夜雨聆风事情是这样的。
作为一个用 AI 提效的程序员和内容创作者，过去两年我折腾了不少工具——DeepSeek、TRAE、OpenClaw（龙虾）、WorkBuddy。
这篇文章，我想把这段折腾经历写出来。不是评测，不是安利，就是想聊聊真实感受，顺便回答一个问题：每个工具的边界在哪，什么活儿该交给它，什么活儿别指望它？
如果你也在选工具，希望这篇能帮你少走点弯路。
DeepSeek，复制粘贴的时代
那时候用 AI 写东西，流程是这样的，打开 DeepSeek 网页，把需要参考的文档内容一段一段复制粘贴到对话框，写需求，等它生成，复制结果，粘贴回本地。
听起来有点蠢对吧。
问题是，AI 看不到你的本地文件。你想让它帮你改一篇文章，先把文章全文复制过去。想让它参考某个文档的风格，再复制一份。好几份参考资料的话，对话框里全是复制粘贴的内容，真正写需求的提示词反而被淹没了。
而且 DeepSeek 的上下文窗口有限，文档一长就得拆开，拆开之后它又理解不了全文逻辑。每次用完，所有上下文清零，下次再来一遍。
我当时就一个念头：要是 AI 能直接读我电脑上的文件就好了。
后来 TRAE 出现了。
TRAE，终于能读本地文件了
TRAE 是字节跳动出的 AI IDE。我最早开始用它，就是因为一个功能，可以读取本地文件。
听起来好像不是什么大事，但用过 DeepSeek 的人都知道，这意味着什么——你不用再复制粘贴了。在 TRAE 里，告诉它文件路径，它就能直接读取。
这其实就是所谓的 Context Engineering，与其精心雕琢 Prompt，不如精心设计 AI 上下文窗口里该塞什么信息。
TRAE 给了我第一次「AI 真正理解我的项目」的体验。
说到这个，本地文件读取是我用 TRAE 最大的价值。用 DeepSeek 时，AI 是一个外人，每次都要你把家底搬给它看。用 TRAE 之后，AI 像是住在你家里，你说一声「帮我看看那个文件」，它自己就去翻了。
这个体验差距是质变级别的。
本地文件编辑方面，TRAE 的 Markdown 编辑体验不错，写公众号文章、做笔记都比较顺手。如果需要处理 Word 文档，就得通过 MCP 来实现了，效果不太行我后面会说。
日常使用中，我会问它各种问题，比如某个专业名词是什么意思、两个概念有什么区别、某个技术方案适不适合我的场景。遇到什么不懂的就问什么，它都回答得不错，相当于一个随时可问的 AI 助手。
代码重构的体验也不错。它能读出你的意图，把逻辑拆得更清晰、命名改得更规范，甚至帮你补上缺失的异常处理。不是那种机械式的格式化，而是真的理解了代码在干什么，然后给你一个更好的版本。
接手一个不熟悉的功能模块，让它帮你梳理一遍，哪个方法在调谁、数据流向是怎样的，几秒就能把逻辑理清楚，比自己逐行看快太多了。
代码补全也不只是帮你补个括号、写个变量名，而是能推断你的开发意图，直接给你补出整段代码。不过代码补全功能我用得不多，主力开发环境 IDEA，安装插件也能支持代码补全。一般只有需要上下文的时候才会切到 TRAE，毕竟它读过你的项目文件，比那些网页对话的 AI 靠谱。
但 TRAE 也有让我困扰的地方。
坦率的讲，写文章需要手动写提示词这件事困扰了我挺久。
去年上半年，还没有接触到 Skill 的概念，我写不同风格的文章，需要手动设置不同的智能体，每个智能体里写好对应的提示词，设定角色、背景、任务、优化要求等。
随着写的东西越来越多，智能体也越建越多，切换不方便，还经常忘记切换——想用技术架构师的风格写，结果用的还是产品经理的那个，出来的东西四不像。
现在回头看，我其实是在把智能体当 Skill 用，只不过每次都需要手动切换。而 Skill 做得好的地方就在于自动确定使用哪个 Skill，不需要用户操心。
后来我只保留了常用的几个智能体，剩下的使用通用的智能体。每次需要什么风格就先把提示词复制给 TRAE，然后说「帮我改写下」。虽然不用频繁切换智能体，但每次都要复制贴提示词，也比较麻烦。
换电脑时更麻烦，先创建对应的智能体，再把模板复制进去。能用，但不够优雅。
