别让 Claude 单打独斗了！4 种方法把 Codex CLI 和 Gemini CLI 拉进来干活

上一篇 Agents & Teams 实操手册 里，我们把 Claude Code 的 Subagent 和 Agent Teams 从配置到触发全走了一遍。你现在应该已经会让 Claude 给自己派任务了。

但有没有发现一个问题？不管你创建了几个 Subagent，派出去几个 Teammate，底层干活的都是同一个 Claude 模型。就像一个乐队，主唱、吉他手、鼓手长得一模一样，唱的、弹的、敲的风格也一模一样，再怎么编排，出来的东西还是一个味儿。

真正的乐队得有不同风格的乐手。AI 协作也是这个道理。Claude 擅长编排任务和综合推理，OpenAI 的 Codex CLI 在代码实现和模式分析上有自己的一套，Google 的 Gemini CLI 占了百万 token 上下文窗口的便宜，大文件分析和安全审查交给它比较合适。把三家模型拉到一个工作流里，各干各擅长的事，比一个 Claude 分饰多角要靠谱。

这篇文章给你 4 种方法，从一行命令搞定到跨项目实时通信的分布式方案，看你需要哪种。

4 种方法，先看全景

开始之前，先用一张表看看这四种方案的定位。

建议先从方法一开始试，效果好了再探索后面的。

方法一：通过 MCP 一行命令接入外部 AI

MCP（Model Context Protocol）是 Anthropic 搞的一套开放协议，作用就一个：让 AI 和外部工具之间有个标准接口。你可以把它想成点外卖，Claude 按菜单（MCP 协议）下单，Codex 或 Gemini 在后厨（MCP Server）做菜，做完送回来。Claude 不用管后厨怎么运作，下单等着吃就行。

接入 Codex CLI

codex-as-mcp 外部链接 是一个 Python 包，把 Codex CLI 包装成 MCP 服务。装好之后，Claude Code 能像调用自己内置工具一样调用 Codex。

第一步：确认 Codex CLI 已安装

npm install -g @openai/codex@latest
codex --version

你应该看到版本号。如果没有，先跑 codex login 完成登录。

第二步：一行命令添加 MCP 服务

claude mcp add codex-subagent -- uvx codex-as-mcp@latest

就这么一行。uvx 会自动下载并运行 codex-as-mcp 这个包，不需要你手动 pip install。

如果你更喜欢手动配置，可以编辑项目根目录下的 .mcp.json：

{
  "mcpServers": {
    "codex-subagent": {
      "type": "stdio",
      "command": "uvx",
      "args": ["codex-as-mcp@latest"]
    }
  }
}

第三步：在 Claude Code 里使用

重启 Claude Code，然后直接说：

使用 codex-subagent 的 spawn_agent 工具，让它审查 src/main.py 的代码，重点看性能和安全性。

你应该看到：Claude 调用了 codex-subagent 的 spawn_agent 工具，Codex 开始独立分析你的代码，然后把结果返回给 Claude。

codex-as-mcp 提供两个工具：

想并行审查多个文件？这么说：

使用 codex-subagent 的 spawn_agents_parallel，同时让一个 Agent 审查 src/api.py，另一个审查 src/database.py。

两个 Codex Agent 同时开工，各审各的，结果汇总后一起返回。

接入 Gemini CLI

Gemini CLI 的接入方式有好几种，推荐从最简单的开始。

方式 A：用 gemini-mcp-tool（一行搞定）

claude mcp add --transport stdio gemini -- npx -y gemini-mcp-tool

前提是你已经装了 Gemini CLI 并完成了认证。推荐用 OAuth 方式登录（Google Pro/Plus/Ultra 计划自带），这样不会额外产生 API 费用。

方式 B：用 Google API Key

如果你有 Google API Key，可以直接配置官方 MCP Server：

{
  "mcpServers": {
    "gemini": {
      "command": "npx",
      "args": ["-y", "@anthropic-ai/gemini-mcp-server"],
      "env": {
        "GOOGLE_API_KEY": "你的API密钥"
      }
    }
  }
}

两种方式都行，区别在于方式 A 走 OAuth 不花钱（如果你已经有 Google 订阅的话），方式 B 走 API Key 按量计费。

混合专家模式：三家模型一起上

当你同时配好了 Codex 和 Gemini 的 MCP 服务，就能玩"混合专家模式"了。Claude 当总指挥，Codex 管代码实现，Gemini 管安全审查和大文件分析。

