AI Agent 发展历史概览
从2020年AI快速发展,到现在AI Agent智能体发展历史和未来趋势
1. AI Agent 到底指什么?
Agent本身是一个非常宽泛的范围.
AI Agent（人工智能体）一种通过使用可用工具设计工作流来自主执行任务的系统。通过大语言模型理解需求、规划目标并执行任务，具备自主理解、感知、规划、记忆和使用工具的能力，能够自动化执行完成复杂任务的系统，其核心特征为主动思考与跨工具操作能力，区别于依赖预设指令的传统人工智能系统。
Agent概念并不是当今的产物，而是伴随人工智能而出现的智能实体化概念不断进化的结果
当AI工具具备以下特征时，就可以将该工具视为AI Agent
- 自治(Autonomy): AI 智能体能够独立执行任务，无需人工干预或输入
- 知觉(Perception): 智能体功能通过各种传感器(如摄像头或麦克风)感知和解释他们所处的环境
- 反应(Reactivity): AI 智能体可以评估环境并作出相应的响应以实现目标
- 推理和决策(Reasoning and decision-making): AI智能体是工具，能够分析数据并做出决策以实现目标，使用推理技术和算法来处理信息并采取适当的行动
- 学习(learning):可以通过机器、深度和强化学习元素和技术来学习和提高他们的表现
- 通信(Communication):AI 智能体可以使用不同的方法与其他智能体或人类进行通讯，例如理解和响应自然语言，识别语言以及通过文本交换信息
- 目标性：实现特定的目标
1.1 AI Agent与大模型的区别
从被动响应到主动行动
大语言模型(LLM)飞速发展，如一开始ChatGPT，GPT-5，到现在的Claude，国内的Kimi3.8，GLM5.3等，已经展现出惊人的语言理解和生成能力，但它们 与Agent之间存在本质区别。首先要明确这一区别，才不会把大语言模型和Agent混淆
大语言模型可以理解为一种被动的响应系统，像一个百科全书一样：它需要用户输入提示(Prompt),然后基于这些提示生成回应，当提示不完整或者不清晰的时候，大模型的回应质量会明显下降，通常需要多轮交互才能得到满意结果。更重要的是，大模型本身无法主动获取外部信息或执行操作
可以理解为大模型本身没有手脚，没有获取外部资料的能力
Agent则是一种主动行动的系统：它只需用户提供目标，就能自主规划和执行达成目标的步骤。Agent会根据任务需求，自主思考、拆解问题、调用工具、获取信息，并最终完成任务
工具使用能力的提升
大模型虽然可以通过特定的提示工程（Prompt Engineering）来”使用工具”，但这种能力是 有限的，且需要精心设计的提示模板。大模型本身并不理解工具的实际功能和使用方法，它只是按照提示中的格式生成看似合理的输出
Agent则将工具使用能力作为其核心特性之一
- 理解各种工具的功能和适用场景
- 根据任务需求选择合适的工具
- 正确构造工具调用参数
- 解析工具返回结果并据此调整后续行动
1.2 Agent、Harness 与模型的关系
2025 年之后，社区逐渐形成一个更精确的说法：用户直接使用的其实不是”Agent”，而是”Harness（运行时/骨架）“
| 层级 | 是什么 | 类比 | 例子 |
|---|---|---|---|
| 模型 (LLM) | 无状态、按轮次生成文本的大脑，本身不是 Agent | 大脑 | Claude, GPT, GLM, Qwen, Kimi |
| Harness | 把模型变成 Agent 的软件层：运行循环、工具执行、上下文管理、权限沙箱、会话持久化、CLI/IDE 界面 | 手脚 + 骨架 | Claude Code, Codex CLI, OpenCode, Gemini CLI, Cline, pi |
| Agent | 模型装进 Harness 后涌现出来的行为能力 | 活的人 | — |
关键认知是：Agent 不是一件产品，而是”模型 + Harness + 工具”组合后涌现的能力。1.1 节说大模型”没有手脚”，Harness 就是补上的那双手脚
这也解释了为什么 Claude Code 可以在 settings.json 里更换 GLM、Qwen、Kimi 等模型：Harness 只认 Anthropic 兼容协议，端点背后接的是哪家模型，Harness 并不关心。模型与 Harness 的分离，是 2026 年 Coding Agent 普遍的架构前提
主流产品因此可以排成一条光谱，越往左自由度越高但越需要自己动手，越往右开箱即用但平台绑定越深：
pi / Agent SDK → OpenCode → Claude Code → Codex / Copilot
极简可魔改 开源全功能 Agent-first 商业 平台化托管第 2 章对比的各种”Coding Agent”，本质上比的都是 Harness 设计，而不是模型本身
