挑选 AI 编码 Agent

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？ 公开榜单能帮你划掉一些候选，剩下的要拿自己的仓库去试。2026 年 10 月的榜单上，前几名的差距比误差还小，真正拉开差距的是花费。

前几名的差距比误差还小

Terminal-Bench 4.0 在隔离的终端环境里给 Agent 派多步骤任务，看它能独立做完多少。榜单每一行是一个 Harness 加一个模型。Harness 指模型外面那层程序：它决定模型能读哪些文件、调哪些命令、出错后怎样重试。同一个模型换一个 Harness，分数也会变。2026-10-29 核对时，榜单上的主要条目是这些：

Harness	模型（推理强度）	解决率（95% 置信区间）	榜单列出的花费
Claude Code	Opus 5.5（max）	64.8% ± 3.1	4.7k 美元
Claude Code	Sonnet 5.5（max）	61.8% ± 2.9	7.3k 美元
Codex	GPT-6.1 Sol（max）	58.2% ± 3.1	0.6k 美元
Codex	GPT-6 Astra（max）	58.2% ± 2.8	3.3k 美元
Claude Code	Fable 5.1（max）	57.9% ± 3.8	6.2k 美元
Grok Build	Grok 4.7（xhigh）	37.6% ± 3.5	3.7k 美元
Muse Code	Muse Spark 1.3（xhigh）	14.5% ± 2.9	未列出

排第一的 Opus 5.5 是 64.8%，误差 3.1 个点，往下最低到 61.7%；第二名 Sonnet 5.5 往上最高到 64.7%。两段区间重叠，说明这两行分不出高下。第三到第五名也一样，Codex 的两行和 Fable 5.1 都落在 58% 上下。所以这张表能放心划掉的是下半截，前五名里谁更适合你，得拿自己的仓库去试。

名次分不开的地方，花费分得开。GPT-6.1 Sol 和 GPT-6 Astra 解决率一样，花费却是 0.6k 对 3.3k 美元，差了五倍多。这和两者标价的差距一致（见模型与 API 雷达）。Sonnet 5.5 的标价只有 Opus 5.5 的一半，花费却更高：它跑完用掉 19.4B Token，是 Opus 5.5（8.0B）的两倍多。单价便宜的模型，会靠多走几步把账花回去。

这张榜比的是一家厂商的整套组合。几乎每一行都是厂商自家的 Harness 配自家的模型。例外是 GLM-5.3 和 Qwen3.8-Max，它们是放进 Claude Code 跑的，分别得到 41.8% 和 27.0%。

有几个工具不在榜上。Google 的模型只以 Gemini 3.8 Flash 配通用的 mini-SWE-agent 出现，得到 19.1%，Gemini CLI 本身没有条目。Cursor、OpenCode、Pi 和 Copilot CLI 也没有。Cursor 侧重 IDE 工作流，终端基准测试很难衡量。Pi 可以扩展成很多种 Harness，所以脱离具体模型和扩展，“Pi”不是一个固定的测试对象。

4.0 换了一套任务，分数整体比 2.0 低得多。在 2.0 榜单上，Codex CLI 配 4 月发布的 GPT-5.5 是 82.2%。两个版本的数字不能放在一起比。

各工具的价值

工具	选择理由	注意事项
Claude Code	Terminal-Bench 4.0 上 Opus 5.5 和 Sonnet 5.5 排在最前；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	Terminal-Bench 4.0 前五名里花费最低（配 GPT-6.1 Sol）；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
Antigravity CLI（agy）	Google 现在给个人的终端入口：免费档、Google AI Pro / Ultra 都走它，Gemini 4 Argon 也只能在这里用；支持多 Agent	免费档额度每周刷新但没有公布数字（见免费额度）；原来的 Gemini CLI 只服务 Code Assist 组织
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
Muse Code	主 Agent 调度有边界的 worker，可为每个 worker 单开 Git worktree，后台 reviewer 持续检查，只追加的事件日志支持恢复和回退	产品还很新，Terminal-Bench 4.0 上只有 14.5%；workflow 是否可用取决于版本和灰度，Agent 越多，协调和审查的成本也越高（见多 Agent 协作）

这九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。

我会怎么选

• 以终端为主的仓库工作：先试 Codex CLI 配 GPT-6.1 Sol，它在前五名里最便宜；它做不好的任务，再交给 Claude Code 配 Opus 5.5。
• 以 IDE 为中心的审查循环：从 Cursor 开始。
• 用 Google 模型，或想零成本起步：尝试 Antigravity CLI（agy）。
• 需要切换提供商：尝试 OpenCode。
• 以 GitHub 为中心的工作流：尝试 GitHub Copilot CLI。
• 以 Git 为核心的终端结对编程：尝试 Aider。
• Harness 实验和受控模型对比：使用 Pi。
• 拆给多个协作 Agent 的长仓库任务：试试 Muse Code，先拿小任务验证，并检查多出来的 Agent 是否真的缩短了工作。

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。

用自己的仓库重跑

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：

任务	记录内容
修复不熟悉的缺陷	测试结果、定位时间、无关编辑
跨文件重构	API 保留情况、Diff 大小、回滚工作量
失败尝试后的恢复	重复错误和第二次尝试的结果
处理权限陷阱	超出范围的读写操作以及审批是否生效
恢复中断的会话	丢失的状态和恢复时间
非交互式运行	退出代码、日志、超时和成本上限

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。推理强度也当成一个变量：Anthropic 公布的 Sonnet 5.5 结果显示，最高一档不一定最好，评测协议因此把它单列出来。

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。

我的阅读