直接跟 Claude 说：

与 GPT 和 Gemini MCP 协作来解决这个问题。

这里有个小技巧：不要在 Prompt 里指定模型版本。Claude 有时候会默认调用较旧的版本，不指定反而能用上 MCP 配置里的最新模型。

实际跑起来什么样？比如你让 Claude 重构一个认证模块：

1. Claude 先分析需求，拆出任务
2. 把代码实现的活分给 Codex，因为 Codex 的代码生成质量在某些模式匹配场景下更稳
3. 把安全审查的活分给 Gemini，利用它的百万 token 上下文窗口一次性吃下整个代码库
4. Claude 最后综合两家的结果，做质量门控和最终决策

三个模型各管一摊，互相补短板。

方法二：自定义 Subagent 调用外部 CLI

上一篇文章你已经学会创建 Subagent 了。这次让 Subagent 不只用 Claude 模型，改成通过 Bash 工具调用 Codex CLI 或 Gemini CLI。

好处是灵活。Agent 先做什么、后做什么、遇到问题怎么处理，全写在 Agent 文件里，你说了算。

Codex 代码审查 Subagent

创建文件 .claude/agents/codex-reviewer.md：

---
name: codex-reviewer
description: >
  使用 OpenAI Codex CLI 对代码进行深度审查。当需要对代码变更进行
  独立的第三方审查时使用此 agent。擅长发现代码模式问题和架构缺陷。
tools: [Bash, Read, Glob, Grep]
model: sonnet
---

You are a code reviewer agent that delegates review work to the Codex CLI.

## Workflow

1. First, use Read/Glob/Grep to understand the files that need review.
2. Write a detailed review request to a temporary file:
   ```bash
   REVIEW_FILE=$(mktemp)

3. Call Codex to perform the review:

   codex exec "Review the code changes. Focus on performance, security, and maintainability."
   

4. Parse Codex’s response and present a structured review report.

Review Focus Areas

• Code readability and maintainability
• Performance bottlenecks
• Security vulnerabilities
• Error handling completeness

跟方法一的 MCP 比，区别在于：Subagent 自己先做一遍分析，整理好材料，再把关键部分交给 Codex。你不会把一堆原始数据直接扔给外部顾问对吧？先整理好背景资料和具体问题，再发过去，Codex 拿到的是经过预处理的精准问题，审查效率自然更高。

### Gemini 架构分析 Subagent

创建文件 `.claude/agents/gemini-architect.md`：

```markdown
---
name: gemini-architect
description: >
  使用 Google Gemini CLI 进行架构分析和设计审查。当需要对项目架构、
  设计模式或技术选型进行深入分析时使用此 agent。
  擅长处理大规模代码库的全局分析。
tools: [Bash, Read, Write]
model: sonnet
---

You are an architecture analyst agent that leverages Gemini CLI.

## Workflow

1. Gather relevant code and documentation using Read tools.
2. Prepare an analysis request with full context.
3. Call Gemini for analysis:
   ```bash
   gemini exec "Analyze the following codebase architecture. Identify potential issues with scalability, maintainability, and security. Suggest improvements."

4. Synthesize Gemini’s response into actionable recommendations.

Analysis Dimensions

• System architecture and component boundaries
• Data flow and dependency patterns
• Scalability considerations
• Security architecture review

Gemini 的百万 token 上下文窗口在这种场景下很实用。分析一个几万行的项目，Claude 可能得分批读，Gemini 可以一口气全吞下。

### 不想写文件？用 CLI 参数临时跑一个

上一篇文章提过的 `--agents` 参数，这里也能用：

```bash
claude --agents '{
  "codex-quick-review": {
    "description": "快速代码审查，使用 Codex CLI 提供第二意见。",
    "prompt": "你是一个代码审查代理。使用 Bash 工具调用 codex exec 来获取 Codex 对代码的独立评估。先用 Read 和 Grep 了解代码，再把关键发现交给 Codex 验证。",
    "tools": ["Read", "Grep", "Glob", "Bash"],
    "model": "haiku"
  }
}'

