Vibe Coding 的最佳姿态
一句话：Vibe Coding 工具爆发带来选型困境——没有通吃的 Agent，按场景分工才是正解。本文从场景、维度、测试、成本四步拆解 Agent 选型方法论，并给出 VS Code + 多 Agent 协作的实操方案。
核心论点
- 没有放之四海皆准的 Agent 工具。市面上的 Agent 框架定位各不相同，选型没做好，工具再多也是负担。
- Vibe Coding 抬高了地板但没抬高天花板。入场的人多了，核心问题变成”用什么、怎么用”。
- 生产资料所有权不可让渡。工作流、Skill、项目主导权必须掌握在自己手里，不能押宝单一工具或平台。
工具盘点：两大阵营
第一阵营：模型厂商嫡系
- Claude Code（Anthropic）：出厂预装”项目经理”，从 0 到 1 最顺手，会主动思考、自己拆架构
- Codex（OpenAI）：指哪打哪，按边界执行不多不少，适合 1 到 N 精修，多模态能力
第二阵营：模型中立的开源工具
- Pi Agent：极度空白的纸，模型随意换，规则自己定，自由度最高
- OpenClaw：本地高权限执行，能看屏幕操作本地应用，Token 消耗极高
- Hermes Agent：越用越懂的私人助手，任务完成后自动记成 Skill
- Maka Agent：极简哲学，提示词越少跑得越准，搭配 Kimi K3 比官方 Kimi Code 高 10 个点
Agent 选型四步方法论
第一步：定场景
先搞清楚核心场景——从零搭新项目还是已有代码库修改，一个人跑还是团队协作。
第二步：定维度（三个核心指标）
- 任务完成率：
- SWE-bench Verified：Claude Code 88.6%，Codex 88.7%（基本打平）
- Terminal Bench 2.0：Codex 82%，Claude Code 69.4%（终端操作 Codex 明显更稳）
- Pi Agent 无独立成绩（框架不绑定模型）
- 上下文效率：Pi Agent 仅占 400 Token 系统提示词，把几乎全部空间留给项目代码。Anthropic 近期也砍掉 80% 系统提示词，与 Pi 方向一致。
- 成本效率比：Codex Token 消耗约为 Claude Code 的 1/4，Pi Agent 成本弹性最高（不绑定模型）。
第三步：跑测试
用自己真实任务类型分开测：冷启动任务、精修任务、跨文件重构任务。
第四步：算成本
日常使用频率 × 单次 Token 消耗 → 月度费用，再加订阅价。
选型结论
- 从 0 到 1 冷启动 → Claude Code
- 从 1 到 N 精修 + 终端密集型 → Codex
- 个性化工作流 → Pi Agent
- 终端密集型任务 Codex 占优，代码理解两者打平，上下文效率 Pi 最轻，成本弹性 Pi 最灵活
VS Code 多 Agent 协作工作台
五步搭建法：
- 安装 VS Code + 中文语言包
- 接入 Claude Code 插件（Claude Code for VS Code）
- 接入 Codex 插件（Codex – OpenAI’s coding agent）
- 接入 Pi Agent 插件（推荐 Pendant – Pi Agent for VS Code）
- 打通上下文——最高指令软链接法
最高指令软链接法
核心思路：在项目根目录建 COLLABORATION.md，把三个 Agent 都必须遵守的共识写进去（技术栈约定、命名规范、不可动文件、管理方式），然后在 CLAUDE.md 和 AGENTS.md 首句引用这份文件。三个 Agent 启动时先读 COLLABORATION.md，再读各自专属配置。
新项目实操流：Claude Code 搭架构 + 落 COLLABORATION.md 和 CLAUDE.md → 精细微调切 Codex → 自定义工作流走 Pi Agent。
风险复盘：生产资料所有权
关键反思：
- 工作流、经验、Skill 不能全部押宝在单一工具上
- 工具是媒介，不是命脉——资产主导权必须在自己手里
- 吾日三省：项目节点有多少人为把关？脱离当前工具工作流能否跑通？个人能力是否有所提升？
关键数据
- SWE-bench Verified：Claude Code 88.6% vs Codex 88.7%
- Terminal Bench 2.0：Codex 82% vs Claude Code 69.4%
- Codex Token 效率约为 Claude Code 的 4 倍
- Pi Agent 系统提示词仅 400 Token
- Anthropic 砍掉 80% 系统提示词（与 Pi 方向趋同）