实战横评】主流 AI 编程工具实测对比，看完不再盲目选型

AI 编程工具横评实测报告（2026-08-04）

7 款 AI 编程工具，同一模型（deepseek-v4-flash）、同一测试题、同一网关并行实测。 附带 token 消耗对比 + 代码质量 + 速度 + 易用性 + 已知 bug 全记录。

目录

• 快速结论（30 秒版）
• 测试方法（完整版）
  • 测试题原文 / 统一环境 / 执行命令 / 判定标准 / 局限与偏差 / 选型决策
• 结果总表
• 分工具详解（7 款逐一分析）
• 模型对比：glm_for_coding vs deepseek-v4-flash
• 最终推荐
• 部署与配置坑（详版）
• Token 数据证据链
• 测试产物全集（7 份完整代码 + pytest 输出）

快速结论（30 秒版）

阅读导航：想复现测试看 测试方法；想挑工具看 最终推荐；想看各工具实际写的代码看 测试产物全集；想避坑看 部署与配置坑；想核对数字看 Token 证据链。

测试方法（完整版）

1. 测试题（逐字原文，所有工具收到的 prompt 完全相同）

Create todo.py (Python CLI todo app with add/list/done/delete commands and JSON persistence) and test_todo.py (pytest unit tests). Run the tests and make sure they pass.

中文翻译：创建 todo.py（带 add/list/done/delete 命令和 JSON 持久化的 Python CLI 待办应用）和 test_todo.py（pytest 单元测试）。运行测试并确保全部通过。

这个测试题考察的能力：

• 理解需求并拆解（CLI 命令设计、JSON 存储设计）
• 写出可测试的代码（函数/类结构可被 pytest 引用）
• 自己写测试用例覆盖功能
• 执行测试、发现失败、修复到全过（自我验证闭环）
• 工具链使用（argparse、json、pytest、文件读写）

2. 统一环境

3. 每个工具的具体执行命令（实测用的真实命令）

4. 判定标准

• 通过 = 该工具自己生成的 test_todo.py 用 pytest 跑通（/tmp/bench-venv/bin/python -m pytest test_todo.py），测试数量由工具自己决定（22/12/13/24/10/13/17 各不相同）
• 耗时 = 从启动命令到进程退出（含模型首 token 延迟 + 工具自我迭代）
• token 数据 = 各工具本地记录（来源见\”Token 数据证据链\”章节）
• 代码质量 = 人工检查产物（测试覆盖、边界处理、可读性）

5. 测试的局限与已知偏差（诚实声明）

6. 为什么选 deepseek-v4-flash（决策过程）

• 首轮用 glm_for_coding（网关 GLM 渠道）：首 token 40-70 秒，每工具 7-9 分钟，且 Codex heredoc 转义错乱、Crush 有 DEFAULT_FILE bug
• 用户建议测试 deepseek 模型 → 实测 1.7s 首 token，且 Codex/Crush 的问题自动消失
• 最终统一用 deepseek-v4-flash 重测全部 7 工具（第二轮），保证公平
• 首轮 glm 数据仅作对照参考，排名以 deepseek 轮为准

结果总表

* Codex 本地不记录 usage（OpenAI 兼容接口），网关无分 key 明细；按成功 session 的 6 轮 API 请求 × 累积上下文估算（input 12K→32K 递增），单任务成本约 $0.027 † Crush 的 crush.db sessions 表无 cache_read 字段，故无数据 ‡ Crush 记录值（completion_tokens 疑似只记末次请求，实际生成代码见产物）

分工具详解

🥇 1. OpenCode — 综合最优

最快（32s）+ 最省 token（11.7K input，其他工具的 1/5-1/7）+ 代码质量过关。

• 测试：12/12 通过
• 自动发现项目 .venv 里的 pytest 9.1.1 并直接使用
• 安装难点：GitHub 下载慢需镜像（ghfast.top），但配置极简
• Token 数据：本地 SQLite（~/.local/share/opencode/opencode.db session 表）可精确查询

配置要点：

// 项目级 opencode.json
{

\”provider\”: {

\”myagentlab\”: {

\”npm\”: \”@ai-sdk/openai-compatible\”,
\”options\”: {

\”baseURL\”: \”https://api.myagentlab.homes/v1\”, \”apiKey\”: \”见 credentials\” },
\”models\”: {

