更可信、更省钱的Agent？实测OpenSquilla

上周有个项目，让我觉得很有意思

GitHub上一个叫OpenSquilla的，发布不到一个月，Star涨到了5300多。

GitHub：https://github.com/opensquilla/opensquilla

OpenSquilla 0.4.0，定位Token-Efficient AI Agent，是一个很有效率又很有创意的智能体框架。

有点OpenClaw刚出来时候给人的惊喜感，让我觉得AI编程可能真的到了一个拐点。

自动模型路由、高效率高性价比方案，它把让AI写代码这件事，从「它说改好了」升级成了「它拿证据证明改对了」。

很多 Agent 项目都在比「模型能力」，OpenSquilla反而把关注点放在运行效率上：

官网：https://opensquilla.ai/

如何把模型路由、长期记忆、上下文复用、安全沙箱这些能力整合到 Runtime 层，让 Agent 在长期运行时保持更低成本、更高稳定性。

持续累积的 Token 成本和上下文管理，似乎得到了全局的优化。

01

自己跑、会纠错，补上信任的缺口

过去一年，AI写代码的能力进步速度惊人。

随便打开Openclaw或者Hermes，让它们写个排序算法、搭个React组件，分分钟搞定。

但我一直在想一个问题：能写和能信，是两码事。

很多编程Agent改完即交，但对错仍要人逐行复核。

AI coding难以真正无人值守、规模化进入生产环境的关键障碍，不是AI写不出来，而是它写完了你不知道对不对。

传统工作流是这样的：用户提需求，AI写代码，人来验证代码是否正确。

如果不对，让AI继续改，循环往复。验证这一步完全依赖人。

对于简单函数，验证成本很低。

但对于复杂系统，比如分布式锁的实现或者复杂状态机，验证成本就非常高了。

OpenSquilla的答案很直接：让AI在交代码之前，自己先跑一遍证据链。

我测试了一下，让OpenSquilla帮我实现一个持续高并发的限流器。

看执行过程能发现，不是在做面子工程，不一定非要追求格式或者代码结构漂亮，是真有在一遍遍跑，具体去验证。

生成代码、写测试、发现bug、改bug……一整套流程是深入到骨子里的，跟人的开发很像，没有糊弄的余地。

出现失败的情况，还会具体问题具体分析。

真的在跑代码，真有 Evidence Chain，这是让人看了很安心的。

02

红绿证据链，引入自我验证机制

0.4.0版本的核心更新，是推出编码工作流coding模式，首次为AI编码引入自我验证机制。

做法是一条独立的红绿回归证据链。

这个机制怎么跑？三步。

第一步，AI先写一个注定失败的测试。

这个测试用来验证问题确实存在。比如用户说修复排序函数的边界情况bug，AI会先写一个测试用例，验证排序函数在某些输入下会返回错误结果。这个测试必须是红的，它失败是因为它证明的是bug的存在。

