2026 年第二季度，Codex CLI、Claude Code、Cursor 三家在 90 天内不约而同收敛到同一套架构——前台"等待响应"型编码智能体正式退场，取而代之的是异步后台智能体（background agent）+ 监督循环模型。它们没有协调，却被同一股力量推到一起：当头部团队的 AI 辅助代码占比冲到 60–75%、PR 周期压到 8 小时以内，瓶颈已经从"模型能力"转移到了"开发者注意力"。释放这层瓶颈的唯一办法，是让一个人同时监督一支智能体舰队。
本文拆解这套异步监督循环（async supervision loop）的骨架——事件触发、沙箱执行、检查点汇报、唤醒续跑——并实测三个头部栈的同构之处、四个真正的塌方点，以及"弱模型异步栈打败强模型同步栈"这条反直觉结论背后的机理。
| 框架/工具 | 异步机制 | 并行度 | 持久化 | 通知语义 | 最适合场景 |
|---|---|---|---|---|---|
| Codex CLI Realtime V2（OpenAI） | 流式进度 + 排队响应 | 单后台任务 | 会话级 | steering 更新不阻塞队列 | 单人/结对，最低迁移摩擦 |
| Claude Code v2.0.64+（Anthropic） | 异步子智能体 + 唤醒消息 | 多子/父 | 跨父任务存活 | 检查点通知 + cron/webhook routines | PR 中心流、本地优先、数据治理严 |
| Cursor 3 Agents Window | worktree 并行 + 本地↔云交接 | 最多 8 并行 | 云持久化 | Agents Window 看板 | 多模型 best-of-N、平台团队 |
| Tembo（编排层） | 事件驱动调度 | 调度多智能体 | 跨事件 | 触发→审计闭环 | 多智能体协调、避免厂商锁定 |
关键判据不是"SWE-bench 谁更高"，而是"你的团队监督者-智能体比例是多少"——异步原语是否匹配这个比例。
前台智能体的契约是 一个 prompt → 一个 response → 一次等待。当一次任务需要 8 分钟跑全量测试、再 4 分钟补三个失败用例，开发者盯着 spinner 干等 12 分钟就是纯浪费。后台智能体把这个契约拆碎：检查点（checkpoint）取代响应（response），智能体在沙箱里自己跑，监督者只在关键节点被唤醒。
# 监督循环核心：检查点而非阻塞等待
async def supervise(tasks: list[BackgroundAgent]):
while pending(tasks):
for t in tasks:
msg = await t.poll_or_wakeup() # 唤醒语义，不阻塞
match msg.kind:
case "checkpoint": notify(t.id, msg.progress) # 开了 PR / 跑完测试
case "uncertain": await human_input(t, msg.q) # 异步交接，不卡队列
case "done": queue_review(t) # 排队等人工 review
case "blocked": escalate(t) # 静默死的反面
await asyncio.sleep(backoff)
三家都落在同一套原语上：沙箱执行（隔离 worktree/容器）、检查点汇报、唤醒续跑、review 门控。差别只在持久化半径与并行度。架构上的同构不是巧合，而是"监督者模式"对控制流的强制要求——同步智能体本身就是"活儿"，没法被监督；后台智能体才是"被监督的工人"。
2026 年 4 月发布的 Realtime V2 引入了在前台响应仍在生成时，流式播报后台智能体进度的能力。开发者中途输入不会被丢弃，而是作为 steering update 回执确认，后续响应排队，等当前完成再处理。这是三家里异步原语最轻的——会话级单任务、不跨会话持久化。
# Realtime V2：中途 steering 不阻塞，排队等当前响应完成
codex "重构 payment 模块拆出幂等层"
