OpenClaw、Hermes、Claude Code、Codex CLI四大AI Agent对比与选型指南

最近后台和读者群里被问爆了一个问题：OpenClaw、Hermes Agent、Claude Code、Codex CLI这四个AI Agent到底有什么区别？到底该装哪个？我自己从春节后陆续把四个工具都装了一遍，有的在Mac上跑，有的丢到Linux服务器上，还有一个专门在Windows下折腾了半天，算是把坑都踩得差不多了。这篇就把我对这几个工具的理解、部署过程、实际使用感受一次性说清楚，主要面向两类人：一类是做AI编程、想让Agent帮自己写代码改代码的开发者；另一类是只想搭一个个人助手，能接飞书、能回消息、能跑任务的效率党。看完你应该就能判断哪个值得装、哪个适合吃灰了。

这四个名字看着都是“AI Agent”，实际上定位差别很大。Claude Code和Codex CLI是终端里的AI编程工具，核心是“帮你在项目里写代码、执行命令、修bug”；OpenClaw和Hermes Agent则更偏“个人数字助手”，核心是“帮你完成日常任务、对接各种平台”。我接下来会先讲清楚定位，再给安装步骤，最后把高频报错和解决方案整理成速查表，方便你直接抄作业。

1. 四个工具，先搞清楚它们分别是什么料

1.1 OpenClaw：能动手会接平台的“私人管家”

OpenClaw从名字上就透着一股“爪子”的味道，它更像一个长在各种聊天软件里的数字管家。它的核心能力不是写代码，而是把大模型接进你的工作流：你可以在飞书群里@它，让它查资料、记日程、执行脚本、访问内部系统，甚至把它部署到安卓手机上的Termux里，做成一个随身携带的语音/文本助手。OpenClaw的优势是对多平台接入做了很多优化，比如飞书、Slack这类IM工具，还有魔搭（ModelScope）这样的模型平台，通过API对接后可以直接切换不同的大模型后端。部署方式也灵活，官方提供一键脚本，支持Mac、Linux、Windows的WSL2环境，也能在Android上原生跑。

我第一次装OpenClaw是在一台8GB内存的旧笔记本上，跑起来挺轻的。它的架构分成了“消息接入层”和“任务执行层”，前端通过适配器接IM平台，后端通过配置接模型API。换句话说，你完全可以把OpenClaw当成一个中转控制台，IM只是入口，真正干活的是后面挂载的模型、脚本和插件。这种设计对不爱折腾的人来说可能稍显复杂，但对喜欢自定义的玩家来说，扩展空间非常大。

1.2 Hermes Agent：更像一个“任务编排中心”

Hermes Agent和OpenClaw的最大区别，在我看来是它更强调“编排”和“桌面端体验”。它有正式的桌面客户端，Windows下也有对应的本地安装包，安装完后会有一个图形化界面，能管理多个Agent会话、插件和技能包。不怎么用命令行的人也能比较舒服地操作。它的定位是“Agent的中控台”：你可以把不同任务拆解成流程，让Hermes去调用工具、搜索信息、写文件，甚至把多个小Agent串成一个流水线。

我在局域网内部署Hermes Agent时，发现它对Docker比较友好，官方提供了镜像，可以在NAS或Linux服务器上跑成一个常驻服务，然后局域网内所有设备通过网页或客户端访问。这也意味着它非常适合家庭或小型团队共享：一个后端，多人使用。不过它的配置项比OpenClaw要多一些，模型API地址、工具权限、插件开关都需要在配置里写清楚，新手刚上手会有点头大，但一旦跑起来，任务编排的粒度确实更细。

1.3 Claude Code：终端里的结对编程老手

Claude Code是Anthropic推出的命令行AI编码工具，本质上是一个跑在终端里的智能体。它不是简单的“问答补全”，而是可以读取当前仓库的目录结构、打开文件、搜索代码、修改内容、执行测试，然后根据报错继续修。这意味着你需要给它一个明确的项目上下文，它才能真正帮上忙。