1.3 AI Agent该如何分类?
AI Agent（人工智能智能体）的分类并没有绝对统一的标准,有各种分类方式
- 按照技术实现路径分类的
- 按照能力层级和功能定位分类的
- 按照认知与智能程度分类的
- 按照产品使用功能分类
这里把主流的Agent按照工作领域进行分类,方便理解和接受,主要分类三类:Coding Agent,Computer Agent和Research Agent,这些都不是严格分类的,而是为了能快速理解并选择自己快速上手的agent而作区分的
- Coding Agent
Coding Agent有个更准确的名字叫Software Engineering Agent（软件工程智能体）,Coding Agent只是更宽泛的叫法,如CodeX, Claude Code, OpenCode, Cursor,CodeBuddy, Cline, Qoder等
- Computer Agent
这类Agent就如分类名称一样,是用来操作电脑及电脑文件的agent,更适合做个人办公助手,如openclaw, workbuddy
- Research Agent
将 Research Agent（科研智能体）单独划分为一类，主要是因为它在任务复杂度、工作流闭环以及垂直领域的专业性上，与普通的对话型或简单工具型 Agent 有着本质的区别,如GPT Researcher, Consensus等
- 自我进化型通用Agent
Agent Hermes更高的定位是自主执行任务, 跨会话记忆,自动形成skills,根据过去经验持续改进
2025–2026 的真实趋势是边界正在塌缩：Claude Code 能操作浏览器和文件系统，Codex 能跑云端任务，Coding Agent 正在吃掉 Computer Agent 和 Research Agent 的领地, 分类是理解起点，不是产品边界
2. 主流 Agent 对比
| 地区 | Coding Agent | 公司/团队 | 核心定位 | CLI | IDE | Desktop | Web / Cloud | 模型 |
|---|---|---|---|---|---|---|---|---|
| 🇺🇸 海外 | Claude Code | Anthropic | Agent-first Coding Agent | ✅ | ✅ | ✅ | ✅ | Claude |
| 🇺🇸 海外 | Codex | OpenAI | Coding Agent / Agent Platform | ✅ | ✅ | ✅ | ✅ | GPT / Codex |
| 🇺🇸 海外 | Cursor | Anysphere | AI IDE / Coding Agent | ✅ | ✅ 核心 | ✅ | 部分 | 多模型 |
| 🇺🇸 海外 | OpenCode | Open-source | Open-source Coding Agent | ✅ | ✅ | ✅ | — | 多模型 |
| 🇺🇸 海外 | GitHub Copilot | GitHub / Microsoft | AI Coding Platform / Coding Agent | ✅ | ✅ 核心 | — | ✅ | 多模型 |
| 🇨🇳 国内 | Trae | 字节跳动 | AI IDE / Coding Agent | 部分 | ✅ 核心 | ✅ | ✅ | 豆包 / 多模型 |
| 🇨🇳 国内 | Qoder | 阿里巴巴 | Agentic Coding / IDE | ✅ | ✅ 核心 | ✅ | ✅ | Qwen / 多模型 |
| 🇨🇳 国内 | CodeBuddy | 腾讯 | AI Coding Agent / IDE | ✅ | ✅ | ✅ | ✅ | 混元 / 多模型 |
| 🇨🇳 国内 | 通义灵码 | 阿里巴巴 | AI Coding Assistant / Agent | ✅ | ✅ 核心 | — | ✅ | Qwen |
| 🇨🇳 国内 | Kimi Code | 月之暗面 | Agent-first Coding Agent | ✅ | ✅ | — | ✅ | Kimi |
Claude Code、Cursor、Codex, OpenCode 和 GitHub Copilot，是因为这五个agent基本覆盖了当前 AI Coding Agent 最具代表性的几条发展路线：
- Claude Code 代表 Agent-first 的终端/开发工作流，
- Cursor 代表 AI IDE，Codex 代表从 Coding Agent 向多端、云端自主执行发展的路线
- OpenCode 则代表开源、模型无关的 Coding Agent
