AI 编程进入 CLI 时代：从 Chat 到终端，开发者工具链的第三次进化

上周五晚上十点，我正用 Claude Code 在终端里重构一个 Skill 模块。一句话描述需求，它自己读代码、改文件、跑测试、修报错，整个过程我只按了几次回车。忽然想起一年前，我还在 ChatGPT 和 VS Code 之间反复切换，手动复制粘贴代码片段的场景——那感觉就像从手洗衣服跳到了全自动洗衣机。

这不是个人感受的偏差。2026 年初，一个明确的信号浮出水面：CLI 终端正在取代 IDE 插件，成为专业开发者使用 AI 编程工具的主流方式。Claude Code 在 2025 年底超越 GitHub Copilot 成为开发者使用最多的 AI 编程工具；OpenAI 推出 Codex CLI；Google 开源 Gemini CLI——三大巨头不约而同押注终端。

这背后到底发生了什么？本文将从范式演进、技术优势、工具对比、实战体验四个角度，聊聊 AI 编程为什么走向了终端，以及这对每个开发者意味着什么。

一、AI 编程的三次范式跃迁

AI 编程工具的演进，可以用一个打车的类比来理解：

• 第一代（Chat 模式）就像路边招手拦出租车——你得跑到路边（打开 ChatGPT），说清楚目的地（描述需求），然后自己把答案"搬运"回项目里。能到达目的地，但每次都要中断工作流。
• 第二代（IDE 插件）就像网约车——车来找你（Copilot 嵌入 VS Code），实时建议路线（自动补全），你只需点头或摇头。但它本质上还是一个"建议者"，不会替你开车。
• 第三代（CLI Agent）就像自动驾驶——你说"去机场"，它自己规划路线、绕开堵车、停好车。你从操作者变成了指挥者。

关键的转折点在于：前两代工具是"辅助"，第三代是"委托"。IDE 插件的设计哲学是"建议（suggestion）"，你写一行代码它补全下一行；CLI Agent 的设计哲学是"委派（delegation）"，你描述任务它完成整个过程。

这个变化之所以重要，是因为它改变了开发者与 AI 协作的粒度。过去你和 AI 的交互单位是"一行代码"或"一个函数"，现在变成了"一个特性"甚至"一个模块"。

二、CLI Agent 凭什么赢？五个技术硬优势

CLI 之所以成为 AI Agent 的最佳栖息地，不是因为某个产品做得好，而是终端本身的设计哲学天然契合 Agent 的工作方式。

1. 原子反馈循环——Agent 的自愈能力

CLI 的每条命令要么成功（exit code 0），要么失败（exit code > 0）。这种确定性反馈就像医院的心电监护仪——Agent 跑完一个命令就能立刻知道结果，失败了就读取 stderr 自动重试。

而 IDE 里的"状态"是混乱的：未保存的文件、半开的 tab、未提交的改动混在一起。你可以理解为，终端是一个"干净的手术室"，IDE 是一个"堆满东西的书桌"——机器人在手术室里工作效率远高于书桌。

2. Unix 哲学——LLM 的母语

Unix 的核心理念是"一切皆文本流"：一个程序的 stdout 是另一个程序的 stdin。你可以把 grep、sed、awk 这些命令想象成乐高积木，随意拼接就能组合出强大功能。

巧的是，LLM 天生就是文本处理器。文本流就是它的母语。Agent 可以像一个经验丰富的 Linux 运维一样，把各种命令用管道串起来完成复杂任务。这种组合能力在 GUI 环境下几乎无法实现。

3. CI/CD 集成——跑在流水线里的 Agent

一个关键事实：你无法把 IDE 插件放进 CI/CD 流水线，但 CLI 工具天然就是流水线的一部分。这意味着 CLI Agent 不只是帮你写代码，还能帮你审代码、跑测试、修 lint 错误——而且是在每次 PR 触发时自动执行。

4. 上下文更干净——省 token 也省钱

IDE 插件每次交互会把打开的文件、对话历史、项目结构一股脑发给模型，容易"上下文污染"。CLI Agent 采用"渐进式信息披露"策略——只在需要时读取文件，像一个高效的侦探，只翻与案件相关的卷宗，而不是把整个档案室搬过来。

5. 迭代速度快——轻量意味着敏捷

CLI 工具不需要设计复杂的 GUI，迭代周期极短。Claude Code、Codex CLI 几乎每周都在更新。你今天提的 feature request，下周可能就上线了。