我用Claude Code最大的感受是“它敢动手”：你让它改一个模块，它会自己找到相关的文件，改动后还会跑一下linter或测试命令来验证。配合Skills机制，你还能在~/.claude/skills目录下放一些自定义技能描述，让它在特定任务上表现得更好。对于熟悉终端操作的老手来说，Claude Code学习成本很低，装完绑定账号就能用；对纯新手，可能需要先搞懂几个基础命令和编辑器操作，不过网上也有很多“超级小白入门指南”，基本套路就是先让它读README，再让它解释代码，再让它改小bug，一步步来。

1.4 Codex CLI：OpenAI系的代码智能体

Codex CLI是OpenAI出的同类终端编码工具，名字和Codex模型一脉相承。和Claude Code相比，它更强调“自动完成整个任务链路”：你告诉它目标，它把需要修改的文件列出来，逐一改动，然后调用命令编译或执行，过程中会请求你确认关键操作。对用惯了GPT系列模型的人，Codex CLI的思维方式会更熟悉，它在自然语言转代码、多文件修改的场景下表现稳定。

Codex CLI安装也是走npm，装完直接在终端输入codex就能进交互界面。我实测下来，它对Python、TypeScript这类主流语言支持得很顺，尤其是在一个独立仓库里做重构时，它能自己生成一次commit summary，方便你review。需要注意的一点是，Codex CLI本质还是依赖OpenAI的账号和API权限，所以终端环境要能正常访问API，最好在项目根目录下运行，避免它的“对话记忆”被无关目录的代码干扰。

1.5 横向对比：四张牌到底怎么选

一个简单的选择方法：如果你主要想让Agent“干活”，比如定时跑脚本、收消息、触发自动化，优先看OpenClaw和Hermes；如果你主要想让Agent“写代码”，直接上Claude Code或Codex CLI。当然，实际使用中也可以混搭，比如用OpenClaw做飞书入口，把Claude Code作为它执行编程任务的外部命令，后面我会讲这种组合玩法。

2. 部署与安装：裸机、容器和桌面端怎么选

2.1 Claude Code：一条npm命令装完，VSCode也能接

Claude Code的安装很简单，前提是你电脑上有Node.js环境，我建议Node版本不低于18。然后开一个终端，执行：

npm install -g @anthropic-ai/claude-code

装完以后在项目目录里输入claude就能启动。第一次启动会让你登录Anthropic账号，绑定好之后就开始对话。为了方便日常使用，我通常会先在VSCode里打开项目，然后直接用它的集成终端跑claude，这样左侧文件树和终端对话可以同时看到，改代码比较直观。

如果你不太习惯命令行，也可以装VSCode扩展来获取图形入口，但本质上它还是会在终端里启动一个会话。这里提一句Skills配置：Claude Code支持把自定义技能放到~/.claude/skills里面，每个技能是一个文件夹，里面写一个SKILL.md说明文件。比如我写了一个“生成单元测试”的技能，定义好触发词和执行步骤，后面只需要说“按技能生成测试”，它就会按固定套路跑一遍。这对团队统一代码规范很有用。

2.2 Codex CLI：同样走npm，但报错要重点排查

Codex CLI的安装路径和Claude Code几乎一样：

npm install -g @openai/codex

安装后输入codex进入交互模式，第一次会检查登录凭证和运行时依赖。很多人在这一步卡住，最常见的就是终端提示：

chatgpt failed to start. unable to locate the codex cli binary or required runtime components.

这个报错我一开始也被吓到了，其实90%的情况是PATH没有刷新。Windows下用npm安装完新命令后，已经打开的终端不会自动更新环境变量，要么关掉重开一个，要么手动执行refreshenv（配合包管理器工具）或者重新加载~/.zshrc。如果你确认PATH没问题，那就重新执行一次全局安装，让npm把最新的二进制链接到位。另外，如果你在Windows Terminal里运行，务必以普通用户权限打开，不要用管理员权限，否则某些目录的访问权限会不一样，反而找不到二进制文件。

Codex CLI在Linux服务器上的表现更稳，我通常把它和Git worktree一起用：每个任务开一个独立的worktree分支，让Codex在隔离的目录里改代码，改完不会污染主工作区，review通过后再合并。这是多人协作和AI修改场景下的一个实用技巧。

