这几年，如果你身处开发圈，一定有这种感觉，几乎每隔一段时间，就会听到一次关于AI编程工具的“能力暴涨”：
从 “能补全方法” 到 “能写完整模块”；从 “理解单文件” 到 “理解整个项目”；从 “帮你写代码” 到 “端到端交付成果”。AI编程工具，正在以肉眼可见的速度进化。
回看几个里程碑式的节点，会更直观地感受到这股浪潮的节奏：
- 2021年，GitHub与OpenAI联合推出的GitHub Copilot正式进入大众视野，通过“实时自动补全”大规模落地AI写代码能力，成为首个真正出圈的AI编程插件。
-
2022年，ChatGPT发布。开发者开始通过Web端自然语言对话生成代码，再复制回IDE，“对话式写代码”成为主流范式，Prompt Engineering进入开发流程。
-
2023年，AI编程插件进入爆发期。Copilot Chat等产品加入对话模式，IDE内形成“补全 + 对话”混合形态，开发者无需频繁在浏览器与IDE之间切换。同年，Anysphere推出的Cursor将AI提升为IDE核心能力，而不再只是插件补充，多文件理解、跨文件修改与项目级重构开始真正可用，AI原生IDE概念成型。
-
2024年， 两条路线加速分化又相互逼近：AI插件不断强化多模型切换、更长上下文、跨文件理解与工具调用能力；AI原生IDE深化项目级语义分析与自动任务拆解能力，增强多步骤连续修改与工程级理解，“Code Agent”的概念和形态逐步萌芽。
-
2025年，行业正式进入“Coding Agent”阶段。随着Claude Code以 CLI 形态出现，编程智能体首次脱离IDE框架，成为能够直接操作文件系统、执行命令、运行测试与持续迭代的终端级开发代理，形成完整执行闭环。以此为分水岭，各类AI原生IDE也纷纷引入Agent模式，将规划、执行与验证纳入统一流程；同年没过多久，能力开始从单Agent顺序执行走向Agent协同分工，呈现出“虚拟开发团队”的组织形态，例如Trae的SOLO模式中，任务拆解、代码实现与结果校验逐步结构化分离。
另一方面，Coding工具的使用者和使用范围也逐渐出现了外溢：一些非开发者也开始使用AI编程工具，用于内容生成、数据分析与流程自动化等非编码领域，Agent逐步参与更广泛的知识工作，而不再局限于写代码，Coding Agent逐步向通用任务Agent演进。
-
2026年初，“养龙虾”一词突然爆火出圈，越来越多的人开始部署并长期运行Open Claw，将其当作自己的个人AI助理持续使用。Open Claw的流行，进一步点燃了通用Agent的应用浪潮，原先大家使用Coding Agent，默认它是“写代码的AI”，但也能处理一些非编码任务，但Open Claw则改变了这种认知结构，它首先是一个通用Agent，Coding只是其中的一个Skill。编程能力不再是核心定位，而成为能力体系中的标准模块。Coding Agent从舞台中央退居为通用Agent的一个功能组件。
相信今年随着Open Claw开源Agent框架的成熟，多Agent编排、长期记忆管理与任务调度机制逐渐走向系统化与工程化，软件生产的逻辑，或将迎来又一次深层次的重塑。
AI 编程工具，显然已经从“锦上添花的效率插件” 成长为 “可以重塑开发流程的核心生产力工具”。不管是个人副业项目，还是企业级复杂系统开发，AI 正在深度参与代码生成、重构、测试、文档撰写、甚至架构讨论。
对于 AI 编程，问题不再是“AI 会不会写代码？”，而是“当 AI 参与写代码成为常态，我们该如何选择工具，又该如何重新定义程序员的角色？”
AI编程核心能力跃升
笔者认为2025年是AI编程工具质变之年。这一年，随着Agent的能力逐步发展和完善，AI编程赛道迎来了真正的“智能体爆发期”。以Anthropic推出的Claude Code为代表，AI编程工具进化为能够端到端完成任务的自主智能体，可以说彻底重塑了软件的开发流程。
2025年上半年，笔者还曾系统梳理过当时AI编程工具的能力边界，详见《从能力到安全，一次搞懂AI编程工具怎么选》，如今回头再看，技术进步之快，可谓是“轻舟已过万重山”！
从“辅助编程”到“自主智能体”
工具角色的质变，从辅助编程升级到自主智能体，这一转变的核心在于执行权的让渡。过去，开发者需要手把手告诉AI每一步做什么；现在，开发者只需定义“做什么”和“为什么做”，AI Agent便自主规划“怎么做”。以Claude Code为例，其革命性的能力允许开发者仅输入模糊的产品需求（如“做一个支持登录和商品浏览的电商首页”），AI便自动完成需求解析、任务拆解、代码编写、测试验证甚至部署上线的全流程。从“单一智能体”到“智能体团队”最具有里程碑意义的跃升，莫过于从“单一智能体”到“Agent Teams（智能体团队）”的模式突破。在Agent Teams模式下，多个拥有独立完整上下文的Claude Code实例，像一支专业的研发团队般协同工作：一位“领导Agent”负责拆解需求、分配任务，而前端、后端、测试等“队友Agent”则各自认领职责，通过共享任务板跟踪进度，通过内部邮箱直接沟通、相互校验。它们不再是单一大脑的延伸，而是每个都拥有独立的推理能力和上下文窗口，能够并行思考、相互启发，共同攻克需要多角度权衡的复杂问题。这种架构将AI从“单兵作战”升级为“军团协同”，让软件开发的复杂流程第一次可以被AI完整接管，也让人与机器的协作关系迈入了全新的阶段。
