Claude Code, Codex CLI og Antigravity CLI: Slik fungerer AI-agenter i terminalen

Claude Code CLI, Codex CLI og Google Antigravity CLI representerer en ny måte å bruke kunstig intelligens på i utvikling. I stedet for å sitte i en chat og kopiere kode frem og tilbake, kan du starte en AI-agent direkte i terminalen og la den undersøke prosjektet, lese filer, endre kode, kjøre kommandoer, kjøre tester og iterere mot et mål.

Det er en viktig forskjell. En vanlig AI-chat er først og fremst et samtalegrensesnitt. En coding agent er et arbeidsverktøy. Den får tilgang til et miljø, verktøy og prosjektkontekst, og kan utføre flere handlinger etter hverandre.

I denne guiden går vi grundig gjennom Claude Code CLI fra Anthropic, Codex CLI fra OpenAI og Antigravity CLI fra Google. Vi ser på hvordan de fungerer, hvordan du installerer dem, prosjektinstruksjoner, Git, MCP, skills, sub-agenter, headless-kjøring, sikkerhet og hvordan en typisk agentisk utviklingsworkflow ser ut.

Hva er en AI coding agent?

Det enkleste skillet er dette:

• AI-chat: Du spør et spørsmål og får et svar.
• AI-kodeassistent: Du skriver kode og får forslag eller komplette kodeblokker.
• AI coding agent: Du beskriver en oppgave, og agenten kan undersøke prosjektet, velge handlinger, endre filer, kjøre verktøy og kontrollere resultatet.

En agent kan dermed arbeide gjennom en hel oppgave i stedet for å stoppe etter ett tekstsvar.

Forestill deg for eksempel at du har en WordPress-plugin med en JavaScript-feil. Med en vanlig chatbot må du først kopiere relevant kode inn i chatten. Deretter får du et forslag, kopierer det tilbake til editoren, kjører pluginen og kommer tilbake med neste feilmelding.

Med en coding agent kan oppgaven i stedet være:

Analyser pluginen og finn årsaken til JavaScript-feilen.
Ikke gjør endringer ennå.

Agenten kan da undersøke filstrukturen, lese JavaScript-filene, se etter relaterte PHP-funksjoner og analysere hvordan pluginen lastes. Når du har fått forklaringen, kan du gi neste instruksjon:

Fiks problemet, kjør testene og rapporter hvilke filer du endret.

Det er denne arbeidsflyten som gjør agentene interessante.

Fra prompt til agent-loop

En coding agent fungerer ikke nødvendigvis som én stor prompt som gir ett svar. Den arbeider typisk i en løkke der modellen får ny informasjon etter hver handling.

Du gir oppgaven
      ↓
Agenten undersøker kontekst
      ↓
Planlegger neste handling
      ↓
Leser fil / kjører verktøy
      ↓
Observerer resultatet
      ↓
Vurderer neste steg
      ↓
Endrer eller tester
      ↓
Gjentar
      ↓
Rapporterer resultatet

Hvis en test feiler, kan agenten lese feilmeldingen og forsøke å rette problemet. Hvis en fil ikke finnes der den forventet, kan den søke videre. Hvis en endring introduserer en ny feil, kan den oppdage dette gjennom tester eller kommandoer.

Dette er også grunnen til at kvaliteten på en agentisk workflow ikke bare avgjøres av modellen. Verktøyene, prosjektkonteksten, permissions, testene og instruksjonene rundt modellen er minst like viktige.

Hva betyr CLI?

CLI står for Command Line Interface. I praksis betyr det at du bruker verktøyet fra terminalen i stedet for gjennom et tradisjonelt grafisk brukergrensesnitt.

Claude Code startes med:

claude

Codex CLI startes med:

codex

Antigravity CLI bruker:

agy

Du trenger ikke være Linux-ekspert for å bruke disse verktøyene. De fungerer på moderne Windows-, macOS- og Linux-systemer, og mye av arbeidet gjøres med vanlig naturlig språk etter at agenten er startet.

Det interessante med terminalen er at agenten allerede befinner seg i samme miljø som prosjektet. Den kan derfor jobbe med repositoryet uten at du må laste opp hele kodebasen til en webside manuelt.

Claude Code CLI

Claude Code er Anthropics agentiske utviklingsverktøy for terminalen. Anthropic beskriver det som et verktøy som kan arbeide direkte i et repository og bruke kommandoer og verktøy for å løse utviklingsoppgaver. Claude Code kan installeres på macOS, Linux og Windows.

