Claude Code vs Codex：Computer Use 实现原理深度拆解一、核心概念澄清在深入技术细节之

一、核心概念澄清

在深入技术细节之前，首先厘清两个容易混淆的事实：

产品	底层模型	Computer Use 集成方式
Claude Code	Claude Sonnet 3.5/3.7、Claude 4 Opus/Sonnet、Claude 4.6、Opus 4.7	直接通过 Anthropic API 的 `computer_use` 工具集实现
OpenAI Codex	GPT-5-Codex、GPT-5.4	GPT-5.4 是 OpenAI 第一个原生支持 computer use 的通用模型；早期 CUA（Computer-Using Agent）是 GPT-4o vision + RL 训练的专用浏览器 agent，已演化为通用能力

简单说：Claude 的所有视觉模型都内置了 computer use 能力；而 OpenAI 经历了从「专用 CUA 模型」到「GPT-5.4 通用模型原生支持」的演进。

二、架构全景对比

2.1 整体架构图

┌─────────────────────────────────────────────────────────────────────────┐
│                    Claude Code 架构                                      │
│                                                                         │
│  ┌──────────────┐   tool_use 请求   ┌─────────────┐  截图/动作执行       │
│  │  Claude API   │ ───────────────▶ │  Agent Loop  │ ──────┐            │
│  │  (Messages   │ ◀─────────────── │  (用户端)    │ ◀─────┤            │
│  │   API + Beta) │   tool_result    └─────────────┘       │            │
│  └──────────────┘                                ┌────────┴──────┐      │
│  tools: [computer_20251124, bash, text_editor]   │ Sandbox 环境   │      │
│  Beta Header: "computer-use-2025-01-24"          │ Xvfb + Mutter  │      │
│                                                  │ + Firefox/...  │      │
│  能力来源：模型基础视觉理解 + 工具调用对齐          └────────────────┘      │
└─────────────────────────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────────────────────────┐
│                    OpenAI Codex / GPT-5.4 架构                           │
│                                                                         │
│  ┌──────────────┐  computer_call 请求 ┌─────────────┐  截图/动作执行     │
│  │  Responses   │ ─────────────────▶ │  Agent Loop  │ ──────┐           │
│  │  API         │ ◀───────────────── │  (用户端)    │ ◀─────┤           │
│  │              │ computer_call_output└─────────────┘       │           │
│  └──────────────┘                                ┌────────┴──────┐       │
│  tools: [computer_use_preview]                   │ Sandbox 环境   │       │
│  参数: display_width, display_height, environment│ 默认禁网络     │       │
│                                                  │                │       │
│  能力来源：GPT-5.4 原生视觉+推理+RL 训练           └────────────────┘       │
└─────────────────────────────────────────────────────────────────────────┘

2.2 Agent Loop 对比

两者都采用 模型请求动作 → 用户执行 → 返回结果 → 循环 的架构，但 API 协议不同。

Claude（Messages API）：

# 用户代码控制完整循环
while True:
    response = client.beta.messages.create(
        model="claude-opus-4-6",
        tools=[...],           # 工具定义在每次请求中
        messages=messages,     # 显式传递完整消息历史
        betas=["computer-use-2025-01-24"],
        thinking={"type": "enabled", "budget_tokens": 2000}
    )
    # 检查 stop_reason == "tool_use"
    # 执行工具 → 构造 tool_result → 追加到 messages

OpenAI（Responses API）：

# 可用 previous_response_id 自动链接上下文
response = client.responses.create(
    model="gpt-5.4",
    previous_response_id=prev_id,  # 自动管理 history
    tools=[{...}],
    input=[...current step...]     # 只传本轮输入
)
# 检查 output 中的 computer_call
# 执行动作 → 构造 computer_call_output → 下轮请求

关键差异：

Claude 显式传递完整 messages 数组
OpenAI 支持 previous_response_id 自动链接上下文，更省 token
Claude 用 tool_result 类型返回结果；OpenAI 用 computer_call_output 类型

三、Computer Tool 能力对比

3.1 动作集对比

动作类型	Claude (`computer_20251124`)	OpenAI `Computer` 接口
截图	`screenshot`	`screenshot()`
左键点击	`left_click` (x, y)	`click(x, y, button=left)`
右键点击	`right_click` (x, y)	— ❌
中键点击	`middle_click` (x, y)	— ❌
双击	`double_click` (x, y)	`double_click(x, y)`
三击	`triple_click` (x, y)	— ❌
鼠标移动	`mouse_move` (x, y)	`move(x, y)`
拖拽	`left_click_drag` (path)	`drag(path)`
滚轮	`scroll` (direction, amount)	`scroll(x, y, scroll_x, scroll_y)`
输入文本	`type` (text)	`type(text)`
按键	`key` (key_name)	`keypress(keys)`
按住按键	`hold_key` (key) + 其他动作	— ❌
精确控制	`left_mouse_down` / `left_mouse_up`	— ❌
等待	`wait`	`wait()`
自定义环境	`display_number` (X11)	`environment` (browser/mac/windows/ubuntu)
局部放大	`enable_zoom` ✅	— ❌

