AI赋能投研体系:工具篇 | 开源金工

执业证书编号：S0790519120001

随着人工智能技术高速迭代演进，各类AI辅助工具迎来蓬勃发展，AI赋能投研工作成为新的潮流。作为金融工程从业人员，代码开发是日常工作的核心内容，随着AI的发展，代码开发的载体也发生了显著变化。除经典的PyCharm、VSCode之外，内置AI能力的智能编辑器遍地开花，海外诞生了Cursor、Windsurf等热门产品，国内也同步推出Trae、Qoder等本土工具。与此同时，依托命令行界面CLI运行的原生AI智能代理工具也快速兴起，主流代表有Claude Code、Codex。2026 年年初，OpenClaw凭借24小时全天候在线智能代理的差异化优势迅速出圈，在社交圈内掀起大范围安装热潮。近期的Hermes凭借自进化能力，也吸引了不少关注度。

工欲善其事，必先利其器。各类AI工具如雨后春笋般涌现，如何选择适合自己的工具也开始受到大家的关注。下文结合自身使用经历，分享我们在智能编辑器、专业AI智能体、通用AI智能体三类产品中的使用心得。但由于当前各种AI工具琳琅满目，难免挂一漏万。

过去几年，AI 辅助编程工具持续迭代升级，产品形态从最早的代码补全编辑器插件，一步步进化为具备完整任务理解、自主规划执行能力的智能系统。梳理整个发展过程，能清晰看到行业经历了四个核心的演进阶段，完成了从“单点编码辅助”到“系统级智能协同”的跨越式升级。

（1）起步阶段（2020年~2022年）：编辑器插件

2020 年到 2022 年，是AI编程工具的起步阶段，产品核心形态以编辑器插件为主，最具代表性的就是 GitHub Copilot，核心能力聚焦在实时代码补全和基础的编码建议上。这个阶段的工具响应效率高，能做到毫秒级的输入内容预测，但能力边界也十分明显：代码理解范围基本只局限在当前打开的文件或单个函数内，只能被动响应开发者的输入操作，无法主动理解整体任务需求。本质上，这一阶段的产品仍是一套强化版的自动补全系统，仅解决“写代码慢”的问题，不具备任务执行与项目理解能力。

（2）智能化升级阶段（2022年~2024年）：内嵌大模型编辑器 

2022年到2024年，随着大语言模型的能力持续突破，AI 编程工具进入编辑器智能化升级阶段，最标志性节点为2023年3月CursorAI编辑器正式发布。产品首次将AI大模型深度内嵌至编辑器核心架构，彻底改变了传统插件的辅助形态。

该阶段工具已具备完整的自然语言任务理解、自主任务拆解与分步执行能力，不再局限于代码文本补全。支持直接操作本地文件系统、调用终端命令、访问网络资源，深度融入开发者完整工作流。AI编程工具从此从“被动建议”升级为“主动执行”，真正落地开发环节自动化，能够独立完成中小型开发任务的全流程操作。

（3）专业智能体阶段（2024年~2025年）：CLI命令行智能体

2024 年末至 2025 年是行业关键过渡期，产品形态从“编辑器内嵌 AI”迭代为命令行原生智能编程体，以Claude Code为核心标杆产品，打通了单编辑器智能到全系统智能的技术壁垒，是衔接桌面编辑器与后台智能体的关键形态。

Claude Code 依托超大上下文模型能力，实现两大核心突破：其一，支持200K Token 超长上下文，可一次性通读、理解数十万行规模的完整大型项目，精准捕捉跨文件、跨模块的复杂业务逻辑，彻底解决早期AI工具“只见单文件、不见全项目”的短板；其二，深度原生集成终端命令行环境，可无缝联动 Git、Docker、包管理器、服务器运维等全链路开发工具，自主完成代码遍历、批量修改、自测运行、报错修复、版本提交等闭环操作，具备很强的项目自愈与自主运维能力。相较于Cursor的编辑器内自动化，Claude Code 将AI编程能力拓展到了整个开发系统环境，实现了从“代码编辑辅助”到“全项目工程化运维”的升级。