\”deepseek-v4-flash\”: {

\”name\”: \”deepseek-v4-flash\” } }
}},
\”model\”: \”myagentlab/deepseek-v4-flash\”
}

opencode run \”任务描述\”

🥈 2. Claude Code — 质量天花板

代码质量最高（22 个测试最多最全），但 token 消耗最大。

• 测试：22/22 通过
• 亮点：自己发现并修复了 mktemp 空文件导致 json.load 崩溃的 bug（加了空文件容错 + 2 个对应测试）；用 next_id 计数器保证删除后 id 不复用
• 系统提示词最完善，工具定义最全——这也是它 token 大的原因
• 生态最大（134K stars）、文档全、最成熟

Token 分析： input 227K 中 190K 是 cache read（价格是正常 input 的 1/10），实际新计算 ~36K，并非全价消耗。

配置要点：

export ANTHROPIC_API_KEY=<key> ANTHROPIC_BASE_URL=https://api.myagentlab.homes
claude -p \”任务\” –model deepseek-v4-flash –allowedTools \’Bash,Write,Read,Edit\’ –output-format stream-json –verbose

⚠️ root 用户不能用 –dangerously-skip-permissions（被拒），必须用 –allowedTools

🥉 3. Codex — 模型对了就起飞

换 deepseek 后从\”失败×4\”变\”13/13 通过、78s\”，但 token 数据缺失 + 有推理模型兼容隐患。

• 测试：13/13 通过，还做了完整 smoke test（add→done→list→delete 端到端）
• 重要历史：glm_for_coding 下失败 4 次（heredoc 被 chr(39) 转义搞坏、代码测试不一致、连接卡死）——是模型问题不是 Codex 问题
• 隐患：deepseek 是推理模型，Codex 多轮对话时触发 reasoning_content 必须回传 400 报错——复杂多轮任务会随机挂，只适合单轮/简单任务
• Terminal-Bench 2.1 排名第一（83.4%）的工具，能力本身最强
• Token 说明：本地 session 不记录 usage；曾尝试\”账单前后差值法\”但网关为共享 key（后台有 MRS refactor 等任务并发消耗），差值 $2.09 不可信；最终按 6 轮请求 × 累积上下文估算 input ~132K / output ~12K / 成本 ~$0.027

配置要点：

# ~/.codex/config.toml
model = \”deepseek-v4-flash\”
model_provider = \”myagentlab\”
[model_providers.myagentlab]
name = \”myagentlab\”
base_url = \”https://api.myagentlab.homes/v1\”
env_key = \”OPENAI_API_KEY\”
wire_api = \”chat\”

codex exec –dangerously-bypass-approvals-and-sandbox –skip-git-repo-check –json \’任务\’

4. Goose — 大器晚成

配置坑最多但修好后很稳，17/17 通过，77s。

• 测试：17/17 通过，代码质量好（126 行 todo.py 结构清晰，含损坏文件容错、时间戳、自动递增 ID）
• 自带任务管理（todo_write 工具），agent 会自己记账
• Linux Foundation 项目，48K stars，潜力大

⚠️ 配置坑（都是实测踩出来的）：

配置要点：

// ~/.config/goose/custom_providers/myagentlab.json
{

\”name\”: \”myagentlab\”,
\”engine\”: \”openai\”,
\”api_key_env\”: \”MYAGENTLAB_API_KEY\”,
\”base_url\”: \”https://api.myagentlab.homes/v1\”,
\”models\”: [ {

\”name\”: \”deepseek-v4-flash\”, \”context_limit\”: 128000 } ],
\”supports_streaming\”: false,
\”requires_auth\”: true
}

MYAGENTLAB_API_KEY=<key> goose run -t \’任务\’ –provider myagentlab –model deepseek-v4-flash

5. Crush — 焕然一新

从 glm 下 13/14（有 bug）变成 deepseek 下 13/13 全过、66s，但配置极坑 + token 记录不全。

• 测试：13/13 通过（glm_for_coding 下有个 DEFAULT_FILE 绑定 bug，换 deepseek 后自动消失）
• 速度快（66s），token 省（14.5K input）
• Charm 出品，UI 好看，但实用性一般

