这一年，AI 彻底改变了开发者的工作流。会不会写代码已经不是核心竞争力，会不会 让 AI 替你写代码 才是。
这篇文章整理了一个开发者在 2025 年应该具备的 AI 基本能力图谱，覆盖 IDE、提示词、RAG、MCP、开源工具链等。
一个大概的参考。
🎯 1. AI IDE 使用力（核心生产力）
现在的 AI IDE 已经不是“写代码的小帮手”了，而是你真正的第二大脑、你的工程外援。一个现代开发者需要做到的，不只是“能用”，而是会把 IDE 当生产力系统来驱动。
以下是能力分级：
🔥 精通级（必须吃透）
- Cursor：目前最强的 AI IDE，值得拥有。重构、项目理解、Agent 工作流都非常成熟。
- GitHub Copilot：作为老牌工具，生态深、兼容性强，适合嵌入日常开发全流程。
精通级要求：能让 AI 接管 30%–60% 的开发工作量，包括生成、修改、解释、重构、自动化操作。
👍 熟悉级（工作中可稳定使用）
- Codex（OpenAI 系列）：经典、稳定，适合需要泛化理解的代码任务。
- Claude Code：在大文件分析、全局重构方面非常强，适合处理复杂项目。
- Trae（字节跳动）：国产工具里体验不错，速度快、响应稳定。
- Qoder（阿里）：Java/前端生态支持较好，适合阿里系技术栈。
熟悉级要求：遇到适合它的任务，能自然切换工具，提高效率。
👀 了解级（知道能干嘛即可）
- Antigravity
- CodeBuddy
这些工具你不求精通，但要知道它们解决什么问题、适合哪些场景，以便在团队或业务需要时能快速上手。
🔑 2. Token 服务平台（用于稳定调用模型）
经常调 API 的同学，这类网站是必备的：
- poloapi, poloapi.com/
- V3, api.v3.cm/
- 其他...
🧠 3. 提示词工程（Prompt Engineering）
提示词工程不是花活，而是提高 AI 输出质量 x10 的关键方法论。
你需要掌握：
-
提示词工程的基本原理
-
常见提示词框架：
- RTF（Role–Task–Format）
- APE（Ask–Process–Evaluate）
- PREP
- RACE
真正的提示词工程，不是写长提示，而是写“能让模型稳定输出预期结果”的提示。
🧬 4. Memory（长期记忆）
现在 AI 工具越来越依赖 memory，你需要：
- 熟悉常见的 Memory 工具框架
- 理解如何让 AI 记住上下文、偏好、项目长期信息
🔌 5. MCP（Model Context Protocol）
这块是 下一代开发者能力分水岭。
需要掌握：
- MCP 的基本原理
- 常见 MCP 服务
- 配置 Cursor 等工具的 MCP
- 最好能 开发自己的 MCP 服务
MCP 能让你的 AI 连接数据库、文件系统、内部 API，解锁工程级能力。
📚 6. RAG（最常用的 AI 工程能力）
RAG 基本上是开发 AI 应用的标准动作：
- 理解 RAG 的基本原理
- 能够独立搭建一个 RAG 系统（向量库、检索策略、重排序等）
🧩 7. 熟悉主流模型公司与生态（保持持续观察）
你应该知道每家模型的特点、优势、价格、适用场景：
- OpenAI
- Claude
- Grok
- Gemini
- DeepSeek
- Qwen
关注官方 Blog、API 更新、新模型发布是一个 AI 工程师的职业习惯。
🛠️ 8. 熟悉主流开源生态 & 工具链
🌐 常用社区
- HuggingFace：模型、数据集、Spaces 应用中心
🤖 Agent 工具
- Dify
- n8n
- 扣子 (Kozi)
🏗️ 中间件框架
- LangChain
- LangGraph
🚀 本地部署工具
- ollama
- LMStudio
🧱 AI UI 工具
- Open WebUI
- Cherry Studio
建议保持对开源社区的持续跟踪，尤其是 RAG、Agent、MCP 相关的新项目。
🧭 9. 进阶能力（成为 AI 工程师的关键）
📘 大模型原理（避免成为黑盒使用者）
- 大模型的基本原理
- 微调、LoRA、蒸馏等概念
🔧 AI 工程化能力
- 把 AI 融入你的开发流程
- 会在业务中设计 AI 功能
- 会构建可落地的 AI 工程方案
🐍 必备语言：Python
AI 世界里 Python 就是通行证，必须掌握。
