---
title: "Claude Code 使用心得：OpenRouter 整合與 Agent Teams 實戰"
url: https://geminixiang.com/posts/claude-code-reflection/
description: "深入分享 Claude Code 的實戰經驗：如何透過 OpenRouter 整合 Qwen3.5、MiniMax M2.5、GLM5 等模型實現 provider failover，以及 Agent Teams 在並行任務協調上的應用與限制。"
published: 2026-02-21
category: "技術分享"
tags: ["Claude Code", "OpenRouter", "Agent Teams", "AI", "開發工具"]
---

# Claude Code 使用心得：OpenRouter 整合與 Agent Teams 實戰

# Claude Code 使用心得：OpenRouter 與 Agent Teams

## 前言

成為 Claude Code 重度使用者已經一段時間了。從最初的 Claude Desktop 替代品，到現在的 Agent Teams，這半年左右的變化之大，讓我對 AI 輔助開發有了全新的認識。

> 題外話：目前主要使用 Claude Code and [Pi](https://github.com/badlogic/pi-mono) 作為主要開發工具。

這篇文章想分享兩個，我覺得最值得介紹一下的主題：

1. **OpenRouter 整合** - 如何透過 OpenRouter 獲得更穩定的服務，以及我對多模型路由的看法
2. **Agent Teams** - 實戰中的團隊協調經驗，以及什麼情況下真的需要多個 Agent 一起工作

## 為什麼選擇 OpenRouter？

老實說，一開始我對「再多一層代理」這件事是懷疑的。直接連 Anthropic API 不好嗎？為什麼要多繞一層 OpenRouter？

### 真實痛點：API 不穩定時的無助感

有幾次在趕工的過程中，Anthropic API 突然 rate limit 或是短暫不可用。那種「明明就在趕時間，卻被 API 擋住」的無力感，我想很多人都有過。

> p.s. Claude 時常為了擋 DDoS 有點過激了，農曆過年期間，我老家中華電信的網路也被擋，只能使用 5G 網路才可以 orz<br/>
> p.s. 幸好這次好解決，之前 opencode 登入 claude code 直接被 ban 好幾天

OpenRouter 的第一個價值就在這裡～

```bash
# 設定 OpenRouter 作為 Claude Code 的 backend
export OPENROUTER_API_KEY="<your-key>"
export ANTHROPIC_BASE_URL="https://openrouter.ai/api"
export ANTHROPIC_AUTH_TOKEN="$OPENROUTER_API_KEY"
export ANTHROPIC_API_KEY=""  # 重要：必須明確設為空
```

### 成本與預算控制

對於團隊來說，OpenRouter 提供了統一的預算管理。你可以：

- 設定每個成員的 spending limit
- 即時追蹤 usage patterns
- 防止 unexpected cost overruns

這些功能在 Anthropic 直接連接時是沒有的。

### 多模型路由的想像空間

這是我最感興趣的部分。OpenRouter 支援超多模型，包括：

- **Qwen 3.5** - 在中文理解和程式碼生成上表現出色，並且長 context 的推理速度上有優勢
- **MiniMax M2.5** - 長 context 處理能力強
- **GLM-5** - 在特定領域有獨特優勢

理論上，可以根據任務類型自動路由到最適合的模型，我目前都是用同一個模型跑到底。
目前想到主要編排任務可能還是以 Claude model 為主，小任務則改由 Qwen 3.5 等模型。

關於中國模型的部分，之後累積一點心得再開一篇來講講，目前還在跟同事 [HongRen](https://github.com/FrogL0612) 在進行多項實際場景測試。

> [!NOTE]
> 切換模型的話，需要手動到 openrouter 複製 model id，然後如下圖這樣切換
> ![claude-code-reflection-2](../../assets/images/posts/claude-code-reflection-2.png)

## Agent Teams 實戰經驗

Agent Teams 是實驗性功能，但我認為這是 AI 輔助開發的一個重要方向。

### 什麼時候需要 Agent Teams？

不是所有任務都需要 Agent Teams。根據我的經驗，以下情況最適合：

1. **並行程式碼審查** - 不同隊友專注於安全性、效能、測試覆蓋率
2. **多假設除錯** - 每個隊友測試不同的根本原因假設
3. **新功能探索** - 從 UX、技術架構、反對觀點同時切入
4. **跨層協調** - 前端、後端、測試各由不同隊友負責