2.3 Hermes Agent：Windows本地安装和Docker两条路

Hermes Agent的安装方式和前两个不太一样，它有官方桌面版，Windows下可以直接下载安装包，装完后会有一个图形界面。桌面版的好处是自带模型配置向导，填入API地址和密钥，就能开始对话。如果你想把Hermes变成局域网服务，官方推荐Docker方式：

docker pull hermes-agent/hermes-agent:latest docker run -d --name hermes -p 8080:8080 -v /path/to/config:/config hermes-agent/hermes-agent:latest

注意国内拉取镜像如果比较慢，可以给Docker配置镜像加速，这是通用操作，自己搜一下registry mirror就行。我第一次在Windows下装桌面版时遇到过“请求的名称有效”这个报错，当时怎么都想不通。后来排查发现是Windows的主机名解析问题，服务启动后要解析本机机器名，但hosts文件里没有对应的条目。解决办法是在C:\Windows\System32\drivers\etc\hosts里加一行127.0.0.1 <你的主机名>，然后重启服务就好了。

如果你用的是国产Linux系统，比如Kylin v10，其实也能跑Hermes的Docker版，只是要注意先配好Docker源，再把/etc/hosts里的主机名映射也检查一下，网络通了基本就没问题。

2.4 OpenClaw：一键脚本、Mac、安卓Termux都能跑

OpenClaw的部署选项最多。在Mac或Linux上，最简单的是一键脚本：

curl -fsSL https://openclaw.example/install.sh | bash

装完执行openclaw init初始化配置，按提示填入模型API、IM平台密钥等。如果只是本地测试，可以先用内置的控制台模式聊几句；如果要用飞书机器人，就去飞书开放平台创建应用，拿到App ID和App Secret，填到配置里，再把事件订阅地址指向OpenClaw服务的回调接口。

安卓端我试过在Termux里原生部署，不需要proot，这点很关键。因为proot会套一层虚拟化，性能损耗大，而且很多内核功能不能用。原生Termux方式是直接把OpenClaw的依赖装进系统，跑起来CPU占用低，内存也省。不过安卓上要注意保持Termux后台运行，否则一锁屏服务就被系统杀了。可以借助Termux:Boot这类插件，或者把OpenClaw注册成前台服务。

在Windows上跑OpenClaw时，我踩过一个很典型的坑，终端报警告说“openclaw could not safely verify the wsl2 environment.”。原因是OpenClaw检测到当前环境是WSL2，但安全校验没过。这种情况一般是WSL版本太旧或者Windows功能没开全，可以先确认Windows里“适用于Linux的Windows子系统”和“虚拟机平台”两个功能都已经开启，然后在PowerShell里执行：

wsl --update wsl --version

把WSL升级到2.0以上，问题基本就解决了。如果还是不行，干脆就别在Windows里折腾WSL，用Docker Desktop跑OpenClaw容器，或者直接用Linux服务器，一劳永逸。

2.5 部署阶段的小结建议

如果你是第一次接触这些Agent，我建议不要一上来就四个都装。先用Claude Code或Codex CLI体验“AI能帮你写代码”的感觉，因为安装最快、反馈最直观。等你熟悉了Agent的工作方式，再装OpenClaw或Hermes来处理日常任务和消息接入，这样不容易被一堆配置劝退。另外，所有Agent都建议在干净的独立目录或容器里跑第一次，避免和现有开发环境互相干扰。

3. 承包日常任务：个人助手Agent的实战玩法

3.1 OpenClaw接飞书和魔搭：从群聊机器人到办事员

OpenClaw最吸引人的玩法就是接飞书。整个流程是：飞书群里有一个机器人，你@它发布任务，它通过事件订阅转发给OpenClaw，OpenClaw调用大模型理解意图，再执行脚本或者调用API，最后把结果回复到群里。实际部署的时候，需要在飞书开放平台创建一个企业自建应用，开通机器人能力，配置事件订阅地址为你的OpenClaw回调地址。要注意飞书要求回调地址必须是公网可访问的HTTPS地址，如果你没有云服务器，可以用内网穿透工具把本地端口映射出去。本地开发和调试时，也可以先用飞书的“长连接”模式，省去公网IP的麻烦。

用OpenClaw对接魔搭模型也很简单，魔搭平台有OpenAI兼容的API接口，你只要在OpenClaw配置里把model_provider改成魔搭，填入API Key和模型名，就能用国产开源模型当后端。我试过用Qwen系列模型跑OpenClaw，中文理解很好，日常指令都能接得住，而且API调用成本比国际通用模型低不少。如果你想省成本，这个组合值得试。

