多Agent协作实战：SSH+tmux跨机器AI编程调度

多Agent协作（multi-agent collaboration）本质上是通过一个主控AI统一调度多个AI编程命令行并行工作。它的核心价值在于：当同时运行三四个AI实例时，你无需亲自盯住每一个终端的输出。

如果你只接触过单一Claude Code或Codex会话，可能会觉得“够用了”。但任务量一上来——这个AI在改代码，那个在跑测试，第三个在补文档——真正的瓶颈就不在AI的生成速度，而在于你的注意力：来回切换窗口、确认进度、排查阻塞。

本文聚焦三个要点：多Agent协作的三种模式（subagent、MCP、跨机器调度）及其适用场景，以及跨机器调度的具体落地实操。

先给出几个核心结论：

• 多Agent协作的三种模式——subagent（本地分身）、MCP（工具化调用）、跨机器调度（基于SSH+tmux的托管式）——各有特定边界，无法互相替代。
• 跨机器调度依赖SSH和tmux两个标准工具，无需额外框架。
• 三种用法呈递进关系：成本优化（用低价账号处理杂务）→ 全并行协作（多台高配AI同时开工）→ 架构分离（设计与执行职责解耦）。

什么是多Agent协作

一句话总结：让多个AI编程命令行并行工作，由主控AI统一派发任务并收集成果。

通俗理解：过去你既是指挥官又是执行者——自己分配任务、盯着每个AI、最后验收。多Agent协作把你从这种“逐个盯”的模式中解放出来，让主力AI升级为调度员，替你协调其他AI。你只需要下达初始指令和最终确认。

它管理的范围不限于本机。局域网里的Mac mini、云端的Linux服务器——只要那台机器安装了AI编程命令行（Claude Code、Codex、OpenCode均可），就能被纳入调度体系。

多Agent协作的三种模式：subagent、MCP 和跨机器调度

多Agent协作并非单一实现方式。当前主流技术路线分为三种，边界清晰，互不替代。

subagent：同一台机器上的分身

subagent是Claude Code内置的能力。主控AI可在本机派生出多个分身，分担子任务。

主要局限在于三点：所有分身局限于本机，无法连接其他机器；分身强制使用同一工具（Claude Code），无法切换为Codex或OpenCode；多个分身共享同一个账号的额度，开销随分身数量线性增长。

适用场景：同一项目内需要上下文隔离的并行任务，例如让一个分身执行测试，另一个分身修改代码。

MCP：将另一个AI作为工具调用

MCP（模型上下文协议）是一种通用接口，允许不同的AI和工具相互通信。通过MCP，Claude Code确实能调用Codex或其它AI——但被调用的AI被包装成一个工具，每次调用返回一次结果。

这意味着每个需要接入的AI都需要单独配置适配层。若想跨机器调度，还需自行搭建传输和运维体系。MCP的长处在于接口标准化，而非长时间托管运行。

适用场景：需要精准调用某个AI的特定能力、只取一次结果，例如让翻译AI处理一段文本。

跨机器调度：SSH+tmux 托管式

这是第三种模式，也是本文解析的重点。跨机器调度不涉及包装或适配，而是通过tmux在远端机器上创建一个常驻会话，主控AI像真人一样坐在它面前——持续监控、随时干预、卡顿时还能反向询问。

这不是“把AI当工具调一下”，而是托管一个持续工作的AI。

三者对比：

跨机器调度的底层原理：SSH 加 tmux

很多人好奇：一台电脑如何操控另一台电脑上的AI？核心依托两个标准工具：SSH和tmux。

SSH：加密的远程通道

SSH（安全外壳协议）是一条加密通道——通过网络伸出一只无形的手，能在远端机器上输入命令并执行，全程加密。程序员远程登录服务器正是使用这一工具。

tmux：永远不关灯的房间

tmux（终端复用器）是一个持久化会话管理器。可以把它理解成一个“永不熄灯的房间”——在里面启动一个程序，即使你断开连接，程序仍持续运行；随时可以重新连接，进度不会丢失。

两者拼在一起

第一步，SSH建立连接：主控AI通过加密通道连接到远端机器，获取终端访问权限。

第二步，tmux创建常驻会话：在远端机器上启动AI编程命令行，放入tmux的持久会话中。从此它的输入和输出全部由该会话接管。

第三步，主控AI模拟真人操作：通过SSH向tmux会话发送指令，并从会话输出中读取回应。远端AI完全无法区分对面是人还是另一个AI。

“一台机器上的AI指挥另一台机器上的AI”并非黑科技。底层就是SSH加tmux，外加各AI编程命令行原有的登录状态。它没有创造新协议，只是把成熟的老工具串联成了一条调度流水线。

谁需要跨机器多Agent协作

对号入座——以下任一条件满足，跨机器调度就能带来实际收益：

• 你手上杂活多但主力模型成本高：补注释、批量改名、跑测试这类低脑力任务占着最贵的模型，形成浪费。
• 你有闲置机器：家里的Mac mini、公司的测试机、云端的VPS，装好了AI编程命令行却只能闲置。
• 你同时推进多个独立任务：代码审查、文档生成、数据迁移各自独立，串行太慢。
• 你想把设计与执行分离：主力AI专注出方案，执行交给另一批AI按图施工。