Installere Claude Code

Anthropics nåværende installasjonsmetoder inkluderer en egen native installer. På macOS og Linux kan du bruke:

curl -fsSL https://claude.ai/install.sh | bash

På Windows PowerShell:

irm https://claude.ai/install.ps1 | iex

Det finnes også installasjon via Homebrew og WinGet. Etter installasjonen starter du agenten med claude.

Den første Claude Code-økten

Gå først til prosjektet ditt:

cd mitt-prosjekt
claude

Det første jeg ville gjort i et ukjent prosjekt er å be agenten analysere det uten å endre noe:

Analyser dette prosjektet.
Forklar arkitekturen, hvordan det bygges,
hvilke tester som finnes og hvilke områder
som ser ut til å være mest komplekse.
Ikke gjør endringer.

Dette er en mye tryggere start enn å umiddelbart be agenten «fikse alt».

CLAUDE.md

For større prosjekter er prosjektinstruksjoner svært nyttige. CLAUDE.md kan brukes til å fortelle Claude Code hvordan prosjektet skal behandles.

Du kan for eksempel beskrive:

• arkitekturen
• hvilke kommandoer som bygger prosjektet
• hvordan tester kjøres
• kodestil
• filer som er genererte
• regler for databaseendringer
• regler for API-endringer
• hva agenten aldri skal gjøre uten godkjenning

Dermed slipper du å skrive de samme instruksjonene på nytt hver gang agenten starter.

Claude Code som mer enn kodegenerator

En viktig forskjell er at Claude Code ikke trenger å begrense seg til kildekode. Agenten kan arbeide med Git, tester, dokumentasjon, konfigurasjon, shell-kommandoer og integrasjoner som er tilgjengelige i miljøet.

Det betyr at en oppgave kan være:

Finn hvorfor bygget feiler.
Rett problemet.
Kjør testene.
Oppdater dokumentasjonen hvis API-et endres.
Vis meg git diff til slutt.

Dette er langt nærmere å delegere en arbeidsoppgave til en juniorutvikler enn å spørre en chatbot om et kodeeksempel.

Codex CLI

Codex CLI er OpenAIs lokale coding agent. Den kjører på din egen datamaskin og arbeider direkte med prosjektet. OpenAIs offisielle repository beskriver Codex CLI som en coding agent som kjører lokalt, og prosjektet er publisert som åpen kildekode under Apache-2.0-lisensen.

ChatGPT og Codex CLI er ikke det samme

Det er verdt å rydde opp i begrepene. ChatGPT er brukergrensesnittet og tjenesten mange kjenner fra nettleseren og appene. Codex CLI er terminalagenten som kjører lokalt.

OpenAI tilbyr også Codex i andre former, blant annet som IDE-opplevelse og en webbasert/cloud-basert variant. CLI-en er den varianten som er interessant når du ønsker en terminal-first arbeidsflyt.

Installere Codex CLI

På macOS og Linux kan den offisielle installasjonen gjøres med:

curl -fsSL https://chatgpt.com/codex/install.sh | sh

På Windows PowerShell:

powershell -ExecutionPolicy ByPass -c "irm https://chatgpt.com/codex/install.ps1 | iex"

Det finnes også installasjon via npm:

npm install -g @openai/codex

Deretter starter du:

codex

Codex CLI kan autentiseres med ChatGPT-kontoen din på planer som inkluderer Codex, eller settes opp med API-nøkkel.

AGENTS.md

Codex bruker AGENTS.md som prosjektinstruksjon. Det er en enkel, men svært nyttig idé: Prosjektet kan inneholde en fil som forteller agenten hvordan den skal arbeide.

Et eksempel kan være:

# AGENTS.md

- Bruk npm test før du rapporterer ferdig.
- Ikke rediger genererte filer direkte.
- Ikke endre database-migrasjoner uten å spørre.
- Bruk eksisterende komponenter før du lager nye.
- Dokumenter offentlige API-endringer.
- Ikke commit endringer med mindre jeg ber om det.

Dette gjør repositoryet mer «agent-aware». Instruksjonene følger prosjektet og kan brukes av agenten når nye arbeidsøkter starter.

Codex og MCP

Codex kan kobles til MCP-servere direkte fra CLI-en. OpenAI viser for eksempel hvordan dokumentasjons-MCP-en deres kan legges til med:

codex mcp add openaiDeveloperDocs --url https://developers.openai.com/mcp

Deretter kan du kontrollere konfigurasjonen med:

codex mcp list

OpenAI anbefaler også at du kan dokumentere i AGENTS.md når en bestemt MCP-server skal brukes.

