老金开源！Claude4.5、Codex5.1、Gemini3，3大顶级CLI终极联动整合技巧！省钱！高质量！快！

先说本文使用到的教程和项目开源地址：

项目Github地址：https://github.com/KimYx0207/Claudecode-Codex-Gemini

请先打开这三个地址，放到一边。下面会用到。

为什么要折腾这个

上周五下午，老金我想给产品加个用户认证模块。

说实话，老金我不会写代码（英语四级都没过），全靠AI帮忙。

手上同时开着3个AI工具：

Claude Sonnet 4.5帮我分析需求、规划方案；

GPT-5.1 Codex Max生成代码（老金我看不懂，但能跑）；

Gemini 3 Pro审查代码质量（防止出bug）。

每个工具都挺好用，但有个巨大的痛点：

三边的信息根本不互通。

Claude分析完需求，我得手动复制到Codex；Codex写完代码，我还得手动粘贴到Gemini审查；Gemini提出改进建议，我又得回到Codex重新生成。

就像三个人在同一个办公室干活，中间隔了两堵墙，全靠老金我这个不会代码的产品经理跑来跑去传话。

上周二下午突然想明白：Claude Code本身就是个编排器啊！

它有Command（命令）、Skill（技能）、MCP（服务器）、Subagent（子智能体）、Hooks（钩子）这么多功能，为啥不用来编排这3个AI？

折腾了三天，试了5种不同的集成方式，每种都有各自的适用场景。

核心发现：Claude Code不只是个AI助手，它是个完整的AI编排平台。

---

为啥用这3个AI？

先说说为啥要组合用：

用Sonnet开发全流程：需求分析很好（功能全），但代码生成容易过度设计、token消耗大50%，代码审查要花钱、没Gemini细致。

用Opus 4.5开发全流程：需求分析最强（复杂架构设计首选），代码生成质量最高但比Sonnet贵67%，代码审查最细致但贵。适用场景：复杂系统架构、关键代码审查、疑难bug排查。

用Codex开发全流程：不会需求分析，代码生成质量高、稳定、便宜，能审查但没Gemini细致。

用Gemini开发全流程：理解能力一般、代码生成质量不如Codex，但代码审查最细致、而且免费。

所以必须组合使用：让每个AI干它最擅长的事。

AI模型

价格

负责

核心优势

Claude Sonnet 4.5

$3/$15/M

需求分析+编排

编排能力强（5种方式全支持），性价比高

Claude Opus 4.5

$5/$25/M

复杂架构设计

最强能力，适合疑难问题（比Sonnet贵67%，按需用）

GPT-5.1 Codex Max

$1.25/$10/M

代码生成

最便宜、最稳定、质量高

Gemini 3 Pro

免费

代码审查

审查最细致（申请白名单：https://geminicli.com/docs/get-started/gemini-3/）

成本对比（单次10K输入+5K输出）：全用Sonnet是$0.105；全用Opus 4.5是$0.175（贵67%）；三者组合（Sonnet+Codex+Gemini）只要$0.056（省47%，质量还最高）。

