作为长期评测 AI 开发工具的产品经理，我对“AI 写代码”这类产品向来谨慎。多数工具能快速生成片段，但难以在真实项目里长期稳定地协作。
过去一段时间我在两个持续迭代的代码库里用 OpenCode 做了多轮试用，最大的感受是：OpenCode不在于“能不能写”，而在于“如何把 AI 放进工程流程”，让它和需求、版本、上下文、规范共同运转。
这一点，与我们熟悉的对话式 Copilot 有本质区别。
核心观点
OpenCode是一个开源、模型解耦的编程智能体系统，强调工程可控性与可审计性，不是单纯的“代码生成器”。
它用“Plan/Build 双模式”“多 Agent 多会话”“LSP 自动加载”等机制，把需求澄清、设计权衡、修改执行拆分到可管理的步骤。
与 Claude Code、Cursor 等产品相比，OpenCode的差异在“控制权”和“扩展性”：模型自由切换、私有化部署、可与团队规范深度绑定。
一、OpenCode 是什么
结论先行：OpenCode 是一个 100% 开源、与模型完全解耦的 AI 编程智能体系统，既提供 CLI，也提供桌面端与 Web 界面，定位是“把 AI 拉进工程体系的基础设施”。
项目地址：https://github.com/anomalyco/opencode
形态：CLI + Web UI + 桌面端（Beta）+ IDE 插件
模型：可切换使用 OpenAI、Anthropic、Google Gemini、DeepSeek、Groq、Together、Fireworks、OpenRouter，以及本地模型（Ollama / LM Studio / llama.cpp 等），官方宣称支持 75+ Provider
使用场景：需求澄清、跨文件分析、重构、排错、测试生成、文档同步、CI 辅助等
社区侧的数据（以仓库公开信息为准）显示其增长稳定，并且贡献者基数较大，意味着它不是“演示级”工具，而是在真实工程场景中被持续打磨的系统。
价格与授权
- 软件授权：开源免费（以仓库 LICENSE 文件为准）。
- 使用成本：不绑定任何单一模型，按你连接的模型提供商计费；使用本地模型时仅有本地算力成本。
- 托管与企业化：可私有部署，支持服务端/客户端分离，适合在受控网络或合规环境使用。
系统与环境要求（概览）
操作系统：macOS、Windows、Linux（x86_64 / arm64 均可）
安装方式：脚本安装、Homebrew、Chocolatey/Scoop、npm 全局安装、Docker
本地模型：建议 16GB+ 内存；GPU/CPU 要求视具体模型而定（Ollama/llama.cpp 等）
二、为什么它“看起来像 Claude Code”，但本质不同
OpenCode 与 Claude Code 的交互观感确实接近，但核心差异在“控制权、扩展性与部署方式”。
| 维度 | OpenCode | Claude Code | Cursor（对照） |
|---|---|---|---|
| 产品形态 | 开源 CLI/桌面/Web/插件，可私有化 | 商业产品，集成在 Claude 生态 | 商业 IDE（基于 VS Code），深度改造 |
| 模型绑定 | 完全解耦，75+ Provider 与本地模型 | 以 Anthropic 模型为主 | 多模型支持，但策略上以托管为主 |
| 工程可控性 | Prompt/Context/Agent 可配置、版本化；Plan/Build 分离 | 产品内置流程，配置空间相对有限 | 工程能力强，基于 IDE 工作流，但闭源 |
| 团队协作 | 多 Agent 多会话、Skills、MCP 接入外部系统 | 与 Claude 项目/Artifacts 配合 | 团队功能依赖许可，偏 IDE 内协作 |
| 部署与数据 | 本地/服务器运行；可控日志与密钥存储 | 云端为主，桌面端加强数据隔离 | 本地 IDE + 云服务混合 |
| 学习门槛 | 需要理解 Agent/Plan/Build/MCP/Skills | 较低，上手快 | IDE 用户上手快，深度配置有门槛 |
| 成本可控性 | 自选模型与路由，成本策略可细化 | 以 Anthropic 定价为准 | 订阅 + 模型使用 |
归纳：Claude Code 注重“开箱即用的一体化体验”，OpenCode 强调“工程化可控与可扩展”。选择取决于你是否要将 AI 深度嵌入自有的工程规范、环境与合规边界。
三、OpenCode 的关键能力
