关于 AI coding agent 的大多数讨论，把它框架成一场赢者通吃的竞赛：Claude Code 对 Codex 对 Cursor 对 Gemini，选你的冠军，在 Hacker News 帖子里为它辩护。我的日常现实是我同时跑五个——Claude Code、Codex CLI、Gemini CLI、PI 和 OpenCode——每个各有擅长的不同局部最小值，通过一个我出于个人挫折而写的工具原子切换。这篇文章是关于为什么这对2026年的正经工作来说是正确模式的论据。

押注一个 agent 的问题

每个 coding agent 在略微不同的事情上表现好。这些差异在 benchmark 里不明显——它们在你的真实工作里浮现，体现在你给它们的任务形状上：

  • Claude Code 倾向于在不破坏既有行为方面最谨慎。它在编辑之前彻底阅读文件，保持接近项目约定，是我在一个我深度在意的代码库上最信任的那个。
  • Codex CLI 能快速生成看起来合理的脚手架。当我想要某件事的第一稿、而确切输出不如速度重要时，我去那里。
  • Gemini CLI 有一种不同的推理质感，有时能在另一个模型已经在循环里卡了15分钟的时候突破。它的失败模式是不同的，而这就是关键。
  • PI 和 OpenCode 在我的工作流里还在找到各自的位置——两者都有时出人意料地让我眼前一亮，尤其是在其他三个感觉可以互换的任务上。

这些观察没有一个是绝对的。它们对别人的工作流来说都可能是错的。但是，它们对我的工作来说是真实的，而发现它们的唯一方式是在真实任务上运行每个 agent 好几个月。

配置切换的问题

跑五个 agent 听起来无害，直到你意识到每一个都有自己的：

  • Auth token 或 API key。
  • 各自风格的配置文件（JSON、YAML、TOML、自家格式）。
  • 规则文件/技能文件/指令文件，路径略有不同。
  • 关于”项目根目录”在哪里的不同看法。
  • 关于 source 哪个 shell profile 的不同看法。

我先试了显而易见的方案——一个大型 dotfiles 设置，每个 agent 有条件块。这管用了一周。然后我加入了一个需要不同 API key 的新工作事项，整件事变成了”哪个 env 在哪个终端里是活跃的”的一团乱麻。乘以五个 agent 和两个客户，你得到的是一份全职工作，而那份工作不是写软件。

我实际上建了什么

我建了 raise — 一个 Go CLI，通过原子符号链接交换在每个工作事项的”AI 配置文件”之间切换。一条命令，整套 AI 工具配置就翻过去了。它目前支持主要 coding agent 和通用助手家族里的17个 AI 工具。

设计是刻意无聊的：

  • 每个配置文件是 ~/.raise/profiles/<profile>/ 下的一个目录。
  • 每个 AI 工具有一个已知的配置路径（比如 ~/.claude/config、~/.config/gemini/config.toml）。
  • 切换配置文件是底层的 ln -sfn——原子的，没有部分状态失败模式。
  • 凭证保留在配置文件树之外，在激活时重新链接，这样你就不会把 API key 同步进配置文件目录。

就这些。整个东西是几百行 Go。它有用的原因不是它聪明——而是它是这个类别里唯一不假设你对一个供应商忠诚的工具。我看过的其他每一个”AI 配置管理器”要么是供应商绑定的，要么没有干净地处理凭证保留问题。

跨所有 agent 的共享技能

第二个问题：每个 coding agent 都有自己的规则文件格式（CLAUDE.md、AGENTS.md、.cursorrules 等）。如果你独立维护五个，它们会漂移。它们会不同步。其中一个最终会比团队编码标准落后三个月。

我维护一个单一来源——rice-shared-skills——每个 agent 的规则文件是一个薄包装，包含来自那个来源的规范技能。当一个约定改变时，我更新一次，每个 agent 在下次激活时继承这个变化。

共享技能的想法不新颖。值得注意的是一旦它运转起来消除了多少日常摩擦。“等等，Claude Code 知道我们在这个 repo 里切换到 pnpm 10 了吗？“这种背景噪音就……消失了。

为什么是五个，而不是两个或十个

我不对五这个数字教条化。这是一个观察，不是一个处方。如果你只做一种类型的工作，两个 agent 可能就够了。如果你做研究相邻的工作，涉及奇特的技术栈，你可能想要超过五个。

原则是：运行足够多的 agent 以逃脱局部最小值，而不是多到切换成本超过逃脱收益。 对我来说是五个。随着 agent 格局的变化，这个数字可能会变。

这培养的元技能

跑多个 agent 培养了一个单一 agent 用户往往不会发展的技能：认识到你什么时候卡住了。 当单一 agent 失败时，诱惑是继续尝试。当你有五个 agent 时，切换便宜到你会注意到坚持的收益递减。那种注意到，归根结底，是和”独自调试卡一个小时”与”在15分钟时 ping 了一个同事，20秒后解封了”区分开的同一种高级工程师技能。

这些 agent 是一个培训轮，训练的是一个一直以来都是好的工程实践的纪律。摩擦才是重点。

2026年的主张

在2026年 AI 辅助工程速度上领先的团队，不是在选一个冠军然后嫁给它。他们在跑 agent 机群，跨它们维护一个共享技能层，把供应商选择当作一个可替换的商品。其他人在优化一个他们会在18个月后后悔被锁定的单一工具。

五个 agent。一个共享技能层。原子配置文件切换。这就是那个技术栈。