Agents CLI 实战：用一条命令编排多个 AI 编程 Agent 工作流

如果你同时在用 Claude Code、Codex、Gemini 和 Cursor，你很快会面临一个现实问题：这些 Agent 怎么协同？

每个 CLI 都有自己的调用方式、版本管理和依赖环境。手动切换不仅低效，而且很容易让项目环境变得混乱。

Agents CLI 就是为解决这个问题而生的——它不是一个新 AI 编程 Agent，而是一个 Agent 管理工具链，让你用一条命令管理所有 Agent，而且支持并行执行、账户轮换和版本锁定。

核心价值：订阅复用，不花 API 成本

Agents CLI 最直接的价值：把你的已有订阅跑起来，不用额外花 API 费。

curl -fsSL agents-cli.sh | sh

agents run claude "重构 ./src/worker 的队列处理逻辑"

底层原理很简单：Agents CLI 包装了 Claude Code、Codex、Gemini 等 CLI 工具的本地调用，用你的登录会话（订阅）来完成推理，不需要单独申请 API Key 或绑定支付方式。

多模型切换：不改操作习惯，换底层模型

你可以保留 Claude Code 的操作界面，但底层换成 Kimi K2.5、MiniMax M2.5、GLM 5、Qwen3 Coder 或 DeepSeek：

agents profiles add kimi

agents run kimi "重构用户认证模块"

这背后的机制是 OpenRouter 的模型路由：你只需在一个地方配置 Key，所有预设模型自动就绪。不需要在每个工具里分别配 API Key。

账户轮换：再也不用等 Rate Limit

Claude Pro 用户的痛点：用着用着就遇到 “You’ve reached your usage limit”。Agents CLI 的 --strategy balanced 参数帮你自动切换账号：

agents run claude --strategy balanced "跑完整测试套件"

agents usage

你只需要把多个 Claude 登录状态挂在本地，agents usage 会显示每个 Agent 的 rate-limit 余量。--strategy balanced 自动挑选最有额度的账号执行。

⭐ 最强特性：管道编排（Pipe）

Agents CLI 最让我惊喜的特性是 Agent 管道——用 Unix pipe 把不同 Agent 串起来，每个 Agent 只做自己最擅长的事：

agents run claude "找出 src/auth/ 中的安全漏洞" \
  | agents run codex "修复 Claude 找到的问题" \
  | agents run kimi "为修复写回归测试"

每条 pipe 像 Unix pipe 一样解析——前一个 Agent 的输出变成后一个的上下文。这种模式的好处是：

• 利用各模型的差异化优势：Claude 擅长代码理解，Codex 擅长快速生成，Kimi 擅长测试覆盖
• 通过小任务拆分降低单次调用成本：每个 Agent 只做自己最擅长的一小段
• 管道各段可独立调试：中间结果可查看、可打断、可重跑

并行执行：Team 模式

对于需要同时改多个文件的重构任务，可以启动 Team 模式：

agents teams start my-feature --watch

agents teams remove my-feature

Agents CLI 支持 DAG 依赖编排（--after 指定前序任务），每个 “teammate” 在自己的隔离目录中运行。实测中，一个 8 文件、3 个层面的重构任务：

4.3 倍加速——不是线性的，但足够实用。

版本锁定：告别环境不一致

Agents CLI 支持每个项目锁定 Agent 版本：

agents:
  claude: "2.1.113"
  codex: "0.116.0"

就像 .nvmrc 锁定 Node 版本一样，cd 进项目目录后，所有 agents run 调用自动使用项目锁定的 Agent 版本。不同团队的不同项目再也不用担心 “在我机器上跑得好好的”。

支持的 Agent 列表：Claude Code、Codex、Cursor、OpenCode、Copilot、Grok、Kimi、Antigravity。

场景应用

场景 1：Code Review 流水线

agents run codex "执行 eslint + ts 类型检查，输出所有 warning" \
  | agents run claude "审查每个 warning，判断是否为真正的 Bug 风险，输出 final report"

场景 2：跨模型验证

agents teams start parallel-implement

agents run claude "实现 utils/rate_limiter.py 带令牌桶算法"
agents run codex "实现 utils/rate_limiter.py 带令牌桶算法"

在代码审查阶段，用 git diff 对比两个实现的差异点——往往能发现各自的盲区。

场景 3：大型重构 + 回归测试

agents run claude "将数据库层从 Prisma 迁移到 Drizzle，保持 API 兼容"

agents run codex "根据上述变更更新所有集成测试"

agents run kimi "运行测试套件，输出覆盖率报告"

安装与快速开始

curl -fsSL agents-cli.sh | sh

agents list

agents run claude "列出项目结构并分析依赖关系"

Agents CLI 也支持 npm 安装：npm install -g agents-cli，或用 bun 直接跑：bunx agents-cli run claude "..."。

注意事项

• 账户轮换依赖本地登录状态：需要在本地保存多个 Claude 或其他工具的登录凭据。agents usage 命令会读取每个工具的状态文件。
• 管道模式适合代码级任务：如果任务需要持续的人工决策（如 UI 设计），管道模式的效果不如让单个 Agent 一次性完成。
• 并行 Team 需要足够的系统资源：每个 Agent 都会占用显存/CPU——5 个 Agent 并行时建议至少有 32GB 内存。
• OpenRouter 模型需要配置 Key：非 Claude/Codex 等本地订阅模型的调用走 OpenRouter API，需要额外配置。

总结

Agents CLI 解决的不是 “AI 能不能帮我写代码”，而是 “我有好几个 AI 帮我写代码，怎么高效管起来” 的问题。它不是新的 Agent，而是已经存在的所有 Agent 的管理中枢——管道编排、并行执行、版本锁定、账户轮换，每一条都命中了一个实际的日常痛点。

如果你手上有 2 个以上的编程 Agent，或者你的 CI 流程已经开始依赖 AI 代码生成，Agents CLI 值得一试。

• Agents CLI 官网
• 安装文档
• GitHub 仓库