博客 • AI / Agent

AI Coding Agent 已經不只是補全代碼：Codex、Claude Code、OpenCode、DeepSeek Harness 正在競爭什麼？

兩年前，多數人說的「AI 寫代碼」還是編輯器裏的下一行建議。2026 年，終端裏跑着的是另一類產品：Codex、Claude Code、OpenCode、DeepSeek Harness——它們改文件、跑測試、調 MCP，還能開子 Agent 並行排查。

表面上四家都在賣同一套能力：LLM + 工具 + Agent loop。真正的戰場不在功能清單，而在架構中心：誰強化 Agent，誰管執行邊界，誰押模型無關，誰把運行時本身做成可替換件。

這篇文章會講清：

• Coding Agent 相對補全，多出來的到底是什麼
• 四家各自優化的核心問題
• Claude Code / Codex / OpenCode / DeepSeek Harness 的架構差異
• 控制權地圖：模型、運行時、策略、人各管什麼
• JSON Schema 與工具契約爲何仍是共同底層，以及怎麼在 JSONNote 本地校驗

真正在競爭什麼

補全解決的是「下一行寫什麼」。Coding Agent 解決的是「這個目標怎麼在真實倉庫裏做完」：讀上下文、選工具、改代碼、跑命令、看結果、再決策。

底層循環幾乎相同：

User goal
  → Agent loop
  → LLM decides next action
  → Tool / environment executes
  → Result returns to context
  → Agent decides again

模型負責推理與下一步動作；harness 決定它能看見什麼、能調哪些工具、工具實際做什麼、狀態如何保存、哪些動作要審批、怎樣算任務完成。模型再強，上下文殘缺、工具契約松、權限過大、失敗無法恢復，結果照樣垮。

所以 2026 年的競爭，不再只是「誰的基準分更高」，而是「誰把智能、執行、策略、工具與人的控制組織得更清楚」。四層拼裝可參考：

2026 AI Agent 技術棧：LLM、MCP、Function Calling、JSON Schema

四個架構中心

先畫邊界。功能清單會越來越像，但中心問題不同：

最後一行不是排名，而是產品邊界：你買的是「更強的助手」，還是「更可控的執行環境」，還是「可擴展的 Agent 平臺」。

Claude Code：Agent 中心

Claude Code 最好理解爲以主 Agent 爲中心的產品。Skills、MCP、子 Agent、Hooks、權限都在讓同一個 Claude Agent 更有效，而不是把 Agent loop 本身拆成可替換內核。

典型擴展點包括：

• CLAUDE.md：項目級上下文與約定
• Skills：可複用的經驗與工作流包
• MCP：連接外部系統
• Subagents：隔離專業子任務與上下文
• Hooks / Permissions：在生命週期上掛確定性規則

它的工程妥協很清晰：概率性 Agent + 確定性 Hooks。改完跑測試、危險命令攔截、受保護路徑先審批——這些不該指望模型「每次都記得」。

適合：明確工作流、重視體驗與上下文質量、用 Skills 和子 Agent 擴展主循環的團隊。

Codex：執行中心

Codex（含 Codex CLI）把問題推到執行層：Agent 一旦能改文件、跑 shell、裝依賴、碰網絡與憑證，就必須回答兩件不同的事——能力邊界與當前許可。

兩套機制分工：

原則是能力最小化：不要先給滿權限再要求「小心一點」，而是先收緊環境，再按需放寬。Rust 實現的 CLI、默認貼着 OpenAI 端點、以及偏強的沙箱敘事，都符合「Agent 要在真實計算機上幹活」這條線。

適合：高風險副作用、需要可審計執行軌跡、把審批與隔離當一等公民的場景。開源倉庫見：

openai/codex。

OpenCode：模型無關

OpenCode 的差異化不在「多一套 Skills 語法」，而在默認立場：模型可換。MIT 開源、終端優先，並支持大量提供商與本地模型（如 Ollama / LM Studio）。靈活性主要落在配置層——providers、models、permissions、themes——而不是把 harness 內核拆成插件總線。

這帶來一個很實際的產品結論：如果你不信任單家鎖定，或同一會話需要在多家模型間切換，OpenCode 的中心問題就是「如何不被模型供應商綁死」。

它通常贏在：

• 多模型 / 多提供商作爲默認能力
• 開源許可與社區生態
• 把「換模型」當成一等操作，而不是廠商附贈

代價是：執行邊界與插件深度未必是賣點第一名。你買的是可換模型的 harness，不是最重的沙箱產品，也不是「Everything is a plugin」的平臺內核。

DeepSeek Harness：運行時中心

DeepSeek Harness（dsh）把問題再往裏推一層：如果 Agent Loop 本身也不該是永久內核呢？公開預覽裏的口號是 Everything is a plugin——模型、工具、skills、會話、沙箱、存儲、loop、調度、UI 都可以替換。

這和「穩定核心 + 外圍擴展點」不同。它把邊界往內推：驅動 Agent 的機制也可以重組。能力縫（capability seam）讓消費者依賴契約而非單一實現：本地 shell 與容器 shell、遠端模型與本地推理、ReAct loop 與工作流 loop，可以換提供方而不重寫所有工具。