- GitHub Copilot 最准确的定位: AI Coding Assistant / AI Coding Platform，并逐渐向 Coding Agent 演进。
相比之下，Windsurf、Cline、Kiro、Roo Code、Aider 等产品虽然各有特色，也具有一定的用户基础和技术影响力，但在产品定位上与上述路线存在较多重叠。
2.1 时间线发展历程
Agent 如果按照出现时间 + 产品形态演进来看，其实能非常清楚地看到 AI Coding 从 代码补全 → AI IDE → Coding Agent → Autonomous Coding / Agent Platform 的发展过程
“产品首次出现时间”和“现在的 Agent 形态”不是一回事。例如 GitHub Copilot 很早，但早期并不是现在意义上的 Coding Agent；Claude Code 则是从一开始就更偏 Agent-first
| 时间阶段 | Agent | 公司 | 当时主要形态 | 后来的演进 |
|---|---|---|---|---|
| 2021 | GitHub Copilot | GitHub / Microsoft | AI 代码补全 | → Chat → Agent → Coding Agent |
| 2023 | 通义灵码 | 阿里巴巴 | AI Coding Assistant | → Agent / Coding Agent |
| 2024 | Cursor | Anysphere | AI IDE | → Agentic IDE / Coding Agent |
| 2024 | Cline（非主表） | Open-source | IDE Coding Agent | → CLI / Computer Use / Agent |
| 2025 | Claude Code | Anthropic | Agent-first Coding Agent | → CLI → IDE → Desktop → Cloud |
| 2025 | Codex | OpenAI | Coding Agent | → CLI → IDE → Desktop → Cloud |
| 2025 | Trae | 字节跳动 | AI IDE | → Agentic IDE |
| 2025 | Qoder | 阿里巴巴 | Agentic Coding | → IDE / CLI / Cloud |
| 2025 | OpenCode | Open-source | Open-source Coding Agent | → CLI → IDE → Desktop |
| 2025 | Agent Harness（概念） | 社区共识 | 模型与运行时分层 | → Harness 成为独立产品层 |
| 2025 | pi（非主表） | badlogic / 开源 | Minimal Agent Harness | → 极简可魔改 harness 路线 |
| 2025/26 | CodeBuddy | 腾讯 | AI Coding Assistant / Agent | → CLI / IDE / Desktop / Cloud |
| 2026 | Kimi Code | 月之暗面 | Agent-first Coding Agent | → CLI / IDE / Cloud |
- 2021：GitHub Copilot 最早出现，当时主要功能是 AI 代码补全，后来逐步演进为 AI Coding Assistant / AI Coding Platform，并逐渐向 Coding Agent 演进。
- 2023：通义灵码最早出现，当时主要功能是 AI Coding Assistant，后来逐步演进为 Agent / Coding Agent。
- 2024：Cursor 最早出现，当时主要形态是 AI IDE，后来逐步演进为 Agentic IDE / Coding Agent。
- 2025：Claude Code 和 Codex 最早出现，当时主要形态是 Agent-first Coding Agent，后来逐步演进为 CLI → IDE → Desktop → Cloud
- 2025——OpenCode：开源 Agent Harness
- 2025——Agent Harness 概念主流化：模型可替换、Harness 才是产品本体，逐渐成为社区共识
- 2025——pi：极简、可魔改的 Agent Harness 出现，代表光谱上”自由度最高”的一端
- 2025年国内开始进入Agentic Coding, Trae ≈ 国内 AI IDE / Agentic Coding 路线代表
- 2026年国内开始进入Agent Platform, CodeBuddy ≈ 国内 Agent Platform 路线代表
