应用形态

大模型应用的差异主要来自交互方式、知识来源、可执行动作和自主程度。选择形态时应从任务风险与成功标准出发，而不是从产品名称出发。

Chatbot 与 AI Search¶

Chatbot 适合咨询、客服和知识问答，重点是对话状态、语气、拒答和转人工。AI Search 必须保留查询、检索、重排和引用链路，并区分“来源中没有答案”与“生成失败”。

二者都可能使用 RAG，但搜索产品更强调证据覆盖、时效性和可追溯性。涉及个性化时，历史记录和画像必须遵守权限与保留期限。

Copilot¶

Copilot 嵌入现有软件，在用户操作期间提供补全、建议或草稿。它通常由用户确认最终动作，因此风险低于完全自主 Agent。关键指标包括采纳率、修改率、节省时间和误导成本，而不是单纯的生成次数。

良好的 Copilot 应展示建议依据、允许局部接受或撤销，并避免打断核心流程。高频低价值建议会快速消耗用户信任。

Code Agent¶

Code Agent 需要理解仓库、搜索代码、编辑文件、执行命令和验证结果。Harness 应限制工作目录、网络和命令权限，保护现有未提交改动，并用测试、静态检查和代码审查验证修改。

任务成功不能由模型自行声明。应检查补丁是否满足需求、测试是否覆盖关键行为、是否引入无关改动，以及依赖或配置是否发生风险变化。

General Agent¶

General Agent 面向开放目标，可能跨浏览器、文件、通信和业务系统执行任务。开放性越高，越需要逐级授权、预算上限、可恢复状态、高风险确认和完整审计。若任务可以稳定地表达成固定工作流，应优先采用工作流。

各种形态可共享 应用基础、上下文工程 和 Agent Harness，但评测集与权限边界必须按具体场景设计。

组合案例¶

企业知识助手可以同时包含 AI Search 与 Copilot：用户提问时先检索并引用内部制度，系统根据证据生成工单草稿，但由用户确认后才提交。若进一步允许系统自主查询多个业务系统并处理异常，它才逐步接近 Agent。产品形态可以组合，关键区别始终是模型能看到哪些数据、能执行哪些动作，以及谁对最终副作用负责。

各 AI 厂商提供的应用形态¶

Anthropic¶

Anthropic 的产品 均被命名为 Claude。

• Claude (Web)：网页应用，单纯的 Chat 功能。当然目前也逐渐更新出 Agent、多模态和文件读写等功能。
• Claude (CLI)：Code Agent，即 Claude Code，目前位于 Code Agent 第一梯队。
• Claude (App)：通用 Agent。

OpenAI¶

OpenAI 的产品非常丰富，在 Web、App、CLI 的基础之上，还有 LaTeX 科研平台 Prism、AI 浏览器 Atlas 等等，但是最近逐渐被 Claude 的编程能力抢了风头，所以又将资源集中到了 Coding 能力上。

• ChatGPT (Web)：网页应用，单纯的 Chat 功能。
• Codex (CLI)：Code Agent，即 Codex，同样位于 Code Agent 第一梯队。
• Codex (App)：通用 Agent。

Google¶

自 Google I/O 2026 以后，Google 的 AI 产品均被命名为 Antigravity。

• Antigravity (Web)：网页应用，单纯的 Chat 功能。目前了解到的有 Gemini Web、Google AI Studio。
• Antigravity (CLI)：原本的 Gemini CLI，目前 Code Agent 能力相较于前两家略逊一筹，但是在我的印象里是早于前两者被研发出来的？
• Antigravity (App)：通用 Agent。
• Antigravity (IDE)：集成开发环境，fork 自 VSCode。

Google 账号 FAQ：登录 Antigravity 显示地区被禁用¶

如果使用 Google 账号登陆 Antigravity 时遇到了类似以下的禁用信息：

Your current account is not eligible for Antigravity, because it is not currently available in your location.