Headless og automatisert Codex

En av de interessante egenskapene ved CLI-verktøy er at de ikke nødvendigvis trenger å brukes interaktivt. Agenten kan inngå i automatiserte workflows, scripts og CI-systemer.

Det gjør en agent egnet til oppgaver som:

• kodegjennomgang
• generering av tester
• oppdatering av dokumentasjon
• analyse av issues
• forberedelse av release-notater
• automatiserte refaktoreringer

Jo mer automatisert arbeidsflyten blir, desto viktigere blir sandboxing, permissions og menneskelig godkjenning.

Google Antigravity CLI

Antigravity CLI er Googles terminalbaserte TUI for Antigravity. Google beskriver den som en lett terminalflate som bruker samme agent-harness som Antigravity 2.0. Den gir tilgang til agentens flertrinnsresonnering, multi-file editing, tool calling og samtalehistorikk direkte fra terminalen.

Dette er en viktig detalj: Antigravity CLI er ikke bare en gammel «Gemini CLI med nytt navn». Google bygger CLI-en som en egen terminalorientert overflate for Antigravity-systemet.

Installere Antigravity CLI

På macOS og Linux:

curl -fsSL https://antigravity.google/cli/install.sh | bash

På Windows PowerShell:

irm https://antigravity.google/cli/install.ps1 | iex

Deretter starter du agenten med:

agy

Antigravity CLI støtter macOS, Linux og Windows. Ved lokal bruk kan den også benytte operativsystemets sikre credential store for autentisering. Google dokumenterer også en egen OAuth-flyt for SSH-miljøer.

Antigravity CLI og SSH

Dette er en interessant forskjell for server- og Linux-brukere. Google beskriver Antigravity CLI som laget for terminal-first workflows og dokumenterer bruk over SSH, tmux og andre terminalmultiplexere.

Det betyr at du i prinsippet kan sitte lokalt på Windows eller macOS og arbeide med et prosjekt på en Linux-server over SSH, uten å måtte kjøre et tungt grafisk IDE-miljø på serveren.

Execution modes

Antigravity CLI har eksplisitte arbeidsmoduser. Standardmodus stopper for interaktiv gjennomgang før filendringer, mens accept-edits kan godkjenne filendringer automatisk. Det finnes også en planmodus for oppgaver der agenten først skal lage en plan.

Eksempel:

agy --mode=plan

Dette er en nyttig modell for sikker agentisk utvikling: Først forstå, deretter planlegge, og først etterpå utføre.

Sub-agenter og /agents

Antigravity CLI har også et tydelig fokus på multi-agent arbeidsflyter. Kommandoen /agents åpner Agent Manager Panel, mens /boost kan brukes til mer omfattende multi-agent reasoning loops.

En stor oppgave kan dermed i prinsippet deles opp mellom flere spesialiserte agenter. Én kan analysere arkitekturen, en annen kan undersøke testdekningen og en tredje kan se etter sikkerhetsproblemer.

Men flere agenter betyr ikke automatisk bedre resultat. Det betyr også mer koordinering, større ressursbruk og flere muligheter for motstridende endringer. Multi-agent er derfor et verktøy, ikke en magisk kvalitetsknapp.

Antigravity CLI og plugins

Google har også bygget et plugin-system rundt Antigravity CLI. Et plugin kan inneholde skills, agents, rules, MCP-servere og hooks som én samlet pakke.

Det gjør det mulig å bygge egne agentmiljøer for bestemte typer arbeid. Et team kan for eksempel lage et internt plugin som inneholder kodestandarder, MCP-tilkoblinger, spesialiserte agenter og automatiske hooks.

Headless mode – når agenten ikke trenger en samtale

Agentiske CLI-er blir enda mer interessante når de kan kjøres uten et interaktivt terminalvindu. Antigravity CLI har for eksempel headless/print mode med -p for å sende inn én oppgave, hente resultatet og avslutte.

agy -p "Analyser prosjektet og oppsummer alle TODO-kommentarer."

Dette åpner døren til scripts og automatisering:

cron
  ↓
AI-agent
  ↓
analyser repository
  ↓
skriv rapport
  ↓
lagre resultat

Den samme grunnideen kan brukes med andre agent-CLI-er som tilbyr ikke-interaktive moduser.

MCP: broen mellom agenten og resten av verden

Model Context Protocol (MCP) er en av de viktigste brikkene i denne utviklingen. MCP gir et standardisert grensesnitt for å koble AI-modeller og agenter til verktøy og datakilder.