（4）全面助手阶段（2025年末至今）：常驻式智能体

2025 年至今，AI 编程工具正式迈入了智能体协同的全新阶段，OpenClaw是这一阶段最具代表性的产品，核心特征就是实现了长期自主运行和多智能体的分工协作。这类工具可以在后台持续执行长周期任务，完成后主动给用户推送结果通知，遇到执行异常也能自主排查处理；同时，多个不同定位的AI智能体还能分工配合，串联起完整的开发工作流。这一阶段的升级，标志着AI编程工具彻底从过去的单点式编码辅助，进化为具备系统级协同能力的完整智能生态，能为开发者提供全流程、高度自动化的智能工作支撑。

以 Trae 为代表的AI原生集成IDE，核心优势在于低延迟的实时交互，能够深度融入开发者的日常编码流程，提供即时代码补全、上下文辅助等能力。Chat模式提供日常问答，并给出对应的建议，SOLO模式支持全流程AI自主开发与交付，能力边界大幅拓宽。AI编辑器类工具以开发者的高频交互为核心触发机制，在低-中复杂度的开发活动中具备很高的适配性与易用性。

以 Trae 为代表的AI原生集成IDE，核心优势在于低延迟的实时交互，能够深度融入开发者的日常编码流程，提供即时代码补全、上下文辅助等能力。Chat模式提供日常问答，并给出对应的建议，SOLO模式支持全流程AI自主开发与交付，能力边界大幅拓宽。AI编辑器类工具以开发者的高频交互为核心触发机制，在低-中复杂度的开发活动中具备很高的适配性与易用性。

而以 OpenClaw 为代表的开源通用AI智能体网关，则体现出完全不同的产品逻辑，核心聚焦于持久化自主执行能力。OpenClaw采用MIT开源协议，可支持本地私有化部署、Docker 部署与云服务器部署，能够接入Claude、GPT、DeepSeek等几乎所有主流大模型，同时兼容飞书、telegram、钉钉、QQ 等多平台聊天入口。其核心的 Gateway网关架构负责会话路由、消息管理与工具执行，通过Skills技能系统可实现功能的无限扩展，具备持久记忆、主动执行、文件访问与编辑等核心能力。该类工具可在较长时间尺度内持续执行任务，并根据执行状态动态调整策略，不仅能够完成长时间的批处理与计算任务，还可通过主动通知机制向用户反馈执行结果，形成完整的闭环任务执行体系，尤其适配个人用户、轻量团队的日常办公自动化、流程化任务处理与多平台AI助手搭建需求。

Trae是一款深度融合AI能力的智能编辑器工具，提供从代码编写、项目理解、调试运行到变更管理的完整开发体验。你既可以将其作为传统IDE，使用古法编程，掌控每一步，也可以通过自然语言描述需求，把任务交给AI智能体规划和执行。

Trae IDE的界面布局如图2所示，其布局主要包括五个部分，左侧是项目资源管理器，左侧中间部分是代码编辑区，右侧中间部分是执行交互窗口，最右侧则是原生AI对话窗口，内置Chat和Agent模式可选，底部窗口则涵盖终端、调试等功能。由于Trae本身是基于Visual Studio Code（VSCode）开源框架构建的，所以从界面端来看，二者基本没有区别。同时，Trae也兼容VScode的生态系统，使得其能够从VSCode无缝迁移其既有的配置信息，减少二次配置成本。

2.2、Trae能力体系

Trae提供双重开发模式，用户可以根据任务需求自由进行模式切换。IDE模式，保留了传统的开发方式，开发者可以全程自主控制流程，对自身的任务具有清晰的掌控感；SOLO模式则以AI为主导，自动规划任务并完成从需求理解、代码生成、测试到成果预览的全流程。

