2026年，AI Agent 框架进入快速发展期。OpenClaw 作为新兴的开源Agent框架，在CSDN等社区获得广泛关注。

我花了两周时间深度使用OpenClaw，这篇文章记录完整评测。

一、框架概览

1.1 什么是 OpenClaw

OpenClaw 是一个开源的AI Agent开发框架，核心特性：

• 多模型适配：支持主流LLM API
• 工具调用原生：内置工具调用机制
• 可扩展架构：插件化设计
• 开源免费：Apache 2.0 协议

1.2 核心概念

Agent = LLM + Tools + Memory + Planning

二、快速上手

2.1 安装

pip install openclaw

2.2 第一个 Agent

from openclaw import Agent, Tool

# 定义工具
@Tool
def search_web(query: str) -> str:
    """搜索网页"""
    return f"搜索结果：{query}"

@Tool
def calculate(expr: str) -> float:
    """计算表达式"""
    return eval(expr)

# 创建 Agent
agent = Agent(
    model="openai/gpt-4",
    tools=[search_web, calculate],
    memory="redis"
)

# 运行
result = agent.run("查询2026年AI发展趋势并计算增长率")
print(result)

三、核心功能测试

3.1 工具调用

3.2 记忆管理

3.3 任务规划

# 复杂任务自动分解
agent.run("""
分析某公司的财务状况：
1. 搜索公司基本信息
2. 获取最新财报数据
3. 计算关键财务指标
4. 生成分析报告
""")

四、与竞品对比

五、实际应用场景

5.1 推荐场景

• 数据检索Agent：结合搜索工具进行信息收集
• 代码辅助Agent：集成代码工具进行开发辅助
• 自动化工作流：多步骤任务自动执行
• 客服机器人：结合知识库的智能客服

5.2 不推荐场景

• 实时性要求极高：Agent决策需要时间
• 确定性要求高：LLM存在不确定性
• 复杂业务逻辑：需要人工介入判断

六、性能优化

6.1 缓存策略

# 启用工具调用缓存
agent.config.cache_enabled = True
agent.config.cache_ttl = 3600  # 1小时

6.2 模型切换

# 根据任务复杂度切换模型
if task.complexity > 0.8:
    agent.set_model("openai/gpt-4")
else:
    agent.set_model("openai/gpt-4o-mini")

七、总结

OpenClaw 是一个平衡性很好的Agent框架：

• ✅ 开源免费，社区活跃
• ✅ 架构清晰，易于扩展
• ✅ 工具调用原生支持
• ⚠️ 生态相比LangChain还不够丰富
• ⚠️ 文档需要进一步完善

推荐指数：⭐⭐⭐⭐

对于刚开始探索AI Agent的开发者，OpenClaw 是一个不错的起点。

参考来源：OpenClaw 官方文档，CSDN 技术社区

2026年5月，CSDN 上的一篇热文《我们公司全员把 Cursor 换成了自研的全开源 AtomCode》引发了广泛关注。这篇文章记录了一个团队用28天在 AtomGit 平台上"长出"完整AI Coding Agent的过程。

作为长期深度用户，我对这两款工具进行了为期两周的对比测试。

一、工具背景

1.1 Cursor

1.2 AtomCode

二、核心功能对比

2.1 代码补全

2.2 代码生成

2.3 代码解释

2.4 代码编辑

三、实际使用测试

3.1 测试项目

我使用同一个开源项目（hermes-agent）进行对比测试：

# 任务：添加一个新的技能插件系统
# 要求：
# 1. 设计插件接口
# 2. 实现插件加载器
# 3. 编写示例插件
# 4. 添加单元测试

3.2 测试结果

四、优势分析

4.1 Cursor 优势

• 模型能力强：基于顶级闭源模型
• 用户体验好：界面流畅，交互自然
• 生态成熟：大量插件和集成
• 响应速度快：优化充分

4.2 AtomCode 优势

• 完全开源：代码可审计，可定制
• 数据可控：代码不出本地
• 零成本：免费使用
• 国产适配：对中文和国内框架优化好
• 平台集成：与 AtomGit 深度集成

