09-后记和我们现在用的AI工具

qyjfz
48 阅读9分钟

后记和我们现在用的AI工具

第一部分：后记

📝 后记：关于本文档

创作时间：2025年12月24-28日

创作工具：Claude Code + GLM-4.7

创作方式：完全AI Native

🤖 这篇文档是怎么写出来的？

写作工具链：

  • IDE插件：Claude Code (Visual Studio Code)
  • AI模型：GLM-4.7（智谱AI）
  • 开始使用：2024年12月24日

写作时间：约2小时（主要是整理之前的心得体会）

写作目的：年底总结，给团队内部使用

🔧 为什么选择这个工具组合？

之前的工具体验

GPT-5.2（之前的主力）：

  • ✅ 能力强，逻辑好
  • ❌ 周限额只能用2-3天
  • ❌ 反应太慢
  • ❌ 成本高

Gemini 3.0 Pro：

  • ✅ 偶尔查资料还行
  • ❌ 处理完整项目不太靠谱
  • ❌ 经常理解错

Trae（Solo版本）：

  • ✅ 不错，速度快
  • ❌ 专业化程度不够
  • ❌ 小规模软件还行
  • ❌ 处理复杂项目、逻辑和项目管理体系比较难
GLM-4.7：意外的惊喜

第一次使用：2024年12月24日

优势：

  1. 速度快 ⚡

    • 比GPT快3倍以上
    • 响应迅速，体验流畅

  2. 套餐实惠 💰

    • 智谱AI的套餐很实惠
    • 这几天用量都是"管饱"的
    • 不用担心额度

  3. 逻辑和规划能力超出预期 🎯

    • 整体逻辑很清晰
    • 规划能力强
    • 很多方面超出预期

  4. 综合能力优秀 ✨

    • 快这一点，就足以让我选它当主力
    • 逻辑不输GPT
    • 性价比高

不足：

  • ❌ 经常忘事儿（特别爱忘事儿）
  • 但逻辑能力和速度完全弥补了这个短板

核心结论：

就快这一点，就足以让我现在选用它当主力。

📊 4天成果：从12月24日到28日

数据统计：

  • 时间：4天
  • Token消耗：760多M
  • 工作量：相当于之前3个月

完成的工作：

  • ✅ 一个大项目的完整重构
  • ✅ 数百个测试用例的编写
  • ✅ 自动化测试体系建设
  • ✅ 这篇文档的整理和写作

效率提升：

  • 如果用传统方式：3个月
  • 用AI Native方式：4天
  • 效率提升：约22倍

💡 使用心得：问题不在模型，在工具

发现：

  • 使用中遇到的大部分问题，不是GLM的问题
  • 而是Claude Code的问题
  • 是工具链的问题

下一步思考：

把Claude摸透了之后，也许需要根据自己的使用方式和习惯做一些定制：

  1. 智能体系统：专业化分工
  2. 会话分支管理：并行处理任务
  3. 自动记忆机制：上下文持久化
  4. 规则体系集成：让AI记住项目规范

先不着急：

  • 这些东西好做
  • 不要忘了：这活好干
  • 反正不是我干，是AI在写 😄

🎯 核心感悟

1. 工具选择很重要

不同的AI模型，适合不同的场景：

  • GPT强，但慢、贵
  • GLM快，逻辑不差，性价比高
  • 要根据实际需求选择

2. AI Native是关键

不是换个模型就能解决问题

  • 关键是AI Native思维
  • 是与AI协作的方式
  • 是规则体系的建立

3. 实践出真知

试了才知道哪个适合自己

  • 理论分析不如实际测试
  • 4天时间，760M token
  • 实践给出最真实的答案

📝 最后的话

这篇文档本身，就是一个AI Native实践的最好证明。

  • 2小时整理写作
  • AI主导内容生成
  • 人工审核质量把关
  • 效率提升数倍

这就是AI Native的价值：

不是AI取代人，

而是人+AI > 人或AI。

选择权，在你。

🎉 感谢阅读！

祝你在AI Native的道路上，越走越远！

有问题或建议，欢迎随时反馈。

第二部分：总结

核心观点总结

AI Native的关键洞察：

  1. 从"工具"到"伙伴"

    • AI不是帮你打字的工具，而是和你一起思考的伙伴
    • 关键不是AI强不强，而是你会不会用

  2. 结构化沟通 > 自然语言

    • 角色、上下文、任务、约束、流程、输出、验收
    • 理解准确率从40%提升到85%

  3. 上下文管理是核心竞争力

    • 会话级、项目级、组织级
    • 84%的人在用AI，但效率反降19%

  4. 规则优于工具

    • 工具会过时，规则可持续
    • 定义测试规则，AI生成的测试工具一用一个准

  5. 工具链扩展能力边界

    • 纯模型能力有限，工具链无限扩展
    • MCP协议、Agent Skills、多Agent协作

  6. 人机协作是未来

    • 不是"AI替代人类"，而是"人类+AI > 人类或AI"
    • 人类做目标与边界、价值判断、系统思维
    • AI做大规模检索、机械重复、快速试错

  7. 信任AI

    • 90%的问题是人的问题，不是AI的问题
    • 说一半的话、模糊的需求、不信任的语气

  8. AI是平的

    • 别再往代码上堆框架了，AI理解不了那么多层
    • 代码 → 协议 → 功能（扁平化）

记住：

AI不会取代开发者。

但会用AI的开发者，会取代不会用的。

选择权，在你。

第三部分：参考资料

AI Agent发展

重要报告

  • Forrester 2025预测：AI Agent技术发展趋势
  • Gartner 2025报告：企业AI Agent应用指南
  • IDC 2025白皮书：AI Agent市场分析

