2025 年之前，AI coding assistant 的使用場景大多是補全（Copilot）或問答（ChatGPT）。你輸入，它輸出，你複製貼上，你決定要不要用。
2025 年後，Agent CLI 改變了這個模式。你輸入一個任務，它去讀 codebase、跑測試、改程式碼、提 PR——整個過程你可以去喝咖啡。
這篇介紹 Agent CLI 的設計邏輯、主流工具的差異，以及如何用好它們。每個工具都有各自的詳細專文，這篇作為導覽地圖。
什麼是 Agent CLI
Agent CLI 是跑在終端機的 AI coding agent。和傳統補全工具的根本差異在於：它不只是回答你的問題，而是有能力在你的環境裡採取行動。
典型的能力組合：
- 讀取整個 repo（不只是你選取的片段）
- 執行 shell 指令（跑測試、安裝套件、git 操作）
- 讀寫檔案系統
- 呼叫外部 API 和 MCP 工具
- 在多個步驟之間維持上下文和計畫
這讓它從「問答助手」變成「能夠執行任務的代理」。
主流工具
Claude Code（Anthropic）
由 Anthropic 開發，模型是 Claude Sonnet / Opus。定位是開發者日常工作的主要代理，而非單點輔助工具。
核心設計：CLAUDE.md 系統讓你在 repo 或 ~/.claude/ 放工作守則；Skills 系統把常用工作流程封裝成 slash command；Hooks 在工具呼叫事件插入自動化邏輯；MCP 整合接入外部工具；Sub-agent 架構支援平行派遣子代理。
功能最完整，適合作為主力開發工具。按 Anthropic API token 計費。
→ Claude Code：Anthropic 終端機 AI Coding Agent 完整介紹
Codex CLI（OpenAI）
OpenAI 的開源 Agent CLI（Apache-2.0，71k stars），用 Rust 打造。可綁 ChatGPT 訂閱方案（Plus / Pro / Team / Enterprise）直接使用，或自備 API key。
核心設計：AGENTS.md 系統對應 CLAUDE.md；三種授權模式（suggest / auto-edit / full-auto）；沙箱隔離（macOS 用 Apple Sandbox，Linux 用 Docker）；完全本地執行，狀態不上傳。
適合需要嚴格控制執行環境、或想自訂 agent 行為的開發者。
→ Codex CLI：OpenAI 開源終端機 Coding Agent 完整介紹
Gemini CLI（Google）
Google 的開源 Agent CLI（Apache 2.0），模型用 Gemini 3 系列。目前 GitHub stars 最高（~99.8k）。亮點是免費額度極大——每分鐘 60 次請求、每天 1,000 次，用 Google 帳號登入即可。
核心設計：GEMINI.md 系統；1M token context window（目前最大）；Google 生態整合（Search、Drive、Workspace）；MCP 支援。
→ Gemini CLI：Google 開源終端機 AI Agent 完整介紹
OpenCode
開源 AI coding agent（用 Go 打造），內建 TUI 介面。最大特色是支援 75+ LLM——可接 Anthropic、OpenAI、Ollama 本地模型、任何 OpenAI-compatible API。
核心設計：LSP 整合讓 agent 有 IDE 等級的程式碼理解；雙 agent 模式（planning agent + execution agent 分工）；Vim 風格編輯器；SQLite session 管理。
→ OpenCode：開源 AI 終端機 Coding Agent 完整介紹
Aider（Paul Gauthier）
最老牌的 terminal pair programming 工具（42.7k+ GitHub stars），純 CLI，Python 打造。支援 100+ LLM，官方推薦 Claude 3.7 Sonnet、DeepSeek R1、OpenAI o1 / o3-mini。最大特色是自動 git commit——每次 AI 修改都自動建立 commit，方便 review 和 rollback。
核心設計：--architect 模式（高能力模型出架構、低成本模型實作）；--watch 模式偵測 AI comment 自動觸發；SWE-bench 成績優異。
最適合只想要輕量、可靠的 terminal pair programmer，不需要複雜 agent 功能的開發者。
Pi（Mario Zechner）
極簡主義的開源 coding harness，用 TypeScript 打造，用 Bun runtime 跑。核心只有 4 個工具（read、write、edit、bash）和 300 字 system prompt——設計哲學就是「拒絕複雜度」。
核心設計：透過 Extensions、Skills、Prompt Templates 擴充；Ollama 已內建 ollama launch pi 一鍵啟動；OpenClaw 有深度整合。
→ Pi Coding Agent：極簡主義的開源終端機 Coding Harness