用完即弃，不留文件。

方法一和方法二怎么选

日常方法一够用了。需要精细控制的时候再换方法二。

方法三：用 claude-octopus 插件省点事

前两种方法需要你自己配 MCP 或写 Agent 文件。懒得折腾的话，claude-octopus 外部链接 这个第三方插件把这些活都包了。

三个模型分工明确：

安装

在 Claude Code 里运行：

/plugin marketplace add nyldn/claude-octopus
/plugin install claude-octopus@nyldn-plugins
/octo:setup

设置向导会自动检测你装了哪些 CLI 工具。只装了 Codex 没装 Gemini？也能用，少了一个视角的分析而已。两个都没装的话，它还有内置的 29 个角色和结构化工作流，不过那就不算"多 AI"了。

几个常用命令

我用得最多的是 /octo:review。写完一段代码跑一下，Codex 从代码质量角度看一遍，Gemini 从安全和边界情况角度扫一遍，Claude 综合两家意见给最终评估。三个审查员同时看你的代码，各自盯的方向不一样，漏掉问题的概率小很多。

注意：这是第三方插件，不是 Anthropic 官方的东西。用之前翻一下 GitHub 上的 Issues 和最近的提交记录，确认还在维护。

方法四：用 agent-relay 实现跨进程实时通信

前三种方法里，AI 之间都是"传话"模式。Claude 把任务发给 Codex，Codex 做完了把结果返回给 Claude，但 Codex 不会主动去找 Gemini 聊。如果你需要 AI 之间真正实时对话，像微信群一样互相发消息、讨论、协调，那得用 agent-relay 外部链接 。

它解决什么问题

想象你有三个项目：一个认证服务、一个前端应用、一个 API 网关。每个项目里都跑着一个 AI Agent。当认证服务的 Agent 改了接口，它需要通知前端应用的 Agent 更新调用方式，同时通知 API 网关的 Agent 更新路由规则。

这种跨项目、跨进程的 Agent 通信，前三种方法做不到。agent-relay 就干这个，一个独立的消息层，延迟 5 毫秒以内，什么 CLI 工具的 Agent 都能接进来。

安装和启动

# 安装
curl -fsSL https://raw.githubusercontent.com/AgentWorkforce/relay/main/install.sh | bash

# 启动，带可视化 Dashboard
agent-relay up --dashboard

启动后访问 http://localhost:3888 可以看到一个管理面板，实时查看所有 Agent 的状态和消息。

生成 Agent 并建立通信

# 生成三个不同模型驱动的 Agent
agent-relay spawn Lead claude "协调整个项目的开发任务"
agent-relay spawn Implementer codex "等待开发指令"
agent-relay spawn Reviewer gemini "等待审查请求"

然后安装 MCP Server，让 Agent 之间可以互相发消息：

npx @agent-relay/mcp install

安装后，每个 Agent 都能用 relay_send（发消息）、relay_inbox（看收件箱）、relay_who（看谁在线）这些工具互相通信。

多项目桥接

如果你有多个项目需要跨项目协作：

cd ~/auth-service && agent-relay up
cd ~/frontend-app && agent-relay up
agent-relay bridge ~/auth-service ~/frontend-app ~/api-gateway

三个项目的 Agent 就能互相通信了。

什么时候需要这个？ 说实话，大多数人用不上。方法一到方法三覆盖了 90% 的日常场景。只有你的项目确实涉及多个独立服务、Agent 之间需要实时协调的时候，才值得折腾。

进阶玩法：让 Hooks 帮你自动触发多 AI 审查

上一篇文章末尾提到了 Hooks。这里给一个我觉得最实用的 Hook 场景：每次 Claude 写完代码，自动跑一轮多 AI 代码审查。

怎么工作

Claude Code 的 stop Hook 在 Claude 每次完成任务后触发。在这个 Hook 里启动一个脚本，根据代码改动量决定审查级别：

配置方法

在 .claude/settings.json 里加上：

{
  "hooks": {
    "stop": [{
      "command": "python .claude/hooks/auto-code-review.py",
      "timeout": 300000
    }]
  }
}

然后在 .claude/hooks/auto-code-review.py 里写审查逻辑。思路很直接：

1. 跑 git diff 拿到改动
2. 统计字符数和文件数
3. 根据改动规模决定审查级别
4. 调用对应的 Agent 进行审查

这个方案来自社区的 claude-on-rails-review 项目。配好之后你写代码完全不用惦记"该审查了"这事，Claude 每次停下来，Hook 自动帮你跑。就像茶几上放了零食篮，随手拿一个，不用每次跑厨房。