因此它更像平臺：

• Coding Agent：ReAct 循環
• Workflow Agent：工作流 + Agent
• 長時任務：目標 + 調度 + Job
• 異構子 Agent：甚至可掛接其他產品後端

可組合性有代價：Plugin / Service / Provider / Effect / Session 等概念面更大。對「只想讓倉庫被改完」的終端用戶，學習曲線可能高於 Claude Code 或 Codex；對要造可擴展 Agent 平臺的團隊，這正是賣點。

若你更關心 DeepSeek 模型 API 與 JSON 輸出，可先看：

DeepSeek V4-Pro 完整解析

控制權地圖

比功能打勾更有用的，是問每項決策歸誰。下表壓縮四家的控制風格（OpenCode 與 dsh 在「可替換性」上接近，但深度不同）：

再往下一層：理解任務與生成計劃偏模型；校驗參數、判斷權限、執行工具、終止運行偏程序與策略；高風險動作還要人。四家都覆蓋這些詞，但把砝碼壓在不同格子上。

JSON 契約仍是共同底層

無論你選哪家 harness，工具調用最終都要落到可機器執行的結構上：函數名 + 參數 JSON。MCP 的 inputSchema / outputSchema、Function Calling 的 parameters、Structured Output 的 response_format，底層語言仍是 JSON Schema。

契約出現的位置：

常見翻車：模型側 parameters 與 MCP inputSchema 各寫一份，字段或枚舉漂移，看起來像「模型總調不好工具」。修復方式是一份契約、兩處掛載。背景見：

AI 爲什麼需要 JSON Schema與AI Agent 的 JSON Schema 完全解析。

{
  "name": "run_tests",
  "description": "Run the project test suite and return a structured summary.",
  "parameters": {
    "type": "object",
    "properties": {
      "suite": { "type": "string", "enum": ["unit", "integration", "e2e"] },
      "path": { "type": "string", "minLength": 1 }
    },
    "required": ["suite"],
    "additionalProperties": false
  }
}

調試這條路徑時，可以在瀏覽器本地完成，數據不上傳：

1. 1
   格式化 arguments

   把模型返回的 arguments 字符串粘進JSON 格式化，先確認是不是合法 JSON。

2. 2
   對照 Schema 校驗

   用JSON Schema工具覈對 required、enum、additionalProperties。

3. 3
   對比漂移

   模型側 parameters 與 MCP inputSchema 用JSON Diff看字段是否一致。

怎麼選

按約束選，而不是按熱度選：

• 工作流清晰、要強體驗與 Skills：偏 Claude Code
• 真實機器副作用大、要沙箱與審批：偏 Codex
• 多模型、防鎖定、開源優先：偏 OpenCode
• 要造可擴展 Agent 平臺、loop 可換：偏 DeepSeek Harness

也可以組合：例如用 OpenCode / dsh 做多模型實驗，生產副作用走 Codex 式邊界；或主循環用 Claude Code，外部系統走 MCP。關鍵是別把「模型分數」當成唯一採購指標。

常見問題

AI Coding Agent 和代碼補全有什麼本質區別？

補全只建議下一行；Coding Agent 能讀倉庫、改文件、跑命令、調工具，並在循環里根據結果繼續決策。競爭重點從「生成質量」變成「執行邊界與運行時控制」。

Codex、Claude Code、OpenCode、DeepSeek Harness 誰最好？

沒有統一冠軍。看你優化什麼：體驗與 Skills 選 Claude Code；沙箱與審批選 Codex；多模型與防鎖定選 OpenCode；可替換運行時與平臺化選 DeepSeek Harness。

DeepSeek Harness 和 OpenCode 都是開源，差別在哪？

OpenCode 的靈活性主要在模型與提供商配置；DeepSeek Harness（dsh）把模型、工具、loop、沙箱、會話等都做成可替換插件，更像可組合的 Agent 運行時平臺。

爲什麼還要談 JSON Schema？

工具參數、MCP inputSchema/outputSchema、Structured Output 底層都是 JSON Schema。harness 再強，髒參數進執行層一樣會出事——契約校驗仍是 Runtime 的責任。

選 Agent 時最該盯哪一層？

盯控制權：誰決定工具、誰校驗參數、誰審批高風險動作、誰終止任務。模型分數只是輸入之一；harness 決定任務能否安全做完。

小結

Codex、Claude Code、OpenCode、DeepSeek Harness 共用同一套詞彙：LLM、工具、loop、上下文、Skills、子 Agent、權限、沙箱。它們不再只是「更強的補全」，而是在爭控制權落點。

Claude Code 強化一個 Agent；Codex 讓 Agent 在真實環境裏可控地行動；OpenCode 押模型可換；DeepSeek Harness 把運行時與能力做成可組合平臺。

重要問題已經不是「怎麼調用模型」，而是「智能、執行、策略、工具、上下文與人的控制如何組織」。工具契約層的 JSON，仍然是你可以本地核對的那一層。

← 返回博客