Uten MCP kan en agent i hovedsak bruke verktøy som er bygget direkte inn i agenten. Med MCP kan du legge til egne eller tredjepartsverktøy.

En forenklet arkitektur ser slik ut:

                    AI-agent
                       │
        ┌──────────────┼──────────────┐
        ↓              ↓              ↓
      GitHub        WordPress      Database
        │              │              │
      Issues          Innlegg         Data
        │              │              │
        └──────────────┼──────────────┘
                       ↓
                  Agent workflow

Det er her en coding agent begynner å ligne på en generell arbeidsagent.

Et WordPress-eksempel

Forestill deg at du har et WordPress-MCP som gir agenten kontroll over et nettsted. Da kan en oppgave i prinsippet være:

Finn den nyeste sikkerhetsnyheten.
Undersøk kildene.
Skriv en norsk artikkel.
Opprett den som kladd i WordPress.
Sett SEO-tittel og meta description.
Last opp forsidebildet.
Legg inn bildet i artikkelen.
Ikke publiser.

Agenten trenger fortsatt riktige verktøy og rettigheter. MCP gir ikke automatisk tilgang til alt. Det er nettopp dette som gjør permission-modellen viktig.

OpenAI dokumenterer eksempelvis at MCP-integrasjoner kan kreve godkjenning før data deles med en ekstern MCP-server.

Skills, regler og hooks

En moden agentisk utviklingsplattform handler ikke bare om én stor systemprompt. Moderne verktøy bygger i økende grad opp et lag med skills, regler, hooks og plugins.

En skill kan være en gjenbrukbar instruksjon for en bestemt type oppgave. En regel kan definere hvordan agenten skal oppføre seg i et repository. En hook kan kjøre automatisk ved bestemte hendelser.

Et eksempel kan være en WordPress-skill:

WordPress workflow:
1. Les eksisterende innhold før endring.
2. Ikke overskriv Divi-layout uten eksplisitt godkjenning.
3. Bruk Rank Math-metadata separat fra artikkelinnhold.
4. Sett alt-tekst på nye bilder.
5. Lagre artikler som kladd med mindre publisering er eksplisitt bedt om.

Da begynner agenten å bli et spesialisert arbeidsverktøy i stedet for en generell chatbot.

Git er ekstra viktig når AI skriver kode

En AI-agent kan gjøre svært mange endringer på kort tid. Derfor blir Git enda viktigere enn før.

En trygg arbeidsflyt er:

git checkout -b ai-change

La agenten gjøre arbeidet, og kontroller deretter:

git status
git diff
git diff --check

Kjør testene:

npm test

eller prosjektets faktiske testkommando.

Poenget er enkelt: Ikke vurder agentens arbeid bare ut fra hva den sier at den gjorde. Se på diffen, kjør testene og kontroller resultatet.

Permissions og sikkerhet

Det er lett å bli fascinert av at en agent kan gjøre så mye selv. Men den samme egenskapen er også den største sikkerhetsutfordringen.

En agent med shell-tilgang kan potensielt:

• lese filer
• skrive eller slette filer
• installere pakker
• endre konfigurasjon
• kjøre programmer
• endre Git-repositoryet
• kontakte eksterne tjenester
• bruke MCP-verktøy som har skriveadgang

Derfor bør produksjonscredentials aldri deles med en agent uten at du har en konkret grunn til det.

Minste privilegium

Prinsippet om minste privilegium passer svært godt for AI-agenter:

• Gi agenten bare de filene den trenger.
• Bruk read-only-tilgang der det er tilstrekkelig.
• Skill utviklingsmiljø fra produksjon.
• Bruk Git branches eller arbeidskopier.
• Bruk godkjenningssteg før sensitive handlinger.
• Vær ekstra forsiktig med eksterne MCP-servere.

OpenAI beskriver tilsvarende human-in-the-loop approvals som en mekanisme for å stoppe før side effects som filendringer, shell-kommandoer eller sensitive MCP-handlinger.

Sandboxing

Sandboxing er en annen viktig del av agentisk utvikling. En sandbox kan begrense hvilke filer og kommandoer agenten får tilgang til og dermed redusere konsekvensene av en feil.

Det er særlig viktig når agenten kan installere pakker eller kjøre kode den selv har skrevet.

OpenAIs agentdokumentasjon beskriver sandbox-miljøer som separate arbeidsområder med filer, shell, pakker, porter og kontrollert tilgang til eksterne systemer.