如果确认网络没有问题，那就是 Google 账号有问题。解决方案如下：

进入 Google 服务条款 页面查看当前 Google 账号的地区，如果不在可用地区里（例如中国），继续下面的操作。

进入 账号关联地区更改请求 页面填写表单，请求更换当前 Google 账号的地区。

地区选择你节点的地址，可以使用 ping0.cc 查看你的节点地址。

原因选择「其他原因」：

内容模板：

To access US-only developer tools and early access programs required for my current project, I need to update my account region. Please assist me in changing my location to <你的节点地址>.

例如我的节点是美国华盛顿，就填写为：

To access US-only developer tools and early access programs required for my current project, I need to update my account region. Please assist me in changing my location to Washington, USA.

其他新兴 Code Agent¶

除了 Anthropic、OpenAI、Google 三家主线厂商以外，还有一些垂直 Code Agent 产品，主要以 CLI、IDE、Cloud Sandbox 等形式存在。

OpenCode¶

开源 Code Agent，更适合希望自行控制模型、上下文、工具链、MCP 和权限边界的开发者。

• 优点：开放度高，可定制性强，适合作为可折腾、可二次开发的 Code Agent 基座。
• 缺点：产品化体验、稳定性和默认工作流通常不如闭源商业产品，对使用者的工程能力要求更高。

Cursor¶

AI IDE，核心是把代码生成、代码编辑、上下文理解和 Agent 能力集成到编辑器里。

• 优点：交互链路短、可视化强、编辑体验好，适合在真实项目中快速修改、重构和理解代码。
• 缺点：产品形态更重，很多能力依赖 IDE 内部的上下文管理和产品设计，不如 CLI Agent 灵活。

GitHub Copilot¶

最早以代码补全工具出圈，后来逐渐演化成 GitHub 生态里的 Coding Agent。

• 优点：和 GitHub、Pull Request、Code Review、Actions 等流程结合紧密，适合已经深度使用 GitHub 的团队。
• 缺点：更偏 GitHub 生态内的辅助开发体验，独立完成复杂工程任务的能力和可控性仍然需要结合具体场景评估。

Devin¶

云端 AI Software Engineer，更像一个可以在远程开发环境中独立接任务的工程师型 Agent。

• 优点：异步执行能力强，可以浏览网页、阅读文档、修改代码、运行测试并提交结果，适合多仓库、长任务和工程上下文复杂的场景。
• 缺点：产品定位更重，成本、可控性和交付质量都需要仔细评估，不能简单当成「一定靠谱的全自动程序员」。

Kiro¶

Agentic IDE，主打 Spec-driven Development，也就是先规格化需求，再进入设计、任务拆解、代码生成和测试。

• 优点：适合中大型功能开发，可以通过需求文档、设计文档和任务拆解约束 Agent，降低复杂任务跑偏的概率。
• 缺点：流程相对更重，不适合只想快速补全几行代码或做轻量修改的场景。

其他新兴通用 Agent¶

通用 Agent 和 Code Agent 的区别在于：Code Agent 主要围绕代码仓库、终端、测试、PR 工作流展开；通用 Agent 则面向更广泛的任务，例如调研、写作、做 PPT、生成网页、处理表格、自动浏览网页、整理资料等。

Manus¶

通用 Agent，定位是从「想法」走到「交付」，帮助用户在云端环境中完成调研、写作、网页、幻灯片等任务。

• 优点：产品心智清晰，能拆解任务、规划步骤、调用工具并交付结果。
• 缺点：任务越开放，结果越依赖 Agent 的规划能力、工具调用能力和中间过程可控性；重要任务仍然需要人工 Review。

Genspark¶

All-in-One AI Workspace，把聊天、搜索、文档、幻灯片、图片、视频、代码、设计等能力聚合到一个统一工作台里。

• 优点：能力覆盖面广，适合轻量生产内容、快速出稿、快速做 Demo、快速搭建资料型产物。
• 缺点：更偏综合型 AI 工作台，单个 Agent 的纵深能力和复杂任务执行能力未必比专门的 Code Agent 或通用 Agent 更强。