命令行 AI Agent 生态和 Claude Code 设计哲学

命令行里的 coding agent 最近一年突然挤满了：Claude Code、Gemini CLI、Codex CLI，再加上一堆开源模仿者。名字看着差不多，设计哲学差得很远。选错了，你会觉得“演示很酷、实战很废”；选对了，它更像一个能自己跑完多步工作流的虚拟同事。

下面按生态扫描的方式，把三类主流 CLI agent 的取向摊开，再说为什么很多人最终把实战重心放到 Claude Code 上，以及国内怎么用更省钱的方式把同一套工作流跑起来。

为什么载体是命令行，不是聊天窗

IDE 插件适合补全和局部改写。真要让 AI “动手”，你得让它能跑测试、装依赖、读报错、改文件、再提交。终端天然具备这些能力：

执行深度：同一套 shell 环境，能覆盖构建、测试、部署脚本
集成自由度：CI、Docker、Makefile、git hook 都能直接接
可部署：可以 headless 跑在服务器或流水线上，不绑死某块屏幕
可编程：slash command、hook、MCP、SDK 都能叠上去

换句话说，CLI coding agent 不是“会聊天的终端”，而是把模型塞进工程师日常工作面的 harness。

三家主流的设计哲学

把 Claude Code、Gemini CLI、Codex CLI 放在一起看，差异主要不在“能不能写代码”，而在它们默认假设人机怎么分工。

Claude Code：为自治而生（Agentic Autonomy）

核心假设是：模型已经够聪明，别用复杂 DAG/路由把路铺死。典型形态是一个 master loop：模型决定要不要调工具，工具结果写回消息，再继续，直到不再需要工具。

它更像一个能独立规划、执行、失败后重试的虚拟团队成员。工具侧偏精简：Bash 当通用接口，Diff 改文件，grep/glob 找代码，复杂任务丢给子代理（独立上下文，只回传结论）。项目规范靠 CLAUDE.md，能力按需加载靠 Skills，而不是一次性塞进巨长 system prompt。

适合：你愿意授权它多走几步，希望它自己探索、修错、把多步任务跑完。

Gemini CLI：富上下文的流式交互

取向更偏“把大上下文和外部知识喂饱模型”。擅长大规模重构、需要检索外部资料再动手的任务。交互上强调流式反馈和上下文吞吐，而不是把代理做成高度自治的多步工作流引擎。

适合：仓库大、跨很多文件改、或任务依赖大量外部文档/知识检索。

Codex CLI：安全、清晰、逐步指导

更强调 patch/diff 式编辑和可控边界。用户一步步明确意图，它像需要指导的“外科医生”：改动面清楚，审查友好，安全面（沙箱、权限）更重。

适合：企业环境、高安全要求、希望每一步 diff 都可预期、可审计。

没有全局最优。终端死忠派、UI 速度派、沙箱安全派解决的是不同 persona 的问题。

为什么实战会聚焦 Claude Code

如果只能挑一个当“方法论练习场”，很多人会选 Claude Code，原因通常是这几条叠在一起：

自治工作流最完整：规划 → 执行 → 自修复，链路完整，适合练 Spec-Driven / AI 原生工作流，而不是只会补几行代码
事实标准的一端：Skills、Hooks、Sub-agents、MCP、Headless、Agent SDK 这套扩展面，周边文档和社区实践最多
能力天花板高：复杂多步任务上，靠 master loop + 子代理 + 上下文清洗，往往比“一步一问”更能落地
生态可组合：同一套 harness 既能在终端用，也能进 CI，还能用 SDK 嵌进自己的产品

门槛也很实在：商业化定位意味着付费账户和 Token 成本。这不是哲学问题，是账单问题。

怎么落地：先选哲学，再配工具

可以按任务类型粗分：

场景	更贴哪一派
多步重构、修测试、自己探索代码库	Claude Code 式自治
超大仓库上下文、要拉外部知识	Gemini CLI 式富上下文
强安全、每步 diff 要人工确认	Codex CLI 式可控编辑

上手 Claude Code 时，别一上来堆五十个自定义 tool。更稳的路径是：

在仓库根写清楚 CLAUDE.md（构建命令、目录约定、禁止事项）
先让它用 Bash / grep / diff 干活，观察失败后它是否会自修复
重复出现的流程再抽成 Skills 或 slash command
上下文快脏时，用子代理或摘要把主线程洗干净
需要进流水线时，再上 Headless / Agent SDK

官方入口可以看 Claude Code 文档和 Agent SDK 概览。架构向的公开拆解可参考 Tony Bai 的博文拆解 Claude Code，以及极客时间专栏《AI 原生开发工作流实战》里对命令行 agent 生态的扫描（付费章节）。

国内成本：客户端留下，大脑可以换

Claude Code 贵的时候，常见做法是保留客户端 harness，换国内更便宜或更好访问的模型后端。前提是工具链与模型 API 解耦、接口兼容。这样你仍在练同一套工作流（权限、Skills、子代理、MCP），只是推理成本下来了。

注意：平替换的是“大脑”，不是把自治哲学改成逐步确认。如果团队更需要强审计，直接选 Codex 取向可能更合适，而不是硬把 Claude Code 阉成一步一问。

小结

命令行 AI agent 的分水岭，已经从“会不会补代码”变成了“信不信模型自己走完多步”。Claude Code 押注 Agentic Autonomy；Gemini CLI 押注富上下文；Codex CLI 押注安全清晰。先认清自己要的是虚拟同事、上下文吞吐机，还是可控外科刀，再选工具，比追星更省时间。