Trae 的AI编程能力，主要依赖四个维度的加持。第一个是模型层。Trae内置了多种业内最新的大模型，开发者可以根据需要进行选择，其也支持通过API Key外接第三方模型，方便开发者根据任务类型、性能和偏好选择适合自己的模型。第二个是智能体。通过自然语言定义任务，AI智能体可理解需求、检索代码库、制定多步骤计划，并调用工具完成开发。你也可以创建自定义智能体，并为其配置提示词、MCP Server和工具集来适配特定任务。第三个是CUE（Context Understanding Engine，上下文理解引擎）。CUE支持代码补全、链式补全、多行修改、点预测与跳转，并可在 Python、TypeScript、Golang 项目中辅助导入依赖和重命名引用。最后是上下文引用。你可以将文件、文件夹、代码片段、终端输出、代码仓库、文档集乃至网页作为上下文，让AI基于更完整的信息回答问题和执行任务，避免跑偏。

在理解了Trae的核心能力及其工作机制后，我们进一步在功能维度将Trae、传统IDE和AI聊天工具进行直观对比。通过该对比可以看出，Trae作为AI原生集成编辑器，最明显的优势在于实时补全、文件级上下文理解和任务自主规划与执行。

2.3、Trae AI 应用场景

关于Trae编辑器的具体使用和配置方法大家可以参考官方文档，这里我们简要介绍如何在Trae编辑器中使用AI功能辅助日常工作。抛开模型层的差异，Trae编辑器的AI辅助主要体现在三点：CUE智能代码补全、Chat模式、Agent模式。

我们可以通过CUE在Trae编辑器中进行代码自动补全，它可以在编辑器中自动触发，一般无需人为主动唤醒。为了更高效地使用CUE，最好记住一些常见的快捷键：如Tab表示完全接受，Ctrl+逐字接受，Esc拒绝，Ctrl+Shift+Enter主动触发CUE。

Chat模式是对话式交互，AI不会主动修改或执行代码，只是提供文本回复和代码片段参考。Chat模式有两种，一种是在编辑器中通过Ctrl+I进行唤醒的内联AI聊天框，它会在编辑器内直接打开一个小型对话框，紧贴当前光标位置或选中代码，适合快速修改、重构选中的代码片段。而Ctrl+U则默认在IDE右侧打开完整的AI对话面板，适合多轮对话、查看完整上下文、生成新文件等操作。同时可以在对话框中通过#file_name进行文件引用，方便AI进行上下文理解。

Agent模式，则是完全依赖AI自主执行任务。Agent模式目前也有两种，初期名称是Builder和Solo模式，现在调整为Agent和Solo Agent两种。Agent模式支持执行常规开发任务，AI会自动理解工程结构、修改代码、执行命令，但核心操作仍需用户授权确认，且Agent模式支持调用配置好的MCP，从而提升Agent工作能力。Solo Agent则是完全自动化，默认所有授权全部打开，用户只需描述需求，AI自主规划、写代码、测试、部署，几乎不需要手动干预。

Claude Code是由Anthropic推出的一款面向开发场景的AI编程助手，可帮助你构建所需功能、修复代码错误和自动化开发任务。它理解你的整个代码库，可以跨多个文件和工具工作以完成任务。当前Claude Code可在终端、IDE、桌面应用和浏览器中使用，但当大家谈论Claude Code时，往往默认为终端CLI版本的Claude Code。

Claude Code是由Anthropic推出的一款面向开发场景的AI编程助手，可帮助你构建所需功能、修复代码错误和自动化开发任务。它理解你的整个代码库，可以跨多个文件和工具工作以完成任务。当前Claude Code可在终端、IDE、桌面应用和浏览器中使用，但当大家谈论Claude Code时，往往默认为终端CLI版本的Claude Code。

与传统IDE工具主要提供实时补全和局部建议不同，Claude Code的工作方式更倾向于任务驱动：开发者提出任务，Claude Code会理解意图、规划执行步骤、调用合适工具完成操作，并在必要时验证结果。简单来说，它不仅能建议你做什么，还可以帮你去做。

总体而言，Claude Code具备完整的Agent化特征，其能力结构围绕任务执行过程形成了一条连续的能力链条。当开发者输入自然语言任务后，系统首先将非结构化需求转化为结构化目标，随后将整体目标拆解为可执行的子步骤，并确定执行顺序。在此基础上，系统根据任务类型自动选择合适的工具完成操作，例如文件读取、代码修改或命令执行。在执行过程中，如果出现错误或异常，会进一步触发错误处理机制，对问题进行定位并修复。最后，通过上下文管理机制，将已执行的操作与项目状态持续纳入统一语境中，从而保证后续操作的一致性与连续性。

