夜雨聆风点击上方名片关注我，一起用 AI 做事、少走弯路
OpenClaw 火了，又退潮了。从花钱安装到花钱卸载，好像就经历了几天时间。
朋友圈里那些「OpenClaw 改变了我的开发方式」的文章，现在已经被「OpenClaw 踩坑记」取代了。热度来得快，去得也快。
说实话，追热点没什么意义。OpenClaw 底层依赖的是 Claude Code，想研究 Agent 协作，不如直接看 OpenCode + oh-my-opencode插件。
我花了几天时间配置 OpenCode，发现了一些有意思的东西。比如怎么让 11 个 Agent 各司其职，怎么给不同模型配不同能力，怎么用多个 API 降低成本。
更重要的是，我想明白了 AI Coding Agent 的演进路径，以及未来可能的方向。
先说 OpenCode 是什么
OpenCode 是 Claude Code 的开源替代。但如果只是「替代」，没什么好说的。真正有意思的是 oh-my-opencode 这个插件。它定义了 11 个专业 Agent，每个 Agent 有明确的职责和能力边界。
你可以把它理解成一个小团队：有人负责协调，有人负责深度思考，有人负责快速搜索，有人负责执行。
具体分工是这样的：
协调者
● Sisyphus：主协调者，负责任务规划和并行执行
● Prometheus：战略规划者，采访式工作流，执行前先问清楚需求
深度工作者
● Hephaestus：自主深度探索，端到端遍历代码库
● Oracle：只读架构顾问，用于复杂调试
搜索与文档
● Librarian：外部文档研究员，有编辑限制
● Explore：快速代码库模式匹配，设计用于并行生成
执行者
● Metis：机械执行，遵循详细指令
● Atlas：双提示 Agent，自动检测模型类型切换提示词
● Momus：GPT 原生 Agent，使用原则驱动提示词
多模态
● Multimodal Looker：视觉任务处理
关键是，你只需要跟 Sisyphus 对话。它会自动判断任务类型，派发给合适的 Agent。
举个例子。你说「帮我优化这个组件的性能」，Sisyphus 会：
派 Explore 快速扫描代码库，找到相关文件
派 Oracle 分析架构问题
派 Hephaestus 深度探索优化方案
自己负责整合结果，给你最终建议
你不需要手动指定用哪个 Agent。Sisyphus 会自动编排，就像一个项目经理在分配任务。
配置的核心思路
看到这 11 个 Agent，你可能会想：它们都用同一个模型吗？
答案是不用。这就是 oh-my-opencode 最聪明的地方。
它的设计哲学是：不同模型思考方式不同，让它们做擅长的事。
Claude 擅长遵循复杂的多步指令（mechanics-driven），GPT 擅长原则驱动的推理（principle-driven）。
所以配置文件里，你可以给不同 Agent 指定不同模型。比如：
{"$schema": "...","agents": {"sisyphus": { "model": "aigocode/claude-opus-4-6", "variant": "max" },"oracle": { "model": "aigocode/claude-opus-4-6", "variant": "max" },"hephaestus": { "model": "codex/gpt-5.4", "variant": "max" },"prometheus": { "model": "aigocode/claude-opus-4-6", "variant": "max" },"metis": { "model": "aigocode/claude-opus-4-6", "variant": "max" },"momus": { "model": "aigocode/claude-sonnet-4-6" },"atlas": { "model": "aigocode/claude-sonnet-4-6" },"librarian": { "model": "aigocode/claude-haiku-4-5-20251001" },"explore": { "model": "aigocode/claude-haiku-4-5-20251001" },"multimodal-looker": { "model": "aigocode/claude-sonnet-4-6" }},"categories": {"visual-engineering": { "model": "aigocode/claude-sonnet-4-6" },"ultrabrain": { "model": "aigocode2/claude-opus-4-6", "variant": "max" },"deep": { "model": "aigocode2/claude-opus-4-6", "variant": "max" },"artistry": { "model": "aigocode/claude-sonnet-4-6" },"quick": { "model": "aigocode/claude-haiku-4-5-20251001" },"unspecified-low": { "model": "aigocode/claude-haiku-4-5-20251001" },"unspecified-high": { "model": "aigocode2/claude-opus-4-6", "variant": "max" },"writing": { "model": "aigocode/claude-sonnet-4-6" }}}```
逻辑很简单：
● 协调类 Agent（Sisyphus, Prometheus）用 Claude Opus，因为需要复杂的任务规划
● 代码生成类 Agent（Hephaestus）用 GPT，因为 GPT 的代码生成能力更强
● 搜索类 Agent（Librarian, Explore）用 Haiku，因为只需要快速检索，不需要深度推理
这样配置的好处：成本优化 + 能力最大化。
不是所有任务都需要 Opus。搜索和检索用 Haiku 就够了，成本降低 10 倍。
多 API 配置：分散额度，降低成本
配置不同模型只是第一步。更进一步，你可以配置多个 API provider。
为什么要这么做？因为很多 API 服务有额度限制。配置多个 provider，可以分散额度，避免单个 API 被打爆。
OpenCode 的配置文件（~/.config/opencode/opencode.json）长这样：
{"model": "aigocode/claude-sonnet-4-6","plugin": ["oh-my-opencode"],"provider": {"aigocode": {"npm": "@ai-sdk/anthropic","name": "AigoCode Relay 1","options": {"apiKey": "{env:ANTHROPIC_API_KEY}","baseURL": "https://api.aigocode.com/v1"},"models": {"claude-sonnet-4-6": {...},"claude-haiku-4-5-20251001": {...},"claude-opus-4-6": {...}}},"codex": {"npm": "@ai-sdk/openai","name": "OpenAI Codex","options": {"apiKey": "{env:OPENAI_API_KEY}","baseURL": "{env:OPENAI_BASE_URL}"},"models": {"gpt-5.4": {"name": "GPT-5.4"}}}}}