五、适用场景

5.1 推荐 Cursor

• 商业项目：追求最高效率和质量
• 团队协作为主：需要成熟生态
• 预算充足：$20/月可接受
• 国际化项目：需要多语言支持

5.2 推荐 AtomCode

• 开源项目：符合开源理念
• 数据敏感：代码不能出本地
• 预算有限：需要免费工具
• 国产化需求：信创环境
• 深度定制：需要修改工具本身

六、混合使用策略

我的建议是混合使用：

日常开发 → AtomCode（本地、免费、可控）
复杂任务 → Cursor（模型能力强）
敏感代码 → AtomCode（不出本地）
团队协作 → Cursor（生态成熟）

七、总结

AtomCode 的出现标志着国产AI Coding工具的崛起。虽然在模型能力上与Cursor仍有差距，但在开源、可控、免费这三个维度上具有独特优势。

对于注重数据安全和自主可控的团队，AtomCode 是一个值得尝试的选择。对于追求极致效率的团队，Cursor 仍然是首选。

参考来源：CSDN 热文《我们公司全员把 Cursor 换成了自研的全开源 AtomCode》

2025年之前，我的笔记散落在 Notion、Evernote 和本地 Markdown 文件中。每次需要查找信息时，都要在多个平台间切换，效率极低。

从 2025 年开始，我全面迁移到 Obsidian，并引入了 AI 辅助工作流。两年后，这个知识库已经积累了超过 2000 篇笔记，成为我工作和学习的核心基础设施。

这篇文章记录完整的构建过程，包括工具链、工作流和最佳实践。

一、为什么选择 Obsidian

1.1 竞品对比

1.2 核心优势

Obsidian 的核心价值：
├── 本地优先 ✅
│   ├── 数据完全掌控
│   ├── 离线可用
│   └── 长期可读（纯 Markdown）
├── 双向链接 ✅
│   ├── 自然连接笔记
│   ├── 知识图谱可视化
│   └── 发现隐性关联
├── 插件生态 ✅
│   ├── 社区插件丰富
│   ├── 可高度定制
│   └── API 开放
└── AI 集成 ✅
    ├── 本地 LLM 支持
    ├── 云端 API 接入
    └── 自动化工作流

二、基础配置

2.1 目录结构

vault/
├── 00-inbox/              # 临时收集箱
├── 01-projects/           # 项目笔记
│   ├── project-a/
│   └── project-b/
├── 02-areas/              # 持续关注的领域
│   ├── ai-infrastructure/
│   ├── devops/
│   └── personal/
├── 03-resources/          # 参考资料
│   ├── articles/
│   ├── books/
│   └── snippets/
├── 04-archive/            # 归档笔记
├── templates/             # 笔记模板
└── attachments/           # 图片、文件

2.2 核心插件

2.3 同步方案

我的选择：Git + GitHub（免费 + 版本控制 + 多设备同步）

# 初始化 Git
git init
git remote add origin git@github.com:username/vault.git

# 配置自动提交
# .obsidian/plugins/quickadd/settings.json
{
  "macros": [
    {
      "name": "Daily Commit",
      "commands": [
        "git add .",
        "git commit -m 'Daily sync: {{date}}'",
        "git push"
      ]
    }
  ]
}

三、AI 辅助工作流

3.1 智能摘要

场景：阅读长文章后快速生成摘要

---
AI 摘要
---

## 核心观点

1. ...
2. ...

## 关键数据

| 指标 | 值 |
|------|-----|
| ... | ... |

## 我的思考

- ...

