6.6k Star 的 Orca，把 IDE 重定义为 Agent 编排工作台

大家好，我是若风。

前阵子我手机收到一条推送，「Orca Agent 完成 PR #128，请审阅」。

发推送的不是某个 CI 工具，是我留在家里 Mac mini 上跑的 Claude Code。我当时正在地铁上，掏出手机点了「Approve」，回家打开电脑，分支已经合到 main。

这不是科幻场景，是 Orca 这款工具的日常体验。

stablyai/orca，6630 stars，481 forks，MIT 协议，TypeScript 写的，2026 年 3 月 17 日开仓。YC W26 孵化，官方定位是 ADE（Agent Development Environment）。

它跟 Cursor、Windsurf、Copilot 这些「AI 嵌入 IDE」的产品完全不在一个赛道。这篇文章拆 Orca 在产品定义、工程实现、商业模式上的 6 个非平凡决策。

一句话定位，Orca 不是 IDE 是 ADE

Orca 给自己的命名是 ADE，Agent Development Environment。

差异不只是缩写。IDE 是「人写代码、AI 辅助」，ADE 是「AI 写代码、人监督编排」。前者是单 Agent + 单 workspace，后者是多 Agent + 多 worktree + 多设备的并行编排。

Orca 把这件事讲得很直白。

Run Codex, ClaudeCode, OpenCode or Pi side-by-side — each in its own worktree, tracked in one place.

让 Codex、Claude Code、OpenCode、Pi 并排跑，每个 Agent 独占一个 git worktree，所有进度在一个工作台里追踪。

这套定位的核心洞察是，2026 年的开发者不再只有一个 AI Agent，他们同时订阅 Claude、OpenAI、Cursor、Grok 多家服务。Cursor 解决不了「我同时想跑 5 个 Claude Code 试不同方案」的需求，Claude Code 自己也解决不了「我想跟 Codex 对比一下」的需求。

这是一个全新出现的产品类别，传统 IDE 厂商没看到，Orca 直接定位占坑。

Parallel Worktrees，是 fan-out/fan-in 的 IDE 形态

Orca 最硬核的功能叫 Parallel Worktrees。

一个 prompt，同时扇出到 N 个 Agent，每个 Agent 跑在自己的 git worktree 里。完成后你逐个对比，挑赢的那个 merge。

这跟上一篇文章拆的 Harness 的 Fan-out/Fan-in 架构完全同构，差别只在落地形态。Harness 是 SDK + Skill 文件，Orca 把它做成了 IDE UI。

       ┌→ [Claude Code / worktree-A] ─┐
Prompt ┼→ [Codex        / worktree-B] ─┼→ Diff 对比 → Merge Winner
       └→ [OpenCode    / worktree-C] ─┘

为什么必须用 git worktree 而不是分支或子目录？这是个值得展开的工程决策。

git worktree 让每个 Agent 跑在物理隔离的工作目录里，但共享同一个 .git 仓库。这意味着三件事同时成立。

第一，Agent 之间不会互相踩脚。A 改了文件不会影响 B 的视图。每个 Agent 看到的是干净的工作目录。

第二，所有 Agent 的产出可以用 git 原生能力直接对比。git diff worktree-A worktree-B 一行命令出结果，不需要额外的 diff 工具。

第三，merge 走 git 原生流程。冲突、rebase、cherry-pick 这些已有 30 年工程沉淀的工具全部可用。

Orca 不是发明了 Parallel Worktrees 这件事，它是把 git worktree 这个本来就存在但很少被用的功能，提升到 IDE 第一公民的位置。

这套思路其实跟前面我拆过的 ai-website-cloner-template 的「Foreman 模式」、Harness 的「Fan-out/Fan-in」是同一个工程哲学，用 worktree 隔离并行 Agent，是 2026 年 AI Agent 编排的事实标准。

订阅解绑，Orca 不卖推理卖编排

这是 Orca 商业模式上最聪明的一步。

README 副标题直接写，「Run any coding agent with your own subscription」。

跑任何编码 Agent，用你自己的订阅。

这一句话的杀伤力你可能没立刻感受到。让我对比一下。

Cursor、GitHub Copilot、Windsurf 全是「API / 推理我卖给你」的模式。你订阅 Cursor Pro，Cursor 调它后端的模型给你用。

Orca 不卖模型。它让你用已经订阅的 Claude Pro / ChatGPT Plus / Codex / Cursor / 任何 CLI Agent，它只负责编排。

差别在哪？

Cursor 模式的瓶颈是 token 成本。Cursor 必须把模型推理转嫁到订阅费上，重度用户用多了 Cursor 亏钱，于是搞 Fair Use 政策、限速、降质。模型一涨价，Cursor 跟着涨。

Orca 模式的好处是轻资产。它完全不碰推理，模型涨价跟它无关。用户已经在 Claude / OpenAI / Cursor 那边付了订阅，在 Orca 这边就是把这些订阅的 ROI 拉到最大。