⚠️ 配置坑：

配置要点：

// ~/.config/crush/crush.json
{

\”providers\”: {

\”myagentlab\”: {

\”type\”: \”openai-compat\”,
\”base_url\”: \”https://api.myagentlab.homes/v1\”,
\”api_key\”: \”$MYAGENTLAB_API_KEY\”,
\”models\”: [ {

\”id\”: \”deepseek-v4-flash\”, \”name\”: \”DeepSeek V4 Flash\”, \”context_window\”: 128000, \”default_max_tokens\”: 8192 } ]
}
},
\”defaultModel\”: \”myagentlab/deepseek-v4-flash\”
}

MYAGENTLAB_API_KEY=<key> crush run -m myagentlab/deepseek-v4-flash \”任务\”

6. Cline — 修好代码后全过，但 CLI 有真 bug

原始 22/24（2 个代码 bug），手动修复后 24/24；但 CLI 二进制有 team_status 崩溃 bug。

• 原始测试：22/24。两个 bug：
• _next_id() 用现存任务 max+1，删除后 id 复用（测试要求永不复用）
• except KeyError: print(f\”Error: {exc}\”) 中 KeyError 的 str 自带引号
• 修复方法（已验证 24/24）：① 加 self._max_id 实例属性持续递增 ② exc.args[0] 取干净消息
• ⚠️ CLI 真 bug：team_status 工具与 deepseek tool schema 校验随机崩溃（约 1/3 概率报 Invalid schema for function \’team_status\’: null is not of type \”array\”），是 Cline v3.0.49 二进制缺陷
  • 缓解：~/.cline/data/settings/settings.json 设 \”enableTeams\”: false（不完全稳定）
  • glm_for_coding 下无此问题（21/21 全过）
• CLI 安装配置最简单：cline auth openai -b <url> -k <key> -m <model> 一行搞定
• 真实场景是 VS Code 扩展，CLI 是轻量版

配置要点：

cline auth openai -b https://api.myagentlab.homes/v1 -k <key> -m deepseek-v4-flash
cline –json \”任务\”

7. Kilo Code — OpenCode 换皮但更费

与 OpenCode 同源（fork），功能几乎一样，但 token 消耗高（cache read 102K）且更慢。

• 测试：10/10 通过，还自己修了个 bug（self.done 属性遮蔽 done() 方法，改名 self.is_done）
• 配置和 OpenCode 几乎相同（kilo.jsonc）
• Token 分析：cache read 102K 是 7 个工具最高——它每次请求重发大量工具定义/上下文，但 cache 价格便宜（1/10）
• 结论：没理由选它，直接用 OpenCode 更好

配置要点：

// ~/.config/kilo/kilo.jsonc
{

\”provider\”: {

\”myagentlab\”: {

\”npm\”: \”@ai-sdk/openai-compatible\”,
\”options\”: {

\”baseURL\”: \”https://api.myagentlab.homes/v1\”, \”apiKey\”: \”见 credentials\” },
\”models\”: {

\”deepseek-v4-flash\”: {

\”name\”: \”deepseek-v4-flash\” } }
}}, \”model\”: \”myagentlab/deepseek-v4-flash\” }

kilo run -m myagentlab/deepseek-v4-flash \”任务\”

模型对比：glm_for_coding vs deepseek-v4-flash

结论：deepseek-v4-flash 是当前网关下最佳通用编码模型（快 + 干净 + 便宜）。

最终推荐

• 日常开发首选：OpenCode + deepseek-v4-flash（最快最省，质量过关）
• 要最高质量：Claude Code + deepseek-v4-flash（最稳最严谨，但 token 大）
• 单轮/简单任务：Codex（能力强，但推理模型多轮有兼容隐患）
• 避免：Kilo（OpenCode 的劣化版）、Cline CLI（team_status 崩溃 bug 未修，等新版本）

安装记录（踩坑汇总）

网络环境备注：GitHub 直连慢/超时 → 用 https://ghfast.top/https://github.com/… 镜像；npm 用 –registry=https://registry.npmmirror.com；Go 用 GOPROXY=https://goproxy.cn,direct。

测试产物存放

所有测试代码、日志、token 数据保留在 /home/agent/coding-benchmark/：

• test-<工具名>/todo.py + test_todo.py — 各工具产物（可复验 pytest）
• REPORT-deepseek.md — 精简版报告
• /tmp/<工具>-ds.log — 运行日志
• 各工具 token 数据来源：OpenCode/Kilo 本地 SQLite、Goose sessions.db usage_ledger、Cline session JSON metrics、Crush .crush/crush.db、Claude Code stream-json usage

