一、为什么要翻源码？

你每天用 Claude Code、Gemini CLI 或 OpenCode 写代码，它们帮你读文件、跑命令、改 bug。但你有没有好奇过——当你按下回车的那一刻，背后到底发生了什么？

市面上已经有足够多的「15 个 AI 编程工具横评」^[7]了。它们告诉你「用什么」，却不告诉你「为什么这样造的」。

我们做了一件大部分人好奇但没时间做的事：把三个仓库并排打开，问同一个工程问题，看三家怎么做。结果发现，这三个看起来功能差不多的工具，底层的设计哲学相差十万八千里。

先来一张身份证：

GitHub Star 数据截至 2026 年 2 月 15 日^[1][2][3]

二、Agent Loop：同一个 while 循环，三种写法

Agent Loop 是这类工具的心脏。说白了就是一个循环：用户说话 → 模型想 → 调工具 → 看结果 → 再想 → 再调 → 直到完事。但三家在这个循环上的设计差异巨大。

这里有个反直觉的点：Gemini CLI 的 Agent Loop 在代码里几乎"看不见"。Claude Code 和 OpenCode 都有显式的循环逻辑，但 Gemini CLI 把循环委托给了 API 层——generalist-agent.ts 里看到的更像是一份配置清单（20 轮上限、10 分钟超时），而非一个循环体^[2]。

三、安全系统：你信不信你的 AI 不会 rm -rf /

让 AI 在你电脑上执行任意代码——这件事本质上是危险的。三家在「让 Agent 干活」和「不让 Agent 搞事」之间，做出了截然不同的选择。

Claude Code 的 Hook 系统：最灵活，也最考验使用者

Claude Code 提供了 11 个 Hook 事件——PreToolUse、PostToolUse、Stop、SessionStart、SubagentStart 等^[1][6]。你可以在工具调用前后注入自定义逻辑：

Claude Code Hook 示例 — 拦截危险文件操作

// settings.json 中的 Hook 配置 {   "hooks": {     "PreToolUse": [{       "matcher": "Edit|Write",       "hooks": [logFileChange]     }]   } }  // Hook 可以：允许 / 拒绝 / 修改输入 / 注入系统消息

这套系统的厉害之处在于：Hook 的优先级高于权限规则。也就是说，你的自定义逻辑在系统权限检查之前就执行了。灵活，但代价是你得自己写那些安全边界。

Gemini CLI 的六阶段工具执行流水线

Gemini CLI 走了另一条路——用策略引擎替代手动 Hook^[2]。工具执行要走完六个阶段：

策略优先级从高到低：管理员远程覆盖 > TOML 策略文件 > ApprovalMode > 工具允许/拒绝列表。对企业场景来说，这种中央管控式的安全比 Claude Code 的"自己写 Hook"友好得多。

OpenCode 的妙招：让 Plan Agent 当"只读实习生"

OpenCode 的安全思路最简洁也最优雅^[3]：

这等于在架构层面实现了"先看后做"的工作流。不需要写规则、不需要配策略——角色本身就是权限边界。

四、工具系统：AI 的手和脚

Agent 能干什么，完全取决于它能调用什么工具。三家在工具系统设计上的差异，直接决定了你拿这些工具能做多大的事。

OpenCode 的杀手锏：LSP 当工具用

这是三个仓库里我觉得最精彩的设计^[3][5]。OpenCode 内置了 36 种语言服务器（TypeScript、Python、Go、Rust、Ruby、Java、Kotlin、C/C++、C#、Swift、Dart、Elixir、Haskell 等），当 Agent 修改了一段代码之后：

用作者原话说：「OpenCode 优雅地启动 LSP 服务器和客户端，通过全局 Event Bus 处理通信」^[5]。

Claude Code 和 Gemini CLI 改完代码后呢？它们不知道自己改出了语法错误——直到你手动跑一遍 lint 或者编译失败。这个差距在大型重构任务中特别明显。

Gemini CLI 的 Google Search Grounding：用搜索增强推理

Gemini CLI 有一个独家武器——web-search.ts 里实现了 Google Search Grounding^[2]。不是简单的"搜索然后返回链接"，而是：

Gemini CLI — Google Search Grounding 实现逻辑

// packages/core/src/tools/web-search.ts // 1. 调 Gemini API（model: 'web-search'） // 2. 提取 groundingMetadata → groundingChunks（网页来源） // 3. 处理 groundingSupports（引用标记） // 4. 用 TextEncoder/TextDecoder 处理 UTF-8 字节位置 // 5. 返回：llmContent + sources + 带内联引用的展示文本

搜索结果带着精确的引用位置回来，模型的回答里自动标注了来源。这个做法比 Claude Code 的 WebSearch 工具更深度——后者更像是"搜索然后总结"，没有 Grounding 的精度。

MCP：三家唯一的共识

Model Context Protocol (MCP) 是这个赛道里唯一达成共识的标准^[8]——三个工具全部支持。Anthropic 2024 年 11 月推出，OpenAI 2025 年 3 月采纳，Google 跟进。不管你用哪个工具，同一套 MCP 服务器都能用。

五、上下文管理：200K vs 1M，谁更聪明？

你的代码库可能有几十万行，但 LLM 的上下文窗口是有限的。三家在"有限窗口装无限代码"这件事上，策略完全不同。

Claude Code 的 Compaction 机制值得展开说。当上下文使用到 ~92% 时自动触发：对话历史被摘要压缩，保留关键事实和决策，丢弃冗余细节^[1][6]。

但压缩是有代价的。有开发者反馈：「Compaction 后模型忘记了之前讨论过的一个关键约束，导致重构方向偏移」^[9]。200K 逼出了精巧的上下文管理工程，1M 让 Gemini 可以"记住一切"但可能更浪费 token。你选哪个？

六、多 Agent 架构：一个 AI 不够，就派一群

三家都已经走到了"单 Agent 不够用"的阶段，但解法又是完全不同的。

Claude Code 的多 Agent 系统最成熟^[1]。通过 Task 工具，主 Agent 可以派生子任务给专门的 SubAgent。每个 SubAgent 有独立的上下文、受限的工具集，甚至可以用不同的模型（Sonnet 做轻量任务、Opus 做重活）：

Claude Code — SubAgent 定义（TypeScript SDK）

// AgentDefinition {   "code-reviewer": {     description: "Expert code reviewer",     prompt: "Analyze code quality and security",     tools: ["Read", "Glob", "Grep"],  // 受限工具     model: "sonnet"                    // 用便宜的模型   } }

OpenCode 的做法更灵活——SubAgent 用 Markdown 文件定义^[3]。在 agents/ 目录下放一个 .md 文件，frontmatter 写配置，正文写 prompt。这意味着非开发者也能定义 Agent。

七、最反直觉的三个发现

八、如果你要自己造一个，该从哪个仓库学起？

我们不做排名——三个工具面向不同的场景、不同的用户、不同的信仰。但如果你想造自己的 AI 编程工具，每个仓库都有值得学的东西：

最后说句大实话：这三个工具都还在快速进化。Claude Code 日均 60-100 次内部发布^[10]，OpenCode 一个月从 0 到 30K Stars^[11]，Gemini CLI 发布 3 个月吸引了百万开发者^[12]。你今天读到的源码，下周可能就被重构了。

但架构思路不会过时。自由循环 vs 策略驱动 vs 角色隔离——这些设计哲学的取舍，在你做任何工程决策时都用得上。

三个仓库都在那里，随时可以翻。祝你翻得开心。