AI 辅助编程实践分享

以下内容由AI辅助生成，不保证信息的合理性。

本文整理了当前主流 AI 编程模型、工具、获取渠道及实际开发工作流，供团队参考。

—

一、模型

当前三大厂商的旗舰编程模型各有侧重，选型时需结合任务类型综合考虑。

1.1 Claude Opus 4 (Anthropic)

项目	说明
模型标识	`claude-opus-4-6`
厂商	Anthropic
定位	Opus 系列为 Anthropic 最高能力等级

核心优势

多步骤代码推理能力强，擅长跨文件重构、复杂 Bug 定位
指令遵循度高，工具调用（Tool Use）准确率业界领先
支持 Extended Thinking（扩展思维链），适合复杂架构设计
原生 Agentic 能力，驱动 Claude Code 等终端工具

适用场景： 复杂重构、架构设计、多文件协同修改、代码审查

—

1.2 GPT-5.3 Codex (OpenAI)

项目	说明
模型标识	`gpt-5.3-codex`
厂商	OpenAI
定位	GPT-5 系列编程特化模型

核心优势

延续 OpenAI 在代码生成领域的深厚积累
推理能力强（继承 o 系列推理模型优势）
多模态输入支持（可传入截图、设计稿等）
生态成熟，与 Codex CLI 深度集成

适用场景： 通用代码生成、算法实现、多模态编程辅助

—

1.3 Gemini 3.1 Pro (Google)

项目	说明
模型标识	`gemini-3.1-pro`
厂商	Google DeepMind
定位	Gemini 系列专业版

核心优势

超大上下文窗口（支持百万级 Token），可一次性理解整个代码库
多模态能力原生支持（代码 + 文档 + 图片）
有免费额度，个人开发者友好
前端 UI 理解能力突出

适用场景： 大型代码库理解、前端开发、需要长上下文的场景

—

1.4 GML5 (gml5)

项目	说明
模型标识	`gml5`
厂商	开源 / 多渠道实现
定位	轻量低延迟的代码生成与补全模型

核心优势

面向工程实用性优化，响应速度快，延迟低
适合交互式补全、CI 级别代码生成与较短文本的推理
易于本地化部署和私有化训练

适用场景： 交互补全、低延迟场景、本地化部署

—

1.5 Qwen 3 Coder Plus (qwen3-coder-plus)

项目	说明
模型标识	`qwen3-coder-plus`
厂商	Qwen 生态 / 第三方提供
定位	面向编程的高质量生成与代码理解模型

核心优势

对代码理解与生成能力做了专项增强，支持多语言代码库
在大上下文与跨文件分析上表现良好，适配工程级任务
支持多语言注释与文档生成

适用场景： 跨文件重构、代码审查、复杂任务的代码生成

—

模型对比速览

维度	Claude Opus 4	GPT-5.3 Codex	Gemini 3.1 Pro	GML5	Qwen3-Coder-Plus
代码推理	★★★★★	★★★★☆	★★★★☆	★★★☆☆	★★★★☆
上下文长度	200K	128K+	1M+	64K	256K+
工具调用	★★★★★	★★★★☆	★★★★☆	★★★☆☆	★★★★☆
多模态	★★★☆☆	★★★★☆	★★★★★	★★☆☆☆	★★★★☆
免费额度	无	有限	较多	较多（开源实现）	有限
指令遵循	★★★★★	★★★★☆	★★★★☆	★★★☆☆	★★★★☆

—

二、工具

2.1 Claude Code (Anthropic)

Anthropic 官方推出的终端 AI 编程代理，直接在命令行中运行。

功能特点

自主读写文件、执行 Shell 命令、搜索代码库
完整的 Git 操作能力（提交、创建分支、PR 等）
支持 MCP 协议扩展工具能力
支持 Skills 插件系统，可复用社区工作流
通过 CLAUDE.md 实现项目级上下文记忆
支持 VS Code 扩展集成