# ↳ [bg-task t_42] 流式: 解析 230 个文件... 跑测试...
> 用户中途输入: "顺便保留旧 API 兼容"
# ↳ ack: 已排队为 steering update #2
它的优势是迁移成本最低：单人开发或结对编程场景，无需重构工作流就能吃到异步红利。代价是会话一关，状态即失——长程任务一旦超时，重新 prefill 整个 monorepo 的 token 成本会再次支付。Codex 全程跑在 OpenAI 云沙箱 + GPT-5.4，对数据驻留敏感的企业是硬伤。
Claude Code 的异步走得最深。v2.0.60 让子智能体后台运行、父任务结束后仍存活；v2.0.64 起后台智能体与 bash 命令异步执行，并向主智能体发"唤醒消息"。/tasks 命令列出所有在跑的后台进程及其 ID、token 用量、进度。更关键的是 3 月的 routines：cron 风格定时 + GitHub webhook 触发，跑在 Anthropic 的 Web 基础设施而非本地。
# .claude/routines/fix-sentry-error.yml —— 事件触发，跑在云上
trigger:
webhook: sentry-on-alert
on_event:
run: "读 $EVENT.payload 栈帧，定位根因，写修复+回归测试，开 PR"
notify:
on_checkpoint: [pr_opened, needs_review] # 只在检查点通知
on_uncertain: true # 遇歧义升级，不硬猜
cost_ceil:
usd: 5.0 # 每分支花费上限，防跑飞
Claude Code 默认本地执行（Opus 4.7 在 SWE-bench Pro 拿 64.3%），对数据治理严的团队是决定性优势；routines 把"触发-执行-通知"闭环做成了基础设施层。唤醒语义（wake-up messages）是它区别于另外两家的核心：不是监督者去轮询，而是智能体在有产出时主动叫醒监督者。
Cursor 3（2026-04-02）把并行 worktree 执行做成了一等公民 UX。Agents Window 是独立全屏工作区，最多 8 个智能体并行跑在本地 worktree、云 VM 或远程 SSH 主机上。杀手锏是 best-of-N：同一 prompt 同时派发给 Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro，三个 worktree 各产 diff，并排比对。还有本地↔云交接——本地会话可推到云端断点续跑，云端会话可拉回本地手动编辑。
# Cursor 3: best-of-N —— 同 prompt 三模型并行，并排挑 diff
/best-of-n "重构 payment，拆出 idempotency 层" \
--models opus-4.6,gpt-5.4,gemini-3.1-pro
# → worktree-pay-{opus,gpt,gemini} 三份 diff 并排
# ↳ 人工 cherry-pick；冲突 hunk 手动合并（塌方点之一）
云持久化让会话能跨天存活，最接近"一周后仍带着上下文醒来"的愿景。但 best-of-N 的代价在三处暴露：并行分支合并冲突、可观测盲区、成本爆炸（见下文）。
这是整套范式里最难的设计决策，也是真正的"税"。后台智能体必须自行决定何时打断监督者：阈值设太高 → 智能体遇障不喊人，静默死，几小时后产出一份基于腐烂上下文的烂 PR；阈值设太低 → 每个不确定都 ping，骚扰潮，监督者淹没在通知里，退化成比同步更累的"通知消防员"。
健康曲线不是线性的，而是存在一个窄最优带。两侧都塌：左侧是"看不见的失败"（智能体假装在做），右侧是"看得见的过载"（监督者屏蔽所有通知）。Claude Code 的 on_uncertain 升级、cost_ceil 上限，本质都是在给智能体装自我熔断——知道什么时候该停、什么时候该喊。没有熔断的后台智能体，等于把"自主体跑飞：重试级联 200 倍税"的场景从单任务放大到了 7×24。通知策略本身就是产品，谁能把阈值调到窄最优带，谁就赢。
后台智能体迟迟无法吞下整条工作流，卡在这三处：
并行分支合并冲突。 Cursor 3 的 best-of-N 在模型产出兼容 diff 时很美，不兼容时监督者得手动 cherry-pick。部分团队反馈：解并行智能体合并冲突的时间，比并行省下的还多。并行是省时工具，冲突是反噬工具，净值取决于模型间 diff 的兼容度。