何时用Opus？

复杂系统架构设计（微服务、分布式系统）、关键代码审查（支付、安全模块）、疑难bug排查（多次尝试都失败的问题）、性能优化方案设计（需要深度分析）。

日常开发不要用，太贵，Sonnet足够了。

老金我的用法：90%时间用Sonnet+Codex+Gemini组合，遇到疑难问题时用 /model opus 临时切换，问题解决后立即切回Sonnet。

---

前置准备（小白必读）

重要！先别急着看5种方式！先把工具装好，不然后面的案例你根本跑不起来。

必须安装的工具

1、Claude Code（你应该已经装了）

npm install -g @anthropic-ai/claude-code

重要提示：

Claude Code支持多模型切换！默认用Sonnet（性价比高）；

需要更强能力时用 /model opus 切换到Opus；

Opus虽然贵但能力最强，适合复杂任务。

2、Codex CLI - OpenAI官方工具

# npm安装（推荐）
npm i -g @openai/codex

需要：ChatGPT Plus/Pro/Business订阅，或使用中转站

老金我用的是中转站（评论区会放链接，包含公益站和付费站）

官方文档：https://developers.openai.com/codex/cli/

3、Gemini CLI - Google官方工具

npm install -g @google/gemini-cli

免费配额对比：API Key方式（Google AI Studio申请）只有100次/天，网页授权方式（推荐）有1000次/天（够个人用了）。

老金版安装教学：

授权步骤（网页授权）：

1、终端运行 gemini auth login

2、浏览器会自动打开Google登录页面

3、用Google账号登录并授权

4、授权完成后终端会自动完成配置

API Key方式（备选）：

1、访问 https://aistudio.google.com/apikey

2、创建API Key

3、设置环境变量 export GEMINI_API_KEY="your-key"

官方文档：https://developers.google.com/gemini-code-assist/docs/gemini-cli

配置API密钥

方式1：用cc switch傻瓜式配置（推荐新手）

安装教学：

# 安装cc switch工具
npm install -g cc-switch

# 交互式配置（会引导你填写API Key和Base URL）
cc switch

cc switch的优势：傻瓜式交互界面（填空就行）、自动保存到正确的环境变量、支持多个中转站切换、避免手动配置出错。

详细教程：老金我之前在开源知识库里写过cc switch的完整使用教程，搜索"cc switch"就能找到。

配置项说明：Claude可选官方API或中转站（填API Key + Base URL），Codex (OpenAI)也可选官方API或中转站（填API Key + Base URL），Gemini用上面的网页授权（不需要手动配置）。

方式2：手动配置环境变量（进阶用户）

# Claude（官方或中转站）
export ANTHROPIC_API_KEY="your_key"
export ANTHROPIC_BASE_URL="https://api.anthropic.com"  # 官方URL
# 或者用中转站URL

# Codex（官方或中转站）
export OPENAI_API_KEY="your_key"
export OPENAI_BASE_URL="https://api.openai.com/v1"  # 官方URL
# 或者用中转站URL

# Gemini（用网页授权，不需要这个）
# 运行 `gemini-cli auth` 即可

老金建议：

1、新手用cc switch，省心省力

2、中转站链接看评论区（有公益站和付费站）

3、Gemini直接用官网网页授权（1000次/天），不要用API Key（100次/天）

4、把环境变量写到 ~/.bashrc 或 ~/.zshrc 里持久化

部署项目

git clone https://github.com/KimYx0207/Claudecode-Codex-Gemini.git

选择任意文件夹，Shift+右键，打开PowerShell，复制上面的地址，下载项目。

若连不上，请反复尝试，并检查网络。

进入项目路径，打开Claude Code，即可享用。

---

5种方式详解

方式1：Command（Slash命令）- 最适合新手

适用场景：新手入门、流程固定的简单任务（如"分析→生成→审查"）

不适合：复杂逻辑、需要文件保存、错误重试

调用流程图

文件职责说明：

文件

职责

说明

.claude/commands/ai-team.md

命令模板

定义执行流程，包含$ARGUMENTS占位符

Codex CLI

代码生成

通过bash调用本地codex命令

Gemini CLI

代码审查

通过bash调用本地gemini命令

实际案例：快速原型开发

周一上午，老金我突然想给项目加个登录功能。这样用：

第1步：创建命令文件 .claude/commands/ai-team.md

# AI团队协作命令

你现在要协调3个AI工具完成任务：$ARGUMENTS

**执行流程**：

1、用你自己（Claude）的能力分析需求，生成技术方案
2、把技术方案通过bash传给本地的codex CLI：
   codex exec "需求：$ARGUMENTS。技术方案：[你的分析]。请生成完整代码。"
3、把codex生成的代码传给gemini CLI审查：
   gemini -p "请审查以下代码：$(cat generated_code.md)"
4、整合所有结果，返回给用户

注意：如果用户本地没有codex或gemini，告诉用户需要先安装这些工具。

第2步：使用命令

/ai-team "实现JWT登录功能，包含注册、登录、token刷新"

