系列文章（1/4）| 作者：Allen | allen00.top
2026 年，打开任何一场 AI 发布会，你都会听到"Agent"这个词。OpenAI 发了 Codex，Anthropic 推了 Claude Code，开源社区冒出了 OpenClaw。大厂小厂都在喊"我们做了 Agent"。
但我跟身边的产品经理、开发者聊下来，发现大部分人对 Agent 的理解是错的。
有人觉得 Agent 就是更聪明的 ChatGPT。有人觉得是自动化脚本套了个 AI 壳子。还有人觉得跟 Siri 差不多，只是回答更准了。
都不是。差远了。
我过去几个月同时用着 Claude Code、OpenAI Codex 和 OpenClaw 三款产品——用 Claude Code 重构了一整个前端项目，用 Codex 同时跑五六个编程任务，用 OpenClaw 管日程、写文章、半夜帮我跑定时脚本。这篇文章不讲论文，不堆术语，就从我的真实使用体验出发，把 Agent 这件事说清楚。
一、AI 能力的三个层级
要理解 Agent，得先搞清楚它跟之前那些 AI 产品有什么本质区别。我把 AI 的能力分成三层，从低到高。
第一层：Chatbot——只能说，不能做
这是大部分人最熟悉的 AI 形态。你问一个问题，它给一个回答。再问，再答。就是一问一答的循环。
打个比方：Chatbot 就像一个只会"口头建议"的顾问。你问他"这面承重墙能不能拆？"他给你分析一堆结构力学原理，说得头头是道。但他绝不会帮你去查图纸、找结构工程师确认、写变更申请单。
动嘴不动手。
我之前经常用 ChatGPT 网页版查技术方案。它确实能给出不错的思路，但每次我都得自己去执行——自己打开编辑器改代码、自己去跑命令验证、自己去搜索补充信息。它就像一个坐在旁边的参谋，说完就完了，剩下全靠你。
代表产品：ChatGPT 网页版、豆包、Kimi 的基本聊天模式。所有操作都局限在"对话框"里，它碰不到你的文件、打不开你的浏览器、发不了你的邮件。
第二层：Copilot——被动辅助，你得一直盯着它
比 Chatbot 进了一步。它不只是聊天，还能在你工作的时候实时帮忙。你写代码，它帮你补全下一行；你写文档，它帮你润色措辞。
但关键词是"辅助"。你在前面开车，它坐副驾驶帮你看导航、递水杯。方向盘始终在你手里。
我用 Cursor 写代码的时候感受很明显。它能帮我补全函数、生成测试用例，有时候甚至能猜到我接下来要写什么。挺爽的。但你不能把一个完整的需求扔给它就去吃饭了——回来大概率发现它在原地等你下一步指令。它需要你一直在场，一直引导。
代表产品：GitHub Copilot、Cursor、Office Copilot。能力边界很清楚：辅助写代码、辅助写文档、辅助分析数据。注意，都是"辅助"。
第三层：Agent——给目标，自己规划执行
这一层跟前两层完全不同。
你不再需要一步步告诉它做什么。你给一个目标——"帮我把这个 bug 修了""帮我写一篇关于 MCP 协议的技术博客""每天早上 9 点帮我检查 GitHub 通知"——然后它自己想办法完成。
自己拆任务、自己找工具、自己执行、遇到问题自己调整方案。
还是用建筑行业类比：Agent 相当于项目经理。你说"这栋楼下个月底要封顶"，怎么排工期、怎么调材料、怎么协调各工种、下雨了怎么调整计划，他自己搞定。你只需要在关键节点审核一下。
代表产品：Claude Code、OpenAI Codex、OpenClaw。
我第一次真正感受到 Agent 的威力，是用 Claude Code 重构一个前端组件。我只说了一句"把这个 class 组件改成 hooks"，它自己读了整个文件、分析了依赖关系、改了代码、跑了测试、发现一个类型错误又自己修了。整个过程我就看着它干，像看一个程序员在 pair programming。
我每天用的 OpenClaw 更夸张。大模型做大脑，文件系统和浏览器做手脚，记忆文件做长期记忆。给它一个目标，它自己拆步骤、一步步执行、遇到问题自己调整。有时候半夜它还在帮我跑定时任务，早上醒来看到它的工作日志，有种"这家伙比我还勤快"的感觉。
还有一个容易搞混的：Workflow
聊 Agent 之前，得把 Workflow 也拎出来说一下，因为这两个概念经常被混用。
| Chatbot | Copilot | Agent | Workflow | |
|---|---|---|---|---|
| 交互方式 | 一问一答 | 你做它辅助 | 给目标自己规划 | 触发后自动运行 |