现在使用 WorkBuddy 可以把 Skill 保存起来，存储到 git 仓库里。换电脑只需下载项目，让它从文件里读取，无需手动设置。
这块后面说 WorkBuddy 的时候会再聊。
默认模型生成的文章大概打 70 分。
去年三月份开始使用 TRAE 辅助写文章，用默认模型生成的文章不能说差，但也没有惊喜。可能是模型能力的限制，也可能是提示词不够精准。总之，出来的东西「能用但不够好」。
MCP 生态的局限也让我有点失望。
TRAE 支持 MCP，我尝试过安装 Office-Word-MCP-Server 和 docx-mcp 来处理 Word 文档。结果怎么样呢，生成 Word 文档能用，但排版一般。读取 Word 特定章节这个需求，通过查找替换实现，根本不能用。
另外 TRAE 的 MCP 工具有 40 个的数量限制，对于简单场景可能够用，一旦你想接入更多工具，这个限制就很烦人。
今年我使用 TRAE 的频率下降了很多。
一方面是 WorkBuddy 满足了我大部分需求，另一方面 TRAE 在文档处理上的短板和记忆系统的缺失，让我越来越倾向于用 WorkBuddy。记忆系统是我今年常用 WorkBuddy 而非 TRAE 的重要原因，我不想每次开对话都重新教 AI 我的偏好。
这个我后面会详细说。
OpenClaw，龙虾让 AI 有了手脚
后来我发现了 OpenClaw，俗称龙虾。
龙虾是一个开源、自托管的 AI 智能体网关，支持 Discord、Telegram、飞书等 20 多个聊天平台接入。它的核心理念是，给大模型装上数字手脚，让 AI 从只会说变成能执行。
龙虾最让我兴奋的是，它能操作电脑。处理文件、运行程序、访问网页——这些 DeepSeek 做不到的事，龙虾可以。
多渠道接入这件事挺有意思的。一个龙虾实例可以同时服务微信、飞书、Telegram 等多个平台，不用每个平台单独部署。我在微信上跟它聊，它记得我跟它说过什么，我在飞书上接着聊，它还是知道我是谁。同一套记忆，同一个 AI。
记忆系统也做得不错。龙虾有原生的记忆系统，支持四层渐进式记忆架构，L0 原始对话、L1 原子记忆、L2 场景分块、L3 用户画像，能记住你的偏好和习惯。腾讯云后来还推出了 Agent Memory 记忆服务，让龙虾的记忆准确率提升了近 59%。
我在腾讯云服务器上部署了龙虾，它 7×24 小时在线。我现在还在用它从邮箱自动下载文件，每天定时检查邮箱，有新邮件就把附件下载下来，推送到微信。这个功能一直运行得很好。
但龙虾也让我困扰。
本地龙虾配置繁琐，这是最大的问题。本地部署龙虾需要配置 Node.js 环境、安装依赖、配置大模型 API Key……大模型收费高，免费的需要经常换，太麻烦了。光是配一个稳定运行的环境，我折腾了好几天。
安全问题是我更担心的。
今年 3 月，「养龙虾」翻车的事上了新闻。怎么说呢，Meta 的 AI 安全总监 Summer Yue 让龙虾整理工作邮箱，结果 AI 上下文窗口被塞满后，安全指令被压缩算法过滤掉了，龙虾开始疯狂删邮件。她连发三次停止命令都没用，最后只能物理冲到电脑前手动关掉程序。
本地部署龙虾意味着它有权限操作你的文件系统，一旦指令理解偏差或安全约束被绕过，后果可能很严重。
我当时看到这条新闻的感觉就是，尼玛。
云服务器龙虾不能访问本地文件，这是另一个问题。云服务器上的龙虾天然和本地文件隔绝，你让它处理你电脑上的文档，它做不到。本地部署可以解决，但配置门槛又太高，还有安全隐患。
网络搜索体验差也让我有点无语。
让龙虾搜索某个话题，比如「OpenClaw 的文章」，需要先配置搜索引擎。配好之后搜到的都是官网文档、社区帖子，而且英文居多。我想找的是博客、知乎、公众号文章，就是人能通过百度搜索看到的那些内容，它搜不到。
公众号文章无法读取这件事也很离谱。给它一篇公众号文章链接，它读不了。
这些问题不是龙虾本身设计得不好，而是作为一个需要自托管的工具，它的灵活性是以配置成本和安全风险为代价的。云服务器版解决了在线问题但隔绝了本地，本地版解决了文件问题但配置繁琐且存在安全隐患。
说到底，选工具这件事，就是 trade-off，没有完美答案。
