JeecgBoot AI专题研究 | 多个 Coding Agent 并行开发时的窗口管理、代码隔离与过程留档
当 Agent 从一个变成好几个
一年前，大多数人用 AI 写代码还是“一个对话框、一个任务”。现在情况变了：Claude Code 在一个终端里重构接口，Codex 在另一个终端里补测试，Cursor CLI 在第三个终端里改前端，再加上看日志、跑构建的窗口，任务栏上排满了终端。
Agent 越多，两个问题越突出：
- 注意力被切碎：在七八个终端之间来回切换，切回某个窗口时，Agent 早就跑完了，几百行输出里埋着一句关键报错，很容易漏看；
- 代码互相踩踏：两个 Agent 同时修改同一个文件，一个在改接口签名，一个在加字段校验，保存的那一刻就是冲突。
第二个问题的标准解法是 Git Worktree：给每个任务一个独立的工作目录。但每次都要手动 git worktree add、指定分支、用完再 git worktree remove，流程本身就成了负担。
Orca 就是冲着这两个问题来的。它在 GitHub 上开源（MIT 协议），开源两周 Star 数冲到 6 万多，自我定位是 Agent Development Environment（ADE）：不替代编辑器，而是专门管理多个 AI 编程 Agent 的工作台。
核心能力一：自动 Worktree 隔离
这是 Orca 最值得一说的设计。每新建一个 Agent 任务，Orca 会自动创建一个独立的 Git Worktree：
- Agent A 在 worktree A 里改代码，Agent B 在 worktree B 里改，互不干扰；
- 所有 worktree 共享同一个 Git 对象库，不会因为多开目录而成倍占用磁盘；
- 任务结束、删除会话后，对应的 worktree 自动清理。
如果你没用过 Worktree，可以对照一下手动操作要做的事：
git worktree add ../feat-api -b feat-api # 为任务创建独立目录和分支
cd ../feat-api && claude # 在新目录里启动 Agent
# ……任务完成、合并后……
git worktree remove ../feat-api # 清理目录
git branch -d feat-api
Orca 把这几步变成了“新建任务”一个动作。
同一需求，多版本对比
隔离做好之后，一个很实用的玩法就自然出现了：把同一个需求同时派给两三个 Agent，各自在自己的 worktree 里实现，完成后把 Diff 并排对比，挑写得最好的那一版合并。以前做这种 A/B 对比，光是建分支、建目录、来回切换就足够劝退。
核心能力二：一个窗口管住所有 Agent
Orca 的界面左侧是任务列表，Claude Code、Codex、Cursor CLI 等 Agent 的任务都列在这里，点哪个切到哪个。每个任务有自己的终端、编辑器和浏览器预览区，不再需要 Alt+Tab 在一堆窗口里找。
对前端开发来说，内置的 Chromium 浏览器很方便：代码改完自动热刷新，直接在工作台里看渲染效果；点击页面上的任意元素，可以把对应的 HTML、CSS 和截图一起交给 AI，描述“这里不对”时不用再手动复制。
核心能力三：Agent 的过程全部留档
一个容易被忽视的问题：Agent 跑完、终端一关，它做了什么、为什么这么改，就再也找不回来了。
Orca 会把每个 Agent 的对话记录、Diff、终端输出和修改日志保存在本地，支持全局搜索，旧会话也能恢复后继续执行。这在几个场景里很有用：
- 排查问题时回看 Agent 当时的推理和改动；
- 复盘哪类任务交给哪个 Agent 效果更好；
- 写周报、写变更说明时直接翻记录。
移动端：不在电脑前也能审 Diff
Orca 还有配套的手机 App。Agent 跑完会推送通知，在手机上就能看完整 Diff，对有问题的行直接批注，桌面端的 AI 收到批注后继续修改。等回到电脑前，往往只剩合并这一步。
需要注意的是，手机端依赖桌面端在线，电脑关机就连不上。
安装与费用
macOS 可以用 Homebrew 安装：
brew install --cask stablyai/orca/orca
Windows 和 Linux 在官网下载安装包。
费用方面，Orca 本身是 MIT 开源、免费使用，没有会员和功能限制。它对接的 Claude、Codex、Gemini 等模型的 API Key 和调用费用需要自己承担，Orca 不从中收费。项目团队来自 Google Chrome 和 Uber，更新节奏很快。
适合谁，不适合谁
适合的场景：
- 日常同时使用两个以上 AI 编程工具，或者同一个工具开多个会话；
- 经常需要让 Agent 并行处理几个独立任务；
- 想对同一需求比较不同 Agent、不同模型的实现。
不太适合的场景：
- 团队协作：Orca 是单人工具，没有多人分配任务的能力。团队场景可以看 Multica 这类 Web 看板式的平台，两者定位不同；
- 只用一个 Agent、一次只做一件事：这种情况下终端本身就够用，没必要多一层工具。
几点使用建议：
- 并行的任务尽量拆得互相独立。Worktree 解决的是“写的时候不冲突”，合并的时候如果几个任务改了同一块逻辑，冲突依然要人来解决；
- 多版本对比时控制数量。两到三个版本足够，再多审 Diff 的时间会超过节省下来的时间；
- 注意依赖目录。每个 worktree 是独立目录，
node_modules、构建产物等需要各自安装或生成，大型前端项目要留意磁盘和安装时间。
总结
AI 编程工具解决的是“能不能写出代码”，而 Orca 解决的是另一个问题：同时用好几个 AI 写代码时，怎么不被窗口和冲突拖垮。自动 Worktree 隔离、统一的任务视图、完整的过程留档，这三点让多 Agent 并行开发从“能做”变成了“好管理”。用的 Agent 越多，这类工作台的价值就越明显。
本文为 JeecgBoot AI 专题研究系列文章。
