我同时养了 5 只 AI 写代码，它们居然没打架

先说结论

如果你已经订阅了 Claude Code、Codex、OpenCode 等不止一个 AI Coding Agent，并且经常想"这个任务让它们各自试试，谁写得好用谁的"，那你一定遇到过这些问题：多个 Agent 共用同一个目录互相覆盖文件、git 状态乱成一锅粥、终端窗口开了一堆找不到哪个是哪个、跑完的任务没人通知你。

Orca（官网 https://www.onorca.dev/）就是来解决这个问题的。它不是一个新的 AI 模型，也不是要替代你现有的 Agent，而是一个 Agent 开发环境（ADE）——把 git worktree 作为一等公民，让每个 Agent 在自己的隔离目录里干活，你在一个桌面应用里统管所有任务、对比结果、合并最佳方案。

这篇文章会讲清楚：为什么需要 Orca、它解决了什么痛点、核心机制是什么、实际使用体验如何，以及最重要的——它适合你吗？

图 1：AI 生成封面。Orca 就像一个空中交通管制塔，让多架"飞机"（Agent）在各自的跑道上起降，互不干扰。

一、问题背景：AI Coding Agent 多了，管理反而成了瓶颈

过去一年，AI Coding Agent 从"新奇玩具"变成了"日常工具"。很多人和我一样，电脑上同时装着 Claude Code、Codex、OpenCode、Cursor CLI，甚至更多。每个 Agent 有自己的订阅、自己的额度、自己的擅长领域。

这带来了一个新问题：管理成本。

1.1 传统方式的三大痛点

痛点一：文件互相覆盖

你让 Claude Code 修复一个 bug，同时让 Codex 优化同一个模块的性能。两个 Agent 都在同一个目录下工作，Claude 刚改完 auth.ts，Codex 就把同一个文件覆盖了。结果两边都白干。

痛点二：git 状态混乱

多个 Agent 在同一个 checkout 里 git add、git commit，提交历史交织在一起，像一锅粥。你根本分不清哪次提交是谁干的，出了问题想回滚都不知道回滚到哪。

痛点三：上下文污染

Agent 读取工作目录作为"事实依据"。如果另一个 Agent 改了一半的文件被它读到，它会基于错误的状态继续工作，越错越远。

1.2 一个生活化的比喻

想象你请了几个装修师傅来家里干活。传统方式是所有师傅在同一个房间里施工：电工在铺线，泥工在贴砖，木工在打柜子。结果电工的线被泥工的水泥盖住，木工的板材挡住了电工的检修口。大家都在干活，但互相干扰，效率反而更低。

Orca 的做法是：给每个师傅一个独立的房间（git worktree），各自干各自的，最后你来验收哪个房间装修得最好，把那个方案采用到主卧。

图 2：传统方式一次只能试一个方案，Orca 可以同时验证多个方案。图片为 AI 生成示意图。

二、Orca 是什么：不是 IDE，是 ADE

Orca 的官方定位是 ADE（Agentic Development Environment），不是传统的 IDE。这个区别很重要。

2.1 Orca 的核心机制：Worktree-First

Git worktree 是 Git 官方提供的功能，可以让同一个仓库在多个目录里同时 checkout 不同分支。每个 worktree 有自己独立的工作树文件，但共享同一个 .git 对象数据库。

Orca 把这个命令行工具升级成了 IDE 的中心对象：

• 每个任务 = 一个 worktree = 一个独立目录
• 每个 worktree 有自己的 Agent 终端、编辑器、浏览器
• 跨 worktree 完全隔离，互不干扰

2.2 Orca 的六大子系统

图 2：Orca 的架构。Worktree 引擎是基础，Agent 调度、终端、编辑器、浏览器、移动伴侣都围绕它构建。

1. Worktree 引擎：创建、管理、销毁 git worktree
2. Agent 调度器：支持 25+ 种 CLI Agent（Claude Code、Codex、OpenCode、Grok、Gemini 等）
3. 终端：Ghostty 级别的 WebGL 渲染终端，支持无限分屏
4. 编辑器：VS Code 级别的文件编辑体验
5. 浏览器 + Design Mode：内置 Chromium，可以点击页面元素直接发送给 Agent
6. 移动伴侣：iOS/Android 应用，远程监控和干预