这种定位的潜台词是，模型层未来会持续降价、订阅会越来越便宜，编排层反而是稳定价值。这跟 Anthropic 推 Claude Code、OpenAI 推 Codex、Cursor 自己出 Cursor Agent 的趋势完全一致，所有大厂都在把 CLI Agent 做成标配，未来人人手里都有几个 CLI Agent。

Orca 押注的是，「你手里的 CLI Agent 越多，你越需要编排层」。这个押注目前看是对的。

移动 Companion，是 ADE 的第二块屏幕

Orca Mobile 这块我必须单独讲，因为它代表了 AI Agent 时代的工作流变革。

iOS App Store 和 Android APK 都有。手机和桌面配对后，可以在手机上做四件事。

第一，监控 Agent 进度。你电脑上 Claude Code 跑了 30 分钟，你在地铁上能看它跑到第几步。 第二，接收完成推送。Agent 完成或失败立刻推送，跟 IM 一样的实时性。 第三，发送 follow-up 指令。Agent 跑完一轮，你在手机上输入「再加一个测试用例」发回去，Agent 继续。 第四，接收 Agent 的提问。Agent 卡住需要决策，手机弹通知，你点一下选择，Agent 继续。

这套交互彻底改变了「跑 agent 必须盯屏幕」的旧模式。

坦白讲，第一次看到 Orca Mobile 我就意识到，这才是 AI Agent 时代的 push 通知。就像 10 年前微信推送改变了 IM 使用习惯，Agent 的状态推送会改变开发者的工作节奏。

你想想看，以前的开发循环是「写代码 → 测试 → 改 → 测试」全部要人在场。AI Agent 时代的循环变成「派任务给 agent → 人离开 → agent 跑完推送 → 人回来审阅 → 派下一步」。如果中间那段时间人不能离开屏幕，Agent 的杠杆效应就被砍掉一半。

Mobile companion 不是炫技，是 ADE 必备的第二块屏幕。

Design Mode + Computer Use，让 Agent 看见真实世界

Orca 还有两个能力值得单独讲，它们都解决了 Agent 长期以来的「看不见」问题。

Design Mode

点 Chromium 浏览器里任意 UI 元素，Orca 会把它的 HTML、CSS 和元素截图自动塞进 Agent 的 prompt。

这件事为什么重要？因为让 Agent 复刻一个 UI 一直是个高摩擦活。

老的方式是，你要么截图贴给 Claude，让它在脑子里猜 CSS，要么手动复制 DOM 树。两种方式都有巨大损耗，截图丢了真实 CSS 值，DOM 树丢了视觉上下文。

Design Mode 直接把「这个按钮的所有 CSS 计算值 + 它在浏览器里的真实样子」一次性喂给 Agent。Claude 或 Codex 拿到这种 spec，写出来的 UI 还原能直接接近原版。

这跟 ai-website-cloner-template 用 getComputedStyle() 抓精确 CSS 的思路一脉相承，spec 越精确，Agent 输出越少幻觉。

Computer Use

让 Agent 操作桌面应用和可见 UI。

Agent 跑 Claude Code 写后端 API 没问题，但「去 Figma 拉设计稿、去 Linear 看 issue、去 Slack 给队友发消息」这些跨应用操作以前是死区。

Computer Use 是 Anthropic Claude Computer Use 能力的工程化落地。Agent 能模拟鼠标键盘，能看见屏幕截图，能点击真实 UI。Orca 把它做进了 IDE 里，让 Agent 突破「只会在终端里改代码」的边界。

这两块加起来，Orca 解决的不只是「写代码」的问题，是让 Agent 介入完整产品开发流程的问题。

27+ 个 CLI Agent 兼容，做协议层不做模型层

Orca 的 README 支持列表长得吓人。Claude Code、Codex、Grok、Cursor、GitHub Copilot、OpenCode、MiMo Code、Amp、OpenClaude、Antigravity、Pi、oh-my-pi、Hermes Agent、Devin、Goose、Auggie、Autohand Code、Charm、Cline、Codebuff、Command Code、Continue、Droid、Kilocode、Kimi、Kiro、Mistral Vibe、Qwen Code、Rovo Dev，至少 27 个。

Works with any CLI Agent — if it runs in a terminal, it runs in Orca.

