为什么最强的 coding agent 都住在终端里
本页目录
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:
- 它 grep 那条错误信息,读三个文件,改一个。
- 它跑
npm test,读 exit status,看到1。 - 它缩到那一个失败的用例,再改一次,整组重跑,拿到
0。 - 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。