一个跑过的案例：16 个 Agent 重构文档

说了这么多方法，来看个实际跑通的例子。

Eugene Petrenko 用 16 个 AI Agent 分四个阶段重构了一整套项目文档：

阶段一 – 访谈（4 个 Agent）：不急着动手。先让 4 个 Agent 扮演"用户"，用结构化访谈找出文档哪里不好用。

阶段二 – 并行重构（5 个 Agent）：根据访谈结果，5 个 Agent 同时改不同的文档文件。

阶段三 – 验证（4 个 Agent）：这步最有意思。换了一批全新的、没有任何上下文的 Agent 来验证结果。为什么不用刚才写文档的那几个？因为自己写的东西自己看总觉得没毛病。让"路人"来读一遍，才知道哪里其实看不懂。

阶段四 – 最终审查（3 个 Agent）：收尾检查。

结果：文档篇幅缩短 39%，质量评分提高 15%，关键命令的导航速度提升 5 倍。

这个案例里最值得学的不是"用更多 Agent"，是阶段三的"换人验证"。写代码也一样。让写代码的 Agent 自查，效果远不如让一个全新的 Agent 来审查。这也是我前面推荐用不同模型做审查的原因：Claude 写的代码让 Codex 审，看到的问题跟 Claude 自己回头看完全不一样。

Reddit 用户 creegs 的经历也说明了这一点：他用 Claude 的 Agent Teams 实现了一个大功能，觉得挺满意。结果让 Gemini 做代码审查，一口气查出了 19 个显著问题。不是 Claude 写得差，是不同模型盯的方向不一样，互相查才查得全。

选哪个

大多数人方法一就够了。配好 Codex 和 Gemini 的 MCP 服务，需要的时候说一句"让 Codex 也看看"或"用 Gemini 扫一下安全问题"。

常见问题

MCP 服务配好了，但 Claude 没调用外部 AI？

两种可能。一是没重启 Claude Code，新的 MCP 配置没加载进来。二是 Prompt 里没提到 MCP 服务的名字。直接说"使用 codex-subagent 来…"，比含糊地说"帮我审查代码"触发率高。

Codex CLI 装不上？

确认 Node.js 版本在 18 以上。npm install -g @openai/codex@latest 需要全局安装权限，Mac 上可能需要 sudo，或者用 nvm 管理 Node 版本绕过去。

Gemini CLI 的 OAuth 认证怎么搞？

跑 gemini auth login，浏览器弹出 Google 登录页面，登录就行。注意用有 Gemini Pro/Plus/Ultra 订阅的账号，否则走 API 计费。

三个模型同时用，费用扛得住吗？

Claude 的费用照常。Codex 和 Gemini 看你怎么接入：Gemini 走 OAuth 的话 Google 订阅包含了，不额外收费；走 API Key 按量计费。Codex 目前有免费额度。日常代码审查场景下每次调用的 token 量不大，费用增加有限。

claude-octopus 能放心用吗？

第三方插件，不是官方的。写这篇文章的时候 GitHub 上还在更新。建议先拿测试项目试试，没问题再用到正式项目上。

最后

一个 AI 模型再强也有看不到的角度。不同模型的训练数据不一样，优化方向不一样，擅长的事也不一样。让它们互相看对方写的东西，就跟不同专业背景的同事互相 review 一个道理，发现的问题比自查多。

这篇文章给了 4 种方法。建议从方法一的 MCP 集成开始，先配一个 Codex 的 MCP 服务让它帮你审查代码。用几天，感受一下"第二意见"带来的差别，再决定要不要引入 Gemini 或者试试更复杂的方案。

你用多 AI 协作的时候有什么发现？某些模型搭在一起效果特别好，或者踩到了什么坑？评论区聊聊。

下一篇写 Claude Code 的 Hooks 和 Skills 系统，怎么给你的 AI 助手装上"条件反射"和"职业技能"。感兴趣的先收藏。

还没看过上一篇 Agents & Teams 实操手册 的话，建议先看那篇把 Subagent 和 Teams 的基础操作搞定，再来玩多 AI 协作会顺畅很多。