663 名开发者晒出自己的 agent 配置：Claude Code 断层第一

11 月 4 日，HN 用户 eggbrain 发了个 Ask HN 帖《What's your current AI agentic setup?》，问五个问题：付费方案、用的模型、coding harness（跑 agent 的程序）、是否用多 agent 工具、是否用常驻 agent 平台。帖子拿到 534 分、663 条评论，其中 392 条是直接回答。随后 RD Intelligence 发文把评论逐条读完并计数（11 月 6 日抓取；三名读者各读全部评论、按人计数，一人多次发帖只计一次）：424 人至少提了一个工具。

先框定口径：这些数字是三名读者的手工计数，不是官方统计。样本是自愿回答的 HN 用户，爱调工具的人被过度代表；三名读者逐条笔记而非关键词搜索，但抽查发现仍有 1/10 的评论把"顺便提到 Claude"也算成了使用（关键词搜索只找到 141 人直接点名 Claude Code/CLI，该文计为 180 人，因为把 coding 语境下的"Claude"也算作 Claude Code）。别把 180、103 这类数字当成"Hacker News 用户的真实使用率"——当一张自报的图谱读。

HN 原帖页面截图

工具榜（424 人中提及人数，一人可提多个）

Claude Code 180、Claude 订阅（Pro/Max/Team）145、Codex 103、ChatGPT 订阅/应用 92、Claude Opus 模型 80、DeepSeek 78、OpenCode 69、Pi 67、OpenRouter 55、Qwen 46、GLM（Z.ai）44、Gemini 36、Herdr 28、GPT 模型（API）26、VS Code 26、GitHub Copilot 22、Claude Sonnet 19、Grok 17、tmux 17、Antigravity 17、Cursor 16。

结构性发现（该文统计口径）

RD Intelligence 计数文章页面截图

Claude Code 断层第一，但没人只用它：180 名用户中只有 73 人不提其他 coding agent，67 人同时用 Claude Code 与 Codex；120 人同时用 Claude 系与 OpenAI 系产品，156 人用两个以上 coding agent；
开源 agent 并不落后：OpenCode（69）与 Pi（67）各接近 Gemini（36）的两倍、是 GitHub Copilot（22）与 Cursor（16）的三到四倍；
148 人提到 DeepSeek、Qwen、GLM、Kimi 等开源/本地模型，其中 58 人完全不提 Claude 或 OpenAI 的工具。

进阶做法的规模（读者打标签统计）

105 人并行跑多个 agent、75 人按模型价格路由任务、67 人把 agent 关进沙箱/VM/容器、56 人有"新 reviewer 复核每处改动"的循环、60 人用手机远程指挥、40 人跑 headless/CI agent、33 人先写 spec、31 人用记忆文件（AGENTS.md / CLAUDE.md）。

七个可复制的模式（该文提炼，附评论者原做法）

① 每任务一个 git worktree 并行跑多个 agent；② 每个改动都让一个"全新 reviewer"复核（KronisLV 循环复核到无严重问题、gregwebs 让 Codex 当 reviewer、glennfiedler 多模型互审）；③ 强模型写计划、便宜模型照计划 build（gregwebs 三模型月均 100 美元以内；glennfiedler 四档分级、失败升档）；④ 只在隔离的盒子里放开权限（Docker Sandbox / Lima VM，不放密钥）；⑤ 先写 spec 与完成标准（AGENTS.md / CLAUDE.md）；⑥ 工单变 PR 的 headless 流程（sudhirj 的 issue→一次运行→PR）；⑦ 手机上指挥（Claude Code Remote Control、Tailscale + mosh）。

代表性个案（该文逐条复核原文）：paustint——8 个 Claude Code agent 并行跑在常驻 worktree 里，Herdr 标出完成/待确认的窗格；skwee357——每项目一个 Lima microVM、5–7 个 worktree 并行、密钥隔离；gregwebs——Claude（20 美元）规划、Codex（20 美元）复核、DeepSeek（每天 1–3 美元）build 与协调，自述比单次提问慢约 3 倍但"缺陷事后更贵"（此为评论者自述估算，该文未实测）；glennfiedler——约 200 张任务卡同时跑在 20 台 Tailscale 联网的机器上。

判断

这批数据的价值不在排名，在结构：并行、复核、路由、沙箱、手机指挥五件事同时出现在普通开发者的配置里——"多 agent"已经从炫技变成默认工作方式。两点校准：① 样本偏差照实说；② 与此前写的 advisor 三层分工篇对照：那篇是单一工具内的分工配方，这篇是几百人自报的全景——两条线都在说同一件事：单 agent 单会话的时代正在过去。