Unreal Agent：用异步工具调度把开销砍下40%

#Unreal Agent在真实环境中部署智能体（agent）时，我们希望它们能快速响应用户，并且运行成本低廉。我们注意到，智能体在管理工具调用上耗费了大量的时间和令牌（token），这促使我们构建了 Unreal Agent，并设计了一套能减少模型在工具管理上的开销的 harness（执行框架）。

Unreal Agent 的 harness 以完全异步的方式管理工具调用，让底层模型无需处理工具的等待、轮询（poll）和心跳（heartbeat）。

这种方式带来了两大主要好处。首先，它始终允许用户随时引导（steer）智能体，而无需等待工具调用完成。其次，它使智能体能够在两次模型调用之间安排更多有用的工具调用工作，从而达到业界领先的成本效率。当前版本在真实业务负载和智能体基准测试中，相比 Codex 最多可节省 40% 的成本，相比 Pi 最多可节省 20%，我们在此分享相关数据。

我们认为 harness 设计本身就是一个独立的研究方向，仍有许多有前景的想法值得研究和实现。

#动机与架构如果你尝试构建一个以智能体为核心的产品，很快就会发现并不存在一条标准化的实现路径。各大厂商提供不同的 SDK 来构建智能体，每套都有不同的权衡取舍，而这些取舍往往并不一目了然。

在 Unreal Labs，我们构建过多款智能体产品，并在此过程中对主流 SDK 积累了一些经验。

例如，以 CLI 为导向的 SDK（如 Claude 的 Agent SDK）带有对本地会话、子进程和资源限制的预设假设，这些假设无法顺畅地迁移到生产环境中。可靠地处理完成、取消和后台任务，往往意味着需要在它们之外自行构建一套生命周期管理逻辑。

接入其他模型提供方会带来额外的兼容性工作：切换 API 模式可能会破坏工具调用或上下文压缩，而 SDK 升级可能改变消息格式，迫使我们重写集成代码。庞大的依赖树为这个本就需要我们自己理解和打补丁的运行时，又增加了维护成本和供应链风险。

根据我们的经验，那些依赖 harness 钩子和专用工具来实现的审批与安全机制，往往需要更多维护工作，并且不如直接在 harness 之外施加的确定性环境或沙箱约束（例如允许/禁止的主机列表、细粒度的访问令牌、带审批关卡的代理）稳健。

除了这些技术层面的动机，我们还希望构建一个能够始终无延迟地接收用户引导消息、并且能并行调度异构工具调用，而不会给模型增加额外认知负担的 harness。例如，我们希望智能体能在并行探索代码库和搜索网页的同时，发起一个可能耗时数分钟的本地开发环境搭建任务，全程不产生额外的令牌开销。

每当 Unreal Agent 发出一个工具调用，我们会立即向事件日志（event log）追加一条该工具已返回「进行中（in-progress）」状态的记录，同时让工具在后台继续执行。一旦工具真正完成，我们再把结果追加到会话日志中，然后调用一次大语言模型（LLM）。在不破坏缓存（cache）的前提下实现这一点，本身就是一个有趣的工程挑战。

观看下面的动画。

#成本效率表面上看，Unreal Agent 用更少的模型调用轮次和更少的输入令牌达成了同样的结果。

我们把成本节省归因于两个因素：极简的 harness 占用（footprint）以及对工具输出使用的精心设计。Unreal Agent 拥有简洁的提示词、经过令牌优化的工具结果，并且没有任何子智能体（sub-agent）或工作流（workflow）。

每轮模型调用承载更多工具工作量。Unreal Agent 拥有一套简单明了的异步工具调用模型，并清楚地向 LLM 解释清楚。这使它能在每轮模型调用中发出更多重量级工具调用，而不会在轮询或等待上浪费令牌。

#基准测试我们构建 Unreal Agent 是为了支撑真实的业务工作流，不过它在基准测试中的表现也同样亮眼。我们使用 GPT-6 Astra xhigh 对其进行了测试，并与 Codex 和 Pi 进行了对比。以下是部分结果。

在通过率上存在边际差异，我们将其归因于基准测试的方差（variance）。

#Terminal-Bench 4.0 GPT-6 Astra · xhigh。Codex (lb) 是排行榜基线；Unreal Agent 和 Pi 的运行记录见下方链接。

| Agent | Rate | Total $ | In/trial | Out/trial | Turns | Tools | Harbor |
|---|---|---|---|---|---|---|---|
| unreal-agent | 57.9% | 1.73M | | 32k | | | 6ccd097a |
| Codex (leaderboard) | 57.9% | — | — | — | — | — | — |
| Pi | 55.0% | 2.83M | | 35k | | | |

#SWE-Atlas Codebase QnA| Agent | Rate | Total $ | In/trial | Out/trial | Turns | Tools | Harbor |
|---|---|---|---|---|---|---|---|
| unreal-agent | 65.8% | 898k | | 15k | | | 3d2fa057 |
| Codex | 63.3% | 1.69M | | 17k | | | 11a440fb |
| Pi | 64.0% | 1.29M | | 16k | | | da4ac972 |

#DeepSWE 1.1| Agent | Rate | Total $ | In/trial | Out/trial | Turns | Tools | Harbor |
|---|---|---|---|---|---|---|---|
| unreal-agent | 72.4% | 1.60M | | 28k | | | 2311ca63 |
| Codex | 69.0% | 2.19M | | 30k | | | e20ecafd |
| Pi | 69.6% | 2.21M | | 30k | | | cd7d8de6 |

#Agents' Last Exam · ALE-CLI完整通过率和平均分如下。这些运行未在 Harbor 上进行。

| Agent | Full pass | Mean score | Total $ | In/task | Out/task | Turns | Tools |
|---|---|---|---|---|---|---|---|
| unreal-agent | 30.0% | 59.7 | 0.76M | | 18k | | |
| Codex | 29.0% | 58.1 | 1.59M | | 15k | — | |
| Pi | 29.0% | 59.2 | 1.19M | | 19k | | |我们主要运行编程类基准测试，因为它们可以在 Harbor 上获取，这使得复现和验证更为容易，但这个 harness 本身是与领域无关的。

#开始使用 Unreal Agent Unreal Agent SDK 目前提供：

- 可直接集成到代码库中的 Go 库
- 类似于 claude -p / codex exec 的 Runner 可执行文件
- 兼容 Harbor 的基准测试运行器如果你想亲自尝试，请查看我们的 GitHub 仓库。

#参考资料[1] Melissa Z. Pan, Shuo Yang, Negar Arabzadeh, Wei-Lin Chiang, Ion Stoica, and Matei Zaharia. "HarnessTax: How Much Does Harness Matter for Coding Agents?" 2026.

（译注：这是一篇关于 harness 对编程智能体影响程度的研究论文标题，HarnessTax 直译为「harness 税」，意指 harness 设计带来的额外开销。）

[2] 在 Responses API 的文档中，在同一个上下文里使用两条工具调用结果条目（一条进行中、一条最终结果）的做法属于「未明确规定」。在测试期间，我们在某些模型和某些推理服务提供商（非 OpenAI）上遇到过被拒绝的情况，而且在这些情况下 function_call_output 的 status 字段似乎没有产生影响。

我们的测试表明，只要对话格式被接受，模型是能够理解从「运行中更新」到「最终结果」这一进展过程的。我们认为 Responses API 应当明确支持这种模式，并在各推理服务提供商之间保持一致的支持。