Agentic Design Patterns 附錄 E：CLI 上的 AI Agent

引言

開發者的命令列長期以來都是精確、命令式指令的堡壘，如今正在經歷一場深刻的轉變。它正從單純的 Shell，演變成由一類新工具驅動的智慧協作工作空間，這類工具就是 AI Agent 的命令列介面（CLI）。這些 Agent 已經不只是執行指令：它們聽得懂自然語言，掌握整個程式碼庫的上下文，還能完成複雜的多步驟任務，把開發流程裡相當大一部分工作自動化。

本指南會深入介紹這個新興領域裡四個領先的角色，探討它們各自的強項、最適合的使用情境，以及不同的設計理念，幫助你判斷哪個工具最適合你的工作流程。要提醒的是，這裡替某個工具舉的例子，其實其他 Agent 往往也做得到。這些工具真正的差別，常常在於它們針對同一個任務能達到的結果品質、效率與細膩程度。市面上有專門設計來衡量這些能力的 benchmark（基準測試），後面的段落會談到。

Claude CLI（Claude Code）

Anthropic 的 Claude CLI 定位是一個高階的編碼 Agent，對專案架構有深入而全面的理解。它的核心強項在於「Agentic」的特性，能替複雜的多步驟任務建立起整個程式碼庫的心智模型。互動方式高度對話化，很像結對程式設計（pair programming）：它會在動手之前先說明自己的計畫。這讓它特別適合在大型專案上工作的專業開發者，尤其是那些涉及大規模重構、或是要實作對架構有廣泛影響的功能的場景。

使用情境範例：

大規模重構： 你可以這樣下指令：「我們目前的使用者認證是靠 session cookie。請把整個程式碼庫重構成使用無狀態的 JWT，並更新 login/logout 端點、middleware，以及前端的 token 處理邏輯。」Claude 接著會讀取所有相關檔案，做出一致協調的修改。
API 整合： 提供某個新氣象服務的 OpenAPI 規格之後，你可以說：「整合這個新的氣象 API。建立一個 service 模組來處理 API 呼叫，新增一個元件來顯示天氣，並更新主儀表板把它加進去。」
文件生成： 把它指向某個註解寫得很差的複雜模組，你可以要求：「分析 ./src/utils/data_processing.js 這個檔案。替每一個函式生成完整的 TSDoc 註解，說明它的用途、參數與回傳值。」

Claude CLI 的角色是一個專門的編碼助手，內建了處理核心開發任務的工具，包括讀取檔案、分析程式碼結構，以及生成編輯內容。它與 Git 深度整合，能直接管理分支與 commit。這個 Agent 的擴充性透過 MCP（原文寫作 Multi-tool Control Protocol；一般指 Model Context Protocol，見第 10 章）來達成，讓使用者可以定義並整合自訂工具。這使它能夠與私有 API 互動、查詢資料庫，並執行專案特有的腳本。這樣的架構把開發者放在決定 Agent 功能範圍的位置上，實際上就是把 Claude 塑造成一個推理引擎，再由使用者自訂的工具來增強它。

Gemini CLI

Google 的 Gemini CLI 是一個功能全面、開源的 AI Agent，設計目標兼顧強大與易用。它靠著先進的 Gemini 2.5 Pro 模型、超大的 Context Window（上下文視窗），以及多模態能力（可以處理圖片與文字）脫穎而出。它開源、免費額度大方，加上「Reason and Act」（推理與行動）的迴圈機制，讓它成為一個透明、可控又全能的工具，適合廣泛的使用者，從業餘玩家到企業開發者都涵蓋，對於身處 Google Cloud 生態系的人尤其合適。

使用情境範例：

多模態開發： 你從設計檔提供一張 Web 元件的截圖（gemini describe component.png），並下指令：「寫出 HTML 和 CSS 程式碼，做出一個外觀跟這個一模一樣的 React 元件。確保它是響應式的。」
雲端資源管理： 利用它內建的 Google Cloud 整合，你可以下令：「找出 production 專案裡所有執行版本低於 1.28 的 GKE 叢集，並生成一個 gcloud 指令，逐一把它們升級。」
企業工具整合（透過 MCP）： 開發者替 Gemini 提供一個叫做 get-employee-details 的自訂工具，它會連上公司內部的 HR API。Prompt 是：「幫我們的新進員工草擬一份歡迎文件。先用 get-employee-details —id=E90210 這個工具取得他的姓名與所屬團隊，再用這些資訊把 welcome_template.md 填好。」
大規模重構： 開發者需要重構一個龐大的 Java 程式碼庫，把一個已棄用的 logging 函式庫換成新的結構化 logging 框架。他可以對 Gemini 下這樣的 Prompt：讀取 ‘src/main/java’ 目錄下所有的 *.java 檔案。針對每個檔案，把所有 ‘org.apache.log4j’ 的 import 及其 ‘Logger’ 類別，換成 ‘org.slf4j.Logger’ 和 ‘LoggerFactory’。重寫 logger 的實例化，以及所有 .info()、.debug()、.error() 的呼叫，改用帶有鍵值對的新結構化格式。