LSP 自动加载
OpenCode 内置 LSP（Language Server Protocol）集成，能自动为项目语言装配 LSP Server（如 bash-language-server、clangd、csharp、clojure-lsp、dart 等），从而：
-
- 识别项目语言与依赖图
- 具备语法/类型/引用级理解，而非“靠猜”
- 在生成修改前有更准确的上下文抓取
Plan / Build 双模式
Plan：仅分析与拆解方案，不直接改代码；Build：按确认过的计划执行改动。
适用价值：
-
- 降低“理解偏差”导致的反复修改
- 显性化“需求评审 + 设计讨论”步骤，便于审计与回溯
- 将“能不能改”与“怎么改”拆分，匹配团队的变更门禁策略
多 Agent + 多会话
针对同一项目可并行创建多个会话，不同 Agent 专责不同任务；通过 @general 等通用 Agent 处理跨文件分析或复杂搜索。
价值在于贴近真实工程中的角色分工（如“测试设计”“重构”“依赖升级”）并可并行推进。
MCP + Skills 扩展
MCP（Model Context Protocol）用于安全、可控地接入外部系统（如 Sentry、GitHub、内部知识库/工单系统）；
Skills 将可复用的工程经验沉淀为“能力模板”（如发布流程、CR 规范、CI 检查），让团队把“方法论”落成可执行资产。
四、安装与快速上手
安装方式
# 一键安装（官方脚本） curl -fsSL https://opencode.ai/install | bash # macOS / Linux brew install opencode # Windows choco install opencode scoop install extras/opencode # Node npm install -g opencode-ai # Docker docker run -it --rm ghcr.io/anomalyco/opencode
桌面版（Beta）与 IDE 插件可在 opencode.ai/download 获取。
启动与初始化
cd your-project opencode /init # 生成 AGENTS.md（项目“入职手册”）
/connect # 选择模型 Provider 并填入 API Key（本地保存，不上传）
将 AGENTS.md 与相关配置纳入版本管理（Git），便于团队共享与审计。
典型用法
非交互模式：opencode run "Explain how closures work in JavaScript"（适合脚本/CI）
服务端/客户端分离：服务端 opencode serve，本地或移动端 opencode attach http://server-ip:4096
Web 界面：opencode web（浏览器操作，无需终端）
五、模型与成本管理
模型选择：OpenAI、Anthropic、Gemini、DeepSeek、Groq、Together、Fireworks、OpenRouter、本地模型（Ollama/LM Studio/llama.cpp）等。
成本策略：按任务类型选择不同模型（如“Plan”用强推理模型，“Build”用性价比模型；批量任务优先本地模型）。
密钥与路由：密钥本地保存，可接企业代理/私有网关；建议结合访问白名单/速率限制策略。
示例价格（以撰稿时公开价为参考，具体以各 Provider 官方页面为准）：
- OpenAI GPT-4o：约 $5 / $15（输入/输出，百万 tokens）
- Anthropic Claude 3.5 Sonnet：约 $3 / $15（输入/输出，百万 tokens）
- DeepSeek（如 V3/R1）：低于同代旗舰，适合批量生成与探索
建议：在 OpenCode 层面建立“模型选型与使用准则”，将不同任务映射到不同模型，以平衡质量与成本。
结语
如果你把 AI 当“代码生成器”，OpenCode 可能显得偏“重”；但如果你把它当“工程协作者”，它提供了把 AI 真正纳入流程管理的关键部件：计划与执行分离、可版本化的 Agent 配置、可审计的上下文、可扩展的工具接入。
我的建议是先在一个稳定维护的仓库试点：明确 Plan/Build 的边界与验收标准，沉淀 2–3 个可复用的 Skills，再逐步扩展到更多项目。
它不追求“炫技式的即时效果”，而是让团队在真实环境里可持续地用好 AI。