文档维护：CEO Agent，2026-08-04

部署与配置坑（详版）

以下均为本次实测真实踩坑记录（含报错原文）。配置代码见上文各工具详解；完整生成代码见文末 测试产物全集。 侧重点：这里是\”出了什么错、怎么解决\”，上文详解是\”怎么配\”。

Claude Code

• root 用户限制：–dangerously-skip-permissions 直接拒绝（“cannot be used with root/sudo privileges”），必须用 –allowedTools \’Bash,Write,Read,Edit\’
• 环境变量优先级：.bashrc 里的 ANTHROPIC_API_KEY/ANTHROPIC_BASE_URL export 覆盖 ~/.claude/settings.json——要换测试端点必须临时 export，不能只改 settings.json
• 生产配置隔离：测试时用 export 覆盖，不动 ~/.claude/settings.json 和 .bashrc

OpenCode

• GitHub 直连下载超时 → 用 https://ghfast.top/https://github.com/… 镜像下载 opencode-linux-x64.tar.gz（v1.18.12 glibc）
• npm opencode 包 404；@opencode-ai/cli 平台包是空壳——必须下二进制
• 曾遇 EEXIST bug：/tmp/opencode 被 musl 二进制留成文件，glibc 版 mkdir 失败 → rm /tmp/opencode 解决
• opencode version 不是子命令，TUI 是默认命令

Codex

• 配置 ~/.codex/config.toml：wire_api = \”chat\”（OpenAI 兼容），env_key = \”OPENAI_API_KEY\”
• 运行：codex exec –dangerously-bypass-approvals-and-sandbox –skip-git-repo-check –json
• 推理模型隐患：deepseek 是推理模型，Codex 多轮对话触发 reasoning_content 必须回传 400——复杂任务会挂，单轮任务 OK
• token 不落本地：session jsonl 无 usage 字段

Goose（坑最多）

• 变量名坑：必须用 OPENAI_API_KEY/OPENAI_BASE_URL（不是 GOOSE_API_KEY/GOOSE_BASE_URL！）——用错连默认 api.openai.com 必然超时
• 流式坑：默认流式报 Stream decode error → declarative provider 必须设 \”supports_streaming\”: false
• 自定义 provider 路径：~/.config/goose/custom_providers/<name>.json
• 诊断方法：本地 SQLite ~/.local/share/goose/sessions/sessions.db 的 messages 表看请求是否真的发出去（之前只存 user 消息 = 请求没到模型）

Crush

• 配置文件坑：正确文件名是 ~/.config/crush/crush.json（不是 config.json！改 config.json 完全不生效，排查半天）
• models 必须是数组不是对象（对象结构报 “large model not found”）
• crush update-providers 会覆盖 providers.json 手动修改（远程拉 40 个 provider）
• -m provider/model 格式（如 -m myagentlab/deepseek-v4-flash）
• token 记录不全：crush.db sessions 表只有 prompt/completion/cost，无 cache_read

Cline

• 配置最简单：cline auth openai -b <url> -k <key> -m <model> 一行
• ⚠️ CLI 二进制 bug：team_status 工具与 deepseek tool schema 校验随机崩溃（~1/3 概率 Invalid schema for function \’team_status\’: null is not of type \”array\”）
  • 缓解：~/.cline/data/settings/settings.json 设 \”enableTeams\”: false（不完全稳定）
  • glm_for_coding 下无此问题
• session 数据在 ~/.cline/data/sessions/<id>/，token 在 messages.json 的 assistant 消息 metrics 字段

Kilo Code

• 配置 ~/.config/kilo/kilo.jsonc（opencode fork，格式几乎相同）
• kilo run -m myagentlab/deepseek-v4-flash \”任务\”
• token 在 ~/.local/share/kilo/kilo.db session 表

Token 数据证据链（每个数字从哪来）

* Crush completion_tokens=40 疑似只记末次请求（实际生成 124 行代码），已按实际产物修正理解

复核命令示例（OpenCode）：

SELECT tokens_input, tokens_output, tokens_cache_read FROM session
WHERE model LIKE \’%deepseek%\’ ORDER BY time_created DESC LIMIT 1;

