为什么最强的 coding agent 都住在终端里

本页目录
  1. 终端其实是两层程序叠在一起
  2. 屏幕上真正有意义的三样东西
  3. 界面决定 agent 能碰到什么
  4. 哪些命令是沙盒里的 agent 跑不了的?
  5. 不用你按键,agent 就能自己跑完一轮
  6. 为什么字节流比一个窗口值钱?
  7. 完整访问要付什么代价?
  8. 什么时候 GUI 更好

CLI agent 是一个用文字跟你对话的 coding agent。它跑在你自己拥有的机器上,一台 Mac、一台 Linux 主机、或一台服务器,并沿用你在那台机器上的权限:读整个项目的文件、执行任何命令、把结果读回来。它住在终端里,因为没有别的界面能同时给你这三样。

“CLI”三个字听起来像惩罚:没有鼠标、没有按钮、只有一个闪烁的光标。可是 Claude Code、Codex、Gemini CLI、OpenCode 全都住在这里。做它们的人不是硬核,是因为终端给了 agent 两样别的界面给不了的东西:完整读写文件的权限,和执行命令的权限。也是因为这两样,它跑任何一条命令之前会先问你。

终端其实是两层程序叠在一起

这里有两个程序叠在一起,而初学者通常怪错那一个。终端是负责显示的那一层:它画出一格一格的字,把你的按键转出去,就这样。它后面的 shell(zsh、bash、fish)等一行文字出现,执行它,然后把程序写出来的东西打印在屏幕上。

就是因为薄到这个程度,agent 才操作得动。它打的每一行命令,跟你自己手动打的一模一样;它读到的错误信息,跟你看到的字不差。

屏幕上真正有意义的三样东西

这份指南后面每一篇都假设你会看屏幕。真正承载意义的是三样,其余都是杂音。

yuki@mini ~/projects/auth (main)
$ npm test

 ✓ src/session/refresh.test.ts  (6 tests)
 ✗ src/session/expire.test.ts > drops a session after expiry

     Tests  1 failed | 41 passed (42)

$ echo $?
1

提示符就是第一行。它告诉你四件事:你是谁、在哪台机器、哪个目录、哪个分支。机器不在你眼前的时候,这一行就不再是装饰。SSH 登录之后,它就是让你分清楚这是自己的笔记本、还是你忘记自己登进去过的那台服务器。

标准输出(stdout)是那个程序写出来的文字。第二条流 stderr 分开存放,真正的输出不会跟报错混在一起。

exit status。每一条跑完的命令都留下一个整数,shell 用 $? 交给你。0 表示程序正常结束。agent 读的就是这个数字。它读的不是“1 failed”那些字,而是那个 1,这说明它的工作还没完成,还会继续往下跑。

界面决定 agent 能碰到什么

网页版的 agent 看不到你电脑里的任何一个文件,它只活在浏览器标签页里。IDE 插件看得到你打开的文件,但通常停在“建议”这一步:它动不了 git,跑不了测试,更装不了包。

CLI agent 拿的是你自己那组权限:读整个 repo、下 git commit、跑测试套件、装依赖。访问分三层,风险一层比一层高:

  • 读。你家目录下的每一个文件,包含 .ssh 里的密钥。
  • 写。在 git 管着的项目里,改坏了一个 git checkout 就救得回来;项目之外,没有东西会帮你回滚。
  • 执行。任何你打得出来的命令,包括 migration、force push,还有指向错误路径的 rm -rf。

这个差距没有哪个厂商刻意设计过。选了终端当界面,这组权限就跟着来了。别的界面都扣掉了一部分,所以也做不了同样的事。

哪些命令是沙盒里的 agent 跑不了的?

