先过这四道门槛
过不去就别折腾，看最后一节有替代方案- 症状：安装命令卡住不动、API 请求超时、网页一直转圈。
- 现实情况：部分海外服务的 API 域名与官网在境内访问不稳定，时好时坏—— 这不是配置问题，是网络路径问题，调超时参数解决不了。
- 怎么办：优先选国内厂商能访问的服务（见最后一节替代清单）； 如果必须用，先确认你的网络环境实际能通再动手，别装到一半才发现连不上。
- 症状：注册后无法订阅、绑卡被拒、提示「不支持的地区」。
- 现实情况：海外 AI 服务普遍只收国际信用卡（Visa/Mastercard）， 部分还要求账单地址与卡的发卡地区一致。国内主流信用卡不一定能用。
- 怎么办：这是最实际的一道坎。请只使用你本人合法拥有的支付方式， 不建议也不介绍任何绕过地区限制或身份验证的做法——风险在你身上，且可能违反服务条款。 如果没有合规支付方式，直接看最后一节的国内替代方案。
- 症状：注册收不到验证码、手机号/邮箱被拒、注册后立刻被风控封禁。
- 现实情况：海外服务普遍对异常注册行为敏感（同一设备短时间注册多个账号、 使用自动化脚本注册）。这类行为可能直接触发永久封禁。
- 怎么办：一个邮箱/手机号正常注册一个账号长期使用。 不要用脚本批量注册或绕过验证——不但违规，封了之后通常申诉不回来。
- 症状：装好了但一用就报错余额不足、速率限制、模型不可用。
- 现实情况：海外 Agent 类产品大多按订阅收费，另有 token 用量或任务数限制。 Agent 会自动多轮调用，单次任务的实际消耗远高于你预期—— 这是选型时最容易低估的一项。
- 怎么办：动手前先算一笔账：如果一个任务平均调用 10–30 次模型， 把它乘上你的任务量，看看月账单能不能接受。新账号通常有试用额度， 够你跑完评估阶段。
七个工具的实际口径
按「你要干什么」选，不是按名气选Claude Code
终端里的编程智能体目前公认能力最强的终端编程智能体之一。它会自己读文件、改代码、跑测试、看报错再改， 循环推进直到任务完成。适合真实的项目级改造，不是补个函数。
- 适合
- 接手一个陌生代码库；跨多个文件的重构；排查难复现的 bug；写测试补覆盖率。
- 不适合
- 不懂代码的人；只是想快速生成一个小脚本。
- 门槛
- 需要 Anthropic 账号 + 合规订阅 + 能连上其 API。
- 上手顺序
- 先在一个无关紧要的小项目里跑通，确认网络和额度都正常，再用到正式项目。
- 注意
- 它会真的改你的文件。开工前先 git 提交或备份，让每一步可回滚。
Cursor
AI 增强的代码编辑器不换你的开发习惯，在熟悉的编辑器里加一层 AI。适合已经习惯 VS Code 的人， 想要补全、对话、内联修改但不想换工具链。
- 适合
- 日常写代码要快一点；边写边问；小范围重构。
- 不适合
- 需要它自主完成多步任务——这是它的弱项，要 Agent 能力请看 Claude Code。
- 门槛
- 编辑器可免费下载，但 AI 功能需订阅；同样受网络与支付影响。
- 上手顺序
- 装成独立应用而不是 VS Code 插件，两者配置不互通，别混着装。
Devin
云端自主编程智能体真正的云端 Agent：你描述任务，它在独立环境里自己写代码、跑测试、 遇到问题自己排查，完成后给你结果和可查看的执行过程。
- 适合
- 批量重复性的开发任务；你不方便在本地终端操作时。
- 不适合
- 需要频繁来回沟通微调的需求；小改动（成本不划算）。
- 门槛
- 订阅成本是这类里偏高的，且需要能正常访问其服务。
- 注意
- 它是异步的：提交完你就可以去干别的，几天后回来验收。 需求描述要一次写清楚，否则来回改任务很浪费时间。
