Open Code Desktop App: De AI-codingtool Waar Ik Op Overstapte
Ik heb een probleem. Ik blijf AI-codingtools installeren. Claude Code, Cursor, Codeex, Gemini CLI — op een gegeven moment had ik vijf verschillende AI-assistenten die vochten om ruimte in mijn workflow, elk vergrendeld aan zijn eigen modelprovider, elk vragende dat ik me committeerde aan zijn ecosysteem voordat het me liet zien wat het echt kon.
Dus toen Open Code vorige week een desktop-app lanceerde — gebouwd in Rust, open source, verbindt met meer dan vijfenzeventig modellen van elke provider — had ik het bijna niet geprobeerd. Nog een tool. Nog een setup. Nog dertig minuten die ik nooit terug zou krijgen.
Ik installeerde het toch. En nu schrijf ik dit bericht omdat er iets gebeurde wat met geen van de andere tools is gebeurd: ik greep echt niet meer naar de alternatieven.
Niet omdat Open Code ergens het beste in is. Dat is het niet. Maar omdat het een frustratie oploste die ik niet volledig besefte totdat ze verdwenen was. De frustratie van vergrendeld zijn aan één model, één provider, één manier van werken — en volledige applicaties te moeten wisselen wanneer dat model niet geschikt was voor de taak voor me.
Laat me je meenemen door wat de desktop-app eigenlijk doet, waar hij echt uitblinkt, waar hij nog ruw is, en waarom ik denk dat de model-agnostische aanpak meer uitmaakt dan de meeste ontwikkelaars nu beseffen.
Wat Open Code Eigenlijk Is
Open Code begon als een CLI-tool — een terminal-gebaseerde AI-codingagent waarmee je code kunt schrijven, refactoren en debuggen met AI-assistentie direct vanuit je command line. Zie het als de open-source neef van Claude Code. Hetzelfde algemene concept: je beschrijft wat je wilt, de AI leest je codebase, schrijft of wijzigt bestanden, en je beoordeelt de wijzigingen.
De sleutelonderscheider vanaf dag één was providerflexibiliteit. Waar Claude Code de API van Anthropic vereist en Gemini CLI die van Google, verbindt Open Code met wat je maar wilt. Claude, GPT-4o, Gemini, Mistral, DeepSeek, Llama — als er een API-endpoint of een lokaal draaiende Ollama-instantie is, kan Open Code er mee praten.
De nieuwe desktop-app wikkelt die CLI-basis in een goede grafische interface. Gebouwd met Rust en het Tauri-framework, wat betekent dat het snel en lichtgewicht is — geen Electron-ballast die sommige desktop-apps laat aanvoelen alsof ze in drie lagen browserkroom draaien.
De architectuurbeslissing om Rust en Tauri te gebruiken is het vermelden waard als je om prestaties geeft. Elke interactie voelt snel aan. Bestandsscannen, modelverschakeling, diff-rendering — er is geen merkbare vertraging bij iets ervan.
Test Één: Een Data-analyse-app Bouwen Vanuit Nul
Mijn eerste test was bewust. Ik wilde zien hoe Open Code omging met een greenfield-project — geen bestaande codebase, geen context, gewoon een lege map en een beschrijving.
De taak: bouw een webapplicatie waarmee gebruikers CSV-bestanden kunnen uploaden, de gegevens verwerkt, inzichten extraheert en interactieve visualisaties genereert.
Ik begon in planmodus met Claude Sonnet 4.6 verbonden via mijn Anthropic API-sleutel. De AI stelde meteen slimme verduidelijkende vragen — voorkeurstechstack, voorkeur voor grafiekbibliotheek, hoe ik CSV-parsing wilde afhandelen. Planmodus produceerde een duidelijk scopedocument: bestandsstructuur, technologiekeuzes (vanilla HTML/JS voor snelheid, Chart.js voor visualisaties, Papa Parse voor CSV-verwerking), en een stapsgewijze implementatievolgorde.
Het resultaat: een functionerende webapp die CSV-uploads aankon, data-samenvattingen weergaf en vier grafiektypen genereerde — bar, lijn, taart en histogram. Alles uit een gesprek van ongeveer twaalf minuten.
De meer interessante observatie: ik had modellen kunnen wisselen midden in het project. Begonnen met plannen met Claude, gewisseld naar GPT-4o voor de implementatie, dan een lokaal Llama-model gebruikt voor snelle refactoringvragen die geen API-kosten rechtvaardigden. Geen andere desktop-codingtool die ik heb gebruikt, laat me dat in een enkele sessie doen.
Test Twee: Functies Toevoegen aan een Bestaand Next.js-project
De echte test van een AI-codingtool is niet greenfield-werk — het is navigeren in een bestaande codebase met gevestigde patronen, afhankelijkheden en beperkingen.
Ik opende een van mijn actieve projecten: een persoonlijke financietracker gebouwd met Next.js, Tailwind CSS, Drizzle ORM en SQLite.
De taak: bouw een doelenpagina met volledige CRUD-functionaliteit — financiële doelen aanmaken, lezen, bijwerken en verwijderen, met een voortgangsmonitor die besparingen naar elk doel toont.
