我讓三個 AI 各司其職寫程式：Codex 出測試、Grok 寫實作、Claude 驗收

我讓三個 AI 各司其職寫程式：Codex 出測試、Grok 寫實作、Claude 驗收 這週我沒有讓單一 coding agent 從頭包到尾。我把流程拆成一條固定的契約： Codex 先寫測試，Grok 再寫實作去讓那些測試通過（只能改實作、不准動測試），Claude 獨立驗收才提交。 測試在實作之前就寫死，成為 Grok 必須滿足、且不能修改的規格。我先在一個 Zig 專案跑了兩個功能，後來又在一個 Rust + Turso 專案獨立重跑三個功能（見文末）——判斷一致：這條 pipeline 在 有嚴格測試當契約 的前提下可用；它省下的不是人力，而是把「錯誤發現點」往前、往獨立處移。這只是 workflow 可用性判定，不含可商用判定——後者要另算 token/seat 成本、隱私、rate limit 與審計，本文不碰。 實驗條件（可自行驗證） 工具： codex-cli 0.142.4 、 grok 0.2.77 (44e77bec3a) 、Claude Code（CLI，版本未記錄，屬已知量測缺口）。 專案：一個 Zig 0.16.0 codebase（私有 repo，commit hash 僅供我本地對照），加一個「回合後反思」功能。另在一個 Rust + Turso 專案上以同一條 pipeline 再跑一輪，見文末「換一個 stack 再驗一次」。 樣本：Zig n=2 個功能 （config surface、reflection module），共 15 個測試（4 + 11）；Rust + Turso n=3 個功能 （見文末）。兩者各自樣本都小。 出題命令： codex exec --sandbox read-only （單次、不寫檔）。 施工命令：Grok headless、可寫檔模式（write→test→fix）。 觸發 400 的命令：對 grok-composer-2.5-fast 傳 --effort （等同 reasoningEffort 參數）。 驗收命令： zig test <libs> --dep build_options --dep compat -Mroot=src/root.zig --test-filter "<功能前綴>" ；leak-detecting allocator 回報 0 leak。 樣本小，數字不外推；以下每個論斷都設計成能被另一個工程師在幾分鐘內驗證或反駁。 核心迴圈：測試先寫死，實作去追它 每個功能走五步，順序不可換： Codex 出測試 + 最小 stub 。stub 讓測試「能編譯、但在斷言上失敗」——這是真正的 RED，不是因為符號缺失而編不過。測試此刻就固定下來，之後不再改。 Claude 對照原始碼核對 測試。Codex 會猜 API（vtable 欄位、函式簽章、建構模式），必須逐一驗證符號存在才落地。 Claude 放進隔離的 git worktree ，跑到確定 RED：pass/fail 混合，每個失敗各有其原因。 Grok 寫實作 到 GREEN。任務只有一句： 讓這些已寫死的測試通過，只改實作、不准動測試。 測試是 Grok 不能碰的契約，不是它可以順手改綠的東西。 Claude 獨立驗收 （不採信 Grok 的自述）：跑測試、確認 0 leak、核對 diff 的正確性與改動範圍，才提交。 重點不是「三個比一個強」，而是 出測試的人跟寫實作的人不是同一個 agent ——測試因此成為獨立的規格，實作成為獨立的檢查。一個模型不能同時定義正確、又判定自己是否正確。 對照三個真實替代方案 單 agent 跑 TDD（自己出測試、自己實作） ：最快，但自我驗證風險最高。 人寫測試 + agent 實作 ：最可靠，測試由人把關；代價是人工成本最高。 本文的三 agent 分工 ：增加 orchestration 來回（見下），換到的是「假綠」風險下降——任何一環的自欺會在下一環被抓到。 選哪個，取決於你的錯誤成本 vs. 來回成本。 每家 CLI 的落地差異（用法決定，不是廠商能力差異） 三家我都只用了各自的一種模式，差異來自我怎麼接，不是模型智力： Codex ：我用 codex exec --sandbox read-only 的 單次 模式，讓它只「輸出」測試碼、不改檔。它其實支援 --sandbox workspace-write 與 exec resume （可多輪、可寫檔），但我刻意把它限縮成「出題者」，讓出題與施工不同源。誤把單次 read-only 模式當施工者用，會得到看似對、實際編不過的檔案。 Grok ：我用 headless、可寫檔模式跑 write→test→fix。踩到一個 參數相容性 的坑：在 grok 0.2