原始标题: How to Run OpenCode Inside an Autonomous Claude Code AI Agent
发布日期: 2026-02-15 | 来源频道: @AllAboutAI
📝 深度摘要
AI 智能体架构与自主开发实战笔记
1. 对话背景与核心主题
本视频的核心主题是如何在 Claude Code 智能体内部运行 OpenCode，并构建一套全自动化的 LLM 基准测试流水线。博主是一位专注于 AI 智能体开发的 YouTuber，其 AI 代理运行在一台独立的 Mac Mini 上实现了 24/7 无人值守运行。本次实战演示的核心元问题是：如何让 Claude Code 能够调用 OpenCode 的 CLI 工具，在不同的 LLM 模型之间进行并行基准测试，并自动生成可视化视频发布到社交媒体。
2. 核心干货概览
| 类别 | 名称 | 核心用途 / 技术意义 |
|---|---|---|
| 核心 AI 代理 | Claude Code | 作为主控智能体，运行在 Mac Mini 上，负责调度任务、调用 CLI、执行自动化流程 |
| 自动化/触发工具 | Claude Code CLI + OpenCode CLI | 通过 bash 命令实现 OpenCode 的远程调用，支持模型切换与并行执行 |
| 集成技能/MCP | OpenCode Test Skill + Remotion Skill | 扩展 Claude Code 的外部操作能力，实现多模型并行测试与视频生成 |
| 模型路由层 | Open Router | 统一接入多个 LLM 提供商（GLM5、Gemini 3 Pro、Claude Opus 4.6、Minimax 2.5），支持模型热切换 |
| 视频生成 | Remotion | 将 HTML 输出自动转换为网格布局的对比视频 |
3. 智能体架构与 SOP
环境搭建与初始化
第一步：获取 OpenCode CLI 文档。 博主直接访问 OpenCode 官方文档中的 CLI 章节，提取所有可用 flags。他将文档保存为 open-code.md 文件，供 Claude Code 读取参考。关键发现是 OpenCode 提供了一个 run 命令，可以通过 CLI 方式指定模型提供商和模型名称执行任务。
第二步：配置 Open Router API Key。 博主已在浏览器中登录 OpenCode，并预先配置了 Open Router API Key。这一步是实现多模型切换的前提——通过 Open Router 作为统一网关，可以访问 GLM、Gemini、Claude、Minimax 等多种模型。
第三步：编写测试 Prompt。 博主教 Claude Code 读取文档后，给出了第一个测试任务：使用 Open Router 的 GLM 模型运行一个简单问题：“Should I walk or drive to the car wash? It’s 50m away.”
自主运行逻辑链
命令格式发现： Claude Code 通过阅读文档自主推断出正确的 CLI 调用格式为：opencod run -m <provider/model> "<prompt>"。实际测试中，GLM 模型返回"应该走路去"，而 Gemini 3 Pro 返回"必须开车去，因为洗车时车不能留在原地"——这验证了不同模型对同一问题的推理差异。
技能封装： 在验证 CLI 调用成功后，博主立即指示 Claude Code 将这一工作流封装为可复用的 Skill。创建 skills/open-code-test/skill.md，定义工作流：使用 Open Router 运行不同模型的 Prompt 测试，支持并行执行多个模型。
实战案例还原
完整流水线演示：
- 多模型并行测试：指定四个模型（GLM5、Minimax 2.5、Gemini 3 Pro、Claude Opus 4.6），使用相同的创意 Prompt：“Create a single HTML file with a full screen animated retro arcade space battle scene”
- 输出文件命名规范：
task-model@llmtest/[email protected]，格式为任务名-模型名.html - Remotion 视频生成：调用已有的 Remotion Skill，将四个 HTML 文件合成为网格布局的对比视频
- X 平台自动发布：通过浏览器自动化控制，创建包含视频和文案的新帖子草稿
博主在视频中完成了完整的端到端演示：从下达任务指令，到并行执行四个模型的 HTML 生成，再到视频合成，最终生成可发布的社交媒体内容。整个过程 Claude Code 均自主完成，无需人工干预。
细节支撑
运行成本与效率： 博主提到在视频发布时，其 AI 代理已经运行了约 12-13 天，正在进行"四周实验"计划。这意味着系统已经具备长期无人值守运行的能力。视频中展示的 15 秒对比视频包含四个模型的完整渲染，展示了并行执行的高效性。
4. 核心执行资产
指令集还原
# OpenCode CLI 调用格式
opencod run -m <provider/model> "<prompt>"
# 示例：使用 Open Router 的 GLM 模型
opencod run -m "openrouter/google/gemini-2.0-flash-exp" "Should I walk or drive to the car wash?"
# 并行执行多个模型（Claude Code 自动调度）
# 在 skill.md 中定义模型列表后，Claude Code 会使用 bash 并行执行
系统提示词策略
博主使用的核心 Prompt 策略是文档驱动+任务封装：
- 文档获取 Prompt：“Read the documentation we just fetched. Find a way to run OpenCode with a set model and a prompt from Claude Code.”
- 技能创建 Prompt：“Create a cloud skill under skills/open-code-test/skill.md. Add the workflow to run different models from Open Router to test prompts. This means we can run models in parallel with the same prompt for testing.”
- 完整测试 Prompt：“Test this on GLM 5, Minimax 2.5, Gemini 3 Pro, and Opus 4.6. Look up the model names beforehand to get it correct. Run in parallel.”
这种策略的本质是让 AI 自己读文档、自己推理、自己封装，而不是人工预先写好完整的技能脚本。
5. 开发者进阶洞察
Vibe Coding 核心心法
博主在本次演示中展现的核心理念是**“AI 教 AI”**——不直接编写代码，而是给 Claude Code 一个目标（如"让代理能运行 OpenCode 进行多模型测试"），再提供必要的文档资源，让它自主探索、试错、封装。这种方式的本质是将"如何做"的知识沉淀到 Skill 中，而人类只需要定义"做什么"。
自主性风险预警
潜在风险点：
- 死循环风险：当多个模型并行执行且某个模型响应异常时，可能导致任务无限等待
- 成本失控：Open Router 按调用计费，多模型并行测试的 API 消耗需要监控
- 浏览器自动化陷阱：视频中博主特别提到"不要点击发布按钮"，仅创建草稿——这说明 AI 自主控制浏览器时需要设置安全边界，防止意外执行不可逆操作
实战陷阱
博主明确指出：在构建"自动化六位数工作流"（即高价值自动化任务）时，必须对 AI 的操作范围进行严格限制。例如在 X 平台发帖场景中，AI 可以完成"生成内容、创建草稿"的全流程，但在"点击发布"这一步需要人工确认——这是避免社交媒体事故的关键安全阀。
6. 金句
“我们给四个 LLM 相同的 Prompt，让它们各自创建一个复古街机太空游戏 Demo 单页 HTML。这就是我们如何直观地对比不同模型的创造力——GLM 5、Minimax 2.5、Gemini 3 Pro 和 Claude Opus 的表现一览无余。”
“Claude Code 可以通过 Open Router 运行 OpenCode，设置不同的模型，并用相同的 Prompt 并行执行——我们以一种极其直观的方式获得了所有输出。这套自动化设置太棒了，每次有新模型发布，我们都可以直接运行创意 HTML 测试，然后轻松分享结果。”
📺 视频原片
视频ID: oG0jmaIlL1w