3.1、Claude Code简介

Claude Code提供了一套涵盖文件操作工具、搜索工具、执行工具、智能工具、监控工具和通知工具的工具体系，支持各种复杂的操作任务。

在文件操作层面，Claude Code具备对代码、配置文件、文档以及Jupyter Notebook文件的读取与修改能力。在搜索层面，Claude Code通过文件搜索、内容匹配等工具，可以快速定位函数定义和跨文件依赖关系。执行类工具是Claude Code与传统AI编程助手差异最大的部分：Claude Code可以直接调用Shell命令执行脚本、运行测试、安装依赖和创建定时任务。除此之外，Claude Code还集成了代码导航、后台监控以及任务管理等能力。其LSP工具能够实现定义跳转、引用查找以及调用链分析，而监控工具则进一步增强了长流程任务管理能力。

整体来看，Claude Code的核心工具体系并非简单的功能堆叠，更多是围绕用户提供的任务形成的一整套工具协同体系：读取上下文、理解项目、搜索信息、执行操作、验证结果。

3.3、Claude Code系统化能力机制

3.3.1、Mode : 工作模式切换

Claude Code支持多种工作模式，用于控制AI的行为激进程度、是否需要用户确认、是否自动编辑文件等。我们可以通过快捷键Shift+Tab在不同模式间进行切换，表3总结了Claude Code中内置的四种工作模式。需要注意的是，首次开通Bypass Permissions模式需要修改配置文件进行激活。根据自由度排序，从Plan Mode到Bypass Permissions，授予AI自主操作的权限逐步增加，风险敞口逐步扩大，日常使用时需要灵活切换模式，注意潜在风险。

3.3.2、Slash Commands : 快捷功能入口

Claude Code内置一套以斜杠（/）为前缀的Slash快捷指令，可在对话输入框中直接调用，用于实时调控智能体行为、切换运行模式、管控编辑权限、重置任务流程，是人工介入Agent执行逻辑的轻量化操作入口。

依据用途不同，Slash命令可分为以下几类：日常高频命令、会话管理命令、调试与诊断、插件与扩展命令、权限与配置命令和代码协作命令。

3.3.3、Skills : 任务流程模板化

Skill是Claude Code中用于封装可复用专业能力的模块，其核心作用是将特定领域的知识、操作流程与最佳实践结构化，使AI在执行任务时无需重复理解背景信息。通过将复杂任务拆解为标准化步骤，Skill能够在不同场景中保持稳定的执行逻辑，避免因表达差异或上下文变化导致结果不一致。

在实际应用中，Skill的设计往往直接决定任务执行的质量。相比一次性的提示词调用，Skill更接近一种可长期复用的任务模板，如果结构清晰、步骤完整，就能够显著降低复杂任务的执行不确定性，并减少对人工干预的依赖。因此，学会写一个清晰表达自身需求的Skill至关重要。

每个Skill.md文件开头必须包含YAML frontmatter，用于定义 Skill 的元信息。其中，name必须与 Skill 所在文件夹名称一致，且只能包含小写字母、数字和连字符。description应采用“功能描述 + TRIGGER when + 关键词列表”的形式，用于确定Skill何时被自动触发。考虑到用户可能以不同表达方式发出相同意图，description中应包含足够覆盖范围的关键词。

SKILL.md正文遵循标准Markdown结构，通常建议包括Skill标题、功能说明、执行流程、输入输出规范以及示例演示五个部分，用于完整描述Skill的功能定义、执行逻辑与使用方式。

Skill按作用范围分为全局Skill与项目级Skill两类。全局Skill存储在用户配置目录下，可在所有项目中共享使用，每个Skill通常以独立文件夹形式组织，并包含SKILL.md及相关配置、模板或参考资料等扩展内容。项目级Skill则定义在具体项目的目录中，仅在当前项目范围内生效，便于针对特定任务进行定制化扩展。在执行过程中，系统会优先使用项目目录下的Skill定义，若不存在则使用全局Skill。调用层面，Skill可以通过斜杠命令触发或自动适配，支持携带参数或文件路径输入。

