從 Claude Code 到 OpenCode：如何打造靈活且高 CP 值的 AI 程式工作流？

最近看了Deep Learning.AI的新課程 AI Coding Workflows: From Cloud to Local

AI Vibe Coding 的下一階段：開源生態、Subagent 拆解與雲地算力部署戰略

隨著 AI 輔助寫程式（Agentic Coding）快速演進，開發者不再只是單純將 Prompt 貼進對話框，而是開始面臨更深刻的架構抉擇。DeepLearning.AI 最新課程《AI Coding Workflows: From Cloud to Local》精準揭示了當前 AI 工作流的三大核心拉鋸：封閉 vs. 開源 Harness、單一 Agent vs. Subagent 架構，以及雲端 API vs. 地端算力的部署算盤。

生態抉擇：一體化體驗 vs. 自由調度權
以 Claude Code 為代表的封閉 Harness 提供極致的端到端體驗，將模型、環境與 Agent 邏輯緊密綁定；而 OpenCode 這類開源 Harness 則將架構解耦，讓開發者擁有自由切換 OpenRouter、各大 API 供應商或地端服務器的自主權。防範單一供應商鎖定（Vendor Lock-in），並保有隨時抽換底層模型的彈性，是現代開發架構的首要考量。

架構拆解：用時間換金錢的 Subagent 策略
在任務執行上，將高智商主模型（如 Claude 3.5 Sonnet）作為指揮官負責規劃，並將重複性實作交給便宜模型（如 Haiku）作為 Implementer Subagent，已成為精細化運營的典範。雖然 Agent 之間的通訊增加了總 Token 量、Tool Call 次數與整體等待時間，但顯著降低了高價 Token 的比例。這種「用微幅時間換取大幅成本下降」的模式，更帶來了 Context Window 隔離 的隱形優勢，有效防止主控 Prompt 因細節過多而膨脹失控。

算力部署：雲端補貼紅利與地端備用路線
在雲地算力的抉擇上，除去金融、醫療等極致資安與 Zero Cloud Egress 需求外，現階段全地端 Agent 的 CP 值並不高。主流雲端巨頭仍處於規模經濟與價格補貼階段，提供著遠低於自建硬體折舊成本的高品質推論。盲目採購高階地端 GPU 並非上策，更聰明的策略是採用混合架構：以開源 Harness 為骨架，雲端頂級模型為大腦，並利用現有備用機台部署地端小模型處理簡單任務。

掌握這套架構的核心，不在於追求全地端或極致的自動化，而是在保持靈活性與成本掌控力之間，找到最適合自己團隊步調的平衡點。