使用方式

# 安装
npm install -g @anthropic-ai/claude-code

# 在项目目录下启动
claude

优点： 代码推理准确、多步骤任务能力强、生态丰富（MCP + Skills）
缺点： API 成本较高（Opus 级别定价）、纯终端界面

—

2.2 Codex CLI (OpenAI)

OpenAI 开源的终端 AI 编程代理，Apache 2.0 协议。

功能特点

完全开源，社区驱动
三种自主模式：Suggest（建议）、Auto-Edit（自动编辑）、Full Auto（全自动）
沙箱化代码执行，安全隔离
支持多模态输入（可传入图片/截图）

使用方式

# 安装
npm install -g @openai/codex

# 启动
codex

优点： 开源免费（自备 API Key）、沙箱安全机制好
缺点： 生态扩展不如 Claude Code 丰富

—

2.3 Gemini CLI (Google)

Google 开源的终端 AI 编程代理，同样 Apache 2.0 协议。

功能特点

基于 Gemini 模型，继承超大上下文窗口优势
支持 MCP 协议，可复用 Claude Code 的 MCP 工具服务
免费额度充足（Gemini API 免费层级较慷慨）
代理式文件编辑、Shell 执行、代码库探索

使用方式

# 安装
npm install -g @anthropic-ai/gemini-cli  # 具体包名以官方为准

# 启动
gemini

优点： 免费额度多、长上下文能力强、MCP 兼容
缺点： 代码编辑精度在复杂重构场景略逊于 Claude

—

2.4 OpenCode

开源的、厂商无关的终端 AI 编程助手，支持接入任意 LLM 后端。

功能特点

厂商无关：支持 Anthropic / OpenAI / Google / Ollama（本地模型）等
终端 TUI 交互界面，美观易用
LSP 集成，提供代码智能提示
支持 MCP 协议
Go 语言编写，性能优秀

优点： 模型自由切换、无厂商锁定、支持本地模型
缺点： 社区较小、效果取决于所选模型质量

—

2.5 VS Code + GitHub Copilot

最主流的 IDE 内置 AI 编程方案。

功能特点

代码自动补全（行内建议）
Copilot Chat 对话式编程
Agent 模式支持多步骤任务（较新版本）
支持 MCP 协议接入外部工具
支持切换不同模型后端（Claude、GPT、Gemini）

优点： 与 IDE 深度集成、开箱即用、团队协作方便
缺点： 需要订阅（$10/月起）、Agent 能力弱于专用 CLI 工具

—

2.6 Kiro (AWS)

AWS 推出的 AI 原生 IDE，基于 VS Code 内核。

功能特点

规范驱动开发 (Spec-Driven)： 通过需求文档、设计文档、任务清单引导 AI 生成代码
Autopilot 和 Steering 两种模式切换
深度集成 AWS 服务（Lambda、DynamoDB、S3 等）
Agent Hooks：文件保存、终端事件等自动触发 AI 动作
支持 MCP 协议

优点： 结构化方法减少 AI 幻觉、AWS 生态集成好、有免费层级
缺点： 学习曲线较陡、强依赖 AWS 生态

—

2.7 Antigravity

基于 Claude Code 的增强配置框架，支持多模型协作。

功能特点

底层基于 Claude Code 运行
通过 MCP 集成多个工具服务（代码语义搜索、文档查询、知识图谱等）
丰富的 Skills 工作流（commit、plan、review、debug 等）
支持多模型路由：不同任务分发给不同模型处理

优点： 集成度高、多模型协作能力强
缺点： 配置复杂、需要多个 API Key

—

2.8 CCSwitch (ccswitch)

ccswitch 是一个轻量级的模型路由与切换工具，便于在多模型环境中按规则路由请求、快速切换后端模型。

功能特点

基于配置的路由规则，可以按任务类型或路径选择模型后端
支持 MCP 协议，能与 Claude Code / Gemini CLI / OpenCode 等集成
提供简单的 CLI 与配置文件管理，适合作为模型网关或本地代理