Kiro CLI（AWS）
AWS 官方產品（前身是 Amazon Q Developer CLI），提供 IDE（Code OSS fork）和獨立 CLI 兩種形式。
核心設計：Spec 驅動開發——用 EARS notation 把自然語言需求轉成結構化 requirements + 驗收條件，再生成架構設計和 task list，最後 agent 逐步執行；Agent Hooks 在存檔等事件自動觸發；支援 multimodal 輸入；原生 MCP；模型預設 Claude Sonnet 4.5，或 Auto 模式（混合 Sonnet 4.5 與其他 frontier models 動態切換）。
適合在 AWS 生態重度使用、或偏好 spec-first 開發流程的團隊。官網：kiro.dev
Cursor CLI（Anysphere）
Cursor AI IDE 推出的獨立 CLI，一行安裝：curl https://cursor.com/install -fsS | bash。定位是「在任何環境交付程式碼」——不需要開 IDE，直接在 terminal 跑 agent。
核心設計：支援所有 Cursor 模型（Claude Opus 4.6、GPT-5.2、Gemini 3 Pro、Grok 等）；Shell Mode 讓 agent 直接執行 shell 指令並顯示輸出；Headless 模式適合 CI pipeline 和腳本自動化；GitHub Actions 整合可觸發 nightly docs update、安全審查等工作流；MCP 整合。
可獨立使用，不需要搭配 Cursor IDE，適合 CI/CD 自動化或想在 terminal 用 Cursor 訂閱模型的開發者。官網：cursor.com/cli
GitHub Copilot CLI（GitHub / Microsoft）
GitHub 官方的 terminal agent，綁 GitHub Copilot 訂閱方案（Free / Pro / Team / Enterprise），不需額外付費。在 terminal 提供 chat 介面，可自主讀寫檔案、執行指令，完成 bug fix、功能開發、文件更新、測試補全等任務。
核心設計：Autopilot 模式（--allow-all）讓 agent 完全自主執行，不需逐步確認；預設只存取當前目錄下的檔案，跨目錄需要明確授權；支援 custom instructions（.github/copilot-instructions.md）設定專案規範；與 GitHub 生態深度整合（PR review、issue triage、GitHub Actions）。
適合已有 GitHub Copilot 訂閱、且在 GitHub 生態工作的開發者——不需額外開通任何 API。
Amp（Sourcegraph）
Sourcegraph 推出的 CLI-first agent。2026 年初砍掉 editor extension，專注 CLI 路線。強調 frontier model、pay-as-you-go 定價，並公開「Chronicle」展示真實使用案例（含完整 token 消耗和思考過程）。
適合希望透明度高、可觀察 agent 決策過程的開發者。
工具對比一覽
| 工具 | 開源 | 模型 | 特色 | Stars |
|---|---|---|---|---|
| Claude Code | 否 | Claude | Skills + Hooks + Sub-agent，功能最完整 | — |
| Codex CLI | Apache-2.0 | ChatGPT 方案 / API key | 沙箱隔離，三種授權模式 | ~71k |
| Gemini CLI | Apache 2.0 | Gemini 3 系列 | 免費 1,000 次/天，1M context | ~99.8k |
| OpenCode | MIT | 75+ LLM | TUI + LSP，不綁供應商 | — |
| Aider | Apache 2.0 | 100+ LLM | 自動 git commit，最老牌 | ~42.7k |
| Pi | MIT | 任意 | 極簡 4 工具 300 字 prompt | — |
| Kiro CLI | 否 | Claude Sonnet 4.5 / Auto | Spec-first，AWS 官方 | — |
| Cursor CLI | 否 | Claude / GPT-5 / Gemini | IDE 延伸，headless/CI | — |
| GitHub Copilot CLI | 否 | Copilot 模型 | 綁 Copilot 訂閱，GitHub 生態整合 | — |
| Amp | 否 | Frontier | CLI-first，Chronicle 透明展示 | — |
核心設計模式：上下文工程
Agent CLI 好不好用，30% 取決於模型能力，70% 取決於你給它的上下文。
上下文檔案（CLAUDE.md / AGENTS.md / GEMINI.md）——告訴 agent 這個專案的規範、禁止事項、工作流程，以及任何沒辦法從 code 本身推導出來的事。
一個好的上下文檔案：
# Project Context
這個專案是 ... 用 ... 技術棧，部署在 ...