不需要跨机器调度的场景：只有一台机器、只用一个账号、任务量不大——subagent就足够。

多Agent协作的三种用法：从省成本到架构分离

原理清晰后，关键在于落地——跨机器调度能帮你做什么。凡是你平时坐在命令行前、一句句喂给AI的任务，几乎都能批量分发出去并行执行：批量补注释、批量改文件名、跑完整测试套件、通读代码做审查、根据代码反向写文档。

三种用法是一道递进的台阶：第一步帮你省钱，第二步让多台高配AI并行推进，第三步将分工发挥到极致。

用法一：省成本——便宜账号干杂活

最直接的应用方式。你的任务并非同等难度。补注释、批量改名、格式整理这类低脑力活，没必要占用最贵的主力；真正烧脑的重构和架构设计，才应交给高配模型。

将两类任务拆开：杂活铺给低价账号慢慢磨，主力腾出手啃硬骨头。

这并非旁门左道。Claude Code官方文档也建议按模型能力分级使用——简单任务用便宜快速的档位，复杂任务再切最强模型。跨机器调度仅需一条命令就能自动化这一策略。

用法二：满血协作——多台强 AI 并行

把“便宜账号”替换为“另一台满血的Codex或Claude Code”，场景就完全不同了。

此时，你的主控AI在指挥另一个高配AI干活。

一条命令将任务分配给另一台机器上的高配账号，再来一条命令把多个高配任务同时分发出去——多台机器、多个已登录的高配账号同时开工。让一台机器专门做代码审查，另一台负责生成文档，第三台处理一个重量级重构，多个高配AI各司其职、并行推进。

通俗讲：不是反复调用同一个AI，而是多个高配AI同时下场。你不再是“我和我的AI”，而是“我和我指挥的一队AI”。

用法三：架构分离——设计与执行分家

再深入一层，把“思考”和“行动”彻底拆解。

主控AI专门从事高阶工作：编写完整方案、做设计评审——只输出“蓝图”。“按图施工”则全权交给外部的AI编程命令行执行。

主控工程师负责设计评审，外部AI负责落地执行。你来监控进度、中途补指令、最后验收。输出图纸的和施工的，彻底分离。

通俗讲：这就像项目里，架构师只管画图，施工队只管盖楼。这套“先规划、后执行”的分工在软件工程中是成熟实践，跨机器调度将其在AI编程领域自动化——需要动脑的设计评审用贵模型，重复的执行用便宜快模型。

从成本优化，到多台高配AI并行，再到设计与执行彻底解耦——这三步能走到哪一层，不取决于工具，而取决于你如何拆解任务。

翔宇判断

多Agent协作的真正转折点，不在于AI写代码的速度，而在于你是否能从“一个人盯一个AI”升级为“一个人指挥一队AI”。

最慢的那个，从来不是AI——是还在手动喂指令、逐个盯进度的人。

从实际经验来看，当你拥有两台以上机器、两个以上AI账号时，跨机器调度的投入产出比明显高于subagent和MCP。原因很直接——subagent再怎么分身也共享同一份额度，MCP一次调用只适合短任务。真正消耗时间的那些长任务（通读整个仓库做审查、批量重构几十个文件），需要的是一个能持续托管、不断工作的AI，而不是调一次就走的工具。

常见问题

多Agent协作和普通的 AI 对话有什么区别？

普通对话是一个人面对一个AI，一问一答。多Agent协作则是让一个主控AI调度多个AI同时工作——可以是本机分身，也可以是不同机器上的独立AI编程命令行。本质区别在于从“一对一喂养”进化为“一对多派单”。

subagent、MCP 和跨机器调度应该怎么选？

三者适用场景不同。subagent适合同一台机器内的并行任务。MCP适合将另一个AI作为工具调用一次。跨机器调度适合将任务分发到不同机器上的AI并行执行。选择标准取决于是否需要跨机器、跨账号、长时间托管。

跨机器调度需要什么技术基础？

需要SSH和tmux两个标准工具。两者都是Linux和macOS自带，无需额外安装框架。只要能在终端敲命令就能上手。

跨机器多Agent协作能省多少成本？

节省幅度取决于杂活数量和账号价差。核心逻辑是将低脑力任务交给便宜账号，高脑力任务才用贵账号。官方文档本身也建议按模型能力分级使用。

跨机器调度和 Claude Code Agent Teams 有什么关系？

Agent Teams是Claude Code内建的多会话协作功能，队友共享同一台机器和账号。跨机器调度通过SSH连接到不同机器上的独立AI命令行，各自使用独立账号和额度。两者可以叠加使用。

哪些 AI 编程命令行可以被跨机器调度？

任何能在终端中运行的AI编程命令行都可以。目前主流的Claude Code、Codex CLI和OpenCode均支持。只要目标机器已装好工具且登录账号，通过SSH连接即可调用。

架构分离模式具体怎么理解？

把“思考”和“执行”拆开。主控AI负责方案制定和评审（输出图纸），执行AI负责按方案写代码和跑测试（负责施工）。主控使用高配模型确保决策质量，执行使用便宜模型降低成本。

一个人最多能同时调度多少个 AI？

技术上没有硬性上限。实际操作中同时调度3到5个较为稳定，数量更多时任务拆分和结果合并的管理成本会显著上升。关键不在于数量，而在于任务拆分是否合理。