncall 在 AI4AI 和 AI4S 基准上于质量、成功率、成本三项均优于 Claude Code。这两条都只有官方口径，具体测试条件与数值未披露，也没有第三方复现。

因此更稳妥的读法是：这些分数说明团队给出了可被检验的靶子，而不是说明 Raven 已经在这些维度上胜出。

在四个内置 Agent 里，Raven-Oncall 的场景最不像“又一个编码助手”：它面向无人值守的长时工作流自动化，可以跑数小时的实验、过夜监控与持续优化。来源方把这一点视为 Raven 区别于交互式编码工具的关键。

这个区分有实际意义。交互式工具的价值在人的回合之间兑现，而 Oncall 类场景的价值在于人离开之后系统还能不能继续推进、继续验证、继续收敛。Raven 的 DAG 调度、记忆与技能检索这些模块，只有在长时程任务里才会被真正压测。

但也要注意边界：来源只描述了场景与定位，没有说明这类长时任务中人工介入的程度，也没有给出可比的稳定性数据。

递归自我改进是 Raven 叙事里最激进的部分，落地在 Evolver 上：它把 Agent 主循环拆成四个解耦的策略模块——Memory（本轮看到什么上下文）、Planning（用什么方法）、Capability（每轮可用哪些工具）、Action（下一步做什么及执行前判断）。

一个实验性的 Curator 会重写这四块的实际代码，不只是 prompt，还包括工具、技能和判断逻辑。关键在于约束：候选改动必须先在 benchmark 上打败基线、通过验证门禁才会被安装，并且反馈中会剥离参考答案以防“作弊”。首次使用时，Curator 还会根据用户的任务描述组装一个定制化的 Persona 团队，由一个主理角色加若干专家 Agent 组成。

这套门禁设计是整篇材料里最值得认真对待的部分，因为它把“自我改进”从口号变成了一个有准入条件的流程。但 Curator 重写代码的自主程度与安全边界，来源并未详细说明。

EverOS Memory 提供跨会话的三层记忆：用户上下文、Agent 自身经验、世界知识。SkillForge 统一检索本地技能库、记忆和 SkillHub 上约 11.4 万个 Skills。Proactivity 提供事件监听和定时调度，用于提醒与跟进。

这三块合起来解释了一个问题：为什么 Raven 敢把任务拉长到数小时甚至过夜。没有跨会话记忆，长时任务每轮都要重新建立上下文；没有统一技能检索，Agent 无法复用已有能力；没有事件与定时机制，无人值守就无从谈起。

需要说明的是，11.4 万这个规模数字来自来源方描述，未见独立核验。

THRESHOLD 项目被用来展示长时程多 Agent 协作：约 4 天、42 轮规划/开发/验证循环，全自主产出一款 Godot 4 FPS 游戏，外加海报、演示文稿和官网。

RSI 实验则被用来展示自我改进：7 轮共 172 次 nanochat 训练全程无崩溃，在固定 20 分钟单 GPU 预算下将 val_bpb 降低 5.8%。来源还提到 CFD（溃坝问题超调量降低三个数量级）与 FEA 极限载荷搜索的优化案例。

另有一个“自证”细节：发布物料——浏览器物理小游戏、16 页 deck、README 本身——均由 Raven 自己生成。这些展示很有说服力，但都缺少一个关键信息：产出质量与人工介入程度。4 天 42 轮之后，人改了多少、验收标准是什么，来源没有说明；5.8% 的 val_bpb 改善能否泛化到其他任务，同样未知。

把证据分层看：框架开源、定位、DAG 调度、四个内置 Agent、Evolver 与 Curator 的门禁机制、第三方接入方式，这些属于来源方对自身系统的描述，可信度较高但仍属来源方主张；而 DataAgentBench 0.8762 Pass@1 居首、AI4AI/AI4S 三项优于 Claude Code、RSI 实验 val_bpb 降低 5.8%、THRESHOLD 的 4 天 42 轮，全部来自官方 README 或单一转述帖，没有第三方独立验证。

还有一条更弱的证据：有转述称 Raven 从提示构建 DAG，把每个节点分配给 Claude 或 Codex 等编码 Agent，收集输出并反馈给调度器，使 DAG 可自动剪枝或扩展。这条描述与官方叙述方向一致，但属于二手转述，只能按来源方主张对待。

此外，Raven 0.2.0 的版本状态与后续路线图在来源中并不明确。综合来看，Raven 值得关注的是它的编排抽象与 Curator 门禁设计，而不是它自己报出的那些数字。