三部曲分为：
- CC Mindset
- CC Setup
- CC Showcase
零、名词解释
- Agents：代理是指那些使用仅解码Trasformer语言模型作为大脑的，具有丰富且自由的操作能力的人工智能助手。常见的操作能力有：网络搜索、查看和修改本地文件等。对应具身智能，Agent是在虚拟空间的机器人。
- 人择：Anthropic PBC 是一家美国的人工智能公司，他们发布的 Claude 系列模型受益于他们收到广泛关注的 Claude Code 是当前最流行的 Agentic LLM 之一。
- CC：全名 Claude Code，是人择推出的一款 Coding Agent 产品，最初是 Cursor 的竞品，主要的目标客户群是程序员。在 OpenClaw 走红后，CC正在以新的形态和角度被对待。
一、为什么我们应该使用 Agents
你看你人活的不像人 鬼才敲了门 —— 《地下通道》
- 无需紧张：人类学家项飙在上个月的访谈中谈到，现在 AI 正在强迫着人们活得更像一个人。现在是 Agentic AI 的时代，因为我们有足够强的 LLM 帮助我们操作。之前，很多公司的产品由于没有足够好的模型支持失败了，由于模型能力已经本质上获得了提升，从现在开始这些基于模型的 Agentic 功能的产品应该会越来越多，CC为这些产品建立了标准。我很有信心现在的 AI 模型会越来越好，所以从现在开始，是时候 All in Agentic AI 了。当然，我理解 LLM 有一些本质的问题，就像 Yann LeCun 团队的观点，语言是一个接口而不是思考工具，有很多论文证明了这一点，我就不赘述了。
- 万里挑一：AI 已经足够博学，并且有服务性人格加持，这让它比大多数人都强。跟 AI 多说话比跟人说话效率高得多，所以跟 AI 交流的时间是更值得投入的。如今，像 Scale AI 这样的公司聘请市场上最优秀的人才来帮助他们建造数据集来用于模型 Alignment 以及模型评估。我们应该意识到，这是一个巨大的杠杆，并且它不会一直存在。如果有一天模型公司意识到大语言模型已经无法进一步提升能力，或者大多数人能意识到其已经足够强大可以扩展出足够有生产力的应用，那我们的杠杆就结束了。
- 丢了什么：在我们发现我们过度使用 AI 丧失了一些人性之前，先让自己达到这个状态，而不是防御。达到这个状态之后，再重新思考，哪些内容是真的适合自己的，哪些工作流程是适合自己的。
- 主动下注：虽然 LLM 有大量已知问题，但是我们总得赌点什么。除了明天能睡得醒之外，我们也应该做一些别的赌注，而且最好是意识的。CC可以极大程度降低你实现目标的速度和成本，让你的生活中存在更多选择。
二、我们有哪些选择，为什么要选择CC？
The more you buy, the more you save —— Jensen Huang 黄仁勋 (NVIDIA GTC 2018)
| 特性 | Claude Chat | Claude Code | Cursor | Manus | OpenClaw | CoPaw/AgentScope |
|---|---|---|---|---|---|---|
| MCP 支持 | ✅ | ✅ | ✅ | ✅ | ⚠️ | ✅ |
| 记忆系统 | ✅ | ✅ | ⚠️ | ✅ | ✅ | ✅ |
| 上下文管理 | ⚠️ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 拟人交互 | ⚠️ | ✅ | ⚠️ | ✅ | ✅ | ⚠️ |
| 执行环境 | ⚠️ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 多Agent协作 | ❌ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 插件生态 | ✅ | ✅ | ✅ | ✅ | ✅ | ⚠️ |
| 容器隔离 | ✅ | ✅ | ✅ | ✅ | ⚠️ | ✅ |
| 容器管理 | ❌ | ⚠️ | ✅ | ✅ | ⚠️ | ✅ |
| Web 搜索 | ✅ | ✅ | ⚠️ | ✅ | ✅ | ⚠️ |
| 文件输出 | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 异步执行 | ❌ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 开源 | ❌ | ⚠️ | ❌ | ❌ | ✅ | ✅ |
