哪个编程智能体最能发挥本地 Qwen 3.8 27B 的潜力？我对比了 10 个，并记录了 token 用量、缓存情况和沙箱拦截情况

我的智能体测试第二部分。上次用的是 4B 模型，大家希望我提供硬件、词元数量，并加入更多智能体。（利益披露：我参与开发 Atomic Agent，它是这十个智能体之一。）使用配置：MacBook Pro M5 Max，64 GB。通过 llama.cpp 运行 Qwen 3.8 27B Q4，关闭思考模式。结果 排名 智能体 通过数 耗时中位数 词元数中位数 缓存复用率 是否尝试联网 1 Pi 5/5 38 秒 9.2k 72% 否 2 DeepSeek Harness 5/5 60 秒 35.3k 83% 否 3 Codex CLI 5/5 94 秒 36.3k 79% 每次运行都尝试 4 OpenClaw 5/5 106 秒 39.0k 72% 不确定 5 Cline 5/5 152 秒 29.6k 79% 每次运行都尝试 6 OpenCode 4/5 50 秒 32.4k 75% 每次运行都尝试 7 Hermes 4/5 80 秒 64.9k 93% 否 8 Atomic Agent 5/5 56 秒 30.4k 86% 否 9 goose 4/5 98 秒 20.3k 76% 每次运行都尝试 10 Qwen Code 4/5 183 秒 107.9k 74% 不确定 测试方式 所有智能体使用相同的模型和服务器 5 个小型编程任务，每个都有一个小陷阱 每个智能体都被限制在沙箱中：只能访问自己的文件夹，只能与模型通信 开启自动批准，关闭遥测，限时 5 分钟 我的观察 Pi 精简得惊人：每个任务约消耗 9k 词元，在每一项任务中都是最低的。Qwen Code 消耗最大，每个任务约 108k 词元。Atomic Agent 的工作方式与众不同。它是唯一一个调用 llama.cpp 原生端点的智能体，并使用语法约束来强制工具调用符合规定格式。其余九个都使用 OpenAI 风格的 API。它的设计还会让提示词在各步骤之间保持一致，因此缓存复用率达到了 86%（10 个中排名第 2）。它全程没有联网，5/5 全部通过。日志任务让三个智能体中了招。它们用 grep 搜索“ERROR”，得到的结果是 244 而不是 64，因为有些正常日志行也会提到错误。OpenCode、goose 和 Atomic Agent 都踩了这个坑。Codex、Cline、goose 和 OpenCode 每次运行都尝试访问互联网，即使关闭了遥测也是如此。沙箱拦截了这些请求，所以我不知道它们在调用什么。OpenClaw 和 Qwen Code 被标记为“不确定”，因为它们都以普通 node 进程运行，我无法区分。配置说明 Cline 和 Qwen Code 默认开启使用情况统计，DeepSeek Harness 会上传会话日志（据其文档所述）。我把这些都关掉了 Codex 现在需要 llama-server 的 /v1/responses 端点 Hermes 至少需要 64K 上下文 有人在更小的模型上运行这些智能体吗，比如 9B 或 14B？很好奇排名会有什么变化。