1. 前言
最近跟公司同事聊一些AI相关内容的时候，对于常用的工具层出不穷，但是有什么区别大家的认识是混乱的。
同事大多不是技术人员，平时接触比较多的是豆包、腾讯元宝、Kimi、DeepSeek。偶尔也会接触到或者也尝试过的比如 NotebookLM、ima.copilot、Claude Cowork、Codex、Claude Code、OpenClaw 等一批名字。
这些产品的界面长得都差不多：都有输入框，可以上传文件，能搜索、总结、写作、生成图片或制作 PPT。一些比如联网搜索、文件解析、图片理解、代码生成和工具调用，已经不再只属于某一类产品。
又比如最近 WorkBuddy 比较火。相比传统聊天产品，它更强调把任务交出去，由系统自己拆分步骤、使用工具、读写文件，最后把结果交回来。
所以他们之间到底有什么区别，我该用什么，哪个才是适合的，其实是混乱的，这里以此为出发点，给大家整理一套理解方式：看一个产品围绕什么工作，能够看到哪些资料，能不能操作电脑上的文件和软件，拥有哪些权限，最后又以什么作为任务完成的标志。
2. 先区分模型和产品
GPT、Claude、Gemini、DeepSeek、Qwen、Kimi，这些是模型或模型家族，负责语言理解、推理和内容生成。
ChatGPT、豆包、NotebookLM、Claude Cowork、Codex 和 OpenClaw，则是建立在模型之上的产品或系统。除了模型，它们还会规定 AI 能看什么资料、使用什么工具、保存哪些记忆，以及哪些操作需要用户确认。
同一个模型可以出现在不同产品里。Claude 可以在普通对话（比如常用的网页对话类产品）中回答问题，也可以通过 Claude Code 进入代码项目，还可以在 Cowork 中处理知识工作。GPT 可以用于 ChatGPT 的对话，也可以通过 Codex 读取项目、修改文件和执行命令。
虽然两条线在并行迭代，但大多数媒体宣发甚至听到的其实是大模型版本本身，比如gpt5.5，gpt5.6，claude opus5，kimi3等，但产品本身也在不断迭代，比如支持定时任务了，支持一键部署，支持知识库管理等等，只是各种产品导致眼花缭乱，不像记模型一样容易理解记住。
我们对于大模型有不同的认知，对于产品没有感觉，大概的原因就是基本所有的产品入口差不多就都是一个聊天框。
所以理解聊天框的背后，就知道不同产品是有区分的，看下面给出的维度和比较。
3. 其中一条重要的判断：能不能动你的电脑
对非技术用户来说，有一条很直观的判断方式：AI 是在自己的云端回答问题，还是已经进入了你的工作环境。
普通 Chat 和知识库产品，通常只能看到对话、用户主动上传的文件，以及明确连接的资料。它生成一份报告，并不等于已经修改了电脑里的 Word 文件。
Codex 和 Workbuddy 这一类会进一步读取、创建或修改指定文件夹中的内容。有些只在服务商临时提供的独立空间里工作，无法碰到电脑上的其他文件；有些则通过桌面客户端或开发工具直接在本机工作。能够运行程序、操作浏览器和修改文件后，AI 才真正有了干活的手脚。
OpenClaw 一类长期 Agent 还可能连接消息渠道、邮箱、浏览器登录状态、其他服务的访问密钥、定时任务和长期记忆。它不仅能操作，而且可能在用户不盯着的时候继续运行。
可以把权限粗略看成五层：只生成回答、读取指定资料、修改指定文件、操作应用或向外发送信息、在后台长期运行。每往后一层，能完成的工作更多，需要承担的风险也更高：
- 读取权限涉及隐私和数据泄露；
- 写入权限可能覆盖或误改文件；
- 运行程序可能改变电脑上的软件和文件；
- 发送邮件、消息或发布内容后，会直接影响其他人和业务系统；
- 长期运行意味着账号、密钥、记忆和任务设置需要持续保护。
下面，我们再分开来看这些产品。
4. Chat 产品：围绕一次对话
Chat 类产品最常见的工作方式，是用户提出问题，模型回答，再通过多轮对话逐渐澄清。
国外代表包括 ChatGPT、Claude、Gemini、Grok 和 Perplexity，其中 Perplexity 更偏搜索。国内代表包括豆包、腾讯元宝、Kimi、通义千问和 DeepSeek。
这类产品进入成本低，适合解释概念、修改文案、头脑风暴、翻译和临时分析材料。它们也已经支持联网、文件、图片和深度研究，不能再简单理解成只能聊天。
但它默认围绕的仍然是当前这段对话。模型给出回答以后，通常由用户决定是否继续查证、怎样整理，以及怎样把内容变成 Word、飞书文档或 PPT。
因此，Chat 更接近协作式的思考和表达工具。它可以参与很多工作，步骤安排和最终验收仍主要在用户手里。对于刚接触 AI 的同事，这也是风险较低的入口，可以先熟悉怎样描述问题、补充背景资料和检查结果。
5. 知识库产品：围绕一批资料
知识库产品和普通 Chat 的差异，不在于有没有上传按钮，而在于系统把什么当作长期资产。