凡是能在终端跑的 Agent，都能在 Orca 里跑。

这个兼容矩阵的实现方式很关键。Orca 没有给每个 Agent 写专门的适配，它的逻辑是「只要你能跑在 Ghostty-class 终端里，你就是被支持的」。

这是一种协议层抽象而非实现层抽象。Orca 把所有 Agent 都视为「会读 stdin 写 stdout 的子进程」，统一在终端 splits 里管理。Agent 自己怎么 prompt、怎么 tool use、怎么思考，Orca 不管，那是 Agent 自己的事。

代价是 Orca 拿不到 Agent 的内部思考链，只能看到终端输出。收益是 Orca 永远不需要因为 Agent 更新就破兼容。

做协议层不做模型层，这套思路跟 Harness 的「单真源 + 同步脚本」、ai-website-cloner-template 的「单真源 AGENTS.md + 多平台派生」是同一个工程哲学。抽象层级越高，多平台兼容越容易。

诚实边界，Orca 自己承担的限制

讲完亮点，必须讲局限。这是 ruofeng 风格的红线。

第一，桌面 + 移动 pairing 依赖。Mobile companion 不是独立产品，必须跟桌面配对。手机收到推送，本质上还是「远程控制桌面上的 Orca」。如果你的电脑关机、断网、休眠，手机就废了。这跟真正的云端 Agent 平台有本质差别。

第二，自托管场景缺失。Orca 是桌面应用，没有 self-hosted server 版本。如果你想在公司服务器上长跑 Agent 团队，再让团队多人共用，目前 Orca 不支持。SSH Worktrees 解决了一部分「远程算力」需求，但用户管理、权限隔离都没有。

第三，开源核心 + 闭源云。Orca 仓库是 MIT 开源的，但移动 companion 的后端、账号体系、可能的云同步服务，是不是闭源，README 没明确说。这是 YC 项目常见的混合策略，开源吸开发者、闭源锁商业用户。

第四，使用门槛不低。Orca 不是给小白用的。你要会 git、要懂 worktree、要已经订阅了至少一个 CLI Agent、要理解 parallel diff review 流程。它的目标用户是 README 写的「100x builders」，是已经重度使用 AI Agent 的高级开发者。

第五，生态依赖。Orca 的价值依赖 CLI Agent 生态的多样性。如果未来 Anthropic / OpenAI / Google 把 CLI Agent 都关了改成只能用云 API，Orca 整个产品逻辑就要重做。这是个生态押注风险。

工程细节亮点，几个值得偷的设计

除了上面这些，还有几个工程小细节值得记下来。

Ghostty-class 终端 + WebGL 渲染。Orca 不用 Electron + xterm.js 的传统组合，而是用 Ghostty 的终端实现，WebGL 硬件渲染，scrollback 重启不丢。终端用户会立刻感知到流畅度差异。

Annotate AI Diffs。在 diff 任意一行写注释，注释会被发回给 Agent 作为反馈。这相当于「人在 review 时给 agent 写 inline code review」，Agent 拿到注释继续改。这是把 GitHub PR review 体验用在 AI Agent 输出上的好设计。

Orca CLI 本身。orca worktree create、snapshot、click、fill 这些命令让 Agent 也能驱动 Orca。Agent 调度 Agent 这件事在 Orca 里是 first-class 支持。这是真正的递归编排能力。

Account Switcher + Usage Tracking。能看到 Claude 和 Codex 的用量和 rate-limit 重置时间，热切换账号不用重登。这种小工具看着不起眼，重度用户每天省下来的时间相当可观。

我从 Orca 里学到的

Orca 的价值不只是它做了什么，是它给整个 AI 工具赛道指了一个新方向。

在 Orca 之前，所有 AI 编码工具都在抢「模型 + 编辑器一体化」的位置。Cursor 抢、Windsurf 抢、Copilot 抢、JetBrains AI 抢。这条赛道的尽头是价格战、token 战、绑定战。

Orca 选了另一条路，只做编排，不卖推理，让你手里的所有订阅 ROI 最大化。这是一个完全不同的产品定义。

我个人判断，未来 12 个月 ADE 这条赛道会被快速验证。如果 CLI Agent 多元化持续下去（这个趋势非常明确），Orca 的位置就会越来越值钱。如果反过来，Anthropic 或 OpenAI 一统天下把 CLI Agent 全关掉，Orca 就麻烦。

回到工程。Orca 给我至少 5 个可迁移的启发。

第一，Parallel Worktrees 是 IDE 形态的 fan-out/fan-in。任何想做多 Agent 工具的开发者都该把 git worktree 作为一等公民。

第二，订阅解绑的商业模式。AI 工具不一定要卖推理，做编排层可以更轻资产。

第三，Mobile companion 是 Agent 时代的 push 通知。让用户离开屏幕也是 Agent 工具的关键能力。

第四，协议层抽象 > 实现层抽象。永远不要给每个上游写专门适配，做协议层一次到位。

第五，Design Mode / Computer Use 是 Agent 突破终端边界的关键。让 Agent 看见真实世界，它的能力会阶跃。

说真的，6630 stars、5 个月、MIT 开源、YC backed，Orca 这个项目我建议每个 AI Agent 工程师都装一遍试用。哪怕你不用它写代码，它的产品定义、UI 交互、工程取舍都是教科书级别。

下载链接在文首的 source_url，macOS / Windows / Linux 都有，移动端 App Store 搜「Orca IDE」。

试完回来告诉我，你跑的第一个 parallel worktree 让哪两个 Agent 比稿。