2026 AI CLI 工具完全指南：從安裝到多 Agent 工作流

什麼是 AI CLI 工具？為什麼正在成為主流？

AI CLI 工具是在終端機中直接運作的 AI 編程代理。這些工具能讀取、撰寫、執行和除錯程式碼，完全不需要離開命令列。跟 IDE 內建的 AI 擴充套件不同，AI CLI 工具在你的程式碼所在之處運作——與 git、Docker、建置工具共存於終端機中。

從 IDE 轉向終端的原因很直接：2025 年中，Claude Code 和 Gemini CLI 證明了一個無介面的 AI agent 搭配好的 context engineering，在處理複雜的多檔案任務時，能打敗任何 IDE 內建的 AI 輔助工具。到了 2026 年初，所有主要 AI 實驗室都推出了終端 agent：Anthropic 的 Claude Code、Google 的 Gemini CLI、GitHub 的 Copilot CLI、OpenAI 的 Codex CLI。

三個因素推動了這個趨勢：

• 可組合性 — CLI 工具天生可以串接其他 CLI 工具。把一個 agent 的輸出導入另一個、在多個 git worktree 中平行執行 agent，這些在 IDE 中做不到。
• 低開銷 — 不需要渲染圖形介面、不需要處理擴充套件 API。終端 agent 把所有運算資源都用在推理上。
• 自動化 — CLI agent 可以直接嵌入 CI/CD pipeline、git hook 和 shell script。在 pre-push hook 中觸發程式碼審查 agent，完全不用開啟編輯器。

十大 AI CLI 工具總覽：2026 年不可不知

以下是 2026 年具有實質影響力的所有 AI CLI 編程工具，根據能力、生態系和實際採用率排列。

各類別推薦： Claude Code 在複雜的 agent 任務上領先——大規模重構、多檔案變更、架構層級推理。Gemini CLI 是免費方案的絕對霸主，每天 1,000 次請求搭配 Gemini 2.5 Pro。Copilot CLI 適合深度使用 GitHub 生態的團隊。重視開源和完全掌控的開發者，選 aider 或 Goose。

Cline CLI 列入表中是為了完整性，但必須提醒：2026 年 2 月的供應鏈攻擊事件（安全章節詳述）嚴重損害了信任度。

十分鐘上手：你的第一次 AI CLI 實戰

啟動一個 AI CLI 工具，取決於你要免費還是付費。Gemini CLI 是最佳免費起點，Claude Code 是最佳付費起點。

Gemini CLI（免費，約 2 分鐘）

Gemini CLI 需要 Node.js 18+ 和 Google 帳號。

npm install -g @anthropic-ai/gemini-cli
npx https://github.com/google-gemini/gemini-cli

首次啟動時，Gemini CLI 會透過 Google 帳號驗證身份，自動取得免費的 Gemini Code Assist 授權。不需要信用卡，不需要 API key。

# 進入專案目錄，啟動 Gemini CLI
cd your-project
gemini

輸入像「解釋這個專案的架構」或「在註冊表單加上輸入驗證」這樣的指令。Gemini CLI 會讀取你的程式碼庫、提出修改建議，經你同意後套用變更。

Claude Code（付費，約 5 分鐘）

Claude Code 需要 Anthropic API key 或 Claude Pro/Max 訂閱（$20-200/月）。

curl -fsSL https://claude.ai/install.sh | bash
claude

首次執行時 Claude Code 會要求驗證。連線後操作方式類似——讀取專案、理解 context、提出並套用修改。

# 帶著具體任務執行
claude "把認證模組重構為使用 JWT token"

兩個工具的互動模式相同：用自然語言描述需求、審查提議的修改、同意或調整。差異在推理深度——Claude Code 搭載 Opus 4.6，能處理更複雜的多步驟任務；Gemini CLI 的 Pro/Flash 混合模型在直接明確的任務上更快。