# Commit 規範
每次 commit 使用 conventional commits 格式：feat / fix / docs / refactor
# 不要做的事
- 不要用 `git add .`，逐一加入要 commit 的檔案
- 不要在沒問清楚的情況下刪除檔案
- 測試跑過之前不要 commit
# 工作流程
1. 改程式碼前先讀懂相關的測試
2. 改完跑 `npm test`
3. 用 TDD 方式處理 bug fix原則：具體指令優於模糊原則（「遵守 clean code」沒用）；禁止事項要明確（agent 不知道你覺得理所當然的限制）；分層管理（全域放通用習慣，repo 根目錄放專案規範）。
工具使用與授權模式
只讀工具（通常可以自動允許）：讀取檔案、搜尋 codebase、git log / diff
寫入工具（建議要求確認）：編輯/新建/刪除檔案、git commit / push
執行工具（最高風險）：執行 shell 指令、呼叫外部 API
把授權模式設成「完全自動」然後抱怨 agent 做了你不想要的事，是最常見的錯誤。
有效使用的實踐原則
任務分解而非一次全給：
❌ "幫我把這個 codebase 從 REST API 改成 GraphQL"
✅ "先列出所有對外的 REST endpoint，不要動任何程式碼"
→ 確認後："把 /users GET 和 POST 改成 GraphQL，其他先不動"讓 agent 先 plan 再 execute：
> claude "我想重構 auth module，先告訴我你打算怎麼做，不要動任何檔案"把可重複的工作流程封裝起來： 每次 commit 都輸入同樣指示就是應該封裝的訊號。Claude Code 的 Skills、Pi 的 Prompt Templates、Kiro 的 Custom Agents 都是這個用途。
驗證的責任在你： Agent 不會告訴你它做錯了。讓 agent 自己跑測試確認通過、重要操作前看 git diff——這些步驟不能省。
整體來說
選擇邏輯：
Claude Code → 功能最完整，適合主力日常
Codex CLI → 開源可控，適合需要沙箱隔離
Gemini CLI → 免費額度大，適合輕量嘗試或長 context
OpenCode → 不綁 LLM，適合多模型混用或本地部署
Aider → 自動 git commit，適合輕量 pair programming
Pi → 極簡，適合理解底層或客製 harness
Kiro CLI → Spec-first，適合 AWS 生態或規格驅動團隊
Cursor CLI → IDE 延伸，適合 Cursor 用戶補上 terminal/CI
GitHub Copilot CLI → 已有 Copilot 訂閱，適合 GitHub 生態工作者
Amp → 透明度高，適合在意 agent 決策過程核心取捨：投資上下文工程的前期成本，換取後期每個任務的效率乘數。對在同一個 repo 長期工作的開發者，這個投資回收很快。