| 适合场景 | FAQ、内容生成 | 编码、写作辅助 | 复杂开放任务 | 标准化重复任务 |
| 类比 | 顾问（动嘴） | 副驾驶（你开车） | 项目经理（自己干） | 流水线（预设好的） |
| 代表产品 | ChatGPT、Kimi | Cursor、Copilot | Claude Code、Codex | Dify 工作流、Zapier |
简单说：Workflow 的流程是你提前画好的流程图——第一步做什么、第二步做什么、遇到 A 走左边、遇到 B 走右边，全部预定义。像工厂流水线，效率高但不灵活。
Agent 不一样。同样一个任务，它可能今天走 A 路线，明天发现 B 路线更好就换了。像一个活人在做判断。
我自己的经验是：固定流程用 Workflow，比如"每天早上抓取 10 个网站的新闻，按分类整理到数据库"；开放任务用 Agent，比如"帮我研究一下竞品的最新动态，写一份分析报告"。实际工作中两者经常配合——Agent 负责思考和决策，Workflow 负责执行标准化的子流程。
二、Agent 的核心公式
说了半天 Agent 能做什么，现在拆一下它到底是怎么工作的。
一个公式：
智能体 = LLM + 观察 + 思考 + 行动 + 记忆
五个要素，缺一个都跑不起来。我拿自己的使用经验逐个说。
LLM（大脑）
大语言模型是 Agent 的核心引擎。它负责理解你的意图、分析当前状况、决定下一步做什么。没有 LLM，Agent 就是一堆 if-else 脚本——2023 年那批 AutoGPT 类项目之所以不好用，很大程度上就是因为当时的模型推理能力撑不起复杂的任务规划。
但 LLM 本身只会"想"，不会"做"。就像一个大脑离开了身体，再聪明也只能在脑子里转。
观察（感知环境）
Agent 需要"眼睛"和"耳朵"。它要能读取文件内容、浏览网页、接收用户消息、查看命令执行结果。
我用 Claude Code 的时候感受很深：它在改代码之前，会先把相关文件全读一遍，搞清楚项目结构和依赖关系，然后才动手。没有这个观察步骤，它就是闭着眼睛写代码，写出来的东西大概率跑不通。
思考（分析决策）
拿到观察结果后，Agent 要分析：现在进展到哪一步了？下一步该做什么？之前的方案还行不行？需不需要调整？
这一步是 Agent 跟 Workflow 的核心区别。Workflow 不思考，按预设路径走。Agent 每一步都在重新评估。我见过 Claude Code 在修 bug 的时候，试了第一种方案发现不行，自己回退代码换了另一种思路——这种"遇到问题自己调整"的能力，就是思考在起作用。
行动（调用工具）
想好了就动手。Agent 通过调用工具来执行操作：读写文件、运行命令、发送消息、搜索网页、调用 API。
工具是 Agent 的"手脚"。工具越多，Agent 能做的事越多。这也是为什么 MCP（Model Context Protocol）这个工具连接协议这么重要——它让 Agent 能标准化地接入各种工具，写一次适配，所有支持 MCP 的 Agent 都能用。就像 USB-C 统一了充电接口。
记忆（经验积累）
人如果每天醒来都忘了昨天发生的事，没法正常生活。Agent 也一样。
记忆分两种：短期记忆是当前对话的上下文（聊到一半它还记得前面说了什么），长期记忆是写在文件里的经验总结。我用的 OpenClaw 有一个 MEMORY.md 文件，Agent 会把重要的事情记在里面——我的写作风格偏好、常用的项目路径、上次犯过的错误。下次醒来先读这个文件，就知道之前发生了什么。用了两个月后，它明显比刚开始更懂我了。
这五个要素组合在一起，形成了一个不断循环的工作流——Agent Loop：
↻ 未完成则回到"感知输入"，继续循环直到任务结束
用一个真实场景串起来
这不是假设——我真的让 OpenClaw 帮我写过一篇关于 MCP 协议的技术博客。整个过程是这样的：
它先读了我网站上已有的几篇博客，搞清楚我的写作风格（口语化、爱用类比、段落短）。然后搜索了 MCP 的最新资料，读了 Anthropic 的官方文档和几篇技术分析。接着规划了文章结构，写了初稿，保存到文件里。写完还自己检查了一遍，发现有个版本号写错了，又去官网核实后改过来。最后把写作经验记到了 MEMORY.md 里，说"Allen 喜欢用生活类比解释技术概念"。
整个过程大概跑了十几轮"感知→思考→行动"的循环。中间搜索结果不好，它自己换了关键词重新搜；写到一半发现结构不对，它自己回头调整了大纲。