几个关键点：
● {env:ANTHROPIC_API_KEY} 从环境变量读取，不硬编码在配置文件里（安全）
● 可以配置多个 provider，每个 provider 有独立的 API key
● 同一个 base URL 可以配多个 provider（用不同 API key 分散额度）
我自己的实战场景是这样的：
● relay1 用便宜的反向代理额度，分配给搜索类 Agent
● relay2 用官方 Claude Code 额度（质量更好），分配给协调类 Agent
● codex 用 OpenAI API，分配给代码生成类 Agent
这样配置后，一个复杂任务的成本可以降低 50% 以上。因为大部分搜索和检索工作用的是便宜模型。
往回看：AI Coding Agent 是怎么演进到这一步的
配置讲完了。现在往回看，AI Coding Agent 是怎么一步步走到今天的。
我们可以把它大致分成五个阶段。
阶段 1：单提示词
最早的 AI 辅助开发，就是在 ChatGPT 里贴代码，问「这段代码有什么问题」。一问一答，没有记忆，没有上下文。
阶段 2：Skill 系统
Claude Code 引入 Skill，把常用的提示词封装成可复用的模块。
比如 /commit 自动生成 commit message，/review-pr 自动代码审查。
这是第一次把「提示词」变成「工具」。
阶段 3：单 Agent + 工具调用
Manus 这类工具，本质上还是单 Agent，但增强了工具调用能力。它可以调用浏览器、执行代码、访问文件系统。
所有决策都由一个 Agent 完成，但它能调用的工具变多了。
阶段 4：主 Agent + Subagent
Claude Code、OpenCode、OpenClaw 都在这个阶段。主 Agent 负责协调，Subagent 负责执行。
关键特征：只有主 Agent 有全量上下文，Subagent 只拿到部分信息。
比如 Claude Code 的 Subagent 在独立上下文窗口中运行，完成任务后返回摘要给主 Agent。这样可以把主 Agent 的 token 消耗从 169K 降到 21K。
阶段 5：多 Agent 全量上下文共享（理想未来）
这是目前还没有产品真正实现的阶段。
理想状态是：所有 Agent 都有全量上下文，各司其职，互相协作。就像一个极度透明化的公司，所有人都能看到全部信息，只是职责和能力不同。
为什么全量上下文共享是理想未来
人类团队很难做到信息完全透明。因为人有私心，会主动或刻意地控制信息，以符合自己的利益。
但 Agent 不一样。
Agent 没有私心，它只是读取信息，做出最理性的判断。如果你能打造出一个 Agent 团队，所有 Agent 共享全量上下文，各自基于完整信息做出最客观的决策，然后互相协作——这个团队的生产力会远超人类团队。
技术挑战当然有：
● 动态信息同步机制
● 确保所有 Agent 的信息对齐
● 通信协议和冲突解决
但更大的挑战不是技术，而是方法论的萃取。
谁有机会做这件事？不是技术最强的团队，而是最擅长萃取方法论的团队。
因为多 Agent 协作的核心，不是技术实现，而是：
● 如何把理想的工作方法萃取成模型
● 如何让 Agent 按照工作流程、方法论、甚至价值观去工作
● 如何确保不同角色的 Agent 拥有相同的价值体系、话语体系、工作习惯
这些能力，不是写代码能解决的。需要长期的领域积累和认知沉淀。
比如一堂这样的商业教育组织，他们过往做的商业课题、管理课题、创业课题相关的底层方法研究，让他们在这个方向上有先发优势。技术可以追赶，但这些底蕴、数据、认知，没有那么快能达到相同水平。
如果你想动手配置
完整步骤如下：
1. 安装 OpenCode
npm install -g opencode2. 安装 oh-my-opencode 插件
npm install -g oh-my-opencode3. 配置 opencode.json
编辑 ~/.config/opencode/opencode.json，添加 provider 和 plugin：
{"model": "aigocode/claude-sonnet-4-6","plugin": ["oh-my-opencode"],"provider": {"aigocode": {"npm": "@ai-sdk/anthropic","name": "AigoCode Relay","options": {"apiKey": "{env:ANTHROPIC_API_KEY}","baseURL": "https://api.aigocode.com/v1"},"models": {"claude-sonnet-4-6": {...},"claude-opus-4-6": {...}}}}}
4. 配置 oh-my-opencode.json
编辑 ~/.config/opencode/oh-my-opencode.json，指定每个 Agent 的模型：
{"agents": {"sisyphus": {"model": "aigocode/claude-opus-4-6", "variant": "max"},"prometheus": {"model": "aigocode/claude-opus-4-6", "variant": "max"},"librarian": {"model": "aigocode/claude-haiku-4-5-20251001"},"explore": {"model": "aigocode/claude-haiku-4-5-20251001"}},"categories": {"deep": {"model": "aigocode/claude-opus-4-6", "variant": "max"},"quick": {"model": "aigocode/claude-haiku-4-5-20251001"}}}
5. 设置环境变量
在 ~/.zshrc 或 ~/.bashrc 中添加：
export ANTHROPIC_API_KEY="your_api_key_here"export OPENAI_API_KEY="your_openai_key_here"
6. 启动 OpenCode
opencode现在你可以直接跟 Sisyphus 对话，它会自动派发任务给其他 Agent。
实操建议：配置完成后，建议先用一个简单任务测试，比如「帮我分析这个项目的目录结构」，看 Sisyphus 如何派发任务。观察 terminal 输出，你会看到不同 Agent 的工作过程。
如果觉得有启发，关注我，我会持续分享 AI 实战和认知升级的内容。
有问题想聊，加我微信：votchen2008