三、核心功能详解

3.1 并行 Worktree：让 5 个 Agent 赛跑

这是 Orca 的招牌功能。你可以：

1. 创建 5 个 worktree，分别命名为 bug-fix-A 到 bug-fix-E
2. 每个 worktree 启动不同的 Agent（Claude Code、Codex、OpenCode、Grok、Pi）
3. 给它们同一个 prompt：“修复这个登录竞态条件”
4. 5 个 Agent 在 5 个隔离目录里并行工作
5. 对比 5 个方案的 diff，选最好的合并

图 3：并行 Worktree 工作流。同一个任务派给多个 Agent，各自独立工作，最后对比择优。

代价是什么？ 5 个 Agent 意味着 5 倍的 token 消耗。但很多时候这是值得的：比如一个 bug 有多种可能的修复方案，或者一个重构有多种合理的架构选择。让 5 个 Agent 各自探索，比让 1 个 Agent 迭代 5 次更快、更全面。

图 4：Orca 的 Worktree 管理界面。每个任务一个独立目录，互不干扰。图片来源：Orca 官方文档。

3.2 Design Mode：点击即描述

前端开发最烦的事情之一是：你在浏览器里看到一个样式问题，想告诉 Agent 修复，但要费劲描述"那个蓝色的按钮，右边距有点大，hover 时颜色不对"。

Orca 的 Design Mode 解决了这个问题：

1. 打开内置 Chromium 浏览器
2. 点击页面上的任何元素
3. Orca 自动捕获该元素的 HTML、CSS 和截图
4. 打包发送给 Agent

Agent 收到的不再是模糊的文字描述，而是精确的上下文。

图 6：Design Mode 功能。点击即可描述，告别文字描述的痛苦。图片来源：Orca 官方文档。

3.3 移动伴侣：不在电脑前也能管 Agent

Agent 跑一个复杂任务可能要几十分钟甚至几小时。你不可能一直坐在电脑前等。

Orca 的移动伴侣应用（iOS/Android）可以：

• 接收 Agent 完成通知
• 查看 Agent 运行状态
• 远程发送后续指令
• 查看 usage 和 rate limit

这意味着你可以：早上出门前让 Agent 开始跑，地铁上收到完成通知，看一眼 diff，觉得不错就合并，觉得有问题就远程让它继续改。

图 5：Orca 移动伴侣。在手机上查看 Agent 状态、发送后续指令。图片来源：Orca 官方文档。

3.4 SSH Worktrees：本地写代码，远端跑 Agent

如果你的笔记本性能不够，或者想利用远端服务器的 GPU/大内存，Orca 支持 SSH Worktrees：

• 本地 Orca 作为编辑器 + 终端视图
• 实际工作目录在远端服务器
• 支持自动重连和端口转发

这实现了"MacBook 写代码，服务器跑 Agent"的分离。

3.5 Annotate AI Diffs：审查像写评论一样简单

Agent 生成的代码需要人工审查。Orca 的 diff 视图支持：

• 在任何一行代码上添加评论
• 评论直接发送回 Agent
• Agent 根据评论继续修改

这就像在 Google Docs 里评论一样自然，但对象是代码 diff。

图 4：Annotate AI Diffs 功能。在 diff 的任何一行添加评论，Agent 会收到并继续修改。图片来源：Orca 官方文档。

四、实际使用体验

4.1 安装和配置

Orca 支持 macOS、Windows、Linux，安装非常简单：

# macOS (Homebrew)
brew install --cask stablyai/orca/orca

# 或直接从官网下载
# https://www.onorca.dev/

首次启动后，Orca 会自动检测你已安装的 CLI Agent（Claude Code、Codex 等），你只需要登录对应的账号即可。

图 5：Orca 的终端界面。多个 Agent 可以在各自的终端窗口中并行运行。图片来源：Orca 官方文档。

4.2 创建第一个并行任务

我测试了一个真实场景：修复一个 React 组件的内存泄漏。

步骤：

1. 在 Orca 中打开项目
2. 点击 “New Worktree”，创建 fix-memory-leak-claude 和 fix-memory-leak-codex