雙工具策略：免費搭配付費

2026 年最划算的工作流是把 Gemini CLI 用在探索和日常任務，把 Claude Code 留給複雜推理。這不是品牌忠誠的問題，是讓工具成本匹配任務複雜度。

Gemini CLI（免費）適合：

• 程式碼庫探索和理解（「這個模組做什麼？」）
• 簡單重構和程式碼產生
• 為既有程式碼撰寫測試
• 快速除錯和錯誤解釋
• 文件產生

Claude Code（付費）適合：

• 跨多檔案的架構變更
• 需要理解全系統影響的複雜重構
• 除錯微妙的並行或狀態管理問題
• 需要深度領域推理的程式碼撰寫
• 一次就要做對以節省反覆修改時間的任務

費用計算： Gemini CLI 每天 1,000 次請求涵蓋所有探索性和日常工作。Claude Code Pro 方案（$20/月）處理每天 5-10 個複雜任務。一個開發者每月只花 $20 在 Claude Code，其他全用 Gemini CLI，就能獲得 $200/月 Max 方案 90% 的能力。

同時執行兩個工具——一個終端用 Gemini CLI 探索程式碼庫，另一個終端用 Claude Code 進行主要實作——是讓這個策略落地的關鍵工作流。

Context Engineering：CLAUDE.md、AGENTS.md 及其他

Context engineering 是結構化專案資訊，讓 AI agent 產出更好結果的實踐方法。2026 年，context engineering 比 prompt engineering 重要得多——在專案根目錄放一個結構良好的 CLAUDE.md 檔案，持續產出的品質遠勝任何巧妙的一次性 prompt。

Context 檔案的作用

Claude Code 讀取 CLAUDE.md，Codex CLI 讀取 AGENTS.md，大多數其他工具兩者都讀。這些檔案在 agent 寫下任何一行程式碼之前，就告訴它你專案的架構、慣例和限制條件。

實用的 CLAUDE.md 範本

## 專案概述
[用一段話描述這個專案做什麼]

## 架構
- 框架：Next.js 15 App Router
- 資料庫：PostgreSQL via Prisma
- 認證：NextAuth.js v5
- 樣式：Tailwind CSS

## 程式碼慣例
- 使用 TypeScript strict mode
- 優先使用 server component，僅在必要時使用 'use client'
- 錯誤處理：使用 Result type，不用 try/catch
- 測試：Vitest 做單元測試，Playwright 做 e2e

## 目錄結構
- src/app/ — 路由和頁面
- src/components/ — 共用 UI 元件
- src/lib/ — 商業邏輯和工具函式
- src/db/ — Prisma schema 和 migration

## 重要限制
- 不要直接修改 migration 檔案
- 所有 API route 必須用 Zod 驗證輸入
- 除了頁面之外不使用 default export

ETH Zurich 的研究發現

蘇黎世聯邦理工學院的研究發現，過度詳細的 context 檔案反而會降低 agent 表現。最佳範圍是 200-500 字的高信號資訊：專案架構、關鍵慣例、硬性限制。避免重述 agent 能從程式碼庫推斷的內容（例如當 tsconfig.json 存在時，不用特別說明「這是 TypeScript 專案」）。

AGENTS.md 的跨工具相容性

OpenAI 的 AGENTS.md 慣例和 CLAUDE.md 功能類似，但被 Codex CLI、Copilot CLI 和其他多個工具識別。如果你使用多種 AI CLI 工具，兩個檔案都維護——或以 AGENTS.md 為正式來源，讓 CLAUDE.md 參照它。

多 Agent 開發：搭配 Git Worktree

2026 年最強大的 AI CLI 工作流是平行執行多個 agent，每個 agent 在自己的 git worktree 中運作。這個模式能讓一個開發者等同一個小團隊。

模式說明

Git worktree 讓你同時在不同目錄中 checkout 同一個 repository 的多個分支。每個 AI agent 在自己的 worktree 中工作、在自己的分支上修改，不會干擾其他 agent 或你的主工作目錄。