Voor deze test koos ik bewust een ander model. Ik verbond mij met Kimi K2.5, deels omdat ik een gratis optie wilde testen en deels omdat ik wilde zien hoe goed de modelverschakeling van Open Code in de praktijk werkt.
Wisselen van model kostte ongeveer tien seconden. Instellingen openen, provider selecteren, model kiezen, klaar. Geen herconfiguratie, geen herstart, geen verlies van projectcontext.
Terwijl Kimi K2.5 aan de financiële app werkte, wisselde ik naar mijn andere sessie — het data-analyseproject — en bleef itereren. Twee projecten, twee verschillende AI-modellen, draaiend in parallelle sessies binnen dezelfde applicatie.
De doelenpagina werkte bij de eerste test. Twee inline-opmerkingen en ongeveer negentig seconden AI-verfijning later waren beide problemen opgelost.
Totale tijd van het openen van het project tot een werkende, geteste doelenpagina: ongeveer tweeëntwintig minuten. Met een gratis model. Op een codebase die de AI nog nooit had gezien.
Het Model-agnostische Voordeel
Laat me bepleiten waarom de providerflexibiliteit van Open Code niet alleen een nice-to-have is — het is een fundamenteel architectuurvoordeel dat de komende twaalf maanden meer zal uitmaken, niet minder.
Het AI-modellandschap verandert momenteel elke paar weken. Een nieuw model verschijnt, benchmarks verschuiven, prijzen veranderen, ratelimieten worden aangepast, mogelijkheden evolueren. Als je codingtool vergrendeld is aan één provider, ben je vergrendeld aan het verbeteringstempo en prijsbeslissingen van die provider.
Mijn API-uitgaven daalden met ongeveer 40% in de eerste week van het gebruik van Open Code, niet omdat ik minder codeerde maar omdat ik eenvoudige taken naar goedkopere (of gratis) modellen routeerde in plaats van premium Claude-tokens te verbranden op werk dat dat niveau van redenering niet nodig had.
Er is ook een privacyaspect. Het uitvoeren van een lokaal model via Ollama betekent dat je code je machine nooit verlaat. Voor clientprojecten met strikte vertrouwelijkheidsvereisten is ondersteuning voor lokale modellen geen functie — het is een vereiste.
Wat Er Nog Ontbreekt
Geen ingebouwde Git-integratie. Dit is het grootste ontbrekende stuk. Je kunt niet committen, pushen, pullen of branches beheren vanuit de app. Elke Git-operatie vereist het wisselen naar de geïntegreerde terminal of een externe tool. Claude Code behandelt Git-operaties native.
Geen automatische modusschakeling. De app heeft een planmodus en een bouwmodus, en de AI kan er niet zelfstandig tussen schakelen. Je moet handmatig wisselen.
Geen automatiseringspipelines. Codeex ondersteunt geautomatiseerde workflows — tests uitvoeren na het genereren van code, automatisch linten, builds activeren. Open Code heeft niets van dat alles.
Beta-kwaliteit UI-bugs. Niets datadestruct. Maar genoeg om je te herinneren dat dit pre-release software is.
Hoe Het Zich Verhoudt Tot Wat Ik Dagelijks Gebruik
Ik gebruik Claude Code elke dag. Na het testen van Open Code voor een week, hier is mijn eerlijke vergelijking:
Waar Claude Code wint: Git-integratie, automatische modusovergangen, diepere redenering bij complexe architecturale problemen, meer gepolijste interface, betere foutherstel.
Waar Open Code wint: Modelflexibiliteit (ver hiervoor), meerdere gelijktijdige sessies, lichter resourceverbruik, inline commentaar op diffs, de mogelijkheid om gratis of lokale modellen te gebruiken.
Mijn huidige aanpak: ik gebruik beide. Claude Code voor mijn meest complexe projecten. Open Code voor al het andere — wat zo'n 60% van mijn AI-codeerinteracties de afgelopen week bleek te zijn.
Wat Dit Signaleert Over AI-codingtools In Het Algemeen
Open Code's desktop-app vertegenwoordigt iets bredere wat er in de AI-codingtools-ruimte gebeurt dat de meeste ontwikkelaars niet genoeg aandacht aan besteden.
De eerste golf van AI-codingtools was propriëtair. Elk tool vergrendeld aan één provider, één model, één ecosysteem. We betreden een fase waar het model dat je wilt gebruiken afhangt van de taak, het budget, de privacyvereisten en welk model toevallig deze maand het sterkste is.
De desktop-app is bèta-software. Hij heeft ruwe kanten. Hij mist functies die concurrenten al maanden hebben. En ondanks dat alles gebruik ik het meer dan verwacht.
Die trajectorie — ruw maar waardevol op dag één, elke week zichtbaar verbeterende — is precies wat me overtuigde Claude Code vroeg te adopteren. Ik zie hetzelfde patroon met Open Code.
Als je hebt gewacht op een model-agnostische AI-codingtool die niet vereist dat je in de terminal leeft, het wachten is voorbij.
Laten We Samenwerken
Wil je AI-systemen bouwen, workflows automatiseren of je technische infrastructuur schalen? Ik help je graag.
- Fiverr (custom builds & integraties): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (enterprise oplossingen): ramlit.com
- ColorPark (design & branding): colorpark.io
- xCyberSecurity (beveiligingsdiensten): xcybersecurity.io