这就是 Agent 跟 Workflow 的本质区别——它不是按固定脚本走，而是在不断地感知、判断、调整。像一个活人在做事。
三、三款 Agent 产品速览
理论说完了，来看看实际产品。我挑了三款我真正在用的 Agent 产品，风格完全不同，正好代表了 Agent 产品设计的三种思路。
Claude Code（Anthropic）
一句话定位：开发者的终端 AI 搭档。
Claude Code 是 Anthropic 做的命令行 Agent。打开终端，输入 claude，就进入了一个 AI 驱动的编程环境。
你可以跟它说"帮我把这个函数重构一下"或者"这个测试为什么失败了"，它会自己去读代码、分析问题、改代码、跑测试，直到搞定。
我用了一个多月，最深的感受是：它特别"专注"。一次只做一件事，但做得很深。有一次我让它重构一个 200 多行的 React 组件，它先花了好几分钟读完所有相关文件，理清了 props 传递链路，然后才开始改。改完还自己跑了测试，发现一个 edge case 没覆盖到，又补了一个测试用例。整个过程像看一个沉浸在心流状态的程序员。
但它也有让我抓狂的时候。有时候它会过度谨慎，一个简单的改动也要问你"确定要执行吗？"。还有就是它只能在终端里用，关了终端就停了，没法后台运行。你不能说"帮我把这个需求做了，我先去开会"——它需要你在场。
核心特点：
- 单会话深度工作，一次专注一个任务
- 权限控制严格，敏感操作会先问你
- 有项目记忆（CLAUDE.md），能记住项目的约定和偏好
- 工具丰富：读写文件、执行命令、搜索代码、浏览网页
适合谁：程序员、技术产品经理、需要 AI 帮忙写代码和调试的人。
OpenAI Codex
一句话定位：云端并行编程 Agent。
Codex 是 OpenAI 在 2025 年 5 月推出的编程 Agent。跟 Claude Code 最大的区别是：它跑在云端。
你在 ChatGPT 的侧边栏里点"Codex"，给它一个任务，它就在云端的沙盒环境里开始干活。每个任务有自己独立的环境，预装了你的代码仓库。
最让我兴奋的是并行能力。有一次我同时开了四个任务——修一个 CSS 布局 bug、给一个 API 加参数校验、写一组单元测试、审查一个同事的 PR。四个任务在四个独立沙盒里同时跑，互不干扰。我去倒了杯咖啡回来，三个已经做完了，第四个正在跑测试。这种体验 Claude Code 给不了，因为它一次只能做一件事。
底层用的是 codex-1 模型，基于 o3 针对编程场景优化的版本。说实话，单任务的代码质量我觉得 Claude Code 略胜一筹，但 Codex 赢在吞吐量——适合那种"手头一堆活要同时推进"的场景。
Codex 有三种使用方式：
- Web 版：在 chatgpt.com/codex 里用，最方便
- CLI 版：在终端里用，
npm install -g @openai/codex，开源的 - IDE 插件：在 VS Code、Cursor 里直接用
跟 GitHub 的集成很深——你可以在 GitHub Issue 或 PR 里 @codex，它就会自动创建任务去处理。这个功能对团队协作特别有用。
适合谁：需要同时处理多个编程任务的开发者，已经在用 ChatGPT 的团队。
不足：主要面向编程场景，不像 OpenClaw 那样能管生活。需要 ChatGPT Plus 或以上的订阅，成本不低。
OpenClaw（开源）
一句话定位：全场景 AI 管家。
OpenClaw 跟前两个画风完全不同。它不只是编程工具，更像一个 24 小时在线的 AI 管家。
我把它部署在一台腾讯云 2C4G 的机器上，然后通过 QQ 跟它对话。飞书、钉钉、企业微信、Telegram、Discord 也都支持，你用什么聊天工具就接什么渠道。
它能做的事情远超写代码。举几个我日常真实在用的场景：
- 每天早上自动检查 GitHub 通知，有重要的 PR 会主动提醒我
- 帮我写博客文章——你现在看的这篇，初稿就是它帮我起的
- 管理日程提醒，到点了在 QQ 上 ping 我
- 半夜帮我跑定时任务，早上醒来看工作日志就行
- 搜索资料、整理信息、生成报告
最让我觉得有意思的是它的"自我进化"能力。它有一套记忆系统——MEMORY.md 存长期记忆，每天的工作日志存在 memory/ 目录下，还有 SOUL.md 定义它的"性格"。刚开始用的时候，它的回复比较生硬。用了两个月后，它知道我喜欢简短直接的回答、知道我的项目结构、知道我写文章爱用类比。这种"越用越懂你"的感觉，是 Claude Code 和 Codex 给不了的。