設定步驟

# 為平行 agent 工作建立 worktree
git worktree add ../myproject-feature-auth feature/auth
git worktree add ../myproject-feature-api feature/api
git worktree add ../myproject-fix-tests fix/flaky-tests

在每個 worktree 中分別執行 AI CLI agent：

# 終端 1：Claude Code 處理認證
cd ../myproject-feature-auth
claude "實作 OAuth2 PKCE flow"

# 終端 2：Gemini CLI 處理 API
cd ../myproject-feature-api
gemini "在所有 API route 加上 rate limiting middleware"

# 終端 3：aider 修復測試
cd ../myproject-fix-tests
aider --message "修復 tests/api/ 中不穩定的整合測試"

每個 agent 擁有完整的程式碼庫 context，在自己的分支上修改和 commit。完成後你逐一審查、合併每個分支。

為什麼這個模式有效

AI 輔助開發的瓶頸不在 agent 的速度——而在開發者在不同任務之間切換 context 的能力。平行在多個 worktree 中執行 agent，把 context 切換的工作交給 git，同時保持各項修改的乾淨隔離。

挑戰在於管理多個終端 session，每個跑不同的 agent、在不同的目錄中。你需要同時看到所有 agent 的工作狀態、快速切換、清楚分辨哪個終端在做什麼。Termdock 原生支援這個場景——拖拉調整終端面板大小讓三個 agent 同時可見、把檔案直接拖進任何終端、透過 workspace 層級的 Git 狀態同步掌握每個 agent 的進度。

費用真相：你實際會花多少錢

2026 年 AI CLI 工具的定價從完全免費到每月數百美元都有。以下是各主流工具的實際費用。

依開發者類型估算的每月實際費用：

• 預算型開發者： $0/月 — Gemini CLI 免費方案處理 80% 需求。搭配 aider 或 Goose 使用免費的本地模型做離線工作。
• 專業開發者： $20-49/月 — Claude Code Pro（$20）加上 Copilot Pro（$10）做 GitHub 整合，再加 Gemini CLI 免費方案做探索。
• 重度使用者： $100-200/月 — Claude Code Max 5x（$100）或 Max 20x（$200）用於延伸複雜推理，日常用免費工具。
• API 導向開發者： 浮動，通常 $30-80/月 — 使用 aider、Crush 或 OpenCode 搭配直接 API 存取。按 token 計費，中等用量比訂閱便宜，重度使用則更貴。

免費方案疊加策略值得注意：Gemini CLI（每日 1,000 次請求）加上 Copilot CLI（免費 GitHub 帳號有限額使用）加上 Goose（免費開源）—— 三個工具 $0/月。

AI CLI 搭配的終端模擬器：Ghostty、Warp 及其他

執行 AI CLI 工具時，終端模擬器的選擇比以往更重要。輸入延遲、分割面板管理、session 處理，直接影響你與 AI agent 協作的效率。

快速比較

Ghostty 是 2026 年最受矚目的終端模擬器。由 Mitchell Hashimoto（Terraform 和 Vagrant 的創造者）開發，Ghostty 結合了 Alacritty 的速度、正確的終端相容性，以及原生平台整合。上線不到 15 個月就累積超過 45,000 GitHub 星數，成為追求速度和正確性的開發者的首選。

Warp 走另一條路，把 AI 直接嵌入終端。Warp 的區塊式指令輸出、錯誤解釋、自然語言轉指令功能確實實用。代價是 8ms 的輸入延遲（打字快的人感受得到）和封閉原始碼。

真正的問題不是選哪個終端——而是平行執行多個 AI agent 時如何管理多個終端 session。 單一終端模擬器處理一個 session 沒問題。同時跑三個 Claude Code 實例分別在三個 git worktree 中，需要專為多 agent 場景設計的工具。