### 與 Subagents 的比較

很多人會混淆 Agent Teams 和 Subagents。簡單來說：

|          | Subagents              | Agent Teams               |
|----------|------------------------|---------------------------|
| Context  | 自己的 context window   | 自己的 context window      |
| 通訊     | 僅向主代理報告          | 隊友直接相互傳遞訊息        |
| 協調     | 主代理管理所有工作       | 共享任務清單，自我協調       |
| Token 成本 | 較低                   | 較高                       |

我的經驗法則：

- 如果只需要「快速完成一個獨立任務」，用 Subagents
- 如果需要「多個視角討論、相互質疑」的團隊，用 Agent Teams

### 實際使用範例

這是一個我常用的模式：**並行程式碼審查**

```
Create an agent team to review PR #142. Spawn three reviewers:
- One focused on security implications
- One checking performance impact
- One validating test coverage
Have them each review and report findings.
```

每個審查者從相同的 PR 工作，但應用不同的篩選器。主管在他們完成後綜合所有三個的意見。

這種方式比單個 reviewer 更有效，因為：

1. **避免錨定效應** - 單個審查者容易找到一個問題就停止尋找
2. **專業分工** - 每個隊友可以深入專注於一個領域
3. **相互質疑** - 隊友之間可以挑戰彼此的結論

### 啟用 Agent Teams

在 settings.json 中啟用或者直接設定好環境變數
```bash
{
  "env": {
    "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  }
}
```

## 對未來的想法

### AI 輔助開發的演進

我認為 AI 輔助開發正在經歷三個階段：

1. **單個助手** - 回答問題、生成程式碼片段
2. **協作夥伴** - 理解整個專案、主動建議
3. **團隊協調** - 多個 AI 代理分工合作、相互質疑

我們正處於從第二階段向第三階段邁進，認為目前所有開發者，也要儘早再這之中快速學習、掌握新的開發技術。

## 結語

使用 Claude Code 這段時間，我最深的感觸是：

> **AI 不會取代開發者，但會使用 AI 的開發者會取代不會使用的。**

所有人類開發者真正的價值還在於：

- 你對問題（業務需求）的理解深度
- 你對技術的掌握程度

> LLM 只會給出平庸解，只有人類才會給出靈光乍現的有趣答案。

這是我在 [Vibe coding 的一些抱怨](/posts/vibe-coding/) 中提過的信念，現在依然堅持。

---

## 相關資源

- [OpenRouter 文件](https://openrouter.ai/docs)
- [Claude Code 整合指南](https://openrouter.ai/docs/guides/claude-code-integration)
- [Agent Teams 文件](https://code.claude.com/docs/zh-TW/agent-teams)
- [OpenRouter Examples](https://github.com/OpenRouterTeam/openrouter-examples)

---

## About the author

**Ying Xiang Zhao** (geminixiang) — DevOps Engineer, Taipei, Taiwan.

Ying Xiang Zhao（geminixiang）是住在台北的 DevOps 工程師，工作橫跨雲原生基礎設施、CI/CD、ML 模型部署與全端開發。這個部落格記錄 infra、資安與 AI coding agent 的實戰筆記；作品包含開源專案 mikan（把 AI coding agent 帶進 Slack / Telegram / Discord）與 tiny-agent（用四種語言實作的極簡 coding agent），瀏覽器內的影片編輯器 Studio，並經營旅遊分帳工具 SentriPay。

**Open to work** — DevOps Engineer / Platform Engineer / Site Reliability Engineer / AI Infrastructure Engineer · Taipei, Taiwan / Remote. Résumé: https://geminixiang.com/about/ (JSON: https://geminixiang.com/resume.json)

Topics: DevOps, Cloud Native, Kubernetes, Docker, Terraform, Google Cloud, CI/CD, Security, AI coding agents, ML model deployment, TypeScript, Python

Projects:
- [mikan](https://github.com/geminixiang/mikan) — Self-hosted AI coding agent for Slack, Telegram, Discord and GitHub with per-conversation sandboxes
- [tiny-agent](https://github.com/geminixiang/tiny-agent) — Minimal AI coding agents in TypeScript, Go, Python and Rust, plus a book on how they work
- [SentriPay](https://sentripay.com) — Travel expense splitter with multi-currency conversion and shareable, live-synced trip ledgers
- [Studio](https://studio.geminixiang.com) — Browser-based video editor built on WebCodecs

[About](https://geminixiang.com/about/) · [Résumé](https://geminixiang.com/about/) · [LinkedIn](https://linkedin.com/in/geminixiang/) · [GitHub](https://github.com/geminixiang) · [Twitter](https://x.com/geminixiang)