过去数月，我在Anthropic Claude Code、OpenAI Codex以及Google Antigravity这三大主流AI编程工具间频繁切换。起初，我将它们视为竞争对手进行对比测试，但随着对各自优劣认知的加深，一个念头油然而生：若不再零和博弈，而是让三者协同工作，效果如何？
为此，我尝试让这三个AI代理从零开始共同构建一款学习应用，每个代理负责项目的不同模块。实验结果证明，这种“多代理协同”模式不仅突破了单一工具的性能瓶颈，更在开发效率与代码质量上带来了惊喜。
为何选择多代理协同？
经过对不同LLM（大语言模型）和编程代理的长期实测，我意识到不存在全能的单一模型。随着技术迭代，今日的最优解可能在明日便显颓势。例如，Codex虽在后端架构上表现扎实，但在前端UI构建上往往粗糙，需大量手动干预；而Google Gemini系列的Argon 4版本在前端设计与产品决策上进步显著，足以弥补Codex的短板；Claude Code则在整体架构与后端逻辑上保持一贯的高水准。
除了能力互补，多代理模式还解决了两大痛点：一是打破单一工具的使用配额限制，避免因额度耗尽导致项目停滞；二是实现真正的并行处理。在处理复杂模块时，多个代理可同时推进不同任务，而非串行等待，显著提升开发吞吐量。
Orca：串联多代理的关键枢纽
以往并行使用多个代理时，需打开多个终端窗口并手动同步状态，流程混乱且低效。为解决这一问题，我引入了开源代理开发环境（ADE）——Orca。它支持Claude Code、Codex、Antigravity等多种代理的统一管理，并核心支持Git工作树（Git worktrees）功能。
Git工作树允许多个代理在同一项目的不同分支上独立工作，互不干扰。基于此，我构建了名为StudyLab的学习应用，并进行如下分工：
- Antigravity：负责前端开发与UI设计；
- Claude Code：负责后端开发、数据库管理及基础架构搭建；
- Codex：负责学习算法、间隔重复系统逻辑及测试编写。
并行开发：更快、更自动化的交付
在Orca中，我基于同一基础代码库创建了三个独立的Git工作树，并向各代理下发明确的职责提示词。随后，三者同时启动，分别构建StudyLab的不同部分。我无需在不同终端间跳转，只需在Orca界面中监控各代理会话即可，全程几乎无需人工干预。
当各模块完成后，我指令Claude Code将各方贡献合并。出乎意料的是，尽管代理们独立工作，最终仅产生一个涉及文档编辑的合并冲突，且被Claude自动妥善解决。应用顺利通过初步验证。
在测试阶段，针对Chrome权限问题，我改用Playwright进行自动化浏览器测试。最终，包括创建课程、保存笔记、复习闪卡、完成测验及追踪进度在内的五条核心用户旅程全部跑通，项目更通过了141项自动化测试。
结论：1+1+1 > 3
最终成品展现出惊人的连贯性。界面精致流畅，各模块协作无缝，完全符合一款成熟学习应用的预期。更重要的是，工作量分散至三个代理，避免了单一工具配额的快速耗尽。这场实验证实，通过Orca等工具协调，竞争关系的AI代理完全可以转化为高效的协作团队，为复杂软件开发提供全新范式。