| 多模型支持 | ⚠️ | ⚠️ | ✅ | ✅ | ✅ | ⚠️ |
表一：当前市场中的人工智能代理对比表；注：本表更新于 2026 年 3 月，信息具有时效性。每一格的详细说明见文末「附录：对比表详情」。
- 人择正在补贴你：花的越多，赚得越多。每支出1美元，你就能获得约14美元的补贴，因为你会获得约15美元的服务内容。综合计算下，CC的订阅成本是API使用成本的不到7%。也就是你花100美元订阅Claude 5x Max Plan，你将会获得等值~1500美元的资源用量。参考：https://she-llac.com/claude-limits 考虑到 Manus 是一个如此昂贵的应用，你问一个问题的成本可能高达5~10美元，如果有任何一个人像你推荐 Manus，那么你可以知道是时候像TA推荐CC了。目前CC还施行了限时的闲时优惠，在闲时使用将会获得免费的加倍用量。
- 没有竞品：CC是市面上支持最全面的 Agent 框架之一，本身在功能上没有明显的短板。不论是Manus还是OpenClaw，不可否认的是他们有很好的 Vision，但是从特性和能力的角度来说，他们没有明显的优势。可以从表格中看出，CC拥有所有功能，唯一的缺点是只能使用Claude系列模型——但这在我看来其实是一种优点，没有任何一个其他模型目前可以生成自己完全击败了 Opus 4.6，如果他们这么说，那么他们是在说谎。更新：在3月27日，人择释出了关于 Claude Mythos 这个新模型的讯息，暗示了这将会是一次巨大的提升。考虑到人择历史上在产品性能上的营销品味和 OpenAI 大相径庭，这种陈述相当令人振奋。这印证了我的猜测，即 LLM 虽然有本质上的问题，但是它作为一个生产力工具已经足够强大，而且会越来越强大，未加定语的 Scaling Law 还没有结束。
- CC已经足够强大：你能做的事情，大多数CC都能做。包含整理资料、修改简历、帮你找工作、帮你填写表格、炒股、规划日程…。我们其实更应该说CC做不到什么，它无法做出决定和承担责任，你仍然需要为你自己负责。我的理解里面CC应该已经可以做任何事情。更别说最近CC更新了 Computer Use，会变得更加强大。CC一直是Agentic AI的引领者，在过去是，未来也是。所有和Agentic AI相关的策略都是他们第一个大面积应用的，例如Skills，MCP等。2026年初的软件股崩溃，我想大概率也是因为有人发现，如果我们有了CC这样的Agent，谁还需要APP呢？我们自己写一个不香吗？一个AI找工作的APP在市场上可以定价到20美元一个月，但是你自己用CC来做，只可能做的更好，并且也可以在几个小时以内做出前端页面。
- CC做对了什么：
- 为什么应该选择 Agentic RAG 而不是 基于嵌入的RAG？
- 为什么应该专注于模型的操作能力，而不是基于模型记忆推理能力？
- （此段暂略）
- 为什么不是 CodeX：没有特别的原因，目前 CodeX 是对 token 用量最慷慨的订阅套餐，比 Claude Code 还要省钱。这两者本身没有本质的区别，所以我甚至推荐读者自己去用类似的思路尝试 CodeX；另外的一个优点是，目前 CodeX 对套餐的 OAuth 认证仍然睁一只眼闭一只眼，所以我们可以几乎合法的将其包装为一个 API 端口，引入 CC 或者 OpenClaw。但总之，这种临时策略总有一天会关闭的，所以最终两者应该会有一个比较接近的用量比例，所以我们其实是在选择模型，我个人对与 Opus 模型的印象更好。我对于其他人是用什么模型没有什么控制欲，所以我也不会做任何推荐。但是有一点需要提示：不要用太差的模型并给与大量危险权限，这会让你有可能失去任何东西，有可能是你的所有数据，也有可能是你的银行余额。我需要再强调一次，这是真的，不是骇人听闻。
三、LLM有哪些问题
注：本段未完待续
- Lost in the Middle
- Hallucination
- Verification Theater
- Anchoring Bias
- Context Window Degradation
- Multi-Agent Decomposition
- Sycophancy
- Self-Evaluation Failure
- Instruction Drift
- Over-Engineering / Verbosity Bias