复核命令示例（Goose）：

SELECT session_id, SUM(input_tokens), SUM(output_tokens), SUM(cache_read_tokens)
FROM usage_ledger GROUP BY session_id ORDER BY MIN(id) DESC LIMIT 2;

复核命令示例（Claude Code）：

grep -oE \’\”usage\”:\\{[^}]*\\}\’ /tmp/cc-ds.log | tail -1

为什么 Codex 没有精确值： 本地 session jsonl 无 usage 字段；网关 billing 接口只给总额（共享 key，后台 MRS 任务并发消耗，差值法不可信）；唯一精确途径是 new-api 后台按渠道查明细。

附：测试产物全集（7 份完整代码 + pytest 输出）

以下为 7 款工具在统一测试题下实际生成的全部代码 + pytest 复验输出（机器实跑，非手写）。 复验命令：/tmp/bench-venv/bin/python -m pytest test_todo.py -v（产物目录 /home/agent/coding-benchmark/test-<工具名>/）

本页存放 7 款工具在统一测试题下实际生成的全部代码 + pytest 复验输出。

复验命令：/tmp/bench-venv/bin/python -m pytest test_todo.py -v（产物目录 /home/agent/coding-benchmark/test-<工具名>/）

Claude Code v2.1.220 — 22/22

Claude Code 生成的 todo.py (4619 bytes)

#!/usr/bin/env python3
\”\”\”A simple command-line todo app with JSON persistence.

Usage:
todo.py add <task> Add a new task
todo.py list List all tasks
todo.py done <id> Mark a task as done
todo.py delete <id> Delete a task
todo.py –file <path> Use a custom JSON file (default: ~/.todo.json)

Tasks are stored in a JSON file of the form:
{\”next_id\”: 2, \”todos\”: [{\”id\”: 1, \”task\”: \”…\”, \”done\”: false}]}
The “next_id“ counter is persisted so task IDs are never reused, even
after a delete. This prevents a stale reference from completing or
deleting the wrong task later.
\”\”\”

import argparse
import json
import os
import sys

DEFAULT_FILE = os.path.join(os.path.expanduser(\”~\”), \”.todo.json\”)

class TodoApp:
\”\”\”Todo list backed by a JSON file.\”\”\”

def __init__(self, filepath=DEFAULT_FILE):
self.filepath = filepath

def load(self):
\”\”\”Return the store (“next_id“ counter + “todos“ list).\”\”\”
if not os.path.exists(self.filepath):
return {

\”next_id\”: 1, \”todos\”: []}
with open(self.filepath, \”r\”) as f:
content = f.read()
if not content.strip():
# Empty file (e.g. created by touch/mktemp) means a fresh store.
return {

\”next_id\”: 1, \”todos\”: []}
data = json.loads(content)
# Backwards compatibility: a bare list of todos.
if isinstance(data, list):
data = {

\”next_id\”: max((t[\”id\”] for t in data), default=0) + 1,
\”todos\”: data,
}
return data

def save(self, data):
\”\”\”Write the store to the JSON file.\”\”\”
with open(self.filepath, \”w\”) as f:
json.dump(data, f, indent=2)

def _allocate_id(self, data):
next_id = data[\”next_id\”]
data[\”next_id\”] = next_id + 1
return next_id

def add(self, task):
\”\”\”Add a new task and return the created todo.\”\”\”
data = self.load()
todo = {

\”id\”: self._allocate_id(data), \”task\”: task, \”done\”: False}
data[\”todos\”].append(todo)
self.save(data)
return todo

def list_todos(self):
\”\”\”Return all todos in insertion order.\”\”\”
return self.load()[\”todos\”]

def done(self, todo_id):
\”\”\”Mark a todo as done and return it, or None if not found.\”\”\”
data = self.load()
for todo in data[\”todos\”]:
if todo[\”id\”] == todo_id:
todo[\”done\”] = True
self.save(data)
return todo
return None

def delete(self, todo_id):
\”\”\”Delete a todo and return it, or None if not found.\”\”\”
data = self.load()
for i, todo in enumerate(data[\”todos\”]):
if todo[\”id\”] == todo_id:
removed = data[\”todos\”].pop(i)
self.save(data)
return removed
return None