A、Cluade开始

如果有这个报错不用关注，是Claude Code的安全机制。

B、Codex写代码

C、Gemini审核

D、行程报告

Claude自动执行：分析需求 → Codex生成代码 → Gemini审查 → 返回报告

---

方式2：Skill（技能包）- 最适合进阶用户

适用场景：复杂多步骤任务、需要保存中间结果、错误重试、工作流复用

不适合：简单任务、不会bash、一次性任务

调用流程图

文件职责说明：

文件

职责

说明

SKILL.md / skill.yaml

技能定义

声明技能名称、描述、允许的工具

scripts/orchestrate.sh

编排脚本

控制整个工作流，调用各阶段

prompts/phase1-analyze.md

需求分析提示词

Claude自己执行的分析任务

prompts/phase2-code.md

代码生成提示词

传给Codex的任务描述

prompts/phase3-review.md

审查提示词

传给Gemini的审查要求

.ai-orchestrator/

输出目录

保存所有中间结果和最终报告

实际案例：复杂RBAC权限系统

周三下午，要开发完整的RBAC权限系统。老金我这样用：

第1步：创建Skill结构

.claude/skills/ai-orchestrator/
├── skill.yaml              # 技能配置
├── prompts/
│   ├── phase1-analyze.md   # 需求分析提示词
│   ├── phase2-code.md      # 代码生成提示词
│   └── phase3-review.md    # 审查提示词
└── scripts/
    └── orchestrate.sh      # 编排脚本（核心）

第2步：写核心编排脚本 orchestrate.sh

#!/bin/bash
set -e  # 遇到错误立即退出

TASK="$1"
OUTPUT_DIR=".ai-orchestrator"
mkdir -p "$OUTPUT_DIR"

LOG_FILE="$OUTPUT_DIR/orchestration.log"
RESULT_FILE="$OUTPUT_DIR/result.md"

# 日志函数
log() {
    echo "[$(date '+%Y-%m-%d %H:%M:%S')] $1" | tee -a "$LOG_FILE"
}

log "========================================="
log "AI多引擎编排开始"
log "任务: $TASK"
log "========================================="

# 阶段1：需求分析（Claude通过提示词自己做）
log "阶段1：需求分析..."
# Claude会读取phase1-analyze.md提示词，自己分析需求
# 然后把结果保存到phase1.json

PHASE1_OUTPUT="$OUTPUT_DIR/phase1_requirements.json"
if [ ! -s "$PHASE1_OUTPUT" ]; then
    log "错误：阶段1未生成需求分析"
    exit 1
fi
log "阶段1完成，需求分析已保存"

# 阶段2：代码生成（调用Codex）
log "阶段2：使用Codex生成代码..."
PHASE2_OUTPUT="$OUTPUT_DIR/phase2_code.md"

if command -v codex &> /dev/null; then
    codex exec "根据以下需求生成完整代码：$(cat "$PHASE1_OUTPUT")" > "$PHASE2_OUTPUT" 2>> "$LOG_FILE"
    log "阶段2完成，代码已生成"
else
    log "Codex未安装，跳过代码生成"
    exit 1
fi

# 阶段3：代码审查（调用Gemini）
log "阶段3：使用Gemini审查代码..."
PHASE3_OUTPUT="$OUTPUT_DIR/phase3_review.md"

if command -v gemini &> /dev/null; then
    gemini -p "请审查以下代码并提供优化建议：$(cat "$PHASE2_OUTPUT")" > "$PHASE3_OUTPUT" 2>> "$LOG_FILE"
    log "阶段3完成，审查报告已生成"
else
    log "Gemini未安装，跳过审查"
fi

# 生成最终报告
log "生成最终报告..."
cat > "$RESULT_FILE" <<EOF
# AI多引擎编排结果

**任务描述**: $TASK
**完成时间**: $(date '+%Y-%m-%d %H:%M:%S')

---

## 阶段1: 需求分析（Claude）

\`\`\`json
$(cat "$PHASE1_OUTPUT")
\`\`\`

---

## 阶段2: 代码生成（Codex）

$(cat "$PHASE2_OUTPUT")