3.3.4、Hooks : 自动触发机制

Hooks是一种自动触发机制，会在Claude Code运行过程中监听事件，一旦特定事件发生则自动执行。其本质是把一些重复性或固定流程的操作提前写好，然后在合适的时机自动触发执行，从而减少人工干预。

Claude Code中目前内置多达20多种类型的Hook配置，常见的Hook类型包括PreToolUse、PostToolUse、Notification、Stop、SessionStart和TaskCompleted等。我们以最常用的Hooks配置为例，其大概的功能和使用场景如图11所示。

在工具执行前（PreToolUse），系统可以对输入进行校验或对潜在风险命令进行拦截；在工具执行后（PostToolUse），可以自动完成代码格式化、日志记录或触发后续任务；在收到通知时（Notification），可以对消息进行过滤或自动响应；而在会话结束时（Stop），则通常用于清理临时文件、生成总结或更新记忆信息。通过这种事件驱动的设计，Hooks 将多个分散的操作统一嵌入到执行流程中，实现自动化处理。

3.3.5、Plugins : 工作流打包单元

Plugin是Claude Code中用于封装外部工具、第三方接口与独立可执行程序的功能打包单元，其核心作用是打通大模型与外部软硬件环境的交互壁垒，将系统指令、网络请求、第三方服务、本地程序等外部能力进行标准化封装。和侧重内部任务流程模板化的Skill不同，Plugin聚焦外部能力拓展，为模型赋予超出原生上下文、算力边界的实操权限；依托统一调用协议，插件支持一键挂载、按需启停，弥补大模型本身无法直连本地环境、实时联网、联动专业软件的短板，大幅拓宽可落地任务的边界，保障外部调用动作稳定可控。

一个插件可以打包多种能力，我们以一款虚拟的代码辅助开发Plugin为例，该插件可整合调度前文提及的全部组件能力，搭建端到端标准化研发工作流。

当 Plugin 承接开发需求后，若识别出 API 设计规范这类细分专项编码任务，会调度模型自动加载配套标准化技能（Skills），依托固定步骤完成合规编码；同时插件内置模型上下文协议（MCP）通信通道，打通外部数据库，支撑开发全程的数据读取、调试与写入；代码编辑完成后，插件搭载的钩子（Hooks）机制自动启动后置标准化处理，批量执行代码格式化、语法校验等预处理操作；预处理结束后，插件自动委派专属子代理（Agents）独立开展代码审查工作，逐行排查逻辑漏洞、安全隐患与编码规范问题，审查完毕输出精炼结构化评审报告；待开发者确认报告无重大问题后，通过插件预设的斜杠命令（Slash Commands）即可一键提交代码，完整闭环整套研发流程。

3.3.6、Memory : 经验沉淀机制

Memory是Claude Code的知识积累机制，用于持久化项目经验与操作规范。其核心价值在于通过记录错误及对应解决方案来避免问题的重复发生，同时将项目中的关键经验进行沉淀以支持跨会话复用，并通过固化操作规范来保证执行过程的一致性，最终实现上下文的延续，从而提升系统在长期任务中的稳定性与连贯性。

Claude Code的记忆系统是其区别于普通AI助手的关键能力，它通过多层记忆架构，实现了跨会话、跨项目的持久化知识保留，解决了传统AI的 “会话失忆” 问题。

与Skills类似，Memory也包含不同层级。根据作用域层级高低进行排序，当前Claude Code中包含用户级记忆（全局生效）、项目级记忆（项目生效）和会话级记忆（上下文生效）三层。Claude Code 的记忆遵循严格的作用域优先级，确保信息只在合适的场景生效，且日常会话中的关键信息可以通过打开Auto-Memory模式进行自动记忆。

一般而言, Memory的内容主要涵盖user（使用者偏好）、feedback（内容反馈）、project（项目约束）和reference（外部资源链接）等类型。Memory文件存储在~/.claude/projects/<项目路径>/memory/ 目录下，其中MEMORY.md文件是所有memory的目录，每次会话启动时自动加载到上下文，且Claude Code会在会话中按需检索对应的memory文件。

