三个 AI 工具同一个大脑:9 分钟交卷,20 分钟没交卷

“

你选 AI 工具时，看的到底是什么？我让三个桌面 AI Agent 做同一道题：同一个模型、20 分钟限时，结果 9 分钟、14 分钟、20 分钟超时。分数只差 3 分，速度差了一倍多——差距不在模型，在工具。

我让三款桌面 AI Agent 工具——OpenCode、WorkBuddy、QoderWork——做同一道题：纯 HTML + SVG 写一个动态太阳系，八大行星持续公转、速度分层，点击行星弹出中英文信息卡。

比得公平是这次实验的前提：三个工具喂的是同一个模型（DeepSeek V4.1-flash）、同一份提示词，同一个 20 分钟沙漏，100 分标准事先冻结。同一个大脑，三具身体——模型被拉平之后，差距就全在工具自己身上了。

一、结果总览

WorkBuddy 的文件在截止前已写出，但超时仍未完成自检与交付说明，由测试者手动终止。

三边跑的都是 DeepSeek V4.1-flash（推理设置：OpenCode 显示 Default，另两款显示"低"，影响未验证）。模型相同，交付物质量接近，过程速度差了一倍以上——这正是这次实验最有意思的地方。

二、三件成品长什么样

OpenCode——干净的深蓝星空，右侧中英双语列表，信息卡带"关闭信息卡"按钮：

WorkBuddy——场景光影最讲究，日冕和行星渲染有电影感，白底编辑排版信息卡：

QoderWork——"野外图鉴"风格的设计系统，档案卡带上一颗/下一颗导航和 FIELD NOTES：

三栏同屏对比（含验收评分表）：

三、测评怎么做的（30 秒版）

• 同一份提示词、同一个任务、每工具最多 20 分钟，从提交提示词开始计时
• 评分标准事先冻结：5 个维度 × 20 分（运行与交付 / 动画质量 / 交互功能 / 视觉设计 / 代码质量），另设 5 项硬性门槛（文件存在、file:// 双击能开、八星齐全、点击有效、零外部依赖）
• 交付物评分与过程效率分离：慢不扣分，慢记在"开发效率"和"综合结论"里
• 双轨验收：file:// 直接打开和本地 HTTP 分开记录；Chrome 155、1440×900 统一视口；动画用像素差分量化，公转速度用 4 秒位移采样

为什么要把"快慢"排除在评分外？下一段会解释这个设计，它直接决定了 WorkBuddy 的超时到底算不算"输"。

四、分数结构：为什么"慢"不进评分卡

最终分数：OpenCode 94、WorkBuddy 96、QoderWork 97，差距只有 3 分，而且几乎全部来自视觉设计（16 / 17 / 18）。运行、动画、交互三项，三边全部拿到或接近满分——作为交付物，三件成品都是合格的。

拆开看唯一的评分扣分点：

• OpenCode -1（运行与交付）：窄视口（506×440）下页面内容高 747px 且不可滚动，右侧列表被裁切。有截图和几何数据取证，只扣 1 分。
• 视觉分 16 / 17 / 18：主观评审，依据统一视口截图。OpenCode 干净但排布最平淡；WorkBuddy 光影表现力最强；QoderWork 的档案卡设计系统最完整。

那 WorkBuddy 20 分钟超时、约 10 次人工确认，为什么没有反映在分数里？

这是评分体系刻意的设计：评分卡只评"交出来的东西"，过程摩擦记在另一本账。如果事后给超时单独加扣分，等于为某一个工具修改冻结的标准，对按原标准执行的另两个工具不公平。所以 WorkBuddy 的"慢"没有消失，它出现在两个地方：

1. 开发效率结论：9 分钟 > 14 分钟 > 20 分钟超时，WorkBuddy 排最后；
2. 综合可用性结论：约 10 次人工确认是三边最高的真实使用成本。

交付质量相近，过程成本悬殊——要理解这个悬殊，就得打开三个黑盒看看架构。

五、速度归因：同一个大脑，为什么跑出两种节奏

先说结论：速度差主要不在模型推理，而在 agent 框架层的"放行策略"。三个工具调用的是同一个 v4.1-flash，但谁在什么时刻必须停下来等人点头，设计完全不同。

5.1 WorkBuddy 的慢，是产品文档里写明白的慢

WorkBuddy 是腾讯出品的全场景 AI 工作台。查它的官方文档，有一个章节几乎就是本次测评 10 次确认的"剧本"〔公开资料〕：

“

默认权限下，一旦涉及敏感路径、重要删除、脚本命令或网络等风险操作，WorkBuddy 仍会停下来让你确认。（来源：workbuddy.cn 官方文档《默认权限与安全沙箱》）