---

## 阶段3: 代码审查（Gemini）

$(cat "$PHASE3_OUTPUT")

---

## 执行日志

详细日志请查看: \`$LOG_FILE\`

EOF

log "========================================="
log "AI多引擎编排完成！"
log "最终报告: $RESULT_FILE"
log "========================================="

# 自动打开结果
if command -v code &> /dev/null; then
    code "$RESULT_FILE"
fi

第3步：创建提示词文件

prompts/phase1-analyze.md：

# 需求分析阶段

请详细分析以下任务的技术需求：

任务描述：{从脚本传入}

请输出JSON格式，包含：
1、核心功能清单（features）
2、技术栈选型（tech_stack）
3、文件结构设计（file_structure）
4、关键实现要点（key_points）

保存到：.ai-orchestrator/phase1_requirements.json

prompts/phase2-code.md 和 prompts/phase3-review.md 类似结构。

第4步：配置skill.yaml

name: ai-orchestrator
description: 多AI协作编排技能
commands:
  - name: orchestrate
    script: scripts/orchestrate.sh

第5步：使用Skill

# 首次使用需要给脚本添加执行权限（仅限macOS/Linux）
chmod +x .claude/skills/ai-orchestrator/scripts/orchestrate.sh

# 在Claude里执行
请运行 .claude/skills/ai-orchestrator/scripts/orchestrate.sh "RBAC权限系统"

Windows用户：不需要chmod，直接运行即可：

bash .claude/skills/ai-orchestrator/scripts/orchestrate.sh "RBAC权限系统"

优点：功能最全，可复用，可维护

缺点：配置复杂，需要写脚本

---

方式3：MCP（Model Context Protocol）- 最适合长期协作

关键理解：MCP不是连接官方服务器，而是你自己写个MCP Server包装本地CLI！

适用场景：长期协作、持续开发、保持上下文（如重构整个模块）

不适合：一次性任务、不懂MCP Server、简单任务

调用流程图

文件职责说明：

文件

职责

说明

.mcp.json

MCP配置

Claude Code标准配置，声明可用的MCP服务器

mcp-config.json

统一配置

代理、sandbox权限、环境变量等统一管理

mcp-servers/codex-server/index.js

Codex MCP Server

JSON-RPC 2.0协议，包装codex CLI

mcp-servers/gemini-server/index.js

Gemini MCP Server

JSON-RPC 2.0协议，包装gemini CLI

~/.mcp-context/

上下文存储

conversationId对应的历史对话JSON文件

实际案例：重构用户模块

周五整天，要重构整个用户模块。老金我这样用：

第1步：项目结构（已提供完整MCP Server）

本项目已经包含完整的MCP Server实现：

mcp-servers/
├── codex-server/
│   ├── index.js          # Codex MCP Server（支持上下文）
│   └── README.md
├── gemini-server/
│   ├── index.js          # Gemini MCP Server（支持上下文）
│   └── README.md
└── INSTALLATION.md       # 安装配置指南

第2步：统一配置文件

项目根目录的 mcp-config.json（统一管理代理、权限等）：

{
  "proxy": {
    "enabled": true,
    "http": "http://127.0.0.1:15236",
    "https": "http://127.0.0.1:15236"
  },
  "gemini": {
    "defaultArgs": ["-o", "stream-json", "--yolo"],
    "sandbox": "workspace-write",
    "environment": {
      "GEMINI_IDE_INTEGRATION": "false"
    }
  },
  "codex": {
    "defaultArgs": ["exec", "--skip-git-repo-check"],
    "sandbox": "workspace-write"
  }
}

⚠️ 划重点：15236 是我自己的魔法端口，你得改成你自己的！

Gemini网页认证（gemini auth）需要代理才能访问Google，端口错了就认证不上。

常见端口：Clash是7890、V2Ray是10808，看你自己的代理软件设置。

第3步：Claude Code标准配置

项目根目录的 .mcp.json（Claude Code自动发现）：

{
  "mcpServers": {
    "codex": {
      "type": "stdio",
      "command": "node",
      "args": ["mcp-servers/codex-server/index.js"]
    },
    "gemini": {
      "type": "stdio",
      "command": "node",
      "args": ["mcp-servers/gemini-server/index.js"]
    }
  }
}

