OpenAICodex 系
编码 Agent 先行
Codex CLI 与后续产品把"读代码、改代码、跑测试、提交"的循环跑通——目前落地最成熟的 Agent 场景。
关键词 → 编码 · 终端
微信扫码关注「大话数据分析」数据 · 分析 · AI 实战
它怎么工作
剥掉各家产品的包装，Agent 的内核就是这个循环。点击左侧环节，右侧看它在这一步做什么。
开源项目 AutoGPT 席卷全网：第一次让"AI 给 AI 下指令、自主干活"出圈——虽然当时常翻车，但想象力被点燃了。
工具调用标准化、SWE-bench 等评测兴起、Anthropic 发文厘清工作流与 Agent——套路开始可靠。
Claude Code、Codex 等编码 Agent 证明价值，办公与浏览器 Agent 跟进——"Agent 元年"被反复提起。
谁在做
Agent 产品多到眼花，按路线归类大致三派。列举不等于背书，形态以各家最新产品为准。
Codex CLI 与后续产品把"读代码、改代码、跑测试、提交"的循环跑通——目前落地最成熟的 Agent 场景。
Claude Code 把"会说的模型"变成会干活的同事；Computer Use 更进一步——直接看屏幕、点鼠标，通用性拉满。
开源框架（OpenHands 等）与一批新玩家把 Agent 带进办公、浏览器与垂直场景——本系列的 DeepSeek Harness 也是其中一员。
赛道变化极快 · 以各家最新产品公告为准。
为什么重要
传统软件的行为是程序员写死的；Agent 的行为是模型在运行时现场决定的——输入一个目标，输出一串真实世界的动作。这带来前所未有的灵活性，也带来新问题：怎么验证它做对了？怎么限制它能做什么？——于是有了 Harness（骨架与纪律）、MCP（插头）、Skill（手艺），本系列后半的每一页都是这个新形态的零件。
你给结果，不给步骤。步骤由模型根据目标现场规划——这是它与传统自动化脚本的根本区别。
说得出就做得到——前提是接了插头。读写文件、跑终端、调 API，能力边界由工具决定。
会看结果、会纠错、会重试：执行失败的报错会回到模型手里，换条路再试——这是"跑通"的关键。
依据与事实
ReAct 论文发表：让模型"边想边做"，Thought / Action / Observation 循环成为后来所有 Agent 的骨架。
AutoGPT 等开源项目出圈：第一次让大众看到"AI 给 AI 下指令"——虽然成功率堪忧，但范式被看见了。
工具调用成为主流模型标配；Anthropic 发文区分"工作流"与"Agent"；Computer Use 演示直接操作电脑。
编码 Agent 率先规模化：Claude Code、Codex 等证明"给目标不给步骤"在生产环境成立，Agent 成为产品标配词。
办公、浏览器、企业流程的 Agent 相继落地；治理与安全（审批、沙盒、审计）成为下一阶段的主议题。
三个常见误解：① "Agent = 更聪明的聊天机器人"——形态不同：输出不是文字而是动作；② "Agent 越自动越好"——自治是旋钮，高危动作必须留人；③ "有模型就有 Agent"——没有工具、循环与安全件，它只是会说话（见姊妹篇 Harness）。
接下来继续了解
它适合谁
记住一个分界：会说的是聊天，会做的是 Agent——其他细节都是围绕这一句展开的。
从编码 Agent 用起，再理解 ReAct 循环与工具层——自己搭 Agent 时才不会漏安全件。
Agent 适合"目标清晰、过程可验证"的任务；先低风险场景试点，自治度逐步放开。
看懂发布会上的"Agent"到底在说什么——以及为什么每家都在强调"人还在环里"。
来源与延伸阅读
01 Anthropic · Building Effective Agents（2024）本页内容整理自以上公开资料，更新于 2026 年 10 月。赛道变化极快，以各家最新产品与技术报告为准。
开始动手
给你手头的 AI 助手布置一个多步骤任务，全程只说目标，不说步骤。
目标：把这周收藏的文章整理成一篇摘要 约束：标注来源，不确定就说 验收：我看完要点能决定读哪篇
微信扫码关注「大话数据分析」数据 · 分析 · AI 实战