- Delegation Precision
- Chain-of-Verification
四、为什么要尽早开始
- 磨合期：跟 Claw 一样，CC 也需要磨合。一开始你可能会觉得这东西非常难用，但是慢慢的你会理解，Agent擅长做什么，以及什么时间你应该去自己验证，而不是依靠Agent。理解模型的限制，理解我们需要多次验证和确认模型的输出，真正阅读这些输出，并且提出质疑，然后让模型反思，并且记录下来这些偏好，这很重要。[PAPER] 大量论文使用了类似的方案进行非参数学习，在真实的任务上反思，让模型通过这种方案对特定类型任务收敛到最佳的提示词。例如经过一个星期的编程任务，你可能会发现模型会过度依赖参数中的记忆，来选择技术栈，那么你就应该考虑在记忆文件中写类似"每次讨论技术栈都应该参考最新日期的最优实践"。
- 敬酒不吃吃罚酒：由于现在的AI能力已经强大到一定程度，无法忽视的程度。如果现在不加入，之后可能就是被迫加入了。考虑到程序员在语言模型的性能飙升之前还是一个被广泛认为是高薪体面的工作，而现在语言模型已经可以帮助资深程序员完成工作中的至少一半工作。
五、应该怎么用 CC
- 什么样的任务是最合适的：我们一定要确保 Human in the loop 我们注意到软件其实就是标准的 HITL 的实践，特别是半自动化的软件。例如找工作，你还是得自己投简历，他们只是可以帮你找到合适的岗位。
- 如果你需要更多的动力：安德烈·卡帕西 在视频博客 No Priors 中说，在12月后已经没有学过一行正经的代码了。他把自己对于 Agents 的态度描述为"精神错乱"，这是我见过最棒的一个词，我觉得这完全描述了当下那些愿意投入时间使用 Claw-like Agent 的人群的状态。顺带一提，这个视频博客值得一看。只要想想就很兴奋，现在我们需要等待20分钟才能完成的事情，在未来只需要一秒钟就可以完成。因为总有一天，TPS会变得非常高，以至于任何复杂的任务都可以在几秒之内被解决，而不是像现在一样你需要在电脑前面等待十几二十分钟，为了一个可能甚至不那么完美的回复。
- 非主流的思考：
- 由于 Agent 的介入，未来的世界会更加市场化。因为没有人再可以躲在镜子后面，通过自己的手段来欺骗任何人。没有人会因为审阅人看不懂自己的论文而被拒绝。
- UI可以通过Agent设计，来集成多个来源，形成统一的面板；后端可以直接用Agent代替。
- AutoResearch：明白我们应该如何 Measure，变得更重要，是至关重要的。
- 使用不同的后缀名，不要使用md，md是给人看的。
这是我的 Agent 系列博客中的第一个系列，期待你们的反馈。
最后一次更新：2026年4月16日 23:40 海德堡
附录：对比表详情
MCP 支持
- Claude Chat: ✅
- Claude Code: ✅ 一等公民（stdio/SSE/HTTP + OAuth + Elicitation）
- Cursor: ✅
- Manus: ✅ 预置 + 自定义
- OpenClaw: ⚠️ mcporter 桥接（明确拒绝核心内置）
- CoPaw/AgentScope: ✅ 原生 + ReMe MCP
记忆系统
- Claude Chat: ✅
- Claude Code: ✅ CLAUDE.md + AutoMemory + Rules + SessionMemory
- Cursor: ⚠️ Rules / .cursorrules
- Manus: ✅ 自适应学习
- OpenClaw: ✅ 持久记忆（pluggable system prompt）
- CoPaw/AgentScope: ✅ ReMe 四层记忆（最精细）
上下文管理
- Claude Chat: ⚠️ 基础
- Claude Code: ✅ 代码库索引 + 1M 上下文
- Cursor: ✅ 嵌入式索引
- Manus: ✅ 多 Agent 规划
- OpenClaw: ✅ 混合 RAG（Vec + FTS5 + MMR + 查询扩展）
- CoPaw/AgentScope: ✅ Working Memory 卸载（-81%）
拟人交互
- Claude Chat: ⚠️ Computer Use（Beta）
- Claude Code: ✅ Computer Use（Beta）
- Cursor: ⚠️ MCP 浏览器
- Manus: ✅ 原生 + 桌面端 My Computer