“执行权限”是一个抽象的说法,点头之前先把它还原成屏幕上的行:

npm test
npx vitest run src/session/expire.test.ts

git status --short
git commit -m "fix: expire sessions on the dot"

npm install date-fns@3
npm run build

psql "$DATABASE_URL" -f db/schema.sql
curl -sf localhost:8000/health | jq .db

这些命令搬到别人的云端沙盒里,要跑在哪里?那行 psql 连的是只存在于你机器上的数据库,用的 URL 来自一个从来没上传过的 .env。那行 npm install 从你 .npmrc 里写明的私有 registry 拉内部包。那些 git 动作跑在本地的仓库里,里面有你的 remote、hook 和 signing key。

沙盒里的 agent 可以写一份 patch 给你,但看不见那份 patch 造成了什么结果。看不见一次 edit 的结果,就没办法把工作做完。

不用你按键,agent 就能自己跑完一轮

你丢一句“把这个 bug 修好”。接着是十几行同样的命令,而你的手不用碰到键盘:

  1. 它 grep 那条错误信息,读三个文件,改一个。
  2. 它跑 npm test,读 exit status,看到 1。
  3. 它缩到那一个失败的用例,再改一次,整组重跑,拿到 0。
  4. 它 commit,在本地把 migration 套上去,再 curl 那个坏掉的 endpoint。

整条链上没有一个按钮需要按。换成浏览器标签页或 IDE 插件,它在第二步就停下:它能产出那个 edit,却跑不了测试,于是等你去跑,再等你把结果回报给它。到最后你变成了测试执行器。这是权限的问题,不是模型强弱的问题。

为什么字节流比一个窗口值钱?

你屏幕上那个终端窗口不是程序住的地方。程序接在一个 pseudo-terminal 上,那是 kernel 里一个有两端的对象:一端写进去字节,另一端就出来字节,而你的窗口只是当前接在另一端的显示层。从这个定义跟着来三件事:

  • 可以保存下来。npm test > build.log 把那串文字写进文件,一年后另一个程序还能读它。GUI 的画布是一张图,图本身不是记录。
  • 可以接起来。git ls-files | grep .env 把一个程序的输出,变成下一个程序的输入。
  • 可以搬走。那个定义没有一句话说两端必须在同一个地方。tmux 把 session 搁在服务器上,你的屏幕接上去、detach、再从另一台设备接回来。

第三点才是这篇的重点。字节流可以被转向、保存起来、重播,也可以从别的地方接回去;渲染好的窗口做不到。之后要讲的持久 session、SSH、在手机上接回同一个 agent,每一件事都是从这个性质来的。

完整访问要付什么代价?

让 agent 能对数据库做 migration 的那个权限,也能把那个数据库删掉。它知道这一点,所以会在工作做到一半时停下来问:“要跑这条命令吗?”那个 prompt 不是胆小。一个什么都不问就直接跑的 agent,随时可能误删你的 .ssh 目录或生产环境数据库。prompt 画的是第二层跟第三层之间那条线,而且只能在那个时刻画:命令已经知道了,还没有执行。

两个习惯挡掉大部分风险。读命令本身,不要读摘要:“我要清掉 build cache”是一段描述,只有它下面那一行才有后果。同一类只批一次:一天四十次要你批准跑测试,就用一条规则让 npm test 直接通过。

这里的代价不对称。一个你本来就会批准的 prompt 花你十秒。一个你误批准、跑在生产数据库上的命令,花你一天和一次 restore。就是这个比例让 AI 自动权限审查存在:先 blacklist,再 allowlist,剩下的交给模型判断。

什么时候 GUI 更好

终端不是对代码做任何事的正确界面。下面这些事情,用文字做就是比较差:

  • 实时 debugger。设 breakpoint、单步走过那个循环、在第四个 frame 看一个变量。
  • 任何视觉的东西。排版、间距、一个差一点点的颜色。叫 agent 描述一张截图,比你自己看一眼差得多。
  • 读一个大的 diff。两千行并排着看。所以就算代码是 agent 写的,你多半会在 GUI 里 review 它的工作。
  • 还在学的时候。编辑器在你写错的那个 token 下面画一条线,比一整墙的 stack trace 教得快。

这条分界分的不是熟练跟懒惰,分的是“你在场、你在开”跟“它在跑、你去看”。坐在桌前,IDE 常常是更好用的那个工具,而把 CLI agent 用到最好的人,两边都留着。那条分工线怎么画,自己就是一篇。

终端把 agent 放进你自己的机器,而它的输出是可以住在任何地方的字符。所以那台机器不必是你正坐着的这一台。从别的地方连过去,是 SSH 的工作。