适用场景： 多模型协作、实验对比、按场景选择低延迟或高能力模型

下载链接：https://github.com/farion1231/cc-switch/releases

—

工具对比速览

工具	类型	开源	MCP 支持	免费可用	推荐场景
Claude Code	CLI	否	是	否	复杂重构、专业开发
Codex CLI	CLI	是	有限	自备Key	开源爱好者、轻量使用
Gemini CLI	CLI	是	是	是	个人开发、长上下文场景
OpenCode	CLI	是	是	自备Key	多模型切换、本地模型
Copilot	IDE插件	否	是	否	IDE 内日常开发
Kiro	IDE	否	是	部分	AWS 项目、规范驱动开发
Antigravity	框架	否	是	否	多模型协作工作流
CCSwitch	CLI / 代理	是	是	是	多模型路由与快速切换

—

三、模型渠道

3.1 三方中转站

通过第三方 API 中转服务使用各厂商模型，通常以 OpenAI 兼容格式提供 API。

特点

价格通常低于官方直连
支持多厂商模型统一接入
注意甄别服务商可靠性和数据安全

常见平台： OpenRouter、各类独立中转站

风险提示： 三方渠道存在数据安全风险，敏感代码/业务逻辑建议走官方渠道。

https://foxcode.rjj.cc/auth/register?aff=UFJFGOJU

—

3.2 闲鱼、淘宝

部分卖家提供共享账号、API Key 转卖、代充值等服务。

注意事项

价格较低，但存在封号风险
共享账号可能有并发限制
无法保证长期可用性
不建议用于正式项目开发

—

3.3 官方免费体验资格与学生邮箱

各厂商均提供一定的免费使用途径：

厂商	免费方式
Anthropic	Claude.ai 免费层级（有限次数）、API 试用额度
OpenAI	ChatGPT 免费层级、API 新用户赠送额度
Google	Gemini API 免费层级（额度充足）、Google AI Studio
GitHub	Copilot 学生免费（通过 GitHub Education）

学生邮箱福利：

GitHub Education Pack：含 Copilot 免费使用权
部分厂商对 .edu 邮箱提供额外 API 额度
Google Cloud 学生计划可获得免费云资源
阿里云：https://bailian.console.aliyun.com/cn-beijing/?tab=model#/efm/coding_plan

—

四、MCP (Model Context Protocol)

MCP 是由 Anthropic 发起、现已被广泛采纳的开放协议，标准化了 AI 模型/代理与外部工具之间的连接方式。可以理解为 “AI 的 USB-C 接口”。

架构

┌─────────────┐     JSON-RPC      ┌─────────────────┐
│  AI Agent    │ ◄──────────────► │  MCP Server      │
│ (客户端)     │   stdio / HTTP   │  (工具/数据源)    │
│              │                  │                  │
│ Claude Code  │                  │ - GitHub Server  │
│ Gemini CLI   │                  │ - DB Server      │
│ Cursor       │                  │ - 文档 Server     │
│ VS Code      │                  │ - 自定义 Server   │
└─────────────┘                  └─────────────────┘

MCP Server 提供三类能力

类型	说明	示例
Tools	AI 可调用的函数	搜索代码库、查询数据库、执行 Lint
Resources	AI 可读取的数据	文档内容、配置文件、API 规范
Prompts	可复用的提示模板	代码审查模板、提交信息模板

实用 MCP Server 推荐

Server	用途
ContextWeaver	语义化代码库搜索（混合精确 + 语义匹配）
Context7	实时查询任意编程库/框架的官方文档
Memory	持久化知识图谱，跨会话记忆
Sequential Thinking	结构化多步推理
GitHub MCP	Git 操作、PR/Issue 管理
Filesystem	文件系统操作