技术文档

学习资源

  • AI Agent入门课程（Coursera）
  • 多Agent系统（edX）
  • Agent工程实践（Udemy）

Prompt工程

经典文章

技巧和最佳实践

  • 明确指令：精确定义目标、范围、约束
  • 提供上下文：给项目背景、技术栈、历史决策
  • 思维链：让AI展示推理过程
  • 给示例：提供具体例子
  • 控制输出格式：明确要求结构化输出

实战案例

  • 代码生成：如何让AI生成高质量代码
  • 文档编写：如何让AI写技术文档
  • 测试生成：如何让AI生成测试用例
  • Debug调试：如何让AI帮助调试

Claude/Anthropic

官方资源

Claude特色功能

  • 长上下文窗口：支持200K token
  • 高准确率：复杂问题准确率领先
  • 多模态支持：文本、图像、代码、音频

MCP协议

Claude最佳实践

  • 结构化沟通：角色、上下文、任务、约束
  • 工作流设计：5步完成一个需求
  • 质量保证：AI自测 + 人工审核

AI编程工具

主流工具对比

工具特点适用场景官网
Claude Code全能型，推理能力强复杂任务、架构设计claude.ai/code
GitHub Copilot代码补全强，IDE集成日常编码、快速补全github.com/features/co…
CursorAI原生IDE，体验最佳全栈开发、项目重构cursor.sh/
Tabnine隐私保护，企业级企业内部、隐私要求高www.tabnine.com/
CodeWhisperer云服务集成AWS项目、云原生aws.amazon.com/codewhisper…
ChatGPT通用型，普及度高通用问题、快速查询chat.openai.com/

工具选择建议

前端开发：

  • 首选：Cursor
  • 备选：Claude Code + Copilot

后端开发：

  • 首选：Claude Code
  • 备选：Copilot

全栈开发：

  • 首选：Cursor
  • 备选：Claude Code

企业级项目：

  • 首选：Tabnine
  • 备选：自建AI系统

AI Native工作流

核心方法

1. 结构化沟通

角色定义: "你是XXX专家"
上下文: "项目背景、技术栈、规范"
任务: "要做什么"
约束: "边界条件"
流程: "怎么做"
输出: "输出格式"

2. 5步工作流

第1步：需求分析（人）
    ↓
第2步：方案设计（AI+人协作）
    ↓
第3步：实现编码（AI主导）
    ↓
第4步：测试验证（AI自测+人审核）
    ↓
第5步：合并迭代（人决策）

3. 质量闭环

定义规范 → AI生成 → AI自测 → 人工审核 → 问题反馈 → AI优化 → 最终合并

最佳实践

上下文管理：

  • 会话级：当前任务相关
  • 项目级：架构、技术栈、规范
  • 组织级：标准、最佳实践

规则体系：

  • AGENTS.md（项目级）
  • public/agents/（公共级）
  • skill/（场景级）

技能包开发：

  • 从小做起
  • 持续积累
  • 团队共享
  • 文档先行

质量控制：

  • AI自测必须
  • 人工审核不能少
  • 形成反馈闭环

推荐学习路径

入门级（1-2个月）

目标：建立AI Native思维，掌握基础技能

学习内容：

  1. AI基础认知

    • AI是什么，能做什么，不能做什么
    • AI的发展历程和现状

  2. Prompt工程基础

    • 明确指令
    • 提供上下文
    • 基本技巧

  3. 工具使用

    • 选择一个AI编程工具
    • 日常使用
    • 积累经验

实践项目：

  • 用AI完成一个小项目
  • 记录踩坑过程
  • 总结经验教训

进阶级（3-6个月）

目标：掌握AI Native开发流程，能独立完成项目

学习内容：

  1. Prompt工程进阶

    • 复杂任务处理
    • 工作流设计
    • 质量控制

  2. 规则体系建设

    • AGENTS.md编写
    • 项目规范定义
    • 上下文管理

  3. 技能包开发

    • 识别需求
    • 开发技能包
    • 测试验证

实践项目：

  • 用AI Native方式完成一个中等项目
  • 开发2-3个技能包
  • 建立完整的规则体系

高级级（6-12个月）

目标：成为AI Native专家，能带领团队

学习内容：

  1. 多Agent协作

    • Agent设计
    • 协作机制
    • 调度系统

  2. 系统设计

    • AI Native架构
    • 技能包平台
    • 上下文管理系统

  3. 团队建设

    • 培训和指导
    • 最佳实践总结
    • 方法论输出

实践项目：

  • 设计和实现多Agent系统
  • 建立团队技能包库
  • 输出最佳实践文档

社区和资源

官方社区

  • Anthropic Discord：Claude用户社区
  • OpenAI Forum：ChatGPT讨论区
  • LangChain Discord：LangChain用户社区

中文社区

  • AI Native中文社区
  • Prompt工程中文指南
  • AI开发技术交流群

推荐博客

YouTube频道

  • AI Agent tutorials
  • Prompt Engineering指南
  • Claude实战案例

持续学习

技术追踪

  • RSS订阅：关键博客和技术网站
  • Twitter关注：AI领域专家和研究者
  • Newsletter订阅：AI周报、月报

实践社区

  • GitHub：参与开源项目
  • Discord/Slack：加入技术社区
  • Meetup：参加线下活动

会议和活动

  • AI Agent Conference：年度大会
  • Prompt Engineering Summit：专业峰会
  • Developer Week：开发者周

← 返回序章

📖 在线阅读：juejin.cn/post/758868…

avatar
文章
阅读
粉丝