Was ist AgentRun?
AgentRun von Parcha Labs (dem Team hinter Grep.ai) legt sich um die Coding-Agent-Umgebungen, die Leute bereits nutzen, Claude Code, Codex, OpenCode oder pi, und ergänzt, was ihnen für wiederholbare Arbeit fehlt: einen Speicher, der Abstürze übersteht, Freigaben pro Werkzeug, Ausgabenlimits, Trigger und eine Konsole für alle Läufe. Nicht zu verwechseln mit AgentRun von Alibaba Cloud, einem separaten kommerziellen Produkt.
Kern ist eine Workflow-Sprache. Ein Workflow ist ein JSON-Dokument aus typisierten Schritten: Werkzeugaufrufe, Modellaufrufe, schnelle typisierte Entscheidungen (ja oder nein, eins auswählen, eine Punktzahl, jeweils mit Konfidenz) eines Entscheidungsmodells wie Jev, Verzweigungen, begrenzte Schleifen, parallele Maps und der Rückgriff auf einen vollständigen Agenten, wenn ein Fall unklar ist. Die Konsole zeigt jeden Lauf Knoten für Knoten mit jeder Entscheidung und ihrem Grund, und er lässt sich pausieren und fortsetzen. Ein Lernmodus lässt einen Agenten nach jedem Lauf Notizen, Skills und irgendwann einen gelernten Workflow in seinem eigenen Git-Ordner behalten.
Das Workflow-Paket läuft auch für sich: npx @parcha/agentrun-dsl@latest demo spielt ein Support-Triage-Beispiel mit vorgegebenen Urteilen ab, ohne Modell-SDK, API-Schlüssel oder Netzwerk. Der vollständige Server startet mit npx @parcha/agentrun auf Port 7340 und braucht für echte Läufe einen Modellschlüssel. Er steht unter Apache-2.0, wurde am 23. September 2026 erstmals veröffentlicht und ist noch Beta (v0.1.0-beta.37 am 14. November 2026).
Lohnt sich AgentRun?
AgentRuns Argument lautet, dass viele Agenten keine Agenten sein sollten. Ein Job, den ein Agent hundertmal erledigt hat, etwa eine Firma prüfen oder einen Pull Request reviewen, lässt sich als typisierter Workflow schreiben, in dem günstige typisierte Entscheidungen die einfachen Fälle weiterleiten und ein vollständiger Agent nur bei den unklaren gerufen wird. Die Konsole zeigt dann jeden Schritt und jede Entscheidung mit ihrer Konfidenz, was einen Lauf so prüfbar macht, wie es ein langes Agentenprotokoll nicht ist.
Die Betriebsschicht ist vollständiger als bei den meisten so jungen Projekten. Läufe liegen in SQLite oder Postgres und setzen nach einem Absturz fort; bei mehreren Runnern werden die Läufe eines ausgefallenen Runners nach einer Lease von 30 Sekunden übernommen, und ein mitten im Aufruf abgebrochener Schreibvorgang wird als unterbrochen markiert statt wiederholt. Jedes Werkzeug ist erlaubt, fragt vorher oder ist verboten; ein Lauf mit Kostenlimit pausiert am Limit, statt zu scheitern; Secrets werden unter einem Schlüssel versiegelt und gelangen nie auf den Rechner des Agenten. Fünf Vorlagen (Code-Review, KYB-Prüfung, Marktbeobachtung, Lead-Scoring, Release Notes) bringen eigene Testfälle mit.
Die Kernzahlen sind selbst berichtet. Laut README kostet die abgestimmte Code-Review-Vorlage 18 Cent pro Review, gegenüber einer Greptile-Rechnung, die von $180 auf $6,451 im Monat stieg, und fand bei 30 ungesehenen Pull Requests 1.6-mal so viele echte Fehler; ein Job zur Händlerklassifizierung sank nach dem Lernen von $0.89 auf $0.12 pro Händler. Eine unabhängige Bestätigung gibt es noch nicht. Auf Hacker News (51 Punkte) lautete der Haupteinwand, dass Temporal, Windmill oder Airflow längst Workflows ausführen; die Antwort ist die agentenspezifische Schicht: Anbindung der Umgebungen, typisierte Modellentscheidungen und Lernen.
Risiken: Das Projekt ist seit dem 23. September 2026 öffentlich und veröffentlicht fast täglich Betas, mit 70 offenen Issues und Pull Requests. Der Lernmodus lässt Läufe Notizen und Workflows schreiben, die spätere Läufe ausführen; der Code filtert Secrets, Dateien außerhalb des Ordners und Regeln aus Webseiten oder E-Mails, und ein Bewertungsmodell beurteilt den Rest, doch es bleibt von einem Modell geschriebenes Verhalten, das zwischen Läufen bestehen bleibt. Der Modus "Never ask" lässt einen Agenten unbeaufsichtigt laufen, und das Docker-Compose-Deployment bindet nur an Loopback und braucht vor einer Freigabe einen TLS-Proxy.
Wo es sich lohnt
Ein Compliance-Team in einem Fintech mit 50 Leuten
KYB-Prüfungen für neue Geschäftskunden mit Prüfpfad durchführen
Die KYB-Vorlage anwenden: Register- und Zertifikatsprüfungen laufen parallel, eine typisierte Entscheidung genehmigt, lehnt ab oder schickt unter einer Konfidenzschwelle von 0.75 zur Prüfung, und jede Aussage im Bericht ist belegt. Jeder Lauf l ässt sich in Dollar deckeln.