- OpenClaw: ✅ 原生
- CoPaw/AgentScope: ⚠️ browser-use 集成
执行环境
- Claude Chat: ⚠️ 云端沙箱
- Claude Code: ✅ 用户本地 PC
- Cursor: ✅ 本地 + Cloud Agent
- Manus: ✅ 云 VM + 桌面端
- OpenClaw: ✅ 用户本地
- CoPaw/AgentScope: ✅ 本地 / Docker / K8s / Serverless
多 Agent 协作
- Claude Chat: ❌
- Claude Code: ✅ Task + AgentTeams（实验）
- Cursor: ✅ Subagents + Automations
- Manus: ✅ Wide Research
- OpenClaw: ✅ 成熟子代理（spawn / focus / 嵌套）
- CoPaw/AgentScope: ✅ MsgHub + Pipeline + Actor 分布式
插件生态
- Claude Chat: ✅ 内置连接器
- Claude Code: ✅ 13+ Plugins + MCP 生态
- Cursor: ✅ Marketplace（30+ 新插件）
- Manus: ✅ 内置集成
- OpenClaw: ✅ 3,200+ Skills（ClawHub 优先于 npm）
- CoPaw/AgentScope: ⚠️ MCP + 自定义 Skill
容器隔离
- Claude Chat: ✅ 云端隔离
- Claude Code: ✅ Sandbox + iptables + Worktree
- Cursor: ✅ Cloud Agent 独立 VM（自托管）
- Manus: ✅ 独立 VM
- OpenClaw: ⚠️ Docker 沙箱（大量安全加固 + 外部审计）
- CoPaw/AgentScope: ✅ 7 种 Sandbox（Runtime）
容器管理
- Claude Chat: ❌
- Claude Code: ⚠️ Worktree 隔离
- Cursor: ✅ Cloud Agent VM
- Manus: ✅
- OpenClaw: ⚠️
--containerCLI - CoPaw/AgentScope: ✅ K8s + Serverless + 中断恢复
Web 搜索
- Claude Chat: ✅
- Claude Code: ✅ WebSearch + WebFetch
- Cursor: ⚠️ MCP 实现
- Manus: ✅ 自主浏览
- OpenClaw: ✅ DuckDuckGo + Exa 内置
- CoPaw/AgentScope: ⚠️ Tool 集成
文件输出
- Claude Chat: ✅ 专业文档
- Claude Code: ✅ 代码文件
- Cursor: ✅ 代码文件
- Manus: ✅ 多格式
- OpenClaw: ✅
- CoPaw/AgentScope: ✅
异步执行
- Claude Chat: ❌
- Claude Code: ✅ Headless +
/loop - Cursor: ✅ Background / Cloud Agent + Automations
- Manus: ✅ 原生
- OpenClaw: ✅ Cron 任务
- CoPaw/AgentScope: ✅ 全异步（v1.0）+ Cron
开源
- Claude Chat: ❌
- Claude Code: ⚠️ Source-available（专有许可，可 fork 不可分发）
- Cursor: ❌
- Manus: ❌
- OpenClaw: ✅
- CoPaw/AgentScope: ✅ Apache 2.0
多模型支持
- Claude Chat: ⚠️ Claude（Bedrock / Vertex / Foundry）
- Claude Code: ⚠️ Claude（Bedrock / Vertex / Foundry）
- Cursor: ✅ 多家模型 + Composer 2
- Manus: ✅ Claude + Qwen 等
- OpenClaw: ✅ 任意模型（GPT-5.4 / Grok 4.20 / Gemini 3.1 等）
- CoPaw/AgentScope: ⚠️ DashScope 为主（框架层多）