For lokal utvikling trenger ikke dette bety at du må kjøre alt i en avansert containerplattform. Det viktigste er å forstå grensen mellom agentens arbeidsområde og systemene du faktisk stoler på.

Claude Code vs Codex CLI vs Antigravity CLI

Det er fristende å lage en «vinnerliste», men det er mer nyttig å se på hvordan verktøyene er bygget opp og hvilke arbeidsflyter de legger til rette for.

Område	Claude Code	Codex CLI	Antigravity CLI
Leverandør	Anthropic	OpenAI	Google
Terminalbasert	Ja	Ja	Ja, TUI
Lokalt prosjektarbeid	Ja	Ja	Ja
Multi-file editing	Ja	Ja	Ja
Git-workflow	Ja	Ja	Ja
MCP	Ja	Ja	Ja
Prosjektinstruksjoner	CLAUDE.md	AGENTS.md	Regler/konfigurasjon
Sub-agenter	Agentfunksjoner	Agentfunksjoner	Agent Manager
Headless workflows	Mulig	Mulig	Ja
Plugins/skills	Ja	Skills/agent-økosystem	Ja
Åpen kildekode	Nei	Ja, Apache-2.0	Nei

Dette er ikke en rangering. Produktene utvikles raskt, og funksjoner, modeller og abonnementer endres over tid. Det viktigste er derfor å forstå arbeidsmodellen, ikke bare telle funksjoner.

Et konkret prosjekt: slik kan en agentisk workflow se ut

La oss ta et tenkt JavaScript-prosjekt.

Steg 1: Opprett branch

git checkout -b fix-authentication

Steg 2: Start agenten

claude

eller:

codex

eller:

agy

Steg 3: Be om analyse

Analyser autentiseringsflyten.
Finn årsaken til feilen.
Ikke gjør endringer.
Vis hvilke filer som er relevante.

Steg 4: Vurder planen

Her er mennesket fortsatt viktig. Du kan oppdage at agenten har misforstått arkitekturen eller foreslår å endre en fil som ikke bør røres.

Steg 5: Utfør

Gjennomfør planen.
Hold endringene så små som mulig.
Kjør relevante tester etterpå.

Steg 6: Kontroller diffen

git diff
git diff --check

Steg 7: Test

npm test

Steg 8: Be agenten oppsummere

Oppsummer:
- hvilke filer som ble endret
- hvorfor de ble endret
- hvilke tester som ble kjørt
- eventuelle kjente begrensninger

Dette er en mye mer kontrollerbar workflow enn «AI, fiks prosjektet».

Hvordan skrive gode agent-prompts

Du trenger ikke skrive enorme prompts. Det viktigste er å gi agenten tydelige rammer.

En god oppgave inneholder ofte:

• Mål: Hva skal bli annerledes?
• Kontekst: Hva bør agenten vite?
• Begrensninger: Hva skal den ikke gjøre?
• Validering: Hvordan vet vi at arbeidet fungerer?
• Leveranse: Hva skal agenten rapportere til slutt?

For eksempel:

Oppgave:
Rett feilen i betalingsmodulen.

Begrensninger:
Ikke endre databaseformatet.
Ikke oppdater avhengigheter.
Ikke commit.

Validering:
Kjør enhetstestene for betalingsmodulen.

Rapporter:
Vis endrede filer, testresultat og eventuelle
resterende problemer.

Dette er langt mer presist enn:

Fix payment.

AI-agenter er ikke autonome utviklere

Det er lett å overdrive hvor «selvstendige» disse verktøyene er. De kan gjennomføre lange arbeidssekvenser, men de har fortsatt begrensninger.

Agenten kan misforstå krav. Den kan velge en dårlig arkitekturløsning. Den kan skrive kode som passer den lokale konteksten, men som skaper problemer senere. Den kan også tolke en feilmelding feil og begynne å reparere symptomet i stedet for årsaken.

Derfor er menneskelig gjennomgang fortsatt viktig, spesielt for:

• sikkerhetskritisk kode
• produksjonsinfrastruktur
• databaseendringer
• autentisering og tilgangskontroll
• finansielle systemer
• personopplysninger
• store arkitekturendringer

Den interessante utviklingen er derfor ikke nødvendigvis at utvikleren forsvinner. Det er at utvikleren kan delegere mer av utførelsen og bruke mer tid på retning, kontroll og kvalitetssikring.

Hvilken CLI bør du prøve først?

Det finnes ikke én løsning som passer alle.