def main(argv=None):
parser = argparse.ArgumentParser(description=\”A simple todo app\”)
parser.add_argument(
\”–file\”, default=DEFAULT_FILE, help=\”JSON file to store todos\”
)
subparsers = parser.add_subparsers(dest=\”command\”, required=True)

add_parser = subparsers.add_parser(\”add\”, help=\”Add a task\”)
add_parser.add_argument(\”task\”, help=\”Task description\”)

subparsers.add_parser(\”list\”, help=\”List all tasks\”)

done_parser = subparsers.add_parser(\”done\”, help=\”Mark a task as done\”)
done_parser.add_argument(\”id\”, type=int, help=\”Task ID\”)

delete_parser = subparsers.add_parser(\”delete\”, help=\”Delete a task\”)
delete_parser.add_argument(\”id\”, type=int, help=\”Task ID\”)

args = parser.parse_args(argv)
app = TodoApp(args.file)

if args.command == \”add\”:
todo = app.add(args.task)
print(f\”Added todo #{

todo[\’id\’]}: {

todo[\’task\’]}\”)
elif args.command == \”list\”:
todos = app.list_todos()
if not todos:
print(\”No todos.\”)
return 0
for todo in todos:
status = \”[x]\” if todo[\”done\”] else \”[ ]\”
print(f\”{

todo[\’id\’]}. {

status} {

todo[\’task\’]}\”)
elif args.command == \”done\”:
todo = app.done(args.id)
if todo is None:
print(f\”Todo #{

args.id} not found.\”, file=sys.stderr)
return 1
print(f\”Done: {

todo[\’task\’]}\”)
elif args.command == \”delete\”:
todo = app.delete(args.id)
if todo is None:
print(f\”Todo #{

args.id} not found.\”, file=sys.stderr)
return 1
print(f\”Deleted: {

todo[\’task\’]}\”)
return 0

if __name__ == \”__main__\”:
sys.exit(main())

Claude Code 生成的 test_todo.py (5048 bytes)

\”\”\”Unit tests for the todo app.\”\”\”

import json

import pytest

from todo import TodoApp, main

@pytest.fixture
def app(tmp_path):
return TodoApp(filepath=tmp_path / \”todos.json\”)

# — add ——————————————————————

def test_add_returns_created_todo(app):
todo = app.add(\”Buy milk\”)
assert todo == {

\”id\”: 1, \”task\”: \”Buy milk\”, \”done\”: False}

def test_add_persists_to_json(app, tmp_path):
app.add(\”Write tests\”)
data = json.loads((tmp_path / \”todos.json\”).read_text())
assert len(data[\”todos\”]) == 1
assert data[\”todos\”][0][\”task\”] == \”Write tests\”
assert data[\”todos\”][0][\”done\”] is False

def test_add_persists_next_id_counter(app, tmp_path):
app.add(\”first\”)
app.add(\”second\”)
data = json.loads((tmp_path / \”todos.json\”).read_text())
assert data[\”next_id\”] == 3

def test_add_increments_ids(app):
app.add(\”first\”)
second = app.add(\”second\”)
assert second[\”id\”] == 2
assert [t[\”id\”] for t in app.list_todos()] == [1, 2]

def test_add_after_delete_does_not_reuse_id(app):
first = app.add(\”first\”)
app.delete(first[\”id\”])
third = app.add(\”third\”)
assert third[\”id\”] == 2
assert [t[\”id\”] for t in app.list_todos()] == [2]

def test_ids_are_monotonic_across_restarts(tmp_path):
filepath = tmp_path / \”todos.json\”
app1 = TodoApp(filepath=filepath)
first = app1.add(\”first\”)
app2 = TodoApp(filepath=filepath)
app2.delete(first[\”id\”])
third = app2.add(\”third\”)
assert third[\”id\”] == 2

# — list —————————————————————–

def test_list_empty_when_no_file(tmp_path):
app = TodoApp(filepath=tmp_path / \”nonexistent.json\”)
assert app.list_todos() == []

def test_list_empty_when_file_is_empty(tmp_path):
filepath = tmp_path / \”todos.json\”
filepath.write_text(\”\”)
app = TodoApp(filepath=filepath)
assert app.list_todos() == []

def test_add_over_empty_file(tmp_path):
filepath = tmp_path / \”todos.json\”
filepath.write_text(\”\”