开发者分享个人Vibe Coding工作流：多Agent协同与规范探索

背景

随着 AI 辅助编程（Vibe Coding）的普及，开发者不再局限于单一的工具或模型，而是倾向于构建由多个 Agent（智能体）组成的混合工作流。然而，这种多工具并用的模式也带来了显著的痛点：频繁在不同 Agent 之间切换不仅打断心流，还导致工作流缺乏统一标准，变得混乱且难以维护。

本文基于 LINUX DO 社区的一篇讨论，深入解析了一位资深开发者目前的个人 Vibe Coding 工作流。该开发者目前同时使用 Claude Code、Codex、OpenCode + oh my openagent、KIMI、Reasonix 以及 Hermes Agent 等多个工具，并面临“自建 code-assistant”与“OpenSpec 规范”两套开发规范的冲突。其核心诉求在于如何整合这些碎片化的工具，建立一套区分日常闲聊、小项目开发及正式项目开发的标准化工作流，以解决“工具包袱”问题。

核心内容

当前工作流的现状与痛点

作者目前处于一种“多 Agent 混用”的状态，主要使用的工具包括：

• Claude Code
• Codex
• OpenCode + oh my openagent
• KIMI
• Reasonix
• Hermes Agent

在开发规范层面，作者同时存在两套体系：

1. 自建规范：自行搭建的 code-assistant。
2. 遵循规范：采用 OpenSpec 标准。

这种多工具、多规范并存的现状导致在“Vibe Coding”（即依靠直觉和氛围进行快速编码）过程中体验割裂，频繁切换 Agent 成为了一种负担。

拟议的标准化工作流框架

为了解上述问题，作者计划试行一套新的规范，旨在根据项目性质区分工作流：

1. 正式项目开发与迭代

此类场景对代码质量和架构稳定性要求最高，因此采用“强模型规划 + 强工具实现”的组合：

• 规划阶段：使用 Claude Code 配合 Claude 模型。利用其强大的逻辑推理能力建立初步认知和顶层框架规划。
• 实现阶段：使用 OpenCode 配合 OpenSpec 规范，调用 Codex 或 DS (DeepSeek) 模型进行具体代码实现。

2. 小项目开发

此类场景追求效率与成本的平衡，倾向于使用性价比更高的国产模型：

• 规划阶段：使用 Claude Code 建立初步规划，但底层模型可替换为国产模型（国模）。
• 实现阶段：使用 OpenCode 配合个人编写的 Skill 进行实现，模型同样使用国产模型。

3. 日常闲聊与轻量交互

此类场景对模型能力要求较低，核心诉求是响应速度和成本：

• 首选：Hermes Agent，配合量大管饱的低成本模型。作者目前个人配置为 KIMI Code Plan。
• 备选：千问客户端（通义千问）。

选型逻辑与成本考量

作者在工具选型上展现了极强的实用主义和成本意识：

• 为何未采用 Claude Code + oh my claude 组合？ 作者早期未使用此组合，转而尝试了 OpenCode + oh my openagent 并发现效果尚可，因此未做迁移。除非迁移能带来显著的性能提升，否则维持现状。

• 为何不将 Claude 或 GPT 作为主力开发模型？

  • GPT：如果稳定性足够高，作者表示可以使用，但隐含了对当前稳定性的保留态度。
  • Claude Code：主要障碍是成本。作者认为 Claude 模型价格过高，仅适合用于制定计划等对逻辑要求极高但代码量较小的环节。若将其作为主力开发模型，投入产出比（ROI）极低，因为实现需求本身无法带来与之匹配的收益。

关键要点

• 多 Agent 切换成本高：频繁在 Claude Code、Codex、OpenCode 等不同工具间切换会破坏开发心流，形成“工具包袱”。
• 分层工作流策略：
  • 正式项目：Claude Code (规划) + OpenCode/OpenSpec/Codex (实现)。
  • 小项目：Claude Code (规划) + OpenCode/个人 Skill (实现)，模型均倾向国产。
  • 日常闲聊：Hermes Agent (KIMI Code Plan) 或 千问客户端。
• 成本驱动选型：Claude 模型因价格昂贵，仅用于高价值的顶层规划；Codex、DS 及国产模型因性价比高，被用于具体的代码实现环节。
• 规范统一的需求：目前自建规范与 OpenSpec 并存导致混乱，亟需统一标准以优化体验。
• 迁移门槛：只有当新组合（如 oh my claude）能带来显著提升时，才会替换现有的 OpenCode 组合。

意义与影响

这篇分享揭示了当前 AI 编程领域的一个典型趋势：从“单一大模型依赖”向“混合专家系统（Mixture of Experts）”演变。

1. 工具链的碎片化与专业化：开发者不再迷信单一平台，而是根据任务类型（规划 vs 实现 vs 闲聊）和成本敏感度，组合不同厂商和类型的工具。Claude 负责“大脑”（逻辑与架构），Codex/国产模型负责“双手”（代码生成），Hermes/Kimi 负责“嘴”（交互与轻量任务）。
2. 成本优化的极致追求：在 Vibe Coding 模式下，开发者开始精细化计算 Token 成本。将昂贵的 Claude 限制在规划阶段，将大量的代码生成任务分配给更便宜的模型，是提升个人开发 ROI 的关键策略。
3. 标准化工作的紧迫性：随着工具数量的增加，缺乏统一规范（如 OpenSpec）会导致维护噩梦。未来的 AI 编程工作流竞争，不仅是模型能力的竞争，更是工作流标准化、自动化和可复用性（如个人 Skill 库）的竞争。
4. 国产模型的崛起：在小项目和日常场景中，国产模型（如 KIMI、通义千问）因其性价比和可用性，正在成为主力开发模型的重要替代方案，打破了欧美大模型在 AI 编程领域的绝对垄断。