核心特性：

• 上下文传递：通过conversationId保持多轮对话

• sandbox权限：workspace-write允许读写工作目录

• 代理支持：自动从配置文件加载代理设置

• Windows兼容：自动处理HOME目录等问题

第4步：手动注册MCP Server（如需）

如果Claude Code没有自动发现.mcp.json，可以手动注册：

# 连接Codex MCP Server
claude mcp add-json --scope user codex '{
  "type": "stdio",
  "command": "node",
  "args": ["mcp-servers/codex-server/index.js"]
}'

# 连接Gemini MCP Server
claude mcp add-json --scope user gemini '{
  "type": "stdio",
  "command": "node",
  "args": ["mcp-servers/gemini-server/index.js"]
}'

第5步：使用（整天持续开发）

启动Plan Mode，Claude通过MCP持续调用Codex和Gemini，conversationId让上下文完全打通：

老金：重构用户模块，拆分Service层

Claude：好的，我先分析... [生成conversationId: conv_123]
       方案：拆分为UserService、AuthService、ProfileService

       现在让Codex生成UserService...
       [通过MCP调用Codex，传入conversationId: conv_123]

Codex：[读取conv_123上下文，知道要拆分Service层]
       生成UserService代码... [保存到conv_123]

Claude：代码生成完毕，让Gemini审查...
       [通过MCP调用Gemini，传入conversationId: conv_123]

Gemini：[读取conv_123，看到Claude的规划和Codex的代码]
        审查发现：UserService的依赖注入有问题... [保存到conv_123]

Claude：Codex改一下依赖注入...
       [通过MCP调用Codex，传入conversationId: conv_123]

Codex：[读取conv_123，看到Gemini的审查意见]
       已修正依赖注入问题... [保存到conv_123]

核心价值：conversationId机制让三个AI共享同一个上下文文件（~/.mcp-context/conv_123.json），每次调用都能看到之前的所有对话历史，实现真正的协作！

---

方式4：Subagent（子智能体）- 最适合并行任务

适用场景：独立模块并行开发、预算充足、追求速度

不适合：强依赖任务、预算紧张、简单任务

调用流程图

文件职责说明：

组件

职责

说明

主 Claude Code

任务分发

创建多个子智能体，等待结果，整合输出

Task subagent

独立执行

每个子智能体独立运行，有自己的上下文

Bash Tool

调用CLI

子智能体通过Bash调用本地Codex/Gemini

model参数

成本控制

sonnet用于复杂任务，haiku用于简单任务降成本

实际案例：前后端并行开发

周四，同时开发前端UI和后端API。老金我这样用：

// 启动后端子智能体
Task({
  subagent_type: "general-purpose",
  prompt: `开发后端API接口，用Codex CLI生成代码

  步骤：
  1、分析API需求
  2、调用本地codex生成代码：bash -c "codex exec '[需求描述]'"
  3、保存到backend/目录
  `,
  model: "sonnet"
})

// 启动前端子智能体（同时进行）
Task({
  subagent_type: "general-purpose",
  prompt: `开发前端UI组件，用Codex CLI生成代码

  步骤：
  1、分析UI需求
  2、调用本地codex生成代码：bash -c "codex exec '[需求描述]'"
  3、保存到frontend/目录
  `,
  model: "haiku"  // 用便宜的模型
})

// 主Claude等待两边完成后整合

总耗时：并行开发，时间减半（但token消耗翻倍）

优点：最强大，支持并行

缺点：消耗token多，成本高

---

方式5：Hooks（钩子）- 最适合自动化

适用场景：特定时机自动触发（如git commit前审查）、强制质检、不想手动执行

不适合：触发条件不固定、需要人工判断、调试期间

调用流程图

文件职责说明：

文件/组件

职责

说明

.claude/settings.json

Hooks配置

定义钩子触发条件和执行命令

preToolUse

触发时机

在工具使用前触发

Bash(git commit)