- 2026年 Kimi Code出现
2.2 不同Agent优劣势
比较之前先明确一点：模型基本都能换（见1.2），所以真正值得比较的是 Harness。不同产品的优劣势，本质上是它在”自由度 ↔︎ 开箱即用”光谱上所选位置带来的取舍
| 决策维度 | 光谱一端 | 光谱另一端 | 带来的取舍 |
|---|---|---|---|
| 模型策略 | Anthropic 兼容协议（默认Claude，可接GLM/Qwen/Kimi） | 原生多 provider | Harness 深度优化 vs 完全自由选择 |
| 产品形态 | CLI-first | IDE-first | 自动化深度 vs 上手门槛低 |
| 执行位置 | 本地/沙箱 | 云端异步 | 数据可控 vs 并行规模化 |
| 开放程度 | 开源自建 | 商业平台 | 隐私可定制 vs 开箱即用 |
| 模型来源 | 单一模型 | 多模型可选 | 体验一致 vs 按需切换 |
Agent-first Harness：Claude Code、Kimi Code
Claude Code 优势
- Agent-first 设计，长任务、跨文件重构、多步骤自主执行是强项
- 终端工作流贴合真实工程环境（git、测试、构建、部署）
- 扩展生态成熟：MCP、skills、subagents、hooks、Agent Teams
- 模型层比想象中灵活：默认跑 Claude 可随时切换，通过
settings.json配置 Anthropic 兼容端点后，可接 GLM、Qwen、Kimi 等国产模型（见 Claude Code + GLM 配置、Claude Code + Qwen 配置） - CLI → IDE → Desktop → Cloud 全形态，路线最完整
Claude Code 劣势
- 接第三方模型依赖端点的兼容层质量，非 Claude 模型未必能跑出原生体验
- 官方订阅、Cloud 能力与 Anthropic 账号生态绑定
- 终端形态对非开发者仍有门槛
- 重度使用（尤其官方模型）成本需要核算
Kimi Code 走的是类似的 Agent-first 路线，复用月之暗面的长上下文积累，模型性价比较高；但产品较新，扩展生态和第三方集成仍在建设中
最适合：专业开发者、大型/遗留代码库维护、想要”一个 harness 换着模型用”的用户
多端云端平台：Codex、CodeBuddy
Codex 优势
- CLI / IDE / Desktop / Cloud 多端同步，云端可并行派发多个任务
- “把任务丢出去、回头验收”的异步工作流，适合任务批处理
- 与 OpenAI 模型及平台生态联动
Codex 劣势
- 闭源单生态，换模型空间不如 OpenCode 这类原生多 provider 产品
- 云端执行涉及代码出域与沙箱权限，企业需做数据合规评估
- Harness 深度定制空间相对有限
CodeBuddy 覆盖 CLI / IDE / Desktop / Cloud 全形态，接混元和多模型，与腾讯云生态协同好，国内可用性强；但形态较新、演进快，深度绑定腾讯生态
最适合：想把重复性任务并行外包给云端的团队、腾讯云/国内企业用户
AI IDE：Cursor、Trae、Qoder、通义灵码
Cursor 优势
- AI IDE 体验最成熟，Tab 补全 + Chat + Agent 三层能力齐备
- 可视化 diff、按块接受修改，上手门槛低
- 多模型可选
Cursor 劣势
- 代码库理解依赖索引，超大仓库效果会打折
- 长链路自主执行、复杂终端操作等深度任务弱于 CLI-first 产品
- 订阅制，重度 Agent 用量下成本需要算账
Trae（字节）：国内可用性和价格友好，豆包/多模型，AI IDE 上手快；复杂英文项目和海外生态相对弱，形态仍在演进。Qoder（阿里）：Agentic Coding 与 IDE 结合紧密，Qwen 系模型协同；产品较新，生态建设中。通义灵码：VS Code / JetBrains 插件形态成熟，免费门槛低，企业渗透好；但 Assistant 基因更重，深度自主任务相对弱，无 Desktop 形态
最适合：IDE 重度用户、中小项目快速迭代、国内环境优先的用户
开源模型无关：OpenCode
优势
- 开源、模型无关：可接本地模型或任意 API，数据不出内网
- 可定制程度最高，适合企业内网部署和二次开发
- 社区迭代快，新模型/新能力跟进积极
劣势
- 没有官方商业支持，配置和维护成本转嫁给使用者
- 体验上限取决于所接模型，换模型就是换体验
- 稳定性、文档、跨版本兼容靠社区保障
最适合：重视隐私和成本控制的企业、有定制能力的团队、想研究 Agent 内部机制的人