Claude 优势：动作集更丰富（约 17 种 vs 9 种核心），支持 hold_key（如 Ctrl+点击）、triple_click、鼠标按键精确控制（按下/释放）等细粒度操作。

OpenAI 优势：environment 参数显式告知模型当前环境类型，有助于模型选择正确的 GUI 交互策略。

3.2 工具声明方式

# Claude — tools 数组声明
tools = [{
    "type": "computer_20251124",       # 版本化工具类型
    "name": "computer",
    "display_width_px": 1280,          # 坐标空间声明
    "display_height_px": 720,
    "display_number": 1,
    "enable_zoom": True                # 可选功能开关
}]

# OpenAI — tools 数组声明（Responses API）
tools = [{
    "type": "computer_use_preview",
    "display_width": 1024,             # 坐标空间
    "display_height": 768,
    "environment": "browser"           # 环境类型提示
}]

四、底层模型能力对比

4.1 模型演进路线

时间	Anthropic	OpenAI
2024-10	Claude Sonnet 3.5（新版）首发 computer_use	—
2025-01	—	发布 CUA（GPT-4o + RL 训练），用于 Operator
2025-04	Claude Opus 4 / Sonnet 4 发布，computer_20250124	—
2025-09	—	Codex 升级 GPT-5-Codex，CUA 能力下放
2026-03	—	GPT-5.4 发布，第一个原生支持 computer use 的通用模型
2026-05	Claude Sonnet 4.6 / Opus 4.6 发布	—
2026-07	Claude Opus 4.7 发布，更高分辨率支持	—

4.2 视觉输入能力

维度	Claude 4.6 Family	Claude Opus 4.7	GPT-5.4
Max 长边	1568 px	2576 px	6000 px (`original`)
Max 总像素	1.15 MP	3.75 MP	10.24 MP (`original`)
推荐分辨率	1280×720	1920×1080	—
图片 detail	API 内部自动缩放	API 内部自动缩放	`low`/`high`/`original` 可选
坐标空间匹配	需要显式声明 `display_width_px/height_px`	同左	`display_width/height`

关键洞察：两边模型内部都会对超分辨率图片进行下采样，但处理方式不同：

Claude 是隐式处理：API 内部自动缩放后返回对应坐标
GPT-5.4 引入显式 detail level 选择，给开发者更多控制

Claude 官方特别强调：必须在发送前手动将截图缩放到 API 限制内，否则 API 会静默下采样导致「模型看到的图片」和「它返回的坐标空间」不匹配——这是 click 不准的第一大原因。

4.3 基准测试成绩

Benchmark	Claude 4.6	Claude Opus 4.7	GPT-5.4	Human
OSWorld-Verified	~48%	72.7%	75.0%	72.4%
WebArena-Verified	—	—	67.3%	—

⚠️ 注意：这些数字来自不同时间点的官方发布，具体测试设置（最大步数、分辨率）可能有差异，不完全可比。

五、安全机制对比

5.1 Prompt Injection 防护

方面	Claude	OpenAI
检测层	模型内置抵抗 + 额外分类器检测截图中的恶意指令	API 层三类安全检查
触发方式	自动运行分类器 → 引导模型请求用户确认	返回 `pending_safety_checks` → 应用层决定是否确认
检查类型	统一的 prompt injection 分类器	`malicious_instructions`（恶意指令）
`irrelevant_domain`（不相关域名）
`sensitive_domain`（敏感域名）
用户确认	如果检测到，模型会主动请求用户确认下一步	`pending_safety_checks` 必须通过 `acknowledged_safety_checks` 回传才能继续
可关闭	可联系 Anthropic 关闭额外保护	—

5.2 沙箱隔离

方面	Claude Code	Codex
默认隔离	参考实现提供 Docker 容器	默认沙箱，网络访问禁用
网络策略	建议域名白名单	默认禁网，可按需开启
权限控制	建议最小权限 VM/容器	工作区文件系统限制

六、技术实现细节

6.1 坐标缩放的关键陷阱

两边都需要开发者处理的问题：

截图原始分辨率 (screen_w × screen_h)
        ↓ 下采样
模型看到的图片 (display_w × display_h)
        ↓ 返回坐标
模型输出点击坐标 (click_x, click_y) —— 注意这是 display 坐标系！
        ↓ 缩放回去
实际执行位置 (click_x * screen_w/display_w, click_y * screen_h/display_h)