插件配置（Smart Connections）：

设置 → Smart Connections → Embeddings
- Embeddings provider: OpenAI / Local
- Model: text-embedding-3-small

3.2 自动标签

场景：新笔记自动添加相关标签

// Templater 模板
<%*
const text = tp.system.prompt("请输入笔记内容");
const response = await fetch("http://localhost:11434/api/generate", {
  method: "POST",
  body: JSON.stringify({
    model: "llama3.1",
    prompt: `为以下内容生成3-5个标签，用逗号分隔：\n\n${text}`,
    stream: false
  })
});
const data = await response.json();
tp.file.insert_line(0, `tags: ${data.response.trim()}`);
%>

3.3 知识关联

场景：发现笔记间的隐性关联

使用 Smart Connections 插件：
1. 打开笔记
2. 点击 "Find Connections"
3. AI 推荐相关笔记
4. 一键添加双向链接

3.4 智能搜索

场景：模糊搜索相关知识

传统搜索：关键词匹配
AI 搜索：语义匹配

示例：
搜索 "如何优化 API 响应时间"
→ 返回：
  - 缓存策略笔记
  - CDN 配置笔记
  - 数据库索引笔记
  - 负载均衡笔记

四、知识体系构建

4.1 MOC（Map of Content）

MOC 是知识体系的骨架，用于组织相关笔记：

# AI Infrastructure MOC

## 核心概念
- [[LLM 基础]]
- [[向量数据库]]
- [[RAG 架构]]

## 实践指南
- [[本地 LLM 部署]]
- [[API 调用优化]]
- [[成本管控]]

## 工具评测
- [[Ollama 评测]]
- [[vLLM 评测]]
- [[LangChain 评测]]

## 待整理
- [ ] 多模态模型
- [ ] Agent 框架

4.2 笔记模板

---
title: {{title}}
date: {{date}}
tags: []
related: []
status: draft
---

# {{title}}

## 背景

## 核心内容

## 关键要点

## 行动项

## 相关链接
- 

## 参考来源
- 

4.3 每日笔记

---
date: {{date}}
tags: [daily]
---

# {{date:YYYY-MM-DD}}

## 会议

## 任务

## 学习

## 思考

## 明日计划

五、Dataview 查询示例

5.1 未归档的项目笔记

TABLE status, date
FROM #project AND -#archive
SORT date DESC

5.2 本周添加的笔记

TABLE tags
FROM #
WHERE date >= date(today) - dur(7 days)
SORT date DESC

5.3 高价值笔记（被引用最多）

TABLE length(rows) as "引用次数"
FROM #
FLATTEN file.inlinks AS link
GROUP BY link
SORT length(rows) DESC
LIMIT 10

六、最佳实践

6.1 捕获原则

6.2 整理流程

每周整理流程：
1. 清空 inbox（移动或归档）
2. 更新 MOC（添加新笔记）
3. 检查孤立笔记（无链接的笔记）
4. 更新索引笔记（高价值笔记）
5. 归档旧项目

6.3 AI 使用边界

七、总结

Obsidian + AI 知识库的核心价值：

1. 知识沉淀：从碎片到体系，形成可检索的知识库
2. 思维外化：将思考过程可视化，便于回顾和迭代
3. 效率提升：AI 辅助减少重复劳动，聚焦核心价值
4. 长期价值：本地存储确保长期可读，不受平台限制

推荐配置：

更新日志：本文基于2026年5月实践编写，插件和配置可能随时间变化，请以官方文档为准。

2026年3月，Anthropic 发布了 Claude Code——一个运行在终端的 AI 编程助手。经过两个月的深度使用，我完成了从"好奇尝试"到"日常依赖"的转变。

这篇文章记录完整的评测过程，包括功能对比、实际工作流和适用场景分析。

一、产品定位

1.1 与竞品的区别

Claude Code 的独特价值：它可以自主执行 shell 命令、修改文件、运行测试，像一个真正的编程伙伴。

1.2 核心能力

Claude Code 的能力边界：
├── 代码理解 ✅
│   ├── 读取文件
│   ├── 理解项目结构
│   └── 分析依赖关系
├── 代码生成 ✅
│   ├── 编写新文件
│   ├── 修改现有代码
│   └── 重构代码
├── 命令执行 ✅
│   ├── 运行 shell 命令
│   ├── 执行 git 操作
│   └── 运行测试
└── 自主决策 ⚠️
    ├── 需要用户确认敏感操作
    └── 复杂任务需分步执行

