最近我一直在思考一个问题：AI 编程助手已经能写代码、解释报错、执行命令，但为什么在真实工程任务里，还是经常觉得“不够顺手”？
原因很简单：真实工程不是一次问答。
一个实际任务通常会包含：读代码、查文件、跑命令、改 patch、看测试、继续修、切模型、拆子任务、中断后恢复。单个聊天窗口很难把这些工程动作组织好。
所以我做了 AgentHub：一个面向真实工程任务的多模型、多工具、多 Agent 终端工作台。
它解决什么问题
普通 AI CLI 往往适合“问一个问题，改一个点”。但复杂一点的任务会马上暴露几个问题：
- 上下文容易丢，重启或切模型后要重新解释；
- 工具调用边界不清楚，shell、写文件、网络访问需要可控；
- 不同模型适合不同任务，但工作流不统一；
- 大文件重构、批量修复、文档清理这类任务需要拆分；
- 子任务结果需要被主 Agent review，而不是各干各的；
- 本地交互和自动化执行最好使用同一套运行时。
AgentHub 不是想再做一个聊天壳，而是把这些动作组织成工程工作流。
Codex 风格能力是底座
AgentHub 的基础体验接近 Codex 风格：在终端里打开一个工程目录，让 Agent 真正在仓库里工作。
它支持：
- 以当前工作目录作为工程上下文；
- 搜索和读取文件；
- 执行 shell；
- 应用 patch；
- 根据测试结果继续修复；
- 使用 tool-calls 分步骤完成任务；
- 通过 approval policy 和 sandbox policy 控制风险；
- 保存 thread，并通过 resume 从中断处继续。
也就是说，它不是纯聊天工具。它的目标是让 Agent 能在仓库里完成实际工程动作。
在 Codex 风格之上扩展多模型
真实使用中，不同模型的适用场景不一样。
例如：
- 用一个模型做架构分析；
- 用另一个模型做代码修改；
- 用更便宜的模型跑批量子任务；
- 用主 Agent 做最终 review 和提交前验证。
AgentHub 支持 OpenAI、Anthropic、GLM、DeepSeek 等 provider，并把它们适配到统一运行时。常用命令类似：
/provider
/providers
/model gpt-5.4 high
如果 provider 配置出错，它会显示当前 provider、模型、配置来源和最近一次异常，方便定位 API key、base_url、订阅、地区限制等问题。
会话恢复：长任务不用从头来
工程任务经常会被中断。比如重构到一半关了终端，或者第二天继续做。
AgentHub 支持 thread 持久化和恢复：
/resume <thread_id>
/resume_last
/resume_path <rollout_path>
恢复后，之前的可见上下文、工具结果、文件分析和任务进度可以继续使用。
这对长任务很重要。尤其是重构、测试修复、代码审计、文档整理这类任务，不能每次都让模型重新理解一遍。
多 Agent 和后台任务
复杂任务适合拆。
比如一个大文件拆分任务，可以这样推进：
- 主 Agent 先分析文件结构；
- 拆出几个独立子任务；
- 子 Agent 或后台任务分别处理；
- 主 Agent review diff；
- 跑最小测试门；
- 通过后提交。
AgentHub 提供 delegated agent 和 background teammate，典型命令包括：
/spawn_agent ...
/send_input <agent_id> <message>
/wait_agent <agent_id>
/close_agent <agent_id>
/background_teammate ...
/background_task_status <task_id>
这里的重点不是“并发越多越好”，而是主 Agent 负责把控质量，子 Agent 负责处理明确、可验证的局部任务。
插件化和工具层
AgentHub 内置统一工具层，包括：
- shell 执行；
- 文件读取和搜索；
- patch 应用；
- Web 搜索；
- 网页抓取；
- 浏览器自动化；
- 图片查看；
- 插件命令；
- 后台任务控制。
同时它支持插件化，把业务能力放到插件里，而不是塞进主程序。
例如 GitHub 插件可以处理 issue、评论、label、workflow dispatch，以及审批后的写操作。后续也可以接入更多业务系统或团队内部工具。
安装方式
Linux/macOS 最简单是一行命令：
curl -fsSL https://raw.githubusercontent.com/hoteye/AgentHub/main/scripts/install_agenthub_cli.sh | bash
安装后运行：
agenthub-cli
agenthub-cli --headless --prompt "/provider"
Windows 用户可以从 Release 页面下载压缩包，解压后运行：
.\agenthub-cli.exe
.\agenthub-cli.exe --headless --prompt "/provider"
项目地址：github.com/hoteye/Agen…
Release：github.com/hoteye/Agen…
一个实际使用场景
假设我要重构一个 TUI 里的大文件。
以前的做法通常是：我先看代码，让 AI 给建议，再手动复制上下文，反复让它改。任务一长，上下文就散了。
使用 AgentHub 后，流程会更像工程协作：
- 主 Agent 读取文件并分析结构；
- 拆出具体的重构卡片；
- 子任务分别处理 UI、状态、runtime、测试；
- 主 Agent review 每个 diff；
- 跑最小测试门；
- 最后提交。
这类工作流才是我认为 AI 编程助手真正有价值的地方：不是只给答案，而是参与一个可恢复、可验证、可审计的工程过程。
总结
AgentHub 的定位可以概括为一句话：
一个面向真实工程任务的多模型、多工具、多 Agent 终端工作台。
它保留 Codex 风格的终端工程能力，同时扩展多 provider、多 tab、多子任务、插件和后台任务编排。
如果你只是偶尔问代码问题，一个普通聊天工具就够了。
如果你希望 AI 真正参与仓库级工程流程，AgentHub 这类工作台会更合适。