国外比较典型的是 NotebookLM，另外还有 Microsoft 365 Copilot Notebooks、Perplexity Spaces、Notion AI 等。国内可以看 ima、 Get 笔记等产品。
用户会先建立一个 Notebook、专题或知识库，把论文、网页、会议记录和行业报告组织进去，后面的问答、总结和内容生成尽量围绕这些材料进行。NotebookLM 比较强调来源和引用；ima 则把搜索、阅读、笔记和知识库放在了一起，更接近国内用户收集内容的习惯。
这类产品适合需要指定资料范围、引用出处，以及长期维护同一批内容的任务。普通 Chat 里的文件更像当前会话的附件，知识库里的资料则会被组织起来，供后续反复使用。
知识库也不能自动保证答案正确。资料可能过期、互相矛盾或缺少关键内容，查找和读取也会有偏差。它主要解决资料组织和出处追溯问题，并不能替代事实判断。
6. Cowork 与通用 Agent：围绕一项任务
Cowork 还不是边界清晰的行业分类，这里用它指代面向普通知识工作的 Agent，也就是能自己分步骤干活的 AI 助手：从回答问题进一步走向执行任务和交付文件。
国外代表包括 Claude Cowork、ChatGPT Work、Microsoft 365 Copilot 中的 Researcher 和 Analyst，以及 Genspark。国内代表包括 Kimi Work、WorkBuddy以及千问、豆包等各种办公；面向全球市场的 Manus，产品形态也接近这一类。
用户给它的不再只是一个问题，而是一个目标。例如，读取访谈和销售数据，补充公开资料，最后生成分析报告和汇报 PPT。
普通 Chat 中，这项工作往往要由用户拆成多轮。通用 Agent 则会尝试自己理解目标、拆解步骤、读取授权的文件或应用、调用搜索和数据处理工具，最后交付报告、表格、PPT 或其他文件。
它大致会经历理解目标、制定计划、使用工具、检查结果、调整计划和生成交付物几个阶段。它围绕的是一项完整任务，而不是单轮回答。
它的错误也不再只是一段文字答错了，还可能是改错文件、使用了不该使用的数据，或者把未确认的内容发送出去。
7. Coding Agent：围绕项目和验证
Coding Agent 默认进入一个真实项目。除了用户的需求，它还会读取项目文件、目录结构、开发规范、项目配置、测试和运行结果。
国外代表包括 Codex、Claude Code、Cursor、GitHub Copilot、Windsurf、Gemini CLI。国内代表包括 TRAE、Qoder、CodeBuddy 和通义灵码。
一个完整任务通常包括读取项目、找到相关文件、修改代码、启动项目或运行测试、根据报错继续调整，最后列出改了哪些内容，交给用户审阅。
普通 Chat 也能生成代码，但不一定知道代码应该放在哪里，是否符合当前项目约束，运行后会不会影响其他功能。Coding Agent 的完成标准不是代码看起来正确，而是修改已经进入真实项目，并且有测试或实际运行结果可以验证。
这一类产品经常能够直接操作本机。Claude Code、Gemini CLI 等工具通常在当前电脑上执行；Cursor、TRAE 可以修改已经打开的项目；Codex 等产品则既可能处理本地项目，也可能在云端的独立空间中工作。工作位置不同，能够读取的文件、使用的账号权限和造成的影响也不同。
这里特别需要注意的地方：当前我认为 Coding Agent 和 Cowork 的边界正在变模糊。前者默认面对项目文件、开发工具、版本记录和测试，后者默认面对报告、表格、演示文稿和跨应用知识工作，但两边都在向更通用的文件处理延伸。
我现在也在用 Codex 写这篇文章。它可以读取我的历史文章、修改当前草稿，再检查格式和修改记录。这里没有业务代码，但仍然有文件、规则和验证过程。
8. OpenClaw：围绕一个长期存在的个人 Agent
OpenClaw 不是新的大模型，也不只是增加了插件的聊天软件。它更像一套个人 Agent 的运行系统，把模型、消息渠道、扩展能力、记忆、工作文件和定时任务组合在一起。
OpenClaw 是这一形态的代表。国内还出现了 Kimi Claw、QClaw 等偏托管或本地化的产品，它们在部署方式、渠道接入和安全设计上有所区别。
用户可以从 Telegram、WhatsApp、Slack、飞书或其他渠道发来消息，系统收到消息后，再让 Agent 使用浏览器、文件或外部服务完成任务。聊天窗口只是入口，Agent 还可以记住之前的工作、按时再次运行，并主动把结果发回来。
它更适合持续发生的任务，例如每天生成行业简报、定期读取新增文件、监控数据变化，或者从多个消息渠道接收任务。Cowork 更像把一项工作交出去，OpenClaw 则更接近让一个 Agent 长期在线。