WorkBuddy，AI 办公伙伴
WorkBuddy 是腾讯云出的 AI 编程助手，和 TRAE 一样集成在 IDE 里。但我的使用体验完全不同，WorkBuddy 更像是一个 AI 办公伙伴，而不是单纯的编程辅助。
说真的，选 WorkBuddy 的核心原因是，它解决了龙虾的配置痛点和安全隐患，同时补齐了 TRAE 的功能短板。
云服务器上的龙虾我一直还在用，专门用来从邮箱下载文件，这个场景它做得很好，7×24 小时在线，稳定可靠。而且我只给了邮件读取权限，没有写入权限，即使 AI 失控也最多是读多了，不会删我的邮件。
但云服务器上不能访问我的本地文件，虽然安全风险可控，但无法满足日常办公场景。
本地龙虾的问题不是不好用，而是配置太折腾。Node.js、大模型 API Key、搜索引擎……每一项都要手动配置。
更不用说本地部署的安全隐患，万一哪天它也帮我「整理」一下文件系统……
WorkBuddy 开箱即用。 不用配模型、不用配搜索、本地文件原生支持。而且它可以指定运行的工作文件夹，AI 只能在你划定的范围内操作，不会误删范围外的文件。
从安全角度看，比本地龙虾那种全系统权限安心多了。
文档全能处理，这才是正经办公
WorkBuddy 对文档的支持是我选择它的最核心原因。不只是 Word，Excel、PDF、PPT 它都能读能写。
先说读取，WorkBuddy 可以读取 Word 文档的指定章节。这听起来简单，但 TRAE 通过 MCP 做不到。之前尝试过，结果发现它使用查找替换功能来定位指定章节，当然不能实现精确的章节读取。
再说生成，WorkBuddy 生成的文档排版很好看。我用它生成 AI 日报，格式清晰、样式专业，直接就能用。Excel 报表、PPT 演示文稿也能一键生成，不用自己再排版。
记忆系统，AI 终于记住我了
WorkBuddy 的记忆系统是我今年常用它而非 TRAE 的一个重要原因。
它会在跨会话之间记住你的偏好、项目约定、工作习惯。比如我告诉它一次「我的项目主分支用 main 不用 master」，之后每次创建仓库它都自动遵守。
这种「不用每次重新教」的体验，用过的都知道有多爽。
龙虾也有记忆系统，但本地部署配置繁琐，云服务器版又无法访问本地文件。WorkBuddy 把两者统一了，有记忆加能访问本地加不用折腾配置。
这块需要注意一下，我用 TRAE 和 WorkBuddy 的场景不太一样。TRAE 主要用来做代码分析和重构，WorkBuddy 用来做文档处理和内容创作。两个工具各有侧重，不存在谁替代谁的问题。
自动化任务，AI 日报自动生成
WorkBuddy 支持定时自动化任务。我设置了一个 AI 日报任务，每天自动搜集 AI 资讯、生成摘要、输出 Word 文档。
早上打开电脑，一份排好版的 AI 日报就在那里等着你。
这种「不用盯着它，它自己就干了」的体验，是 TRAE 目前给不了的。
网络搜索，搜到的是人搜到的结果
这个点可能很多人不在意，但对我来说很重要。
之前用龙虾搜索，搜出来的东西总像是从技术文档堆里翻出来的，和我真正想找的中文博客、公众号文章对不上。
WorkBuddy 不一样，它搜出来的结果更像是我自己在百度上搜的，中文内容覆盖好，公众号文章也能直接读取。
多平台接入，手机也能调度 AI
WorkBuddy 通过 Claw 集成支持接入微信、企业微信、QQ、飞书、钉钉等 7 种聊天平台。配好之后，在手机上发条消息就能远程调度电脑上的 WorkBuddy 执行任务，结果同步推回手机。
这个能力之前只有龙虾能做到，现在 WorkBuddy 也有了。
真诚地说，目前还没发现 WorkBuddy 什么明显的不足。
原因倒不是我偏心，而是我的使用方式，根据它的能力选择合适的任务交给它处理。文档处理、自动化任务、记忆系统，这些都是它的强项，交给它做的事情目前完成得都还不错。
至于长文内容生成——这篇文章就是让 WorkBuddy 写的，效果如何，你正在看。
Claude Code，那个我没用过但很好奇的存在
写到这里，必须提一下 Claude Code。
