摘要

上一篇聚焦的是 Agent 底层实现路径（编排、执行、训练、推理、收数），没有单独展开“产品化入口层”。这篇专门补上：

  • Claude Code、OpenCode、OpenClaw 分别处于哪一层？
  • 它们和 LangGraph / AutoGen / vLLM / TRL / Apify 这类技术是什么关系？
  • 在“AI 网络自动化训练、推理、收数”场景里，应该如何组合？

核心结论：三者主要属于“Agent 产品入口/运行平台层”，并不替代训练框架与推理引擎；它们更像是把底层能力工程化交付给开发者的外层系统。

1. 为什么上一篇没有重点写到它们

不是“不重要”，而是分层视角不同：

  • 上一篇关注“底座”：
    • 编排内核（状态机、事件驱动）
    • 执行器（浏览器/API/代码）
    • 模型服务（推理）
    • 数据收集与训练
  • Claude Code / OpenCode / OpenClaw 更多是：
    • 面向开发者或终端渠道的操作界面 + 运行平台 + 集成层

换句话说，上一篇回答“系统怎么搭”；这篇回答“人怎么用这些系统高效落地”。

2. 三者技术定位（分层映射）

2.1 Claude Code：以编码任务为中心的 Agent 产品层

从官方文档看，Claude Code提供 Terminal/VS Code/Desktop/Web/JetBrains 多入口，并强调同一引擎下跨端使用、可集成 CI/CD、Slack、Chrome 等工作流。

定位：

  • 更接近“代码智能体产品层（SWE Agent Surface）”；
  • 强项在开发任务闭环（改代码、跑命令、跨文件协作）；
  • 不是训练框架，也不是自托管推理内核。

2.2 OpenCode：开源、provider-agnostic 的编码 Agent 产品层

OpenCode 文档与仓库信息显示其核心特征是：开源、支持多 provider、TUI/桌面形态、内置 build/plan agent、并可接入本地与远端模型。

定位：

  • 同样主要处于“代码智能体产品层”；
  • 与 Claude Code 主要差异在开源策略与 provider 绑定程度；
  • 本身不直接等于 LangGraph/AutoGen 这类通用编排内核，也不等于 vLLM/TRL 这类训练推理基础设施。

2.3 OpenClaw：Agent 运行与路由平台层（跨渠道）

OpenClaw 官方文档明确其核心是自托管 gateway：连接 WhatsApp/Telegram/Discord/iMessage 等渠道，提供会话、路由、工具调用、记忆、多 agent 调度等能力。

定位：

  • 更接近“Agent Runtime Gateway / Ops 平台层”；
  • 横跨消息接入、会话管理、工具编排、计划任务等运营能力；
  • 可承载多类 agent（包括编码型与自动化型），并与底层模型/工具栈对接。

3. 关系总图：产品层 vs 基础设施层

层级 代表技术 作用 是否可互相替代
产品入口层 Claude Code、OpenCode 提供开发者交互入口与编码任务体验 二者可部分替代（取决于开源/模型策略）
运行平台层 OpenClaw 多渠道接入、会话路由、工具执行、调度与运维 与上层互补，不是替代关系
编排内核层 LangGraph、AutoGen、Semantic Kernel 状态机/事件驱动/多 Agent 协同 可替换，但迁移成本高
执行层 Playwright、browser-use、代码执行器 把“决策”变成可观测动作 通常可替换（按场景）
推理服务层 vLLM（或托管 API） 模型推理吞吐与延迟保障 可替换（受硬件与预算约束）
训练后处理层 TRL、OpenRLHF、RLlib SFT/DPO/RLHF/策略优化 可替换（受算法与集群能力约束）
收数层 Apify、Crawl4AI 数据采集、结构化抽取、知识入库 常见多工具并用

结论：

  • Claude Code / OpenCode 更像“操作者前端 + 任务入口”；
  • OpenClaw 更像“跨渠道、可运营的 Agent 中台”；
  • 三者都需要和下方编排、执行、模型、数据层配合，才能形成完整生产系统。

4. 在“网络自动化训练-推理-收数”场景下怎么选

方案 A（推荐，生产稳态）

  • 平台层：OpenClaw（消息接入、调度、会话治理）
  • 编排层：LangGraph（可恢复状态）
  • 执行层：Playwright + API tools
  • 推理层：vLLM
  • 训练层：TRL
  • 收数层：Apify + Crawl4AI

适合：长期运行、需要审计与可靠恢复的系统。

方案 B（编码效率优先）

  • 开发入口：Claude Code 或 OpenCode
  • 平台层：OpenClaw（可选）
  • 推理层：托管模型 API（快速起步）
  • 收数层：Apify

适合：先做 MVP，再逐步替换底层为自托管栈。

方案 C（研究与复杂协同）

  • 平台层：OpenClaw
  • 编排层：AutoGen Core
  • 推理层：vLLM
  • 训练层：OpenRLHF
  • 执行层：browser-use / Playwright

适合：多 Agent 研究、复杂协作策略探索。

5. 一句话回答“它们跟文中技术的关系”

  • Claude Code / OpenCode：是“人机交互与编码任务执行的产品层”；
  • OpenClaw：是“跨渠道接入 + 会话路由 + 工具执行的运行平台层”；
  • 文中的 LangGraph/AutoGen/vLLM/TRL/Apify 等：是它们下面的“可替换底层能力层”。

因此，不是“谁替代谁”，而是上下分层、可组合架构。

参考资料

  1. Claude Code Overview: https://code.claude.com/docs/en/overview
  2. OpenCode Docs: https://opencode.ai/docs
  3. OpenCode GitHub: https://github.com/anomalyco/opencode
  4. OpenClaw Docs: https://docs.openclaw.ai
  5. LangGraph Overview: https://docs.langchain.com/oss/python/langgraph/overview
  6. Microsoft AutoGen Docs: https://microsoft.github.io/autogen/stable/
  7. Semantic Kernel Agent Framework: https://learn.microsoft.com/en-us/semantic-kernel/frameworks/agent/
  8. Playwright Intro: https://playwright.dev/docs/intro
  9. vLLM Docs: https://docs.vllm.ai/en/latest/
  10. TRL Docs: https://huggingface.co/docs/trl/index
  11. OpenRLHF Docs: https://openrlhf.readthedocs.io/en/latest/
  12. Apify Actors Docs: https://docs.apify.com/platform/actors
  13. Crawl4AI Docs: https://docs.crawl4ai.com/