编程Agent主导工具选型，厂商需优化内容适配

AI技术的发展推动了内容优化方向的转变，从传统的搜索引擎优化（SEO）逐渐转向答案引擎优化（AEO）——即让内容能够被AI智能体（Agent）作为生成答案的基础。在此基础上，还有生成式引擎优化（GEO）的概念，品牌开始尝试影响大语言模型（LLM）的决策。

这一趋势也延伸到了开发者工具领域：像Claude Code、Codex和Cursor这样的代码助手，是否会更倾向于选择特定的调试套件、渗透测试工具、迁移工具等软件栈核心工具？开发者工具增长服务公司Armature给出了肯定的答案。

Armature联合创始人Theodore Otzenberger在相关分析中指出，软件开发者采用AI的速度和程度远超其他职业，随着AI模型的智能化和工程化能力提升，完整的开发任务正被端到端地交给智能体完成。

在观察的17000次工具选择会话中，工具厂商过去二十年积累的品牌建设仿佛被“冻结”在时间里：提到容器时，智能体还会想到Docker，但对Docker当前的沙箱功能一无所知，反而不会选择它。品牌声誉曾绑定在成名产品上，但如今这种“声誉权重”运行在完全不同的逻辑下。

过去二十年积累起来的品牌优势，到了智能体这里，可能只剩一张停留在旧时代的快照。

Otzenberger强调，现在真正决定工具是否会被接入代码库的是智能体，这对开发者工具厂商有着“生死攸关的影响”。厂商必须确保自己的工具被智能体提及、选择，成为“必备工具”，否则未来可能会被智能体排除在技术栈之外。

Armature的这项研究公开了所有实验细节，任何人都可以核查。每出现新的智能体或模型，工具选择的结果都可能重新洗牌，因此他们计划在新模型上重新运行研究。理解智能体的选择逻辑，已成为需要用工程方法解决的问题。

为了让研究更贴近实际，团队观察了数千次工具搜索过程，模拟了不同类型的开发者，设计了1163种不同的提示词，最终核心数据来自5292次验证后的会话（而非全部17000次）。

这项研究覆盖了75个独立代码仓库，测试了Claude Code、Codex和Cursor三个智能体。研究不仅关注智能体推荐的工具，更看它们在真实代码库中最终选择并接入的工具。

研究基于公开代码仓库展开，团队记录了项目的编程语言、框架、第三方服务等信息，并调整样本分布以匹配实际开发者场景。团队还在原始代码库基础上生成多个版本，加入虚构公司名、伪造API Key等减少偏差，同时加入模拟人类角色环节，避免智能体直接从头开发而忽略第三方工具。

研究发现，代码仓库的上下文对智能体选型至关重要：当选择最优邮件服务提供商时，不同语言的代码库最终选出了不同的工具——Resend在TypeScript中胜出，SendGrid在Python中胜出，Postmark在Go中胜出，Azure ACS在Java中胜出。

不同智能体的信息来源差异也导致决策不同：Cursor三分之二的会话基于Web信息决策，Codex几乎94%使用Web搜索且多带site运算符，Claude Code主要依赖自身知识，仅30%搜索Web但每次访问页面数是Codex的3倍。

三个智能体仅在42%的测试单元中选择同一工具，而Claude Code选择“自行开发”的比例几乎是Codex和Cursor的两倍（19% vs 10%）。

Glokal AI OÜ创始人兼CTO Jeet Pattanaik指出，这背后的商业逻辑是“采购从后门进来了”：被提及和最终被选中的工具差距巨大，比如PayPal被提及139次却未被选中，LangChain被提及194次仅被选择4次。决定智能体选型的不仅是品牌知名度，还有它看到的具体信息。

Pattanaik认为，厂商需要优化的不仅是仓库上下文，还有工具的配套文档和定价页面。这些内容未来会更多面对智能体，智能体不会略读，不会因Logo偏好产品，甚至会认真理解数据保留期限这类细节，这是一种新型SEO，很快会有对应的优化方法。

接下来，厂商真正要琢磨的，可能就是怎么让文档和定价页面更容易被智能体读懂。毕竟这个读者不会略读，也不吃品牌视觉那一套，连脚注都会认真理解。

MailChannels创始人Ken Simpson也认为，Armature的研究抓住了核心：厂商需要分析智能体的选择场景，调整自身策略，让智能体更倾向选择自己的产品。Armature作为2026年成立的新公司，这类研究还处于早期尝试阶段，但如果未来工具选型更多由智能体决定，厂商过去面向人类的营销方法需要彻底改变。