从2 月份开始，工作之余花了不少时间来集中学习 AI Agent 相关知识，到现在已经过去了三个多月。回头看，这段时间最大的收获，并不只是学会了使用几个 AI 产品，而是逐渐习惯了主流 Coding Agent 工具的使用，让 AI 在我的日常生活和工作中发挥了更多的作用。

我最开始接触的非网页聊天式 AI 工具是 OpenClaw。在接触爆款 AI 应用“龙虾”之前，我对 AI 的日常使用还停留在网页聊天，最常用的是 Google AI Studio 里的 Gemini 3 Pro 模型。使用方式基本是提问、复制粘贴内容，再根据回答继续追问，对于智能体基本没有什么概念。之后，我开始花一两个月的时间研究 OpenClaw，每次都是在官方发布新版的第一时间更新和配置，同时阅读了它的大部分官方文档。也花了一些钱去订阅字节火山引擎的 Coding Plan 和 MiniMax 等国内模型服务，并把它们接入 OpenClaw。在折腾它的过程中，我开始慢慢熟悉了 AI Agent 的实现原理和应用场景。

然后我开始使用 Codex 和 Claude Code。虽然它们通常被称为 Coding Agent，但并不是只能用于编程。只要任务所需的信息和工具能够在电脑上获得，它们同样可以处理许多分析、排查和资料整理工作。OpenClaw 与这些 Coding Agent 的能力存在一些重叠，但侧重点并不相同。OpenClaw 更适合作为长期运行的个人助手，也更方便接入即时通信工具；Codex 和 Claude Code 则更贴近本地终端与代码仓库，适合围绕一个具体任务持续读取文件、执行命令和检查结果。由于我大部分时间本来就在电脑上使用 AI，后者逐渐成为了我的主要工具。

在中国使用 Codex 和 Claude Code 的一个现实问题，是如何稳定地完成付费订阅。目前我为两者都订阅了最低档版本：Claude Code 使用苹果官方礼品卡付款，Codex 则通过虚拟信用卡订阅，至今都已经使用了两个多月。两项订阅合计每月约 40 美元，同时我也为国内的大模型标杆 DeepSeek 充值了一些费用，用于按需调用 API。与它们可能带来的生产力提升相比，目前的使用成本并不算高。

目前我日常使用的工具主要是 Claude Code、Codex 和 OpenCode，其中 OpenCode 专门搭配 DeepSeek 模型使用。它们都以 TUI 的形式运行在 Warp 终端中。这三款工具虽然主要面向编程场景，但实际也帮助我解决过一些工作中的非编码类的疑难技术问题。它们让我逐渐认识到，Coding Agent 的价值并不只在于生成代码，而在于能够进入现有工作环境，使用真实上下文和工具来完成任务。AI 对于我来说不再只是一个能够回答问题的聊天机器人，它还可以连接工具、读取本地文件、执行任务，并根据执行结果继续行动，直到达成我给的目标。我使用 AI 的方式从此彻底转变，基本再也不打开网页与免费的模型聊天了，开始使用收费的 AI 工具和模型来完成更加复杂的实际任务。

当前制约我使用这些工具的主要问题，不是订阅额度不够，而是使用场景还太少。我仍然有过于节省额度的倾向，甚至经常无法用完最低档订阅包含的使用量。对于这类生产力工具，单纯把额度用完并没有意义。更值得调整的是自己的工作习惯：遇到问题时，主动判断它是否适合交给 Agent；面对重复、繁琐或需要大量资料分析的任务时，尝试设计一套让 Agent 能够参与的工作方式。接下来，我希望更加主动地使用这些工具，尤其是在软件编程场景中完成一些真正有价值的项目。同时也需要继续探索非编码场景，逐渐弄清楚哪些任务适合交给 Agent，哪些判断仍然必须由自己完成。

总的来说，我的 AI 学习和使用之路才刚刚开始。过去几个月，我完成了从网页聊天工具到 OpenClaw，再到 Coding Agents 的使用模式转变；下一阶段的重点，则是从“会使用这些工具”走向“能够稳定地用它们解决问题”。工具和模型还会不断变化更新，相比追逐每一个新产品，我更希望逐渐形成自己稳定的 AI 使用方法论和工作流，在 AI 的辅助下去创造更多有价值的东西，解决更多有意义的问题。