3. 每个 worktree 选择不同的 Agent
4. 输入相同的 prompt：“修复 UserList 组件的内存泄漏，组件卸载时未清理定时器”
5. 等待结果

结果：

• Claude Code 找到了 setInterval 未清理的问题，并添加了 useEffect cleanup
• Codex 不仅修复了同样的问题，还发现了另一个 setTimeout 的泄漏，并建议用 useRef 优化

两个方案都有价值，我合并了两者的优点。

4.3 资源消耗实测

注意：每个 worktree 需要自己的 node_modules 或依赖目录，大项目会占用大量磁盘。

图 7：Orca 主界面布局。左侧管理所有 worktree，右侧是编辑器和终端。图片来源：Orca 官方文档。

五、Orca vs 替代方案

六、问题与根因分析

6.1 为什么以前没有这样的工具？

技术层面：

• Git worktree 功能一直存在，但命令行操作繁琐
• 多 Agent 管理需要统一的 UI 抽象，以前没有足够的需求
• 移动端的推送和远程控制需要专门的服务端支持

需求层面：

• 2024 年以前，大多数人只用一个 Agent
• 2025-2026 年，多 Agent 并行成为常见工作流
• AI Coding 从"辅助"变成"主力"，管理工具随之诞生

6.2 Orca 解决了什么本质问题？

本质问题：AI Agent 的"并行管理"比"串行执行"复杂一个数量级

串行执行：一个 Agent 做完，再做下一个。简单，但慢。

并行执行：多个 Agent 同时做，快，但需要解决：

• 物理隔离（worktree）
• 状态追踪（哪个 Agent 在做什么）
• 结果对比（哪个方案更好）
• 冲突避免（不能同时改同一个文件）

Orca 把这些问题打包解决，让用户专注于"派任务"和"选方案"。

七、如何解决问题：一键脚本

虽然 Orca 是图形界面应用，但安装和配置可以脚本化。以下提供三个平台的一键安装脚本。

7.1 人工自动执行

Windows 11

# Install-Orca-Windows.ps1
# 以管理员身份运行 PowerShell

Write-Host "正在安装 Orca for Windows..." -ForegroundColor Green

# 下载最新版本
$downloadUrl = "https://github.com/stablyai/orca/releases/latest/download/Orca-Setup.exe"
$installerPath = "$env:TEMP\Orca-Setup.exe"

Invoke-WebRequest -Uri $downloadUrl -OutFile $installerPath

# 静默安装
Start-Process -FilePath $installerPath -ArgumentList "/S" -Wait

# 清理
Remove-Item $installerPath

Write-Host "Orca 安装完成！" -ForegroundColor Green
Write-Host "请从开始菜单启动 Orca，然后配置你的 AI Agent。"

Ubuntu 26.04

#!/bin/bash
# install-orca-ubuntu.sh

set -e

echo "正在安装 Orca for Ubuntu..."

# 下载最新 .deb 包
wget -q https://github.com/stablyai/orca/releases/latest/download/orca_amd64.deb -O /tmp/orca.deb

# 安装
sudo dpkg -i /tmp/orca.deb || sudo apt-get install -f -y

# 清理
rm /tmp/orca.deb

echo "Orca 安装完成！"
echo "请从应用菜单启动 Orca，然后配置你的 AI Agent。"

macOS 26

#!/bin/bash
# install-orca-macos.sh

set -e

echo "正在安装 Orca for macOS..."