3.2 飞书输出被截断：问题出在分片策略上

很多人在群里让OpenClaw输出长文本，结果发现内容被截断，这其实是IM消息长度限制导致的。飞书单条消息文本长度限制一般比较严格，超过就发不出去。OpenClaw在发送长回复时，最好开启自动分片，让消息按固定长度拆成多条发送。你可以在配置里设置max_message_length，比如每段1500字符，同时加一个“继续”的提示，让群聊阅读体验更顺。另外，如果回复里有代码块，建议先用临时文件保存代码，再给一个文件链接或摘要，避免把一大段代码直接怼进聊天框。

3.3 Hermes Agent做局域网共享助手，桌面端和容器各有取舍

Hermes Agent很适合放进家庭或小型办公环境。我在一个内部网络里用Docker版本部署了Hermes，然后让同事通过浏览器访问，实现了一个“团队用的AI助手”。它有几个能力很实用：可以定时拉取公司内部RSS或邮件摘要，可以把任务列表转成待办事项，还可以调用服务器上的外部脚本。因为这些操作都发生在局域网内部，数据不出网，安全性比单纯用公共聊天机器人高很多。

桌面端则更适合个人单独用。它的插件系统比较友好，你写一个简单的Python脚本，注册成工具，Hermes就能在对话中调用。比如我写过一个“生成周报”的插件，输入本周关键词，它自动从Git提交记录里聚合信息，然后生成一份Markdown周报。这种可扩展性是我觉得Hermes最大的价值。

配置Hermes时有一些细节容易踩坑。首先是模型API地址，如果你在局域网内部部署，服务端要能访问到模型API；如果模型也部署在内网，要填内网地址而不是localhost。其次是权限控制，Hermes支持给不同工具设置允许/拒绝，默认比较保守，如果你发现某个工具无法调用，去工具权限列表里看看是不是被禁用了。

3.4 把Codex CLI接入飞书，实现异步编程任务

这个玩法相对进阶：你可以把Codex CLI封装成一个后端服务，接收飞书机器人发来的任务，然后在服务器上跑一个独立的编码Agent，完成后再把结果回传到飞书。我实际实现时，用了一个简单的消息队列：飞书机器人把用户消息推送到一个HTTP接口，接口解析任务后写入Redis队列，后台Worker从队列里取到任务，调用codex命令行执行，最后把stdout/日志组装成飞书消息发出去。

这样做的好处是，你不需要一直开着电脑，随时随地给飞书发一条“帮我写一个Python脚本，读取某个目录下所有CSV，合并后去重”，服务器上的Codex会异步处理，完成后通知你。使用中要注意设置任务超时、限制的工作目录、以及日志保留。千万别让Agent在服务器全局目录下乱跑，所有任务集中在一个/workspace目录，命令执行完就清理临时分支。接入飞书机器人本身的步骤和OpenClaw类似，只是后端从OpenClaw换成你写的代理服务而已。

4. AI编程能力对比：谁更适合进你的开发流

4.1 Claude Code的Skills和项目上下文管理

Claude Code最值得花时间研究的是Skills。简单说，Skills就是一套“行为规范”，你告诉Claude在处理什么任务时遵循什么步骤、调用什么工具。我在团队里推广的时候，把代码规范、提交信息格式、测试要求都写进了一个Skill，这样无论谁在项目里运行Claude Code，生成出来的代码风格都基本一致。

实际使用时，我习惯进入项目后先让它“读一遍项目结构”，然后用对话方式确认需求，再开始改代码。Claude Code对项目上下文的感知做得不错，它能看到文件树，能grep关键词，还能打开具体文件。遇到大仓库时，我会在.claudeignore里排除node_modules、build这些目录，减少无关信息的干扰。如果项目特别大，也可以只把Claude Code启动在子模块目录里，按模块粒度维护上下文。

和Codex CLI相比，Claude Code在“理解人类编程意图”这块的对话感更强。比如你说“这个接口并发有问题，帮我优化”，它会先分析当前实现，给出瓶颈判断，再改代码。这种先解释再动手的风格，对代码审查和教学场景非常友好。