二、安装与配置

2.1 安装

# 通过 npm 安装
npm install -g @anthropic-ai/claude-code

# 或通过 Homebrew (macOS)
brew install claude-code

# 配置 API Key
claude config set api_key sk-ant-...

2.2 基础配置

# 交互式配置
claude config

# 或编辑配置文件
~/.claude/config.json

{
  "model": "claude-3-5-sonnet-20241022",
  "temperature": 0.7,
  "max_tokens": 4096,
  "auto_approve": false,
  "verbose": true
}

三、核心功能评测

3.1 代码理解

场景：理解一个陌生项目的架构

$ claude
> 请分析这个项目的架构

Claude Code 会：

1. 扫描项目文件结构
2. 读取关键配置文件
3. 分析依赖关系
4. 生成架构摘要

效果：⭐⭐⭐⭐⭐

• 能准确识别技术栈
• 能理解模块划分
• 能指出潜在问题

3.2 代码生成

场景：添加一个新的 API 端点

> 添加一个 GET /api/users/:id 端点，返回用户信息

Claude Code 会：

1. 分析现有路由结构
2. 生成控制器代码
3. 添加路由注册
4. 运行测试验证

效果：⭐⭐⭐⭐

• 代码风格一致
• 需要少量人工调整
• 测试覆盖率可接受

3.3 命令执行

场景：批量重构代码

> 将所有 console.log 替换为 logger.info

Claude Code 会：

1. 搜索所有 console.log
2. 生成替换命令
3. 请求用户确认
4. 执行替换
5. 验证结果

效果：⭐⭐⭐⭐⭐

• 安全机制完善（需确认）
• 执行准确
• 可撤销

3.4 调试辅助

场景：定位一个 bug

> 测试失败，请帮我定位问题

Claude Code 会：

1. 运行测试获取错误信息
2. 分析堆栈跟踪
3. 定位可疑代码
4. 提出修复建议

效果：⭐⭐⭐⭐

• 能快速定位常见问题
• 复杂 bug 仍需人工介入
• 建议通常合理

四、实际工作流

4.1 日常开发流程

1. 启动 Claude Code
   $ claude

2. 描述任务
   > 添加用户登录功能

3. Claude Code 分析并规划
   - 需要修改的文件列表
   - 预计执行步骤

4. 确认并执行
   - 每个敏感操作需确认
   - 可中断或修改指令

5. 验证结果
   - 运行测试
   - 检查代码质量

6. 提交代码
   - 自动生成 commit 信息
   - 可修改后提交

4.2 代码审查辅助

> 请审查这个 PR 的改动

Claude Code 会：

• 分析改动影响范围
• 指出潜在问题
• 建议改进方案

4.3 文档生成

> 为这个模块生成 README 文档

Claude Code 会：

• 分析代码功能
• 生成使用示例
• 添加 API 说明

五、性能对比

5.1 任务完成时间

5.2 准确率

六、优缺点分析

6.1 优点

6.2 缺点

七、适用场景推荐

7.1 推荐使用

• ✅ 日常功能开发
• ✅ 代码重构
• ✅ 调试辅助
• ✅ 文档编写
• ✅ 学习新技术

7.2 谨慎使用

• ⚠️ 安全敏感代码（需严格审查）
• ⚠️ 核心业务逻辑（需人工把关）
• ⚠️ 性能关键路径（需深度优化）

7.3 不推荐使用

• ❌ 完全自主开发（仍需人工监督）
• ❌ 涉密项目（隐私风险）
• ❌ 离线环境（无法使用）

八、提示词技巧

8.1 有效提示词

✅ 好示例：
"在 src/services 下添加一个 UserService，包含 getUserById 和 createUser 方法"

✅ 好示例：
"运行测试，如果失败请分析原因并修复"