第二步，AI修复代码，让测试用例通过。

测试从红变绿，说明问题确实被解决了。

第三步，AI跑项目原有的所有测试用例，确保没有引入新的问题。

三关全过才算交付，任一不过直接打回。

配套还有默认的自动修复闭环，不通过就自动重改到通过为止。改动只在隔离副本里进行，验收合格才落回源码。

它把验证从“人的责任”，变成了“AI交付的一部分”。

我让帮我开发一个MacOS桌面应用。

很贴心地给了我代码方案，需要修改的时候，也很灵活。

我不需要自己去想“这个改动会不会破坏别的地方”，AI替我跑了。

也不用自己去写测试用例验证bug是否存在，AI替我写了。

每一轮的执行，都是很省token的方式，亲眼让人看到省下来92%的token，心里确实会暗爽。

也会觉得很耐用，执行了很多轮的任务，很久以前充的token plan，好像怎么也用不完。

唯一需要做的，就是看它最后交上来的那份证据：红变绿、回归全过，然后决定要不要合并。

OpenClaw和Hermes都没有这套强制的红绿加回归验证。

它们做的事情是让AI改代码，改完了告诉你改好了。

OpenSquilla做的事情，是让AI拿出改对了的证据。

前者是承诺，后者是证明。

03

极简自动微分库，OpenSquilla也搞定

有一个很有意思的项目：micrograd。

micrograd是AI教育圈顶流、Anthropic研究员Andrej Karpathy写的一个极简自动微分库。

GitHub：https://github.com/karpathy/micrograd

这个库的用途是教学，代码量不大，但逻辑精密。

我想要做的任务，是为micrograd新增一个计算正确梯度的功能。

梯度一旦算错，模型不报错也不崩溃，只会悄悄越学越偏。

这是最难靠肉眼发现的bug类型。代码能跑、不报错，但结果是错的。

我实测了一下这个流程。

从阅读项目开始，OpenSquilla先写了一个测试用例，输入特定的梯度计算请求，预期输出是梯度值在某个范围内。

结果测试失败，说明梯度计算确实有问题。

然后它自己修改了梯度计算的代码，重新运行测试，这次通过了。

接着AI运行了micrograd原有的所有测试用例，确保没有破坏其他功能，全部通过。

到这里，按照传统AI coding的标准，已经算交付完成了。

但OpenSquilla还多走了一步。

最后，AI把新功能计算出的梯度值，和PyTorch计算出的标准答案进行了对比。

前向值与每一个梯度，小数点后10位完全一致。

不是AI自己说对，而是它和官方标准答案分毫不差。

以前问AI改好了吗，它说改好了。

现在问AI改好了吗，它说你看，这是我写的测试、这是我跑的证据、这是和标准答案的对比。

不需要是专家也能判断，因为证据摆在那里，过没过一目了然。

04

产品化，更好用

0.4.0还有一个值得注意的变化：它第一次提供了签名并公证的桌面安装包。

macOS Apple Silicon的.dmg和Windows x64的.exe，都内置了Vue控制台和打包好的网关运行时，装上即用。

Linux和终端用户继续走Python wheel，旧版Windows便携包也保留着。

以前你要用这类AI Agent，得装Python、配环境、敲命令行。现在双击安装包，打开就能用。

首次启动时引导你选择provider并粘贴API key，控制台UI直接在应用内打开。

macOS构建已公证，Windows构建已签名，不用绕过SmartScreen或Gatekeeper。

之前GitHub上的版本，还是更偏开发者工具，但现在， 已经是我想推荐给身边更多普通朋友的友好软件。

与此同时，OpenSquilla还有一个贯穿始终的设计理念：省钱。

它内置了一个叫SquillaRouter的本地模型路由。

简单问题用便宜模型，复杂问题才调用强模型，系统自动判断。

混合特征分析同时融合手工特征和嵌入语义特征，多维度判断问题难度。

简单问题关闭推理计费，复杂问题才开启深度思考。

技能按需加载，不是一股脑把所有能力塞给AI。

据官方数据，常规场景内测综合成本可下降约60%到80%。

智能路由相比通用网关OpenRouter，路由精度高约4.4个百分点、成本低约75%。

在一个主流Agent框架普遍推高模型调用、Token成本持续攀升的背景下，这个方向值得关注。

05

写在最后

说回自我验证这件事。

我在AI开发这个圈子里待了几年，见过太多技术被炒作上天，在北美AI coding圈尤其如此。

大家热衷于讨论能写多长的代码、能通过多少道面试题，却很少有人认真追问一个更根本的问题：这些代码，凭什么可信？

OpenSquilla给出的答案不一定完美，但它指出了一个新方向：验证不应该外包给人类，而应该内化进Agent本身。

整个链条里，人只需要做两件事：提出需求，验收证据。

这才是AI编程，真正走向无人值守的关键一步。

从产业角度看，这件事的意义可能更大。

过去一年AI写代码能力突飞猛进，但能写不等于能信。

这个信任瓶颈不解决，AI coding就只能在辅助工具这个定位上徘徊，很难真正进入生产环境的核心环节。

OpenSquilla 0.4.0的自我验证机制，加上签名桌面安装包带来的低门槛，再加上智能路由带来的成本优势，这三件事放在一起，让我觉得AI编程可能正在从一个「写代码的工具」变成一个「能交付代码的同事」。

当然，这只是0.4.0。后面还有很长的路要走。

但方向对了，剩下的就是时间问题。

文章来自于微信公众号 “AI异类弗兰克”，作者 “AI异类弗兰克”