当首次遇到错误或重复出现问题时应记录Memory，用于固化原因和提供解决方案；在完成复杂任务或学习新知识时可以选择性记录关键步骤和经验。维护上强调原子性、可操作性、示例驱动、定期回顾和索引清晰，即每条Memory只描述一个规则并包含具体执行方式，通过示例增强可理解性，定期清理和更新内容，并通过统一索引保证整体结构可检索和一致。

在具体内容组织上，每条Memory采用标准化模板进行表达，包括规则定义、设计原因说明以及具体应用方式，并通过正反示例强化可执行性，从而确保知识不仅具备描述性，同时具备明确的操作指导意义。

3.4、Claude Code工作流模式

Claude Code支持多种工作流模式，用于适配不同复杂度与结构化程度的任务场景，其核心目标是通过任务拆解与并行执行提升整体处理效率与稳定性。

基础工作流是以单一Agent为执行主体的线性或依赖型处理流程，通过对任务进行结构化拆解与调度，并按既定依赖关系顺序执行各子步骤，从而实现对复杂任务的有序分解与系统化处理。

多Agent协作模式是在基础工作流的基础上扩展而来，通过将单一任务拆分为多个子任务，并分配给多个Agent并行执行，最终由主Agent对结果进行汇总与整合。该模式通过并行、分工、汇总实现高效的任务处理，本质相当于并行计算或分布式执行机制。

04

OpenClaw : 全场景AI Agent

4.1、OpenClaw简介

在AI 编程工具逐步向智能体方向演进的过程中，全场景Agent开始成为新的发展方向，其核心特点在于突破能力边界，将AI从专属编程助手扩展为能够长期持续执行任务的自动化系统。这类工具更强调长时间任务托管、异步执行以及复杂工作流编排能力，从而覆盖更加多元的场景。

OpenClaw便是上述需求的一种载体，其在2026年年初一度引发全民装虾潮，盛况空前。当前OpenClaw还在高速迭代中，几乎每隔几天就有新的版本发布。OpenClaw作为一款开源AI智能体Gateway网关，以长期值守、主动服务、跨域协同为核心，强调7x24小时在线与多任务统筹能力。OpenClaw采用后台守护进程模式，启动后独立于终端运行，关闭命令行、客户端界面仍可继续工作，支持系统自启动。OpenClaw在定时任务设置、跨渠道消息分发等方面具有相对优势。

OpenClaw的安装在初期发布时，对于非编程人员具有一定的门槛，因为其依赖较多环境配置。OpenClaw支持多种启动方式，包括命令行和网页模式。网页端面板界面如图16所示。

4.2、OpenClaw架构

OpenClaw是一款模块化、可扩展的智能交互与自动化框架，整体采用分层架构设计，由Gateway网关、Channels渠道、Skills技能、Tools工具四大核心模块构成。各模块职责清晰、各司其职，既保障了系统运行的稳定性与统一性，又具备较强的拓展性、集成性与实用性，可满足智能对话、应用集成、自动化任务执行等多元化场景需求。

4.2.1、Gateway : 全局控制中枢

Gateway是OpenClaw框架的核心调度中枢，为系统常驻运行的核心服务，承担全局统筹管控的核心作用，是整个框架的运行核心与数据流转枢纽。作为系统唯一核心入口，所有渠道消息、技能调用、工具执行请求均需经过网关统一校验、分发与调度，保障系统运行有序、安全可控。

4.2.2、Channels : 消息分发渠道

Channels是OpenClaw对接各类外部消息应用的集成适配层，承担内外数据互通的核心作用。该模块主打多平台、多渠道兼容能力，可快速对接各类主流消息应用与第三方平台，打通框架与外部应用的数据交互通道。

通过标准化的渠道适配机制，Channels 能够统一各类外部平台的消息格式、交互逻辑与请求规范，屏蔽不同应用的接口差异，为上层技能、自动化能力提供统一的输入输出入口，让OpenClaw可灵活适配各类交互场景，实现多平台统一响应与联动。