平台生态：GitHub Copilot
优势
- 与 GitHub 生态深度集成：Issue → PR → Code Review → Actions 闭环
- 企业采购、安全审计链路成熟，组织级落地阻力小
- 多模型 + 平台能力，适合统一管理
劣势
- Agent 能力是后来演进而来，深度自主任务弱于 Agent-first 产品
- 与 GitHub/Microsoft 平台绑定较深，跨生态灵活性受限
- 产品形态仍在快速变动
最适合：已深度使用 GitHub 生态的团队、需要组织级统一采购和管理的企业
极简 Harness：pi（非主表）
优势
- 核心极小：只保留 agent loop + 基础工具 + 会话管理，一切可 inspect、可 hack
- 模型完全自选，provider 无关
- 是理解”Agent 到底怎么转”的最佳学习材料
劣势
- 需要自己动手，没有商业支持
- 生产使用需自行补齐权限、沙箱、协作等工程化能力
最适合：学习研究、DIY 定制、二次开发自己的 Agent
选型速查
| 你是谁 | 推荐 |
|---|---|
| 国内新手 / 学生 / 不想花钱 | Trae（永久免费，开箱即用） |
| 日常业务开发 / 团队协作 | Codex 或 通义灵码 |
| 大型项目 / 跨模块重构 | Claude Code |
| 不想被任何厂商锁定 | OpenCode |
| 高阶开发者，追求极致可控 | Pi Agent |
| 政企内网 / 国产化替代 / 私有化 | 文心快码 或 CodeBuddy |
| 前端快速原型 / Figma 转代码 | CodeBuddy Craft |
| 长文本需求 / 国产终端 Agent | Kimi Code |
| 想构建自己的 Agent 产品 | DeepSeek Harness |
| 纯编码、预算有限、想用国产模型 | Qwen Code（通义灵码） |
产品形态变化很快，本节比较基于写作时的产品状态，选择时以各家最新文档为准
| 维度 | Claude Code | Codex | OpenCode | Pi Agent | Trae | Kimi Code | CodeBuddy | 文心快码 |
|---|---|---|---|---|---|---|---|---|
| 开发方 | Anthropic | OpenAI | 社区开源 | Mario Zechner | 字节跳动 | 月之暗面 | 腾讯 | 百度 |
| 定位 | 旗舰终端 Agent | 云端异步 Agent | 开源终端 Agent | 极简终端 Harness | AI IDE + Agent | 终端 Agent | AI IDE + Agent | 工程化 IDE 插件 |
| 底层模型 | Claude Opus/Sonnet 系列 | GPT-5.5 / GPT-5-Codex | 75+ 提供商可切换 | 15+ 提供商可切换 | 豆包 Seed + 可接入第三方 | K2.7 Code / K3 | 混元 + DeepSeek | 文心大模型 |
| 模型锁定 | 强绑定 Claude | 默认 OpenAI，可切换 | 完全自由 | 完全自由 | 默认豆包，会员可用第三方 | 绑定 Kimi 系列 | 混元+DeepSeek 双模型 | 绑定文心 |
| 运行方式 | 本地终端 + IDE 插件 | 云端沙箱 + 桌面 App | 终端 TUI + 桌面 + IDE | 终端 TUI | AI IDE（独立应用） | CLI + VS Code 插件 + Web | IDE 插件 + Craft 模式 | IDE 插件 |
| 技术栈 | TypeScript | Rust（96.2%） | Go（Bubble Tea） | TypeScript（自研栈） | — | — | — | — |
| 核心工具数 | 18+ 内置 | 少量核心 | 大量（派生自 CC） | 仅 4 个（read/write/edit/bash） | 内置 SOLO Agent | 终端原生 | 多智能体矩阵（Zulu/Plan/Architect） | Multi-Agent（Zulu/Plan/Architect） |
| 中文适配 | 一般 | 一般 | 取决于所选模型 | 取决于所选模型 | ⭐ 极佳（9.8/10） | ⭐ 优秀 | ⭐ 优秀 | ⭐ 优秀 |
| 国内可用性 | ❌ 需翻墙+海外支付 | ❌ 需翻墙+海外支付 | ✅ 无障碍 | ✅ 无障碍 | ✅ 原生支持 | ✅ 原生支持 | ✅ 原生支持 | ✅ 原生支持 |
| 开源 | 闭源 | 闭源（CLI 部分开源） | ✅ 开源 | ✅ MIT | 闭源 | 部分开源 | 闭源 | 闭源 |