❌ 坏示例：
"修复这个 bug"（太模糊）

❌ 坏示例：
"重写整个项目"（范围太大）

8.2 分步执行

> 第一步：分析当前用户模块的结构
> 第二步：设计新的用户服务接口
> 第三步：实现 UserService
> 第四步：更新依赖注入
> 第五步：运行测试验证

九、总结

Claude Code 代表了 AI 编程助手的演进方向：从辅助工具到协作伙伴。

最终建议：

• 尝鲜：免费额度足够体验核心功能
• 日常使用：适合独立开发者和小团队
• 企业部署：需考虑隐私和成本

如果你也在寻找 AI 编程助手，我的建议是：从 Claude Code 开始尝试，它可能是目前最接近"编程伙伴"概念的工具。

更新日志：本文基于2026年5月使用体验编写，产品功能可能随时间变化，请以官方文档为准。

2026 年 5 月，DeepSeek 发布了 V4-Pro 预览版，宣称具备"世界顶级推理性能"。与此同时，Anthropic 的 Claude Opus 4.7 已在官网和定价页面确认存在。

这两个模型代表了当前 AI 推理能力的两个极端：一个是国产模型的巅峰之作，一个是国际巨头的旗舰产品。

核心问题：DeepSeek-V4-Pro 能否在推理能力上真正挑战 Claude Opus 4.7？

一、模型背景

1.1 DeepSeek-V4-Pro

关键信息：

• DeepSeek-V4 预览版已上线，Pro 版本作为旗舰型号
• 官方强调"推理性能"和"Agent 能力"两大升级点
• 已在 API 文档中确认 deepseek-v4-pro 模型存在

1.2 Claude Opus 4.7

关键信息：

• Opus 4.7 在 Anthropic 官网和定价页面均确认存在
• 版本迭代频繁（4.1 → 4.5 → 4.6 → 4.7），说明 Anthropic 在持续优化
• Opus 系列一直是 Anthropic 的旗舰推理模型

二、核心能力对比

2.1 推理性能

分析：

• DeepSeek-V4-Pro 的官方描述强调"推理性能"，暗示这是核心升级点
• Claude Opus 4.7 的版本迭代（4.1→4.7）表明 Anthropic 在持续优化推理能力
• 关键差距：DeepSeek 的"世界顶级"是官方宣称，Opus 4.7 的能力有实际验证

2.2 上下文窗口

分析：

• Claude 系列一直以长上下文处理能力著称
• DeepSeek-V4-Pro 的上下文窗口需要实测验证

2.3 多模态能力

分析：

• DeepSeek-V4-Pro 强调"Agent 能力"，暗示多模态和代码能力升级
• Claude Opus 系列已验证支持图像和代码分析

三、定价对比

3.1 DeepSeek-V4-Pro

对比分析：

• DeepSeek 定价页面已公布价格，V4 系列作为旗舰型号定价较高
• 但相比 Claude Opus 4.7 的旗舰定价，DeepSeek 仍具有价格优势

3.2 Claude Opus 4.7

分析：

• DeepSeek 作为国产模型，通常具有价格优势
• Claude Opus 系列为旗舰定价，价格较高但性能稳定

四、使用场景推荐

4.1 适合选择 DeepSeek-V4-Pro 的场景

4.2 适合选择 Claude Opus 4.7 的场景

五、实测建议

5.1 推荐测试任务

5.2 测试方法

# DeepSeek-V4-Pro API 调用示例
curl https://api.deepseek.com/v1/chat/completions \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{"model": "deepseek-v4-pro", "messages": [...]}'

# Claude Opus 4.7 API 调用示例
curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -d '{"model": "claude-opus-4.7", "max_tokens": 4096, "messages": [...]}'