Claude 官方给出的代码模式：

# 模型返回 display 坐标系的坐标，需要缩放回实际屏幕
scale_x = screen_w / display_w  # display_w 是传给 API 的值
scale_y = screen_h / display_h
actual_x = int(click_x * scale_x)
actual_y = int(click_y * scale_y)

6.2 Claude 的 enable_zoom 机制

Claude 4.6+ 新增 enable_zoom: True 功能：

模型可以自主决定「放大」某个屏幕区域
针对密集 UI 中的小目标（checkbox、系统托盘图标等）特别有效
放大逻辑在模型内部完成，开发者无需额外处理

6.3 OpenAI Responses API 的 previous_response_id

GPT-5.4 引入的对话上下文管理机制：

# 无需手动拼接消息历史
response1 = client.responses.create(model="gpt-5.4", ...)
response2 = client.responses.create(
    model="gpt-5.4",
    previous_response_id=response1.id,  # 自动链接
    input=[...]  # 只传本轮
)

这比 Claude 每次显式传递完整 messages 数组更高效，节省 token。

6.4 Codex 的组合能力

Codex（GPT-5.4）可以同时使用多种工具：

bash — 执行 shell 命令
computer — 视觉+鼠标键盘
file_search — 文件搜索
web_search — 网页搜索
自定义 MCP 工具

Claude Code 类似，可以组合 computer + bash + text_editor 三个 beta 工具。

七、开发体验对比

维度	Claude	OpenAI
API 类型	Messages API (beta)	Responses API
上下文管理	手动传递 messages	`previous_response_id` 自动链接
工具声明	`tools` 数组 + beta header	`tools` 数组
Beta 状态	需要 beta header 标记	`computer-use-preview` 模型专用
参考实现	Docker + Python，GitHub 开源	Azure OpenAI 提供 Playwright 示例
SDK 支持	Python/SDK + CLI	Python OpenAI Agents SDK + JS Agents SDK
可组合性	computer + bash + text_editor	computer + Playwright + 任意工具

八、总结：谁更好？

8.1 技术特性对比矩阵

维度	Claude (4.6/4.7)	GPT-5.4	胜出
动作丰富度	⭐⭐⭐⭐⭐ (17种)	⭐⭐⭐⭐ (9种)	Claude
OSWorld 成功率	72.7% (Opus 4.7)	75.0%	GPT-5.4
图片分辨率上限	3.75 MP	10.24 MP	GPT-5.4
enable_zoom 局部放大	✅	❌	Claude
hold_key 等复合操作	✅	❌	Claude
安全检查细化	统一分类器	三类检查	OpenAI
上下文管理效率	手动 history	previous_response_id	OpenAI
通用模型原生支持	是（但通过 beta 工具）	是（原生能力）	持平
训练基础	基础视觉模型 + 工具调用对齐	RL 训练 CUA + 通用视觉	风格不同

8.2 选择建议

选 Claude 如果：

需要丰富的鼠标/键盘细粒度控制（hold_key、triple_click 等）
目标 UI 密集、小目标多（enable_zoom 能显著提升）
需要开源参考实现快速上手

选 GPT-5.4 如果：

追求最高 OSWorld 等 benchmark 成绩
需要处理高分辨率原始截图（10.24MP）
希望 API 更标准、上下文管理更高效
已经在使用 Codex 或 OpenAI Agents SDK

两者共同的工程挑战：

坐标缩放 —— 模型坐标系 vs 实际屏幕坐标系的对齐是 click 准确率的基础
图片下采样 —— 必须在发送前手动控制，不能依赖 API 自动处理
Agent Loop 终止条件 —— 需要设置最大迭代次数防止无限循环
Prompt injection 防护 —— 两边都有机制，但开发者仍需做好隔离

九、核心结论

两者底层都是「视觉模型理解截图 → 输出鼠标/键盘坐标 → 用户端执行 → 返回新截图」的 Agent Loop 范式，但设计哲学不同：

Claude：给模型更多动作选项，让它用丰富词汇表达意图（17 种动作 + enable_zoom）
OpenAI：用更好的训练和更高的分辨率让模型看清楚（RL 训练 + 10.24MP 输入）

选择哪一个更多取决于你的具体场景和已有的技术栈。

Sources

Anthropic Computer Use API Docs — docs.anthropic.com/en/docs/age…
Anthropic Best Practices for Computer and Browser Use — claude.com/blog/best-p…
OpenAI Computer-Using Agent 发布 — openai.com/index/compu…
OpenAI Introducing GPT-5.4 — openai.com/index/intro…
OpenAI Agents SDK Computer 接口 — openai.github.io/openai-agen…
Azure OpenAI Computer Use — learn.microsoft.com/en-us/azure…
OpenAI Introducing Upgrades to Codex — openai.com/index/intro…
OSWorld 2.0 Benchmark — arxiv.org/abs/2606.29…