Ein Engineering-Lead in einem Start-up, das für KI-Code-Review pro Review zahlt
Die Kosten für Code-Review senken, ohne echte Fehlerfunde zu verlieren
Die Code-Review-Vorlage auf eigenen Pull Requests abstimmen, wie es die Macher taten; sie berichten 18 Cent pro Review. Über GitHub-Pull-Request-Ereignisse auf einem eigenen Server auslösen, etwa $27.50 im Monat bei Render.
Ein Entwickler, der Workflow-Engines für Agenten vergleicht
Sehen, wie sich ein typisierter Workflow verhält, bevor er einen Modellschlüssel bekommt
npx @parcha/agentrun-dsl@latest demo ausführen und dann den eigenen Workflow mit synthetischen Antworten trocken laufen lassen; beides ruft kein Modell auf, die Ablauflogik lässt sich also kostenlos prüfen.
Bevor du dich festlegst
- Einrichtung
- npx @parcha/agentrun startet Server und Runner auf Port 7340, speichert Daten in ~/.agentrun und öffnet die Konsole; Passwort setzen, einen Modellschlüssel (OpenRouter, Anthropic oder OpenAI) hinzufügen und eine Vorlage anwenden. Mit Docker bekommen Agenten eine abgeschottete Shell.
- Integrationen
- Umgebungen: pi, Claude Code, Codex, OpenCode. Rechner: Sandboxes von Docker, Daytona, Modal und E2B, Linux-Desktops, Android-Telefone in der Cloud, Browser von Browserbase oder Kernel. Remote-MCP-Server, Composio-Toolkits und -Trigger, Zeitpläne, signierte Webhooks, GitHub-Ereignisse; Clients für TypeScript und Python.
- Daten und Datenschutz
- Selbst gehostet: Läufe, Dateien und Protokolle bleiben in deinem SQLite- oder Postgres-Speicher. Secrets werden unter AGENTRUN_SEAL_KEY versiegelt und nur als gesetzt oder fehlend angezeigt; Modellaufrufe gehen an den Anbieter, dessen Schlüssel du hinzufügst.
- Kosten im großen Maßstab
- Die Software ist kostenlos; Ausgaben sind Modell-Tokens plus gegebenenfalls Remote-Sandbox- oder Browser-Anbieter, jeweils über dein eigenes Konto abgerechnet. Limits pro Lauf verhindern, dass eine Schleife die Rechnung hochtreibt.
- Grenzen
- Beta-Software mit 70 offenen Issues und Pull Requests; Runner auf Postgres teilen sich in dieser Version noch ein Datenvolume; Rechner mit iPhone, macOS und Windows werden noch nicht unterstützt.
Was gut ist
- Typisierte Workflows mit konfidenzbewerteten Entscheidungen und Agenten-Rückfall
- Läufe überstehen Abstürze; unterbrochene Schreibvorgänge werden markiert, nicht wiederholt
- Freigaben pro Werkzeug, Kostenlimits, die pausieren statt scheitern, versiegelte Secrets
- Läuft über Claude Code, Codex, OpenCode oder pi
- Workflow-Demo läuft ohne API-Schlüssel oder Netzwerk
Was nicht
- Beta seit September 2026, mit fast täglichen Releases
- Kosten- und Qualitätsangaben stammen von den Machern selbst
- Lernmodus bewahrt von Modellen geschriebene Notizen und Workflows zwischen Läufen
- Braucht Node 24.22.3 oder neuer unter macOS oder Linux
Am besten für
Teams, die denselben Agentenjob viele Male pro Woche laufen lassen und jeden Schritt sehen, Kosten deckeln und Routinefälle aus der teuren Agentenschleife holen wollen.
Alternativen zu AgentRun
AgentRun: häufige Fragen
- Lohnt sich AgentRun?
- AgentRun begründet überzeugend, dass die meisten Agentenjobs überprüfbare Workflows werden sollten, und liefert die Freigaben und Limits dazu, ist aber eine 52 Tage alte Beta, deren Kostenangaben nur von den Machern stammen. Wir bewerten es mit 3.8 von 5.
- Was kostet AgentRun?
- Kostenlos unter Apache-2.0; du zahlst deinen Modellanbieter und gegebenenfalls einen Remote-Sandbox-Anbieter. Das Ein-Klick-Deployment auf Render kostet laut README etwa $25/Monat für die Instanz plus $2.50 für die Disk.
- Welche Nachteile hat AgentRun?
- Beta seit September 2026, mit fast täglichen Releases; Kosten- und Qualitätsangaben stammen von den Machern selbst; Lernmodus bewahrt von Modellen geschriebene Notizen und Workflows zwischen Läufen; Braucht Node 24.22.3 oder neuer unter macOS oder Linux.
- Für wen eignet sich AgentRun?
- Teams, die denselben Agentenjob viele Male pro Woche laufen lassen und jeden Schritt sehen, Kosten deckeln und Routinefälle aus der teuren Agentenschleife holen wollen.
- Was kostet AgentRun für ein Team oder im Produktivbetrieb?
- Die Software ist kostenlos; Ausgaben sind Modell-Tokens plus gegebenenfalls Remote-Sandbox- oder Browser-Anbieter, jeweils über dein eigenes Konto abgerechnet. Limits pro Lauf verhindern, dass eine Schleife die Rechnung hochtreibt.
- Ist AgentRun sicher für Firmendaten?
- Selbst gehostet: Läufe, Dateien und Protokolle bleiben in deinem SQLite- oder Postgres-Speicher. Secrets werden unter AGENTRUN_SEAL_KEY versiegelt und nur als gesetzt oder fehlend angezeigt; Modellaufrufe gehen an den Anbieter, dessen Schlüssel du hinzufügst.
- Was sind die besten Alternativen zu AgentRun?
- Die nächsten Alternativen, die wir getestet haben, sind Temporal, LangGraph und Mastra.
Antworten geprüft am 14. Nov. 2026.