文档还写明它有沙箱执行层和输入/输出双向安全检测——每次操作都有固定的安全开销〔公开资料〕。

再看本次实测〔实测观察〕：约 10 次人工确认，几乎全部由删除类操作触发，过程截图留证；15 分钟才第一次能跑起来，20 分钟到时自检都没做完。

两边一对，因果链闭合了：这次竞速里的 WorkBuddy，不是"能力不行"，而是它的默认权限模式在为办公安全买单。对写周报、整理发票的办公场景，删除前停一下是特性；对 20 分钟限时的编程竞速，它就是纯成本。

5.2 QoderWork 的快，是权限边界换来的

QoderWork 是阿里 Qoder 把编程 Agent 能力扩展到日常工作的桌面产品。它的权限模型和 WorkBuddy 形成镜像〔公开资料〕：

“

只能访问你明确授权的工作目录，未授权的如确需访问会征求你的同意；删除文件可随时还原。（来源：docs.qoder.com 官方 FAQ）

也就是说：目录之内免打扰，目录之外才问一句。本次任务全程落在授权工作目录里，结果〔实测观察〕：0 次人工确认，4 分钟首次可运行，9 分钟连收尾带自检全部完成。

它还有两个放大速度的设计〔公开资料〕：任务监视器（Task Monitor）让自主循环全程可视化，用户不需要中途打断"看看到哪了"；澄清式前置提问把歧义在开工前消化掉，而不是做到一半回来问你。

5.3 OpenCode 居中：几乎全权限 + 完整的自测闭环

OpenCode 是 20 万+ star 的开源终端 Agent（github.com/anomalyco/opencode）〔公开资料〕。它的速度画像夹在中间，也最有意思：

• 内置 build agent 默认就是全权限开发模式，本次只出现 2 次人工确认〔实测观察〕——比 QoderWork 多，比 WorkBuddy 少一个数量级；
• 但它把时间花在了别处：交付时附带自测说明〔实测观察〕，14 分钟里有 4 分钟花在首次可运行之后的质量闭环上。

换句话说，OpenCode 用 2 次确认的低摩擦 + 一段自检时间，买了一个"交出来就基本能信"的交付。

5.4 一张表看懂归因

一个诚实的注脚〔推测〕：如果把 WorkBuddy 切到官方提供的"完全访问"模式（关闭确认流）重测，它的耗时大概率显著下降。这个推测有公开文档背书（完全访问明确会减少确认弹窗）加本次行为证据（耗时主要耗在确认等待），但本轮没有实测，只作为讨论，不当结论用。

六、三项结论

作品质量：QoderWork 97 ≳ WorkBuddy 96 > OpenCode 94。 但总分差 ≤3 分，属于小差异区间，QoderWork 和 WorkBuddy 实际是并列第一档；拉开差距的主要是视觉设计的完整度，而不是功能。

开发效率：QoderWork（9 分钟，0 确认）>> OpenCode（14 分钟，2 次确认）> WorkBuddy（20 分钟超时，约 10 次确认）。 这是本次差距最悬殊的维度。

综合可用性：本轮赢家是 QoderWork——质量第一、速度第一、零干预三项兼得。但选型要看场景：

• 要速度和自主性（限时任务、批量自动化）：QoderWork 这类"授权边界内免打扰"的设计赢面大；
• 要过程可控 + 交付稳定：OpenCode 的低确认 + 自测闭环是均衡之选；
• 要办公安全和人在环审阅（处理重要资料、团队环境）：WorkBuddy 的默认权限模式反而是最负责任的设计——它的"慢"，是你为安全付的确认费。

七、这次结论的边界

每个工具只测了一次，一道题。结果只反映：这个任务（单文件前端动画）、这组配置（同为 v4.1-flash，推理设置显示不同但影响未验证）、这个时间预算（20 分钟）。总分差 ≤3 分意味着排名对环境和主观视觉项敏感；若要下更强的结论，应该换任务、做第二轮。速度差异的方向性证据（确认次数、首次可运行时间）比总分排名更稳，因为它有官方文档与行为记录双向印证。

这是「工具横评」系列第一篇，测的是编程 Agent 三强。下一期测哪个赛道——办公、写作还是设计——评论区点菜。

完整测试记录（计时日志、逐项截图、自动化检查结果）已全部存档，欢迎查证；想要原文的，评论区说一声。