| MCP 支持 | ✅ | ✅ | ✅ | 核心不内置 | ✅ | ✅ | ✅ | ✅ |
| 工作模式 | 人机深度交互 | 云端异步并行 | Plan/Build 双模式 | 极简追加式 | SOLO 自动开发 | 终端对话驱动 | SPEC 规范驱动 | SPEC 规范驱动（SDD） |
| 价格 | Pro $20/月起 | $8-20/月 | 免费，自付模型费 | 免费，自付模型费 | 个人永久免费 | 订阅制（曾暂停个人订阅） | 有免费档，Pro $9.95/月 | 个人完全免费 |
| 最佳场景 | 复杂重构、大型项目 | 批量任务、并行开发 | 不想被锁定、自由选模型 | 高阶开发者、极致可控 | 国内新手、中文项目、零基础 | 长文本项目、国产终端 Agent | 前端/全栈快速原型、Figma 转码 | 企业级、安全合规、政企 |
2.3 主流 Computer Agent：OpenClaw、WorkBuddy
1.3 节提到的 Computer Agent，主战场不是代码仓库，而是你的整台电脑和消息渠道：操作文件、驱动浏览器、收发消息、处理日程。用 1.2 的视角看，它们其实是另一种 Harness——把 Agent Loop 的工具集从”读写代码、跑命令”扩展成了”操作电脑”
OpenClaw：自托管路线
OpenClaw 是一个开源、自托管的 AI 网关，把聊天应用（Telegram、Discord、WhatsApp、iMessage、飞书等）连接到 pi 等 AI 代理，让助手常驻在你的消息渠道里。项目经历了一次品牌演变：Clawd → OpenClaw
核心架构：Gateway-Node-Canvas 三层
| 层 | 角色 | 说明 |
|---|---|---|
| Gateway | 控制平面（神经中枢） | Node.js v22+ 长驻守护进程，所有外部通信与内部逻辑的总线；默认只绑定 127.0.0.1:18789，外部访问必须走 SSH / Tailscale 等安全隧道 |
| Nodes | 感知触手 | 多设备接入与远程触达的入口 |
| Canvas | 交互界面 | 面向用户的操作与展示层 |
另有一套跨平台记忆系统：多 Agent 按工作区与会话隔离，支持长期记忆同步
优势
- 开源、本地优先：数据、密钥、Gateway 全部在自己手里，自带设备（BYOD）模式
- 多渠道统一入口：一次配置，Telegram / Discord / 飞书等多平台共用同一个助手
- 多智能体：可创建多个专职 Agent（如 coder），工作区与会话互相隔离
- 技能生态：ClawHub 第三方 Skills、浏览器自动化、本地文件操作、定时任务
- 模型无关：可接通义千问/百炼、Qwen Code、本地模型
劣势
- 自托管有门槛：Node.js 环境、进程守护、安全隧道都要自己运维
- 消息渠道配置繁琐：Discord / 飞书的后台建应用、事件回调设置步骤多
- 安全责任自负：Agent 能碰本地文件和浏览器，权限边界必须自己管好
- 无商业支持，排障依赖文档和社区
最适合：想要私有部署、数据不出本地、把 AI 常驻进聊天工具的个人开发者和极客团队
安装与架构详见 OpenClaw 安装指南 与 使用与原理解析，模型接入见 OpenClaw + Qwen，飞书接入见 OpenClaw + 飞书
WorkBuddy：开箱即用路线
WorkBuddy 走的是与 OpenClaw 相反的一端：面向个人办公的成品 Computer Agent，主打文档、表格、邮件、日程等日常办公任务的自然语言自动化，用户不需要关心部署和模型配置
优势：上手门槛低，开箱即用；贴合办公场景，任务模板化；有官方维护和商业化支持
劣势：数据和运行都在平台侧，可控性不如自托管；深度定制空间有限；与具体办公套件生态绑定较深，跨平台能力受限（具体功能以官方最新说明为准）
最适合：不想折腾部署、只需要把日常办公琐事自动化的普通用户
两条路线怎么选
| 维度 | OpenClaw | WorkBuddy |
|---|---|---|
| 部署方式 | 自托管（VPS/本地） | 开箱即用 SaaS |
| 数据归属 | 完全在自己手里 | 平台托管 |
| 接入渠道 | 消息应用多渠道 | 办公套件场景 |
| 定制能力 | Skills/多 Agent 深度可定制 | 相对有限 |
| 使用门槛 | 需要运维能力 | 低 |
| 适合人群 | 开发者/极客/隐私敏感用户 | 普通办公用户 |
正如 1.3 节的提醒：Computer Agent 与 Coding Agent 的边界正在融合——Claude Code 能操作浏览器和文件系统，OpenClaw 也能接 pi 跑编码任务。分类型是理解起点，不是产品边界