配置示例

MCP Server 通常在 Claude Code 的配置文件中声明：

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@context7/mcp-server"]
    },
    "memory": {
      "command": "npx",
      "args": ["-y", "@memory/mcp-server", "--db", "./memory.db"]
    }
  }
}

—

五、Skills

Skills 是 Claude Code 的插件系统，将常见开发工作流封装为可复用的斜杠命令。

工作方式

用户输入 /commit  →  Skill 工具加载  →  执行预定义工作流  →  输出结果

常用 Skills 一览

命令	功能	说明
`/commit`	智能提交	分析改动，自动生成 Conventional Commit 信息
`/plan`	任务规划	多模型协作分析，产出可执行实施计划
`/review`	代码审查	自动审查 git diff，双模型交叉验证
`/debug`	问题诊断	多模型交叉定位 Bug
`/execute`	协作执行	获取原型 → 重构实施 → 多模型审计
`/frontend`	前端工作流	研究→构思→计划→执行→优化→评审
`/backend`	后端工作流	同上，侧重后端逻辑
`/team-exec`	并行实施	读取计划，Spawn 多个 Builder Agent 并行编码

自定义 Skills

可以创建自己的 Skills 来封装团队特定的工作流。Skills 本质上是结构化的 Prompt + 工具编排逻辑，存放在项目或全局配置中。

—

六、开发实践

6.1 小模块开发

策略：直接在 IDE 中完成

适合边界清晰、逻辑独立的小功能。

流程

在 IDE 中打开目标文件
使用 Copilot / Claude 内联补全或对话完成编码
即时运行验证

适用场景： 工具函数、简单 CRUD、配置修改、样式调整

—

6.2 复杂功能开发

策略：CLI 工具 + Skills 协作

涉及多文件、多模块的复杂任务，推荐使用终端 AI 代理。

推荐流程

/plan  →  确认方案  →  /execute  →  /review  →  /commit

需求分析： 用 /plan 让 AI 分析需求、拆解任务、设计方案
方案确认： 审查 AI 生成的计划，提出修改意见
协作实施： 用 /execute 或直接对话，逐步实现功能
代码审查： 用 /review 进行自动化审查
提交代码： 用 /commit 生成规范的提交信息

关键原则：

AI 负责写代码，人负责把控方向和质量
每完成一个功能点就提交，保持小步快跑
复杂逻辑拆成多轮对话，而非一次性丢给 AI

—

6.3 代码审查

AI 写好代码后一定要审查！

这是 AI 辅助编程中最重要的环节，AI 生成的代码可能存在以下问题：

风险类型	表现
逻辑错误	边界条件处理不当、空值未判断
安全漏洞	SQL 注入、XSS、敏感信息硬编码
过度工程	不必要的抽象、冗余的错误处理
风格不一致	与项目现有代码风格/命名规范不符
幻觉	调用不存在的 API、编造库名/方法名

审查要点清单

核心业务逻辑是否正确
边界条件和异常处理是否完备
是否引入安全漏洞
是否符合项目代码规范
依赖的 API / 库是否真实存在
性能是否满足要求

—

6.4 自动化测试

配合 Yaak CLI 实现接口自动化测试

Yaak 是一款 API 客户端工具，其 CLI 模式支持在终端中批量执行接口测试。

工作流

AI 编写代码  →  AI 生成测试用例  →  Yaak CLI 执行  →  查看结果  →  修复问题

实践建议

让 AI 在编写功能代码的同时生成对应的接口测试用例
使用 Yaak CLI 在 CI/CD 流程中执行回归测试
对关键接口维护测试集合，每次改动后自动运行

—

七、总结

场景	推荐方案
日常小功能	IDE + Copilot
复杂重构	Claude Code + Skills
个人项目/免费使用	Gemini CLI
多模型协作	Antigravity / OpenCode
AWS 项目	Kiro
接口测试	Yaak CLI

核心原则：AI 是副驾驶，不是自动驾驶。 善用工具提升效率，但始终保持对代码质量的把控。