它还有心跳机制——不是你找它它才响应，它会主动定期检查有没有需要处理的事情。有一次我忘了一个会议，它在 QQ 上提醒了我。那一刻我觉得这东西是真的有用，不是玩具。
适合谁：想要一个全天候 AI 助手的人，愿意折腾部署的技术爱好者。
不足：需要自己部署服务器，配置门槛比较高。不像 Claude Code 和 Codex 那样开箱即用。但如果你愿意花半天时间搞定部署，回报是很值的。
三者对比
| Claude Code | OpenAI Codex | OpenClaw | |
|---|---|---|---|
| 定位 | 终端编程 Agent | 云端并行编程 Agent | 全场景 AI 管家 |
| 运行方式 | 本地终端 | 云端沙盒 | 自部署服务器 |
| 核心场景 | 写代码、调试 | 并行编程任务 | 编程+生活+工作 |
| 模型 | Claude 系列 | codex-1（o3 优化） | 任意模型（可切换） |
| 并发能力 | 单任务 | 多任务并行 | 子代理并行 |
| 开源 | 否 | CLI 开源 | 完全开源 |
| 上手难度 | 低 | 低 | 中高 |
四、为什么 2026 是 Agent 元年
Agent 的概念不是今年才有的。2023 年 AutoGPT 在 GitHub 上两周拿了 10 万 star，全网都在喊"自主 AI 来了"。但实际用过的人都知道，那时候的 Agent 基本是玩具——GPT-4 的推理能力撑不起复杂任务规划，让它自己拆步骤经常跑偏到离谱的方向，工具调用十次能失败三次。
2026 年不一样了。三个条件在过去一年里同时成熟，形成了一个临界点：
第一，模型能力到位了。 2025 年是模型能力爆发的一年。Anthropic 发了 Claude 3.5 和 Claude 4 系列，推理能力比 Claude 3 提升了一个量级；OpenAI 的 o3 模型在编程基准测试 SWE-bench 上的通过率从之前的 30% 出头飙到了 70% 以上；Google 的 Gemini 2.0 也在多步推理上有了质的突破。这意味着模型终于能"想清楚再动手"了——理解复杂指令、做多步规划、执行过程中发现错误自己纠正。这是 Agent 能自主干活的基础。
第二，工具标准化了。 2024 年底 Anthropic 发布了 MCP（Model Context Protocol）协议，这是一个转折点。以前每个 AI 产品接工具都要写一套定制代码，A 产品的插件 B 产品用不了。MCP 定义了一套统一标准——写一次适配，所有支持 MCP 的 Agent 都能用。到 2025 年底，MCP 生态已经有上千个工具服务，从数据库查询到日历管理到代码部署，几乎覆盖了开发者的日常需求。就像 USB-C 统一了充电接口，MCP 统一了 AI 的工具接口。
第三，产品形态成熟了。 2025 年 2 月 Claude Code 发布，5 月 Codex 上线，开源社区的 OpenClaw 也在同期成型。这三款产品证明了 Agent 不再是实验室里的 demo，而是能真正用起来、每天用、离不开的工具。它们各自找到了自己的场景和用户群，形成了差异化的产品定位。
但我也想说一句清醒话：Agent 不是万能的。
你只是想问个问题？Chatbot 就够了。想让 AI 帮你补全代码？Copilot 就够了。流程是固定的？Workflow 更可靠。Agent 的价值在于处理那些"开放性的、需要灵活应对的、中间可能出各种状况的"复杂任务。如果你的需求很明确、流程很固定，用 Agent 反而是杀鸡用牛刀。
接下来
这是系列文章的第一篇，算是把 Agent 的基本概念和产品格局理清楚了。后面三篇会逐步深入：
- 第二篇：拆解 Claude Code、Codex、OpenClaw 的底层架构——它们到底是怎么实现"自主干活"的？Agent Loop 怎么转？工具系统怎么设计？记忆机制怎么做？
- 第三篇：产品经理视角的 Agent 设计心得——做 Agent 产品要想清楚哪些问题，踩过哪些坑
- 第四篇：实战操作指南——手把手教你用这三款产品，从安装到上手到日常使用
对技术架构感兴趣的直接等第二篇。产品经理跳第三篇。想赶紧上手用的跳第四篇。
Allen | AI 产品经理 | allen00.top