KeyFrame內部研究專用

Claude Cowork vs Codex: 誰才是更好的AI工作助手?

李厂长来了·6月20日週六·16 min中文

三句話摘要

深度比較 Claude Codework 與 OpenAI Codex 的功能、定價與適用場景,協助用戶選擇合適的 AI Agent 工具。 --- Codework 擅長創意規劃與整合管理,Codex 擅長指令執行與圖片生成,兩者互補使用效果最佳,沒有絕對的勝負之分。 介面設計哲學不同:Codework 以標籤頁區分聊天、文書與程式碼三種模式,任務彼此隔離不混淆;Codex 則將所有功能整合在單一介面,減少切換成本,但頁面相對雜亂。

重點整理

重點
  • 1

    介面設計哲學不同:Codework 以標籤頁區分聊天、文書與程式碼三種模式,任務彼此隔離不混淆;Codex 則將所有功能整合在單一介面,減少切換成本,但頁面相對雜亂。

  • 2

    第三方整合能力差距明顯:Codework 提供大量連接器並支援 Zapier 擴展,且可針對每個連接器精細設定讀寫權限(如 Gmail 只讀免確認、寫信需批准);Codex 的插件數量較少且缺乏同等級的權限控制機制。

  • 3

    定時任務管理方式影響長期使用體驗:Codework 將同一自動化任務的歷史記錄歸類在同一條目下,便於追蹤;Codex 每次執行都獨立列出,隨任務增多左側欄會越來越臃腫,不利於長期管理。

  • 4

    模型能力與工具體驗需分開評估:講者認為 Claude 模型的寫作能力仍略勝 GPT,但 Codex 作為工具在操作流暢度、圖片生成、全螢幕預覽與標注編輯等體驗上更勝一籌,兩者互補而非互斥。

  • 5

    --

實用技巧與重點

乾貨
  • 模型
  • Codework 預設:Claude Opus(可切換 Sonnet、Haiku)
  • Codex 預設:GPT 系列模型
  • Codex 圖片生成:GPT Image 2(全球頂尖圖像模型之一)
  • 定價
  • Claude 訂閱:$20 / 月(基本)、$100 / 月、$200 / 月
  • ChatGPT Plus:$20 / 月
  • Codex 免費版:可用,但額度少
  • Claude 免費版:無法使用 Codework
  • 功能差異
  • Codework:同一資料夾可建多個專案、多資料夾同時選取、連接器支援 Zapier、定時任務歸類清晰、Dispatch 功能(手機遠端連接)
  • Codex:內建圖片生成、全螢幕文件預覽、標注直接留言修改、「寵物(/pet)」功能追蹤多任務進度、工作模式可切換(編程 / 日常)
  • 推薦使用場景
  • 選 Codework:複雜前端開發、視覺設計規劃、頭腦風暴、自訂技能工作流、企業環境
  • 選 Codex:大量網路調研、結構化文件生成(PDF/報告)、需要圖片生成、程式碼審查與漏洞修補、執行已規劃的長期任務
  • 遷移方法
  • 將 Claude 的 `CLAUDE.md` 改寫為 `agents.md` 即可在 Codex 中沿用工作流指令
  • --

結論

結論

Codework 擅長創意規劃與整合管理,Codex 擅長指令執行與圖片生成,兩者互補使用效果最佳,沒有絕對的勝負之分。

完整解析

詳細

這支影片的核心是一場橫跨功能、設計、整合與定價的全面比拼——Anthropic 的 Claude Codework 對上 OpenAI 的新版 Codex(非 2021 年退役的舊版),作者親身使用一個月後整理出詳細心得。

在介面與工作流管理上,兩者哲學截然不同。Codework 採三標籤頁設計,聊天、文書與程式碼任務彼此隔離,讓使用者清楚知道自己正在做什麼;Codex 則把所有功能整合於單一畫面,省去切換麻煩,但隨著任務增多,左側欄會累積大量條目,顯得雜亂。在專案與資料夾管理上,Codework 允許從同一個資料夾建立多個獨立專案,也能同時選取多個資料夾操作;Codex 則每個資料夾只能對應一個專案,限制了多工情境下的靈活度。

第三方整合是 Codework 目前最大的優勢所在。其連接器生態系統龐大,且支援透過 Zapier 擴展,最關鍵的是可以針對每個連接器逐一設定細緻的讀寫權限——例如讓 Claude 自動讀取 Gmail 郵件無需確認,但發信前必須先取得用戶批准。相較之下,Codex 的插件數量明顯偏少,也不支援 Zapier,且權限設定缺乏同等靈活性,作者直言希望 OpenAI 盡快跟進。在定時任務方面,Codework 將同一個自動化任務的每次執行歸在同一條目下方便追蹤,Codex 則每次執行都獨立列出,長期使用後左側欄會越來越難管理,Codework 在此明顯更合理。

在創作能力與設計體驗上,兩者各有所長。Codex 內建 GPT Image 2,可直接生成高品質圖片(如以假亂真的新聞圖),並支援全螢幕預覽生成的網頁或簡報、直接在畫面上標注留言指定修改;Codework 目前缺乏原生圖片生成功能,文件預覽也僅能縮放至有限大小。然而在寫作風格上,作者認為 Claude 模型仍略勝 GPT,文字更有創意、更能抓住被忽略的觀點,適合規劃與腦力激盪階段;Codex 則指令遵循度更高,更擅長按部就班執行長期任務、審查程式碼與修補漏洞。速度方面,Codework 在多數測試中更快,但每次消耗的 Token 也更多。

最終作者給出的使用策略並非非此即彼,而是互補搭配:用 Codework 做前期規劃、頭腦風暴與策略制定,再把任務交給 Codex 執行、審查與生成圖片。兩個工具月費相同(皆為 $20),Codex 甚至有免費額度可先試用。作者特別提醒,從 Codework 遷移到 Codex 並不難,只需將 `CLAUDE.md` 改成 `agents.md` 並告訴 AI 重新整理即可,保持開放心態才是最重要的。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。