ChatGPT Agent / Gemini CLI
通用任务智能体不只回答问题，还能自己开浏览器、查资料、填表单、跑一段代码。 适合「帮我查一下这几个东西然后整理成表」这类跨网页的任务。
- 适合
- 信息收集与整理；跨多个网页的调研；一次性的小脚本执行。
- 不适合
- 长期稳定跑的生产任务；需要精确可控每一步的场景。
- 门槛
- 需要境外账号与合规订阅；使用时有地区限制，实际可用性以你账号为准。
- 注意
- 让它操作外部账号（登录、发消息、下单）时， 务必自己确认最后一步。这是不可逆动作。
n8n
可视化工作流不是 Agent，是工作流。但对大多数业务场景这就够了： 把「每天定时从某处取数据 → 让 AI 分类/提取 → 写进表格 → 发通知」 这种固定流程拖出来就能跑，不用写代码。
- 适合
- 流程步骤确定、重复性高；需要定时触发；要连一堆现成系统。
- 不适合
- 步骤需要临场决定的情况——那是 Agent 的活，n8n 做不了。
- 门槛
- 可自托管，代码完全在你手里，数据不出本机。接大模型 API 需要你自己的 key。
- 上手顺序
- 先拖一个最简单的「定时 → HTTP 请求 → 输出」跑通， 再一步步加 AI 节点，别一上来就搭复杂流程。
Dify
开源 LLM 应用平台比 n8n 更面向 AI 场景：可视化编排链、提示词管理、知识库检索、 模型配置、一键发布成 API 或网页应用。开源版可自托管。
- 适合
- 要把 AI 能力做进自己系统供别人调用；需要知识库问答； 想让非技术的同事也能改流程。
- 不适合
- 只是自己临时用一下——太重了。
- 门槛
- 需 Docker 环境；模型 API 费用自负。国内可接国产大模型。
- 注意
- 部署前想清楚数据放哪。自托管较重，资源要求比 n8n 高不少。
开源框架：LangChain / LlamaIndex / AutoGen
写代码那一类这些是给开发者的库，不是装来就能用的产品。LangChain 管工具调用与链式编排， LlamaIndex 侧重检索增强，AutoGen 偏多智能体协作。
- 适合
- 要把 Agent 嵌进已有系统；对编排逻辑有精细控制需求。
- 不适合
- 不会写代码；只是想「有个智能体用」——学习成本完全不划算。
- 门槛
- Python 环境 + 持续跟进版本。生态更新快，API 变动频繁， 务必对照官方文档看当前版本的写法，别照着几年前的教程写。
什么情况下你其实不需要国外智能体
说实话，这几种情况更该用国内方案
主要做中文办公
写文档、做表格、做 PPT。国内成品智能体在中文语料、国内模板、 本地生态（钉钉、企业微信）打通上更顺手，没必要硬绕出去。
只需要固定流程自动化
步骤完全确定的工作，用工作流工具比 Agent 更可靠也更便宜。 不需要模型临场决策，就别让模型决策。
数据不能出境
客户资料、财务数据、合同这类涉及合规的， 处理流程尽量留在可控的环境里，这是选型时的硬约束，不是偏好。
动手前的通用避坑清单
- 先在测试项目上验证连通性和额度，别拿正式项目试水。
- 涉及文件改动前先备份或 git 提交，让每一步可回滚。
- 代码和配置里不要硬编码密钥，用环境变量或密钥管理。
- 确认它的数据往哪发——你要传的代码和文档会不会离开你的环境。
- 权限按最小给，别一上来就授予全盘读写或管理员权限。
- 删除、发送、付款、改生产数据这类动作，一律自己确认最后一步。
- 别用脚本批量注册账号，也别试图绕过地区与身份验证——风险和封号后果都在你这边。
- 版本会变，命令和参数以官方当前文档为准，教程可能已过期。