
How I AI:Claire Vo 用九件真任务对比 Grok、Dot、Muse 和 Claude Duet,没有全能冠军
一句话结论
用自己真正要做的九件事来比四个个人 Agent,Grok 适合广谱工作协调,Muse 更擅长家庭和轻量创作,写代码仍应直接用 Codex 或 Claude;先核对连接权限,再看成品而不是聊天里的漂亮答复。
背景与理念
Claire Vo 想知道哪个个人 Agent 能把一件有用的事做完,而不是每一步都要人盯着。她先让四个 Agent 各自列出常帮自己做的事,再交给 Claude 整理成基准,覆盖她当天真正需要的九项工作:起草 Slack 回复、剪短视频、修 Sentry 缺陷、做节目缩略图、整理收件箱、做家庭周报、给四年级孩子讲物理题、买鞋,以及为 ChatPRD 的 Product Intelligence 做发布片。准备时的要求是「保持我的语气,只做我会做的事」,提示写得很轻,并准备好转折问题和卡住时的推法。她也写明:这是对自己现有配置的实用比较,不是受控的模型评测;Muse 没接 Slack 和 GitHub,Claude 做家庭周报时只有工作日历,已有记忆和操作层也不一样。
具体做法
- 用 Agent 去操作 Agent,并先检查连接和技能是否齐。Claude ComputerUse 操作 Dot,Codex 操作 Grok Bot、Muse 和 Claude Duet;并行跑任务很有用,但电脑操作层会中断,她对 Claude ComputerUse 尤其不满意。她还让 Codex 用 BrowserUse 核对各账号的连接和技能——几个 Agent 邮箱和连接器不同时,看起来像智力差距的,常常只是权限不同。
- 把「能用的成品」当作评分标准。收件箱整理里,Grok 交出带勾选的文档,比聊天里的一串优先级更好用;缩略图任务里已有模板和 Figma MCP,Grok 给出她喜欢的新标题和构图,Muse 的一张被明确否决。买红色 Adidas Tokyo 时,Grok 找到合适选项,Claude 反复遇到购物网站拦截,还把红鞋白条搜成白鞋红条,并找到最贵的几款。
- 同一类「做视频」要拆开看。剪短视频时,Claude Duet 不肯下载素材,还没开始剪就失败;另外三个都出了片,Muse 的节奏和字幕布局最对她胃口。发布片则相反:已有技能指导风格,Claude Duet 吃进价值主张和品牌,还调用 ElevenLabs MCP 配了旁白,是整场最好的成品;Muse 因为没有仓库权限,做出了有气势但会编造产品信息的片子。
- 写代码的快修可能是在放宽校验。Sentry 缺陷上,几个有权限的 Agent 大约花了 10 分钟。她事后用 Claude Opus 5.5 评这些补丁:Dot(搭配 Codex)最接近预期修法;Claude Duet 还发现了第二个缺陷,并认出原问题已被修好、不必再交货;Grok 的修法是放松校验,把本该拒绝的输入放过去。她的结论是:总冠军不应自动拿到仓库权限。
关键数据/例子
九项任务之后,她把评语交给 Claude 汇总排名:Grok 约 93%,Duet 约 79%。她明确说自己没有公开透明的计分公式,这两个数字只是对本轮观感的概括,不能当成可搬用的性能统计。权限请求方面,Duet 问了四次,另外三个各问一次;作业题四个都答对了(答案是 C),Muse 快到她来不及记下时间,她目测大约半秒。Slack 回复里,Grok 最像她的口吻,但 Dot 会追问这场分享是否远程、有没有报酬——对日程紧、不太出门的人,这些才是决策要点。
创新点
第一,把「做视频」「写回复」这类笼统能力拆成不同工作,避免用一个总分掩盖相反的成败。第二,先查连接再判高下,并用电脑操作层并行跑,同时承认操作层本身会引入误差。第三,坚持在交接处做人审:补丁有没有保住校验、片子有没有编造产品、购物结果是不是要的颜色、产出是不是能直接拿去用。
可否复用
- 用自己反复出现的真任务做对比,并事先写好「怎样才算做完」:可勾选的清单、可打印的周报、对得上颜色的比价,而不是看聊天是否像那么回事。
- 评智力之前先核对连接、技能和账号权限,否则差的是配置,不是模型。
- 按工作类型委派,而不是认一个总冠军:广谱协调可从 Grok Bot 起步,家庭和轻量创作可从 Muse 起步,写代码仍直接用 Codex 或 Claude,并检查补丁是否保住了原来的约束。