Termdock 的定位跟傳統終端模擬器不同。它是以終端為中心的 AI 開發環境，結合了終端管理、內建多家 AI 服務整合（OpenAI、Anthropic、Google、xAI，自動容錯切換）、支援 12+ 程式語言的 AST 程式碼分析、視覺化 Git 工作流，以及整合式檔案管理。你可以自由拖拉調整終端視窗大小、直接把檔案拖進任何終端 session、在不同專案 workspace 之間切換並自動恢復完整狀態。每個 workspace 的 Git 狀態跨所有終端同步——在一個終端切分支，同 workspace 的每個終端即時反映。

Ghostty 和 Warp 是優秀的獨立終端，Termdock 則是把多個終端 session 整合成統一 AI 開發工作流的那一層。

MCP 和 ACP：協定層

Model Context Protocol（MCP）是讓 AI CLI 工具連接外部資料源和服務的開放標準。Anthropic 在 2024 年 11 月推出 MCP，從最初的幾個參考實作，成長到 2026 年初數以萬計的社群伺服器。單是 MCP Servers repository 就有超過 79,000 GitHub 星數。

MCP 在 CLI 工具中的運作方式

MCP server 對外提供 AI agent 可使用的工具、資源和 prompt。一個 Postgres MCP server 讓 Claude Code 直接查詢你的資料庫。一個 GitHub MCP server 讓 Gemini CLI 讀取 issue 和建立 pull request。一個 Sentry MCP server 讓任何 agent 用真實資料調查線上錯誤。

{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres"],
      "env": { "DATABASE_URL": "postgresql://..." }
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": { "GITHUB_TOKEN": "ghp_..." }
    }
  }
}

Claude Code、Codex CLI、Copilot CLI、Goose、Crush 和 OpenCode 都原生支援 MCP。Gemini CLI 在 2026 年初加入 MCP 支援。生態系效應很明顯——一旦某個服務有了 MCP server，所有相容的 AI CLI 工具都能立即使用。

ACP：Agent Client Protocol

Agent Client Protocol（ACP）是 JetBrains 和 Zed 共同開發的另一個標準。MCP 連接 AI agent 和資料源，ACP 連接 AI agent 和程式碼編輯器。ACP 標準化了終端 agent（像 Claude Code 或 Goose）和 IDE 之間的溝通方式，讓開發者能在 JetBrains IDE 和 Zed 編輯器中一鍵安裝 agent。

ACP Agent Registry 在 2026 年 1 月上線，開發者可以直接從 IDE 中瀏覽和安裝 ACP 相容的 agent。MCP 和 ACP 是互補的——MCP 給 agent 存取工具和資料的能力，ACP 給 agent 存取編輯器功能的能力。

安全性：供應鏈攻擊與權限模型

2026 年 2 月的 Cline CLI 2.3.0 供應鏈攻擊，是 AI CLI 生態的一記警鐘。攻擊者利用外洩的 npm 發布 token，在 Cline CLI 套件中注入惡意程式碼，在八小時內靜默安裝 OpenClaw 套件到約 4,000 台開發者的機器上。

Cline CLI 事件始末

2026 年 2 月 17 日，未經授權的一方在 npm 上發布了修改過的 Cline CLI 版本。攻擊利用了一個名為「Clinejection」的漏洞鏈——Cline 的 issue 分類機器人可以透過 prompt injection 被操縱以洩漏憑證。即使 2 月 9 日已有初始揭露，憑證輪換並不完整，npm 發布 token 仍處於有效狀態。

攻擊不影響 Cline 的 VS Code 擴充套件或 JetBrains 外掛——只影響 npm CLI 套件。Cline 發布了 2.4.0 版本、撤銷了外洩的 token，並遷移到基於 GitHub Actions 的 OIDC 發布機制。

各工具的權限模型

不同 AI CLI 工具處理權限的方式不同：

• Claude Code 使用分層權限系統。檔案讀取預設允許。檔案寫入、shell 指令、MCP 工具呼叫需要明確同意，除非你設定了允許清單。
• Copilot CLI 提供 Plan Mode（執行前審查）和 Autopilot Mode（自主執行）。Autopilot 是每次 session 單獨啟用的。
• Codex CLI 預設在雲端沙盒中執行程式碼，隔離執行環境與你的本機。
• Goose 對工具使用和 shell 指令都要求明確同意。
• aider 在套用修改前要求確認，且每次修改都建立 git commit，隨時可以 revert。