Gemini CLI 配備了一整套內建工具，讓它能與所處的環境互動。這些工具包括檔案系統操作（例如讀取和寫入）、執行指令的 shell 工具，以及透過網頁抓取與搜尋來存取網路的工具。為了取得更廣的上下文，它會用專門的工具一次讀取多個檔案，並用一個記憶工具把資訊存下來供之後的 session 使用。這些功能都建立在一個安全的基礎之上：sandboxing（沙箱）機制把模型的動作隔離開來以防範風險，而 MCP 伺服器則扮演橋樑的角色，讓 Gemini 能安全地連上你的本地環境或其他 API。

Aider

Aider 是一個開源的 AI 編碼助手，它會直接在你的檔案上動工並把變更 commit 進 Git，扮演一個名副其實的結對程式設計夥伴。它最鮮明的特色是「直接」：它套用編輯、跑測試來驗證，並自動把每一個成功的變更 commit 起來。由於它不綁定特定模型，使用者能完全掌控成本與能力。它以 Git 為中心的工作流程，讓它特別適合那些看重效率、掌控感，以及所有程式碼改動都有透明、可稽核軌跡的開發者。

使用情境範例：

測試驅動開發（TDD）： 開發者可以說：「替一個計算數字階乘的函式，建立一個會失敗的測試。」Aider 寫好測試、確認它失敗之後，下一個 Prompt 是：「現在，寫出程式碼讓這個測試通過。」Aider 實作出這個函式，再跑一次測試來確認。
精準除蟲： 拿到一份 bug 報告，你可以指示 Aider：「billing.py 裡的 calculate_total 函式在閏年會出錯。把這個檔案加進上下文，修好這個 bug，並拿現有的測試套件來驗證你的修正。」
相依套件更新： 你可以下指令：「我們專案用的 ‘requests’ 函式庫版本過舊。請逐一檢查所有 Python 檔案，更新 import 語句以及任何已棄用的函式呼叫，讓它相容於最新版本，然後更新 requirements.txt。」

GitHub Copilot CLI

GitHub Copilot CLI 把那個廣受歡迎的 AI 結對程式設計夥伴延伸到終端機裡，它最主要的優勢在於與 GitHub 生態系原生而深入的整合。它理解一個專案在 GitHub 之內的上下文。它的 Agent 能力讓它可以被指派一個 GitHub issue、著手修復，並提交一個 pull request 交由人工審查。

使用情境範例：

自動化 Issue 解決： 主管把一張 bug 工單（例如「Issue #123：修復分頁的 off-by-one 錯誤」）指派給 Copilot Agent。這個 Agent 接著會 checkout 一個新分支、寫程式碼，並提交一個引用該 issue 的 pull request，全程都不需要開發者手動介入。
具備儲存庫感知的問答： 團隊裡的新開發者可以問：「這個儲存庫裡的資料庫連線邏輯定義在哪裡，它需要哪些環境變數？」Copilot CLI 靠著它對整個儲存庫的掌握，給出附帶檔案路徑的精確答案。
Shell 指令小幫手： 遇到不確定的複雜 shell 指令時，使用者可以問：gh? find all files larger than 50MB, compress them, and place them in an archive folder。Copilot 會生成完成這個任務所需的精確 shell 指令。

Terminal-Bench：命令列介面裡 AI Agent 的 benchmark

Terminal-Bench 是一套新穎的評估框架，用來衡量 AI Agent 在命令列介面裡執行複雜任務的熟練程度。終端機因為基於文字、又具備沙箱特性，被認為是 AI Agent 運作的理想環境。首個版本 Terminal-Bench-Core-v0 收錄了 80 項人工精選的任務，橫跨科學工作流程與資料分析等領域。為了讓比較更公平，開發團隊做了一個極簡的 Agent「Terminus」，作為各種語言模型的標準化測試平台。這套框架設計上具備擴充性，可以透過容器化或直接連線的方式整合各式各樣的 Agent。未來的規劃包括支援大規模平行評估，以及納入現有的成熟 benchmark。這個專案也鼓勵開源社群貢獻，以擴充任務並協力改善框架。

結語

這些強大的 AI 命令列 Agent 的出現，標誌著軟體開發的一次根本性轉變，把終端機變成一個動態、可協作的環境。如同我們所見，並不存在單一的「最佳」工具；相反地，一個充滿活力的生態系正在成形，每個 Agent 都提供了某種專門的強項。理想的選擇完全取決於開發者的需求：Claude 適合複雜的架構任務，Gemini 適合全面而多模態的問題解決，Aider 適合以 Git 為中心的直接程式碼編輯，而 GitHub Copilot 則適合無縫融入 GitHub 的工作流程。隨著這些工具持續演進，善用它們的能力會成為一項不可或缺的技能，從根本上改變開發者建構、除錯與管理軟體的方式。

參考資料

Anthropic. Claude. https://docs.anthropic.com/en/docs/claude-code/cli-reference
Google Gemini Cli https://github.com/google-gemini/gemini-cli
Aider. https://aider.chat/
GitHub Copilot CLI https://docs.github.com/en/copilot/github-copilot-enterprise/copilot-cli
Terminal Bench: https://www.tbench.ai/