三、三大 CLI 工具横评：Claude Code vs Codex CLI vs Gemini CLI

2026 年 3 月，AI 编程 CLI 的三巨头格局已基本形成。下面这张表帮你快速了解它们的核心差异：

怎么选？我的建议很简单：

• 如果你追求代码质量和深度任务，选 Claude Code。它的子 Agent 架构和 Skills 扩展机制是目前最成熟的。
• 如果你需要超长上下文处理大型代码库，Codex CLI 的 400K token 窗口有优势。
• 如果你想零成本试水，Gemini CLI 的免费额度（每分钟 60 次请求）可以让你无压力体验终端 AI 编程。
• 如果你是Git 重度用户且想灵活切换模型，开源的 Aider（39K GitHub stars）是不错的选择。

四、实战体验：CLI Agent 的典型工作流

说了这么多理论，来看一个真实的开发场景。假设你需要给项目添加一个新的 API 端点：

传统方式（IDE 插件）

1. 在 Cursor 里打开项目，手动打开相关文件
2. 在 AI 对话框里描述需求
3. AI 建议修改，你逐个 Accept
4. 手动切到终端跑测试
5. 测试报错，把错误信息复制回 AI 对话框
6. 重复 3-5 步若干次...

CLI Agent 方式

# 一句话描述需求，Agent 自主完成
$ claude "给 /api/articles 添加分页功能，支持 page 和 limit 参数，
  默认每页 20 条，加上对应的单元测试"

# Claude Code 会自动：
# 1. 读取现有路由和数据库模型
# 2. 修改 API handler 添加分页逻辑
# 3. 创建或修改测试文件
# 4. 运行 pytest 验证
# 5. 如果测试失败，自动读取错误信息并修复
# 6. 所有测试通过后，输出修改摘要

整个过程你只做了一件事：描述需求。Agent 自己完成了"读代码 → 写代码 → 跑测试 → 修 bug"的完整循环。如果中途测试失败，它会自动读取 stderr 输出、分析错误原因、修改代码重试——这就是前面说的"原子反馈循环"在实际中的体现。

五、IDE 没死，混合才是最优解

虽然 CLI Agent 势头凶猛，但这并不意味着 IDE 要被淘汰。就像显微镜和望远镜各有用途——CLI 是望远镜，适合看全局、做大事；IDE 是显微镜，适合看细节、做精活。

2026 年最高效的开发者工作流，通常是这样的组合：

"最常见的高效配置是：用 IDE Agent 做日常编码，遇到难题切到终端 Agent。"
—— InventiveHQ，《CLI vs IDE vs Cloud: Which AI Coding Interface is Best?》

值得注意的一个趋势是，两种模式正在融合。Claude Code 已经有了 VS Code 扩展，可以在 IDE 内调起 CLI Agent 的能力；Cursor 也在尝试把 Agent 模式做得更自主。未来的 AI 开发环境，很可能是一个"终端能力内核 + 可选 GUI 外壳"的架构。

六、总结与展望

回顾本文的核心要点：

• 三次进化：AI 编程从 Chat（复制粘贴）→ IDE 插件（实时建议）→ CLI Agent（自主执行），每一代的核心变化是开发者从"操作者"变成"指挥者"
• CLI 的技术优势：原子反馈循环、Unix 哲学契合、CI/CD 集成、干净的上下文管理、快速迭代
• 三巨头格局：Claude Code（质量）、Codex CLI（推理）、Gemini CLI（免费）各有所长
• 混合使用：CLI 做"宏观"、IDE 做"微观"是当前最优策略
• 趋势融合：CLI 和 IDE 正在相互渗透，终端能力内核 + GUI 外壳将成为下一代开发环境

我的看法：CLI Agent 不是终点，而是一个重要的中间态。它证明了一件事——AI 编程的核心价值不在于"补全代码"，而在于"完成任务"。当 AI 能自主读文件、跑命令、修 bug 时，交互界面是终端还是 GUI 就不再重要了。重要的是，开发者可以把精力从"怎么写代码"转移到"写什么代码"——这才是真正的效率革命。

下一步建议：

1. 现在就试一个 CLI Agent：推荐从 Gemini CLI 开始（免费），或者直接上 Claude Code（效果最好）。装好后给你当前项目写一个 CLAUDE.md，花 10 分钟就能体验到范式转换的威力。
2. 把重复任务 Agent 化：找出你每天重复做的开发任务（跑测试、写模板代码、Review PR），尝试用 CLI Agent 自动化它们。一旦你习惯了"描述需求而非编写步骤"，就再也回不去了。

终端里的光标在闪烁。这一次，等你输入的不是命令，是想法。