上周我在一个微服务项目上重构支付模块——12个文件，跨三个目录，涉及 Stripe 旧 API 迁移。
先试了 Codex CLI，十来秒就跑完了。一看代码，逻辑是对的，但有个边界条件没处理。再试 Claude Code，它先读了十多秒（1M token 上下文，整个项目塞了进去），然后开始改。慢是真慢，但改完我几乎不用调。
我还特地用 Gemini CLI 跑了同一个任务——免费的，1M 上下文，开 Deep Think 模式。结果嘛……只能说符合它的价格。
这不是一篇评测软文。我花了三天时间，用同一组任务测试了这三个 CLI 工具——不是为了跑分，是真实干活。下面是我的结论。
先表态：三个工具，三个哲学
AI CLI 赛道在 2026 年已经杀成红海了。但真正站住的，也就这三家。
| 工具 | 开发商 | 核心模型 | 开源？ | 起售价 |
|---|---|---|---|---|
| Claude Code | Anthropic | Opus 4.6 | ❌ 闭源 | $20/月（Pro） |
| Codex CLI | OpenAI | GPT-5.3-Codex | ✅ Apache 2.0 | $20/月（ChatGPT Plus） |
| Gemini CLI | Gemini 3 Pro | ✅ 开源 | 免费（1000次/天） |
数据来自官方文档和 SWE-bench 公开榜单。
它们的差异不只是模型不同，而是架构哲学完全不同：
- Claude Code：本地运行，深度推理。改代码前先把整个项目"读一遍"，脑子里建好依赖图再动手。慢，但准。
- Codex CLI：默认跑在云端沙箱里。隔离执行，安全第一。速度快，token 用量省，适合"你明确知道要改什么"的场景。
- Gemini CLI：免费、开源、超大上下文。1M token 是标配，不是 beta。还带 Google Search grounding，能实时查最新文档。
怎么选？看场景。
数据不会说谎：Benchmark 对比
先上硬数据。注意不同 Benchmark 测的东西不一样，直接比数字有陷阱。
| 指标 | Claude Code (Opus 4.6) | Codex CLI (GPT-5.3-Codex) | Gemini CLI (Gemini 3 Pro) |
|---|---|---|---|
| SWE-bench Verified | 80.8% | 56.8%（SWE-bench Pro） | 未官方公布 |
| Terminal-Bench 2.0 | 65.4% | 77.3% | 未官方公布 |
| OSWorld Verified | 72.7% | 64.7% | 未官方公布 |
| 首次修改正确率 | ~95% | ~90% | ~85-88% |
| Token 效率 | 基准线 | 2-3x 更省 | 介于两者之间 |
| 生成速度 | ~15-25 tok/s | ~65-70 tok/s（Spark: 1000+） | ~30-40 tok/s |
一个关键发现：SWE-bench Verified 和 SWE-bench Pro 不是同一个东西。Verified 测的是经过人工确认的解决方案，Pro 跨 4 种语言。80.8% vs 56.8% 的差距是真实的，但你不能直接拿这两个数字说"Claude 比 Codex 强 24 个百分点"——它们测的不是同一套题。
但首次修改正确率这件事，我实测下来确实和表格里的数字对得上。Claude Code 经常一次改对，Codex CLI 偶尔漏个边缘 case，Gemini CLI……嗯，需要盯一下。
深度体验：每个工具到底好在哪
Claude Code：适合"我不确定怎么改"的场景
Claude Code 的 Agent Teams 功能是真能打。上次我让它重构用户认证模块：
claude"Set up an agent team:- Agent 1: refactor auth module to JWT- Agent 2: update integration tests- Agent 3: update API docsCoordinate through team lead. Merge when CI passes."三个子 agent 并行干活，一个 orchestrator 协调上下文、解决冲突。最后 CI 直接绿了。
不过也有翻车的时候。有一次在一个大项目里跑久了（超过 1000 回合），它开始"遗忘"某些文件的修改状态——上下文虽然大，但会话管理还是有天花板。
Codex CLI：适合"我知道要改什么，快就行"
Codex CLI 的沙箱模式我一开始觉得鸡肋——谁需要隔离啊？直到有一次让它跑自动化脚本，它差点删了我本地一个配置文件。沙箱救了命。
速度是真的快。Spark 变体在 Cerebras 硬件上能跑到 1000+ tok/s——我一开始以为数据错了，实测下来，复杂任务确实比 Claude Code 快 3-5 倍。
但深度不行。有一次我让它排查一个跨模块的竞态条件 bug，它找到了表面症状，没找到根因。同样的 bug，Claude Code 一路追到了三层抽象以下的锁问题。
说得直白点：Codex CLI 是个优秀的执行者，但不是个优秀的思考者。
Gemini CLI：免费的到底行不行
Gemini CLI 最大的优势不是技术，是价格。
1000 次/天免费，连信用卡都不要。你有一个 Google 账号就能用。这一点对于预算紧张的个人开发者或学生来说，杀伤力巨大。
而且它的 1M token 上下文不是画饼——是标配。我试过把一个中型 Node.js 项目（大概 80 个文件）整个丢进去，它确实能引用到项目深处的代码。
问题是——准确率。同样是修复一个跨模块的 bug，Gemini CLI 给了方案 A，我说不对，它换方案 B，还不对……来回五次才定位到问题。Claude Code 一次就找到了。
不过 Google Search grounding 这功能是真的香。写依赖最新 API 的代码时，Claude Code 和 Codex CLI 的知识可能已经过时了（训练数据截止日期在那），但 Gemini CLI 能实时查文档。
价格：不是越贵越好
| 使用场景 | 推荐工具 | 月费估算 | 理由 |
|---|---|---|---|
| 学生/个人开发 | Gemini CLI | 免费 | 1000次/天够用 |
| 日常 CRUD/小项目 | Codex CLI | $20 | 速度快，token省 |
| 复杂重构/架构调整 | Claude Code | $20-100 | 一次改对的成本优势 |
| 团队协作/CI 集成 | 混合使用 | $40-120 | 各取所长 |
| 预算无限 | Claude Code Max 20x | $200 | Agent Teams + 高配额 |
这里有个反直觉的结论：Claude Code 虽然单价最贵，但单次任务成本可能最低——因为它一次改对的概率高，省掉了后续的调试迭代。
你该怎么选？
一句话总结：
不确定怎么改，选 Claude Code。确定怎么改、想快点完事，选 Codex CLI。不想花钱、或需要超大上下文，选 Gemini CLI。
最好的开发者——2026 年我看到越来越多的人——其实是三个都用。日常开发用 Gemini CLI（免费），复杂重构切到 Claude Code，跑自动化脚本丢给 Codex CLI 的沙箱。
你平时用哪个？遇到过什么坑？评论区说说，我整理到后续文章里。
数据来源：SWE-bench 公开榜单、Terminal-Bench 2.0、各产品官方文档+个人实测。Benchmark 数据截至 2026 年 5 月。