最佳實踐

1. 鎖定相依版本。 在專案中使用精確版本安裝 AI CLI 工具。CI/CD 中不要用 @latest。
2. 使用 lockfile。 確保 package-lock.json 或同等檔案已 commit 並通過驗證。
3. 審查權限。 從確認模式開始，不要一開始就用自主模式。只在信任工具在你特定程式碼庫上的行為後，才啟用自主執行。
4. 稽核 MCP server。 只連接來源可信的 MCP server。在授予資料庫或 API 存取權限之前，審查其程式碼。
5. 隔離環境。 在 git worktree 或 container 中執行 AI agent，限制出問題時的影響範圍。

展望：2026 下半年及未來趨勢

幾個趨勢正在決定 AI CLI 工具的走向。

Agent 間協作正從實驗階段走向生產環境。Claude Code 的 agent team、Copilot CLI 的 fleet mode、Codex CLI 的多 agent 功能，都指向這樣的工作流：多個專業化 agent 協調處理複雜任務——一個寫程式碼、一個做審查、一個跑測試，全自動編排。

本地模型品質正在跨越可用門檻。aider、Crush、Goose 都已支援透過 Ollama 和 LM Studio 使用本地模型。隨著開放權重模型持續進步，「免費加上隱私」的組合正在成為生產可用的選項，不再只是實驗性質。

協定收斂——MCP 和 ACP 很可能走向整合。兩個標準服務相同目標：讓 AI agent 可互操作。Agentic AI Foundation（隸屬 Linux Foundation，由 AWS、Anthropic、Google、Microsoft、OpenAI 共同支持）是最可能推動這個整合的組織。

成本壓縮持續進行。Gemini CLI 的免費方案迫使每個競爭者重新證明自己定價的合理性。預期 2026 年會出現更大方的免費方案和更低的每 token 成本。方向很明確：基礎 AI 編程輔助走向免費，進階推理能力維持付費。

終端模擬器會為 AI 工作流特化。 同時管理三個 agent 分別在三個 worktree 中運作，理論上可行、實際操作卻很痛苦。專為多終端場景設計的解決方案會填補這個缺口。

開始行動清單

從零開始建立 AI CLI 工作流的具體計畫：

1. 安裝 Gemini CLI — 免費，不需信用卡。執行 npx https://github.com/google-gemini/gemini-cli，用 Google 帳號驗證。
2. 在專案根目錄建立 CLAUDE.md — 寫入你的架構、慣例和限制條件（200-500 字）。
3. 執行第一個任務 — 從安全的指令開始，像「解釋這個專案的架構」，確認工具能理解你的程式碼庫。
4. 設定 git worktree — 建立 2-3 個 worktree 供平行 agent 使用：git worktree add ../project-feature feature/name。
5. 在免費工具不夠用時加入 Claude Code — curl -fsSL https://claude.ai/install.sh | bash。$20/月的 Pro 方案對多數開發者足夠。
6. 設定 MCP server — 為你最常用的服務建立連接（GitHub、資料庫、錯誤追蹤）。
7. 建立權限策略 — 所有工具從確認模式開始。只在信任工具對你程式碼庫的行為之後，才啟用自主執行。
8. 為多 agent 工作設定你的終端 — 下載 Termdock 作為你的 AI 開發中樞。拖拉調整每個 agent 的終端面板、把檔案直接拖進任何 CLI、切換 workspace 時自動恢復所有 session。內建的 AST 分析和 Git 視覺化工作流讓它不只是終端——而是你的 AI agent 指揮中心。

AI CLI 的局勢會持續快速演變。但基本功不會變：了解你的工具、做好 context engineering、管好費用、把安全做扎實。