Channels覆盖主流社交、办公、机器人、网页端等全场景渠道，包含微信、QQ、钉钉、飞书、Telegram、Discord等主流社交办公平台，同时支持 Web 网页端、API 接口对接、本地终端交互、第三方机器人平台接入，可实现多终端消息同步、一键多平台群发、智能回复联动等能力，适配个人使用、团队办公、服务对接等多种场景。

4.2.3、Skills : 任务流程模板化

Skills是OpenClaw实现各类场景化功能的核心能力单元，属于框架的上层业务扩展层。每个技能均由SKILL.md配置文件加配套执行脚本组成，结构轻量化、标准化，支持灵活编写、快速部署与按需拓展。

技能模块聚焦各类细分业务场景，可实现对话交互、场景任务处理、定制化功能响应等多元化能力。目前开源社区 ClawHub 已发布数千技能包，覆盖海量通用场景与细分需求，用户可直接复用、自定义修改或自主开发新技能，丰富了框架的业务落地能力。非官方自定义Skill存在提示词注入隐患，用户需仔细核验来源可信度。具体的Skills构建与使用，其与Claude Code中的Skills类似，此处不再赘述。

4.2.4、Tools : 底层能力支撑

Tools 是 OpenClaw 的底层基础能力底座，为网关调度、技能运行、渠道交互提供核心技术支撑，是所有上层功能落地的基础保障。该模块封装了各类高频、核心的系统自动化与操作能力，无需用户重复开发。

OpenClaw 内置全套成熟底层工具，无需额外部署开箱即用，核心分为四大类。浏览器自动化工具：支持网页打开、点击、输入、爬取、截图、表单提交、页面监控等，适配网页自动化、数据采集、网页签到等场景；文件数据工具：支持本地文件新建、读写、编辑、删除、格式转换、批量处理、文件夹管理、数据导入导出；3系统命令工具：支持跨平台 Shell/CMD 命令执行、系统进程管理、服务器运维、脚本调用；任务调度工具：支持秒级定时任务、循环任务、延时任务、任务启停管理，适配自动打卡、定时推送、定期数据备份等场景。除此之外，还内置网络请求、日志处理、数据加密、消息推送等通用工具，全方位支撑上层技能运行。通过标准化工具调用接口，上层技能可快速调用各类底层能力，大幅提升开发效率，降低功能开发的技术门槛。

05

小结

前文中我们针对三种不同类型的AI工具的核心功能进行了介绍，每种AI工具有自己的能力圈，通常在特定场景下更具优势，而难以覆盖整个工作或投研流程。为了应对复杂需求，需要在不同工具间进行切换，形成互补的工作方式。结合我们日常的使用经验，这里给出针对不同任务类型的AI工具选型流程建议。

对于日常编码开发任务，首推Claude Code，若使用者对命令行工具不是很熟悉，Trae 是更好的选择，其IDE深度集成能力可以提供低延迟的实时代码补全与交互体验，所见即所得。而在涉及多步骤逻辑处理或需要任务拆解的复杂场景中，Claude Code 更具优势，其具备更强的上下文理解和任务规划与执行能力。现在大家都在谈论Harness工程，Claude Code在驾驭AI执行流程的能力上优势明显。对于既想要可视化工作，又想要Claude Code工程能力的使用者，这里可以通过在Trae中安装Claude Code插件进行实现。对于非实时交互但需要持续后台运行的任务，如任务状态监控或定时消息发送，则更适合使用OpenClaw，通过后台执行与主动通知机制实现任务的持续管理。

随着时间的推移，上述工具彼此之间的功能也在相互渗透，现在已经很难完全对彼此做个清晰的功能界定。日常投研工作中我们还是以Claude Code为主，偶尔需要手动修改某些脚本文件的时候，会使用Trae辅助更改。至于OpenClaw，目前工作任务中很少用到，除了执行效率相对较低，也因为OpenClaw的缓存命中率相对较低，同等任务更加耗费token。以上使用心得，供读者参考。

AI工具在实际使用过程中仍存在一定局限性，请注意甄别风险。AI工具在持续迭代更新，上述介绍内容存在过时风险。

感谢暑期实习生赵睿（香港科技大学）对本文的贡献。