匹配规则

匹配特定工具调用

hook command

执行脚本

调用Gemini审查代码

实际案例：Git提交前自动质检

每次commit前，自动调用Gemini审查所有改动。

配置 .claude/settings.json：

{
  "hooks": {
    "preToolUse": {
      "Bash(git commit)": [{
        "command": "bash",
        "args": [
          "-c",
          "gemini -p \"请审查以下代码改动：$(git diff --cached)\" > .review.md && cat .review.md"
        ]
      }]
    }
  }
}

使用效果：

老金：git commit -m "feat: 添加用户登录"

[Hook自动触发]
正在调用Gemini审查代码改动...

Gemini报告：
代码质量：良好
发现1个安全问题：密码传输未加密
建议：使用HTTPS或加密传输

Claude：老金，Gemini发现了安全问题，是否继续提交？

优点：全自动，防止低质量代码提交

缺点：调试困难，容易误触发

---

5种方式对比总结

方式

上手难度

灵活性

成本

适合场景

不适合场景

Command

⭐ 最简单

⭐⭐ 低

低

新手、简单任务

复杂流程

Skill

⭐⭐⭐ 中等

⭐⭐⭐⭐⭐ 极高

低

复杂工作流、需复用

一次性任务

MCP

⭐⭐⭐⭐ 较难

⭐⭐⭐ 中

中

长期协作、上下文共享

一次性任务

Subagent

⭐⭐ 简单

⭐⭐⭐⭐ 高

高

并行任务、预算充足

串行任务、预算紧张

Hooks

⭐⭐⭐ 中等

⭐⭐ 低

低

自动化、强制质检

需要人工判断

老金的建议：

1、新手从Command开始，熟悉流程

2、进阶用Skill，配置一次长期受益

3、需要上下文共享用MCP，但要会写MCP Server

4、并行任务用Subagent，速度优先

5、质检流程用Hooks，自动化防错

可以组合使用！比如老金我现在的配置：日常开发用Skill（可复用）；大型重构用MCP（上下文打通）；Git提交用Hooks自动质检；紧急任务用Command快速搞定。

---

踩坑记录

坑1：Codex CLI需要订阅

问题：安装了Codex但提示"需要ChatGPT Plus订阅"

解决：Codex CLI需要ChatGPT Plus/Pro/Business订阅才能使用，如果没有订阅，可以订阅ChatGPT Plus（$20/月）或者用其他代码生成工具替代。

坑2：Gemini配额限制

问题：Gemini CLI安装后提示"超过免费配额"

解决：使用网页授权方式获取1000次/天的配额：

1、终端运行 gemini auth login

2、浏览器自动打开，用Google账号登录授权

3、授权完成后自动配置

或者用API Key方式（只有100次/天）：

1、访问 https://aistudio.google.com/apikey

2、创建API Key并配置到环境变量

老金我实测，1000次/天对个人开发足够用了

坑3：MCP Server不会写

问题：不懂怎么写MCP Server包装本地CLI

解决：参考官方文档（https://code.claude.com/docs/en/mcp）或者先用Command/Skill方式，MCP可以以后再学。

坑4：Subagent token消耗太高

问题：启动3个Subagent，token消耗翻了3倍

解决：

1、简单任务别用Subagent

2、用haiku模型（便宜）

3、只在真正需要并行时才用

坑5：Hooks触发太频繁

问题：每次Write都触发Gemini，太慢了

解决：加条件判断

[ ${lines_changed} -gt 50 ] && gemini -p "请审查：$(cat ${file})"

只有改动超过50行才触发

坑6：Gemini CLI在IDE环境启动慢

问题：Gemini CLI启动后卡在"Connecting to Gemini..."很久

解决：设置环境变量禁用IDE集成

export GEMINI_IDE_INTEGRATION=false

或在 mcp-config.json 中配置：

{
  "gemini": {
    "environment": {
      "GEMINI_IDE_INTEGRATION": "false"
    }
  }
}

坑7：Codex sandbox权限不足

问题：Codex默认是read-only模式，无法写入文件

解决：添加 --sandbox workspace-write 参数

codex exec --sandbox workspace-write "你的提示词"