可观测黑洞。 同步智能体失败，开发者立刻看到报错；后台智能体失败，一小时后才收到 Slack 通知，此时上下文已腐烂，重跑等于从零再来。Claude Code 的 /tasks 只是最薄一层。生产部署需要 OpenTelemetry GenAI 语义约定 + New Relic 这类 agentic 可观测平台——这也是它们突然爆热的原因。
成本失配。 云后台智能体按 VM-分钟 + 模型 token 双重计费。best-of-N 跑 8 个智能体 40 分钟，可能比监督者本人时薪还贵。财务团队开始要求按分支成本上限（per-branch cost ceiling），而 Cursor 的定价页至今没跟上。落地时务必把成本熔断写进编排层，而不是事后算账。
异步自治放大的安全面，必须用架构性约束兜底，不能靠提示词。四条铁律：最小权限——对生产分支只读、仅对 feature 分支写、用每个任务后过期的一次性 token，审计每条智能体 commit；密钥托管——云执行的智能体永远不碰生产 secret，用 vault 运行时注入，绝不落配置文件；强制 review——任何智能体产物未经至少一人人工批准不得进生产，配合分支保护；审计闭环——记录每一次触发、改动、测试、决策，用于调试与合规。
# 编排层治理：权限 + review + 审计一体化
when: sentry.alert.severity >= "error"
then:
agent: claude-code
branch: auto-fix/${event.id}
permissions:
repo: { read: main, write: "auto-fix/*" } # 最小权限
secrets: vault-inject # 不落盘
review_gate: required # 强制人工
audit: [trigger, commits, tests, decisions] # 全留痕
这套治理是后台智能体从"玩具"到"生产"的分水岭。没有它的 best-of-N，是把一组有写权限的自治体同时放进 8 个 worktree——爆炸半径比单智能体大 8 倍。
后台智能体的落地账本很硬：Bug 三联/修复 40–60% MTTR 下降、测试生成 15–25% 覆盖率提升、Review 预处理拦截 30–40% 问题、文档同步准确率 60%→90%。但 METR 在 2026 年 2 月专门重做了度量方法：旧法测单人单任务完成时间，而舰队工作流违反了这两个前提；新法测舰队产出 ÷ 监督者时间——这是唯一还能反映真实行为的数。
变现机会不在"教人用 Cursor"，而在"教监督者编排舰队 + 设熔断阈值 + 建治理闭环"——这才是稀缺技能。训练营应分四阶段：低风险自动化（依赖更新/lint，1–2 周）→ 事件驱动（接 Sentry/CI/工单，3–6 周）→ 多智能体编排（7–12 周）→ 持续优化（监控 override 率、时延、缺陷率）。最值钱的认知是那条反直觉结论：异步可成的弱模型栈，一旦团队适应舰队监督，会打败同步的最强模型栈——"架构胜过能力，前提是能力已过阈值"。
flowchart TB
subgraph 事件源
E1[Sentry 报警]
E2[CI 失败]
E3[Linear 工单]
E4[Cron 定时]
E5[GitHub Webhook]
end
ORC[编排层 routines/Tembo]
subgraph 后台智能体舰队
A1[Agent A · worktree]
A2[Agent B · worktree]
A3[Agent C · 云 VM]
end
H[监督者 · 人类]
E1 & E2 & E3 & E4 & E5 --> ORC
ORC -->|派发+沙箱+vault 注入+cost_ceil| A1 & A2 & A3
A1 -.->|检查点通知| H
A2 -.->|不确定 → 异步提问| H
A3 -.->|完成 → 排队 review| H
A3 -.->|blocked → 升级 熔断| H
H -->|steering 更新/批准| A1 & A2
A1 & A2 & A3 -->|开 PR| R[Review 门控]
R -->|≥1 人工批准| M[合并]
R -.->|审计留痕| LOG[(Audit Log)]
一句话决策：别再比 SWE-bench。先问"我的监督者-智能体比例"，再选异步原语匹配它的栈。能力过了阈值之后，架构决定上限，监督循环决定下限——而通知阈值与成本熔断，是上下限之间那道最窄的缝。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。