# 方法1：使用 Homebrew（推荐）
if command -v brew &> /dev/null; then
    brew install --cask stablyai/orca/orca
else
    # 方法2：直接下载
    curl -L https://github.com/stablyai/orca/releases/latest/download/Orca.dmg -o /tmp/Orca.dmg
    hdiutil attach /tmp/Orca.dmg
    cp -R "/Volumes/Orca/Orca.app" /Applications/
    hdiutil detach "/Volumes/Orca"
    rm /tmp/Orca.dmg
fi

echo "Orca 安装完成！"
echo "请从启动台启动 Orca，然后配置你的 AI Agent。"

7.2 Agent 自动配置

如果你已经有一个 AI Agent（如 Claude Code、Codex），可以让它帮你自动配置 Orca：

# 让 Agent 执行以下命令
# 1. 安装 Orca
# 2. 检测已安装的 CLI Agent
# 3. 创建第一个 worktree 测试

# 示例 prompt：
"请帮我安装并配置 Orca。步骤：
1. 检测我的操作系统并安装 Orca
2. 检查我已安装哪些 AI Coding Agent（Claude Code、Codex、OpenCode 等）
3. 创建一个测试 worktree，验证 Orca 能正常工作
4. 告诉我下一步该怎么使用"

八、Q&A

Q1: Orca 是免费的吗？

A: 是的，Orca 本身是开源免费的（MIT License）。但你需要自己支付各个 Agent 的订阅费用（Claude Code、Codex 等）。Orca 只是管理这些 Agent 的工具。

Q2: Orca 支持哪些 Agent？

A: 官方支持 25+ 种，包括 Claude Code、Codex、OpenCode、Grok、Gemini、Cursor CLI、GitHub Copilot CLI 等。任何能在终端运行的 CLI Agent 都可以接入。

Q3: 5 个 Agent 并行，token 消耗是不是也是 5 倍？

A: 是的。这是并行策略的固有成本。建议只在"有多种可能方案"的任务上使用并行，比如架构设计、bug 修复方案探索。对于机械性任务（如重命名、格式化），单 Agent 就够了。

Q4: Orca 和 Cursor 有什么区别？

A: Cursor 是"AI 增强的编辑器"，核心是帮人写代码。Orca 是"Agent 管理环境"，核心是帮人管理多个 Agent。Cursor 适合单 Agent 场景，Orca 适合多 Agent 并行场景。

Q5: 我的电脑配置不高，能用 Orca 吗？

A: 可以，但建议：

• 限制并行 Agent 数量（1-2 个）
• 使用 SSH Worktrees，把计算放到远端服务器
• 关闭不需要的功能（如 Design Mode 的浏览器）

Q6: Orca 的数据安全吗？

A: Orca 是本地应用，代码不经过第三方服务器。但注意：

• 各 Agent 的 API 调用仍然走各自的服务商
• Orca 默认发送匿名使用统计（可在设置中关闭）
• 敏感项目建议在本地网络隔离环境使用

九、总结

Orca 代表了 AI Coding 工具链的成熟：从"单个 Agent 怎么写好代码"进化到"多个 Agent 怎么协作好"。

适合使用 Orca 的场景：

• 你已经订阅了多个 AI Coding Agent
• 经常需要对比不同 Agent 的方案
• 需要长时间运行 Agent，希望远程监控
• 团队需要统一的多 Agent 管理界面

不适合的场景：

• 只用一个 Agent，且任务简单
• 电脑配置较低，无法承受多开
• 对图形界面无需求，喜欢纯终端

我的建议： 先试试单 worktree workflow，感受 worktree-native 的心智模型。如果确实需要并行，再逐步增加 Agent 数量。Orca 是一个强大的工具，但强大的工具需要相应的纪律——并行生成的代码越多，需要审查的也越多。

参考来源：

• Orca 官网
• GitHub - stablyai/orca
• Orca Review: The IDE Built for Parallel Coding Agents
• StablyAI Orca 深度拆解
• Orca runs five AI coders at once and four of them lose

本文所有截图均来自 Orca 官方文档或公开评测文章，遵循各自的使用条款。