Hvis du allerede bruker Claude og ønsker en terminalbasert arbeidsflyt, er Claude Code et naturlig sted å begynne. Hvis du allerede bruker ChatGPT og OpenAI-verktøy, er Codex CLI en direkte inngang til OpenAIs agentiske utviklingsmiljø. Hvis du arbeider mye i Googles økosystem og ønsker en terminalorientert agent med Antigravity-harness, er Antigravity CLI det naturlige alternativet.

Du trenger heller ikke velge bare én. En utvikler kan ha flere CLI-agenter installert og bruke dem på samme repository. Det kan være spesielt interessant når du vil undersøke hvordan forskjellige modeller og agent-harness håndterer den samme oppgaven.

Et godt første eksperiment

Hvis dette er første gang du bruker en AI coding agent, ikke start med produksjonsserveren.

1. Velg et lite Git-prosjekt du kjenner.
2. Lag en ny branch.
3. Start agenten i prosjektmappen.
4. Be den analysere prosjektet uten å gjøre endringer.
5. Gi den en liten og konkret oppgave.
6. La den kjøre tester.
7. Les hele diffen.
8. Test resultatet selv.
9. Først deretter vurderer du å merge.

Et godt første prosjekt kan være å lage en test, rydde opp i en liten funksjon, oppdatere dokumentasjon eller finne årsaken til en konkret bug.

Hva skjer videre?

Det mest interessante med Claude Code CLI, Codex CLI og Antigravity CLI er kanskje ikke selve terminalprogrammet. Det er at de viser hvordan AI-agenten blir et nytt lag mellom mennesket og programvaren.

Først fikk vi kodegeneratorer. Deretter fikk vi chatbaserte kodeassistenter. Nå får vi agenter som kan undersøke et prosjekt, bruke verktøy, utføre endringer og kontrollere resultatet.

MCP, skills, prosjektinstruksjoner, plugins, sandboxing og sub-agenter gjør denne modellen enda mer fleksibel. En agent kan etter hvert få en arbeidskontekst som er mye mer spesifikk enn bare «skriv kode».

Det betyr også at fremtidens utviklingsmiljø ikke nødvendigvis trenger å være én bestemt IDE. For noen oppgaver kan terminalen, Git og en agent være hele arbeidsflaten.

Vanlige spørsmål

Er Claude Code, Codex CLI og Antigravity CLI det samme?

Nei. De er separate produkter fra Anthropic, OpenAI og Google. De har mange overlappende funksjoner, men forskjellige agent-harness, modeller, konfigurasjoner og økosystemer.

Må jeg kunne Linux for å bruke dem?

Nei. Terminalkunnskap hjelper, men alle tre er laget for utviklingsarbeid på moderne Windows-, macOS- og Linux-systemer. Du trenger først og fremst å forstå prosjektet og grunnleggende kommandoer for miljøet du arbeider i.

Kan en AI-agent endre hele prosjektet mitt?

Ja, dersom den får nødvendige rettigheter. Derfor bør du bruke Git, branches, sandboxing og approval-moduser der det er tilgjengelig.

Hva er MCP?

MCP står for Model Context Protocol. Det er en standardisert måte å koble AI-agenter til eksterne verktøy og datakilder.

Hva er forskjellen på ChatGPT og Codex CLI?

ChatGPT er tjenesten og brukergrensesnittet mange kjenner. Codex CLI er OpenAIs terminalbaserte coding agent som arbeider lokalt i prosjektmiljøet. De er relaterte, men ikke samme produkt.

Kan flere AI-agenter brukes på samme prosjekt?

Ja. Du kan installere flere CLI-agenter og bruke dem på samme repository. Det er imidlertid viktig at de ikke samtidig gjør motstridende endringer i samme arbeidskopi.

Relaterte AIWorld-guider

• Flere AI-guider og praktiske artikler på AIWorld
• AI for bedrifter, automatisering og produktivitet

Kilder og videre lesing

CLI-verktøyene utvikles svært raskt. Bruk derfor alltid den offisielle dokumentasjonen når du skal installere eller konfigurere dem.

• Anthropic – Claude Code FAQ
• OpenAI – Codex CLI på GitHub
• OpenAI – Docs MCP
• Google – Antigravity CLI Overview
• Google – Antigravity CLI Installation & Auth
• Google – Antigravity CLI Execution Modes
• Google – Antigravity CLI Headless Mode

Oppdatert september 2026. Kommandoer, modeller, abonnementer, funksjoner og tilgjengelighet kan endres over tid.