挑选 AI 编码 Agent

初版对比试图罗列每个产品的优势、陷阱、注意事项和偏见，结果虽然详尽，但实用性不高。实际的问题更具体：针对我的工作方式，应该先试哪个工具？什么情况下我会换掉它？

公开数据说明了什么

Terminal-Bench 2.0 在隔离的终端环境中测试多步骤任务。以下是 2026-08-10 快照中的代表性数据：

Harness	模型	Harness 版本	准确率	已验证
Codex CLI	GPT-5.5	0.121.0	82.2%	是
Gemini CLI	Gemini 3.1 Pro	0.35.0	61.4%	否
Claude Code	Claude Opus 4.6	2.1.34	58.0%	是
OpenCode	Claude Opus 4.5	未注明	51.7%	否

在这些配置中，Codex 的表现最强。对于重度依赖终端的工作，它是合理的优先选项。但这并不证明 Codex 的 Harness 本身导致了差异：模型、版本、提示词、权限和日期在不同行之间均发生了变化。

Cursor 和 Pi 在该快照中没有条目。Cursor 侧重于 IDE 工作流，而终端基准测试很难衡量这一点。Pi 可以扩展为多种不同的 Harness，因此脱离具体模型和扩展的“Pi”不是一个稳定的测试对象。

这是唯一值得重复的基准测试警告：表格只能缩小候选范围，不能直接决定最终选择。

工具	选择理由	注意事项
Claude Code	具备指令、钩子、MCP、权限和子代理的完整仓库工作流	多层钩子和代理可能导致行为难以追踪
Codex CLI	终端基准测试证据强，支持沙箱、审批、脚本和实施-测试循环	本地、脚本和云端模式的权限行为可能不一致
Gemini CLI	开源 CLI、大上下文模型、MCP、扩展，并且适合 Google 服务	预览模型、配额和超大上下文可能影响成本与一致性
GitHub Copilot CLI	直接使用 GitHub 身份、仓库、Issue、Pull Request、自定义 Agent、Skills 和 MCP	主要优势依赖 GitHub 与 Copilot 生态
OpenCode	为多个提供商和本地模型提供统一的终端界面	插件、模型别名和提供商设置可能导致不同安装实例行为差异
Aider	以 Git 提交、仓库地图及明确的 edit/architect 工作流组织协作	更像专注的结对编程工具，而不是通用可编程 Harness
Cursor	低摩擦的代码搜索、编辑、Diff 审查和编辑器内后台工作	基准分数无法反映索引、隐私设置或审查体验
Pi	核心小巧，支持多提供商、可分支会话，扩展点足以构建自定义 Harness	用户需自行管理隔离、权限、扩展审查及许多团队功能

这八个工具不必承担同一种角色。Cursor 适合查看 Diff，Codex 或 Claude Code 可以负责终端任务；研究 Harness 本身时可以使用 Pi；OpenCode 强调提供商自由，Copilot CLI 适合以 GitHub 为中心的团队，Aider 则让工作流紧贴 Git。

最终保留在实际仓库中失败成本最低的那个。熟悉度很重要：一个权限和恢复机制可预测的稍弱工具，可能比不符合工作流的基准测试领先者更有用。

给真正准备比较的候选同一份干净仓库、同样的预算、权限和任务：

记录任务完成率、实际耗时、模型/Token 成本、人工干预次数、危险操作和清理工作量。仅看通过率会掩盖通常决定工具是否好用的部分。

产品名单会很快变化，这套重跑方法不会。真正值得长期保留的是后者。

探索关联