本项目的MCP Server已自动配置此参数。

坑8：Codex CLI认证过期

问题：提示 Your access token could not be refreshed because your refresh token was already used

解决：重新登录

codex auth logout
codex auth login

坑9：Windows下HOME目录问题

问题：MCP Server在Windows下找不到配置文件

解决：强制使用USERPROFILE作为HOME

if (process.platform === 'win32' && process.env.USERPROFILE) {
  process.env.HOME = process.env.USERPROFILE;
}

本项目的MCP Server已自动处理此问题。

---

总结：从工具到思维方式

配完这套方案，老金我最大的感受不是"效率提升40%"这么简单。

真正的改变在于：我对AI协作的理解从"工具"层面上升到了"思维方式"层面。

以前的思维：AI是工具、我是操作者；我手动协调多个AI，像个项目经理；效率瓶颈在"人工切换"。

现在的思维：AI可以编排AI、我是最终决策者；Claude Code是指挥官、其他AI是执行者；效率提升在"信息打通"。

更深层的启发：

这不只是技术方案，而是一种协作模式的演进：

1、单兵作战 → 一个AI干所有事（效率低）

2、人工协调 → 人当中间人协调多个AI（累）

3、AI编排AI → 一个AI指挥其他AI（现在）

4、未来？ → 可能是AI团队自主协作，人只管目标

老金我突然想明白：

这不就是从"单核CPU"到"多核CPU"再到"分布式计算"的演进吗？

单核是一个AI干所有事；

多核是人手动切换多个AI；

分布式是AI自动调度AI。

而Claude Code的5种编排方式，就像提供了5种不同的"任务调度算法"：

Command是简单的串行调度；

Skill是可配置的流程编排；

MCP是带状态的分布式通信；

Subagent是真正的并行计算；

Hooks是事件驱动的响应式调度。

这让我想到了一个更大的问题：

当AI可以编排AI的时候，人的价值在哪里？

老金我的答案是：人的价值在于"定义目标"和"最终决策"。

就像这套方案，老金我只需要：

1、定义目标："我要开发一个用户认证模块"

2、选择方式："用Skill方式，因为需要保存中间结果"

3、最终决策："Gemini说有安全问题，改完再提交"

中间的"分析需求、生成代码、审查质量"这些执行层面的事，交给AI团队自己配合完成。

这就是未来的工作方式：人定义"What"，AI团队负责"How"。

周末两天测下来，开发效率确实翻倍了。但更重要的是，我从"做事"中解放出来，有更多时间"想事"。

想架构、想方案、想怎么做得更好。

这才是AI协作的终极意义：让人回归到人最擅长的事——思考和决策。

---

配置文件参考：

• Command的配置在 .claude/commands/*.md

• Skill的配置在 .claude/skills/*/SKILL.md（新格式）或 skill.yaml（旧格式兼容）

• MCP Server配置在 .mcp.json（Claude Code标准）

• 统一配置（代理、权限等）在 mcp-config.json

• Hooks的配置在 .claude/settings.json

• MCP Server实现在 mcp-servers/ 目录

 

项目文档：

• 详细安装指南：docs/installation.md

• 使用说明：docs/usage.md

• 5种方式对比：docs/comparison.md

• 踩坑记录：docs/troubleshooting.md

• Claude Code规范：docs/claude-code-specs.md

• 兼容性检查报告：docs/compatibility-report.md

• 测试报告：docs/test-report.md

 

参考资料：

1、Claude Code官方文档：https://code.claude.com/docs

2、MCP协议规范：https://modelcontextprotocol.io/

3、Gemini API文档：https://ai.google.dev/docs

 

Sources:

1、Top 10 Essential MCP Servers for Claude Code (2025 Developer Version)：https://apidog.com/blog/top-10-mcp-servers-for-claude-code/

2、Connect Claude Code to tools via MCP：https://code.claude.com/docs/en/mcp

3、GitHub - modelcontextprotocol/servers：https://github.com/modelcontextprotocol/servers