我没用过它，但网络上关于它的讨论实在太多了，想不注意到都难。
Claude Code 是 Anthropic 官方推出的终端 AI 编程工具。和 TRAE、WorkBuddy 的 IDE 集成模式不同，它是一个 CLI 工具，运行在命令行里。
根据网络评测，SWE-bench 评分 80.8%，排名第一，比第二名 Cursor 3（72.3%）高出约 8.5 个百分点。这个差距在编程基准测试中属于断层领先。
最让人眼热的，是它的上下文窗口，200 万 Token。我现在的日常体验里，DeepSeek 和 TRAE 的窗口经常不够用，文档一长就得拆，拆开了逻辑又不连贯。200 万我没实际用过，但光看这个数字就知道，它意味着你几乎可以把整个项目的代码全部塞进去，AI 看见的不是碎片，是全局。
还有一个让我很在意的功能，斜杠 skillify 命令。它能观察你的操作，然后自动生成一个 Skill。我现在的 WorkBuddy 里，Skill 文件是我自己手动维护的，每次学到新套路就更新进去。如果 AI 能自己观察、自己总结、自己生成，那就不是工具在辅助我了，而是工具在帮我建立属于我自己的工作方法论。
其他特性当然也有，全自主 Agent 能从规划任务到 Git 提交一路拖拽着完成，支持多 Agent Teams 并行工作，MCP 协议标准化接口方便接外部工具。但这些听着厉害的功能，我更关心的是，它们在我这个场景里，到底用不用得上。
简单说，Claude Code 被认为是当前编程能力天花板。
但它贵。
Claude Code 的成本是所有工具里最高的。它有 Claude Pro（$20/月）和 Max（$100-200/月）订阅版本，但 Pro 的额度有限，重度使用很容易触顶，升级到 Max 才能放开手脚。对个人用户来说，$20/月起步不算离谱，但如果日常用量大，月费可能到 $100 甚至 $200。
我对 Claude Code 最大的好奇是，它有哪些功能是 TRAE、WorkBuddy、OpenClaw 做不到的？
大家都说它强，但「强」这个字太模糊了。SWE-bench 80.8% 的分数摆在那里，编程能力天花板没争议，但对我来说，日常开发用 IDEA 加 DeepSeek 已经够用了，代码重构等场景可以使用 TRAE。我真正关心的是，它在我的场景里——内容创作、文档处理、任务自动化——能不能带来质变？
如果只是编程更强，目前还没有这个需求。如果它能在这些办公场景上有独到之处，那才值得认真考虑。
目前我还没有答案，但至少把需求摆清楚了。
我的工具选择逻辑
最后聊聊我的选择逻辑，不一定对，但很真实。
按需求选工具。 文档处理、自动化任务这些办公场景对我来说很重要，编程场景也不可少。根据需求选择合适的工具，而不是一个工具打天下。
少折腾大于多功能。 龙虾的配置噩梦让我深刻认识到，工具再强大，配置门槛太高也是白搭。WorkBuddy 开箱即用的体验更适合我。
记忆系统是刚需。 不想每次都从头教 AI 我的偏好。龙虾有记忆系统，但本地配置繁琐。WorkBuddy 开箱即用，真正解决了这个问题。
云服务器龙虾不可替代。 7×24 小时在线、自动从邮箱下载文件，这个场景 WorkBuddy 做不了。本地电脑不可能一直不关机。
成本要合理。 TRAE 免费，WorkBuddy 免费体验版够轻度使用，Claude Pro $20/月起，重度使用更高，还在观望中。
从 DeepSeek 的复制粘贴，到 TRAE 的本地文件读取，到龙虾的记忆系统加自动化任务，再到 WorkBuddy 的文档处理加本地文件读取，每一步迁移都解决了一个核心痛点。
这个迁移过程不是替换，而是不同场景用不同工具。
下一步会不会是 Claude Code？
取决于它能不能解决我还没有解决的痛点，或者，能不能创造一个我还没意识到的新需求。
最后想问一句，你现在主要在用哪个 AI 工具？是一个工具包打天下，还是像我这样分场景用不同的？欢迎在留言区聊聊你的实际体验。
以上，如果觉得这篇对你有用，随手点个赞或在看，转给同样在纠结选工具的朋友。
谢谢你看我的文章，我们，下次再见。