这类产品的权限通常也最深。文件、浏览器登录状态、服务密钥、消息渠道、程序执行和长期记忆放在一起后，来源不明的扩展、错误配置，甚至网页或文件里夹带的恶意指令，都可能扩大影响范围。如果只是偶尔总结一份 PDF，没有必要为此部署一个能读取邮箱、运行程序并长期在线的 Agent。
另外，我又要说了，现在的 Agent 的边界越来越模糊，一些功能定期执行等功能在codex或者cowok等上面也都能做。
9. Agent 构建和工作流平台
还有一类产品，主要用于搭建 Agent 和自动化流程。
代表产品包括 n8n、Coze 和 Dify 等。
前面的产品大多是用户直接使用一个助手，这类平台则提供模型、知识库、处理步骤和外部服务，让用户或企业搭建客服、研究助手、内容流程和内部自动化。最终产物不是某一次回答，而是一套可以重复使用并发布给其他人的 Agent 或自动化流程。
它们也涉及较多外部权限，只是权限通常分散在每个服务和处理步骤中。除了关注 Agent 能做什么，还要关注账号和密钥如何保存、哪些步骤可以修改外部系统、失败后是否重试，以及整套流程由谁维护。
这些产品虽然以低代码为基础的，但我认为还是对非技术人员的要求有些高，需要平时喜欢折腾，动手能力比较强的人。
10. 用同一个任务比较
假设要读取 20 份客户访谈、3 张业务数据表和一批公开资料，最后形成竞品报告和汇报 PPT。不同产品都能参与，但接手和停下的位置不同。
| 类型 | 更适合承担的部分 | 默认停下的位置 | 典型权限范围 |
|---|---|---|---|
| Chat | 讨论思路、提纲和表达，临时分析材料 | 回答或草稿 | 对话、搜索和主动上传的文件 |
| 知识库 | 管理访谈和报告，围绕指定来源提问 | 可回溯到材料的结论 | 指定知识库和数据源 |
| Cowork | 拆解任务、补充搜索、生成报告和 PPT | 可以继续审阅的文件 | 授权文件、云盘或办公应用 |
| Coding Agent | 清洗数据、生成图表、批量处理文件、编写自动化程序 | 经过运行或检查的项目修改 | 项目文件、开发工具和相关账号权限 |
| OpenClaw | 定期接收新材料、重复分析并主动发送 | 持续运行的任务 | 长期记忆、渠道、工具和定时任务 |
| 工作流平台 | 把步骤做成团队可重复使用的流程 | 已发布的 Agent 或自动化流程 | 数据来源、外部服务和业务系统 |
它们不一定互相替代。真实任务可以先在 Chat 中澄清问题，再用知识库确认材料，让 Cowork 生成交付物；需要批量处理时交给 Coding Agent，流程稳定且会反复发生后，再考虑 OpenClaw 或工作流平台。
不过，没有必要为每项任务堆上所有工具，Chat 十分钟能解决的问题，不需要搭建长期 Agent；临时整理几份材料，也未必值得建立复杂工作流。系统越复杂，权限、排错和维护成本也越高。以上只是示例来介绍一下更容易理解的边界，实际上来说以上产品越往下走，越能覆盖上层的能力。
11. 最后：功能之外，还要算一笔账
写到这里，还有一个很重要但经常被忽略的问题：成本。
媒体新闻稿上大多是讲它能做什么，例如几分钟生成一份报告、自动完成一项调研，或者独立修改一个项目。至于为了得到这个结果读取了多少内容、反复执行了多少次、失败重试了几轮，最后花了多少钱，通常都是隐藏在背后的。
普通 Chat 可能只是一问一答。知识库需要阅读更多资料；Cowork 会拆分任务、多次使用工具并检查结果；Coding Agent 还要反复阅读项目、修改文件、运行和纠错；OpenClaw 一类长期 Agent 则会按照时间或事件不断执行。越往 Agent 阶段走，一项任务背后的模型调用通常越多，Token 消耗也会越大。如果任务长期运行，成本还会持续累积。
而且 Token 只是比较容易计量的一部分。企业真正需要计算的，还包括产品订阅、系统接入、员工学习、人工审核、安全管理，以及任务失败后的返工成本。
所以企业选择 AI 产品，最后还是要回到投入产出比。便宜的模型如果结果不能直接使用，每次都需要人工重新检查和修改，实际成本并不低；价格高一些的工具，如果能把原来几天的工作缩短到几个小时，也可能更划算。
再说得直白一点，各家厂商不断推出各种产品，包括当时快速跟进 OpenClaw ，底层的商业逻辑可以说就是让更多工作变成模型调用，最终卖出更多 Token。
过去模型主要通过接口服务开发者，或者以免费、低价的聊天产品吸引普通用户，能够覆盖的人群和使用频率都有限。现在 AI 开始进入文档、表格、代码、邮箱和各种业务流程，原来不会使用模型接口的人，也可以在日常工作中不断调用模型。产品解决的是使用入口和工作方式，后面承接的仍然是模型消耗和收费。厂商希望扩大 Token 消耗，企业则需要确认这些 Token 最终换回了什么。
回到文章开头要说的内容，产品名称会变化，分类也会继续交叉。最终还是要找到有价值的场景，知其然知其所以然，算清企业内部的业务以及完成任务的总成本，再决定让 AI 进入多深的工作过程。