4.2 Codex CLI的多文件修改与任务执行闭环

Codex CLI让我印象深刻的是它的“多文件修改+自动执行”闭环。你给出一个目标，它会列出计划，比如“修改A.py、B.py，新增C.py”，然后逐个改动，最后执行命令验证。如果你不想让它直接跑高危命令，可以在配置里把命令执行模式设为“手动确认”，这样每个关键命令都会弹确认。我自己的习惯是：对于涉及数据库迁移、删除文件、安装依赖的操作，必须手动确认；对于只读命令和测试命令，可以自动执行。

从使用体验上看，Codex CLI更适合“一次性任务式开发”：比如“把这个CLI脚本从Python迁移到Rust”这种明确目标的任务，它能在你给足上下文后独立完成80%。但如果是交互式探索，比如“为什么这个页面性能差”，我还是更愿意用Claude Code，因为它更擅长边解释边改。你把这两个工具配合起来用，一个做主攻，一个做审查，会非常顺。

4.3 同一仓库里用两个Agent？先开Git worktree

我试过让Claude Code和Codex CLI同时在一个仓库里改代码，结果差点把文件搞乱。后来改成用Git worktree隔离：每个Agent在独立worktree里干活，互不干扰。具体操作是：

git worktree add ../project-agent1 -b feature/agent1 git worktree add ../project-agent2 -b feature/agent2

然后分别进入两个目录，启动各自的Agent。等两边都完成，在主干分支上逐个merge。这个方法还有一个额外好处：每个Agent看到的代码版本完全独立，不会被另一个Agent的临时修改影响，审查时也能对比两个方案。

如果你主要用AI编程工具处理小需求，可能用不上worktree；但一旦开始跑比较大的重构或者多任务并行，这个技巧能省掉很多恢复代码的时间。AI改代码再快，也架不住两个AI同时改同一行带来的冲突，提前隔离比事后解决冲突划算。

4.4 二开与集成：Claude Code怎么嵌进自己的工具链

除了直接用命令行，Claude Code也支持一些二次开发能力。你可以通过命令行传参数执行一次性任务，比如：

claude -p "给 src/utils.ts 增加一个防抖函数并导出"

这里的-p是非交互模式，适合被其他脚本调用。我就在自己的CI流程里加了一个步骤：当PR描述里带有特定前缀时，自动调用Claude Code生成改动建议并post到PR评论。这样AI变成团队协作的一环，而不是只在本地终端里自嗨。Hermes Agent的二开逻辑类似，但它偏插件体系，需要按官方文档写插件描述文件，声明工具的输入输出格式，好在有模板可以参考。

5. 常见问题排查实录：我踩过的坑一次性列给你

安装和使用的过程中，下面这些问题几乎每个人都会碰到，我以速查表的形式整理出来。

这些报错里，我最想强调的还是环境变量的问题。很多新手以为是工具坏了，其实只是终端会话没更新。每次装完npm全局命令，第一件事就是重开终端，先执行claude --version或codex --version，确认命令能被找到，再继续下一步。

另外，所有Agent都建议保留一份原始配置文件备份。因为你很可能在调参数时把配置改坏，比如模型地址填错、密钥多加了一个空格、权限开关关错了，恢复备份比重新初始化省事太多。

6. 我的选型体会和踩坑建议

四个工具我都实际跑过一段不短的时间，最后形成的搭配是：日常消息类任务全部交给OpenClaw，因为飞书机器人接得最稳，安卓端也能跑；团队内的任务编排用Hermes Agent，它有可视化的桌面端，非技术同事也能上手；写代码时主力用Claude Code，它读代码和解释逻辑的能力让我更放心；遇到明确的重构任务时，我会开一个Codex CLI的worktree去跑，给两个Agent各自独立的空间。

这几个工具并不是竞争关系，更像是不同岗位的员工。不要指望一个Agent解决所有问题，也不要因为安装出错就放弃。我个人的建议是：先从一个安装最顺手的开始，把日常最简单的一个任务交给它，比如“每天早上的群消息总结”，跑通之后再慢慢加任务。等你知道Agent在哪些环节容易出错、哪些环节需要人工兜底，自然就能根据项目需求调整工具组合。AI Agent这东西，真正上手用过一周，比看十篇对比文章都管用。