六、总结

核心结论：

1. DeepSeek-V4-Pro 是国产推理模型的里程碑，官方宣称"世界顶级推理性能"值得肯定
2. Claude Opus 4.7 是成熟旗舰，版本迭代频繁，能力经过充分验证
3. 关键差距在于实测验证：DeepSeek 的"世界顶级"需要实际测试来确认
4. 推荐策略：
   • 成本敏感、中文任务 → DeepSeek-V4-Pro
   • 稳定性要求、复杂推理 → Claude Opus 4.7
   • 最佳实践 → 多供应商组合，根据任务类型选择

附录：数据来源

⚠️ 注意：本文基于 2026 年 5 月 27 日的公开信息撰写。DeepSeek-V4-Pro 为预览版，部分能力待实测验证。Claude Opus 4.7 的能力基于官方确认信息，具体性能需实际测试。

2026年5月，我完成了从 Clash Premium 到 Clash Meta 的迁移。这篇文章记录完整的评测过程，包括功能对比、性能测试和最终选型理由。

一、背景

1.1 为什么需要代理客户端

我的网络环境：

• 宿主机：fnOS NAS（192.168.0.200），位于国内
• VM：Ubuntu 24.04（192.168.0.201），运行各种服务
• 需求：访问海外API（GitHub、AI供应商）、PT站点、国际新闻源

1.2 为什么选择 Clash Meta 而不是其他

二、功能对比

2.1 协议支持

结论：Clash Meta 支持所有主流协议，包括最新协议。

2.2 规则引擎

结论：Clash Meta 的规则引擎更强大，支持更多匹配类型。

2.3 性能测试

在相同配置下（飞鸟云46节点 + 杜卡迪21节点 = 67节点）：

结论：Clash Meta 性能略优，内存占用稍高但可接受。

三、我的配置

3.1 订阅源聚合

# config.yaml 片段
proxy-groups:
  - name: "ALL"
    type: select
    proxies:
      - "自动选择"
      - "飞鸟云"
      - "杜卡迪"
      - DIRECT

  - name: "自动选择"
    type: url-test
    url: "http://www.gstatic.com/generate_204"
    interval: 300
    tolerance: 50
    proxies:
      - 飞鸟云
      - 杜卡迪

3.2 节点来源

3.3 端口配置

# 宿主机Docker容器
ports:
  - "7890:7890"   # SOCKS5/HTTP代理
  - "9090:9090"   # API管理端口

3.4 管理界面

访问 https://dl.chaoyuew.com:1986/ui/ 即可使用Yacd管理界面。

四、使用体验

4.1 优点

1. 协议支持全面：VLESS、Hysteria2等新协议原生支持
2. 规则引擎强大：支持RULE-SET，可以灵活管理节点分组
3. 社区活跃：GitHub仓库持续更新，问题响应快
4. Docker友好：官方提供Docker镜像，部署简单
5. API完善：REST API支持，可以集成到自动化脚本

4.2 缺点

1. 配置复杂：相比Premium，配置文件更长
2. 内存占用稍高：约150MB vs 120MB
3. 文档分散：官方文档和社区文档需要交叉参考

4.3 避坑指南

坑1：订阅更新失败

原因：容器网络隔离，无法访问订阅URL
解决：配置代理走宿主机Clash Meta

坑2：节点切换后连接超时

原因：DNS缓存未刷新
解决：重启容器或执行 clash -t 刷新

坑3：规则不生效

原因：规则顺序错误，MATCH规则在前
解决：将MATCH规则放在最后

五、与替代方案对比

5.1 vs Shadowrocket

结论：服务器端用Clash Meta，移动端用Shadowrocket。

5.2 vs v2rayN

结论：Clash Meta更适合服务器部署和自动化集成。

六、总结

Clash Meta 的核心优势是协议支持全面和规则引擎强大，适合：

1. 多协议环境：需要VLESS、Hysteria2等新协议
2. 复杂规则：需要精细的节点分组和路由
3. 自动化集成：需要通过API控制代理行为
4. 服务器部署：需要在Linux/Docker环境运行

如果你的需求是简单的代理，Clash Premium仍然够用。但如果你需要可控性和扩展性，Clash Meta是更好的选择。

相关配置：Clash Meta完整配置