从“静态知识”到“动态能力”
与此同时，Skill（技能模块）的出现成为关键增强机制，在软件工程中，它可以封装代码生成、测试运行、依赖安装、PR创建、自动部署等稳定能力；在非软件领域，则可以封装文档排版、PPT生成、报表整理、信息抓取等流程。Skill让Agent不再依赖临时推理逐步完成任务，而是通过可复用、可组合、可持久化的能力单元实现闭环执行。
国内外AI编程工具概览
接下来，我们系统梳理一下国内外主流 AI 编程工具的路线与差异。
国内主流工具
阿里系：通义灵码 & Qoder
核心模型：Qwen3-Coder（不支持切换其他家模型）
通义灵码：最早定位是AI编程“增强插件”，兼容主流 IDE（如 VS Code、JetBrains 系），能力是代码补全 + 问答 + 重构，但受制于 IDE 架构，AI 只能“嵌入”，不能完全掌控流程。后面推出了 Lingma IDE，本质上还是IDE深度集成AI插件，最近也支持了Quest模式，即自主编程功能，向AI原生IDE靠拢，让 Agent 端到端完成开发任务。
Qoder：通义灵码的“国际兄弟版”，支持插件/IDE/CLI三种形态，IDE形态定位是AI原生IDE，Quest模式下，把任务交给自主智能体处理，Quest 会主动澄清需求、规划方案，并可在本地与云端并行推进任务，同时持续自主进化，对标Cursor。
腾讯：CodeBuddy
核心模型：自研混元大模型，支持各家主流模型（国内版支持GLM、DeepSeek、Kimi等）
CodeBuddy：支持插件/IDE/CLI三种形态，分为国内版和国际版，国内版相对稳定、安全、合规，可以作为企业级解决方案，对中文注释、业务逻辑理解能力较强，并且对腾讯生态友好，集成云开发、微信小程序开发等本地化场景。据说超过90%的腾讯工程师使用AI编程助手CodeBuddy，50%的新增代码由AI辅助生成，腾讯公司整体研发效能提升超20%。
字节：Trae
核心模型：自研豆包大模型，支持各家主流模型（国内版支持GLM、DeepSeek、Kimi等）
Trae：支持插件/IDE/CLI三种形态，分为国内版和国际版，产品定位是AI 原生开发工具 + Agent 型编程助手，国内最早一批对标Cursor的产品之一，从一开始就不是简单插件形态，而是强调AI主导任务流、多轮规划、自主修改、端到端开发闭环。并且推出了创新的SOLO模式：高度自动化，以 AI 为主导，可理解目标、承接上下文并调度工具，独立推进各阶段开发任务。
国外主流工具
Open AI：CodeX
核心模型：GPT-5-Codex系列
Codex：既是模型本身，也是Agent平台，支持CLI、Web 交互和 GitHub Copilot 集成方式。GitHub Copilot可以说是“AI 编程时代的 iPhone 时刻”，Codex从最初的代码生成与补全工具，已演进为具备并行处理、调试和测试能力的云端软件工程代理，不仅能在SWE-bench测试中达到74.5%的准确率，还能像“数字员工”一样接管电脑自主完成复杂编程任务，其最新版本甚至帮助OpenAI内部工程师在28天内完成了安卓版Sora应用85%的代码开发。
Google系：Gemini系列/Antigravity
核心模型：Gemini系列模型
Google Antigravity：AI原生IDE，强调“AI Agent 驱动任务执行”，对国内用户不太友好，笔者折腾了好久，还是被卡在了最后一步，无法亲自上手体验!🥺，但看网上漫天的吹捧文章，不明觉厉。
Gemini Code Assist/Gemini CLI：作为“集成插件/命令行工具”提供编程支持，借助 Gemini 的大上下文能力支持大项目的语义理解、摘要、重构等任务，在很多评测中表现领先。
Anthropic：Claude
核心模型：Claude 系列模型（包括 Sonnet / Opus 等）
Claude Code：作为命令行（CLI）交互的先驱，Claude Code 凭借其极客范儿和高效的人机协作模式，在全球范围内开创了AI编程的新范式。它将强大的Claude模型能力深度嵌入开发者最熟悉且不可替代的终端环境，实现了真正的“命令行智能增强”。它不再是一个需要切换界面的辅助窗口，而是像原生Shell命令一样无缝融入现有工作流——你可以在SSH远程服务器或任何纯命令行环境中直接调用，通过管道与git、grep等工具组合实现自动化脚本（如根据diff自动生成提交信息），以极低的资源占用和零干扰的极简体验，直接读写文件系统、理解项目上下文。这种设计让代码修改、问题修复、批量重构等操作变得像执行命令一样自然高效，既保留了终端的灵活与组合性，又赋予了它对话式的智能，让开发者无需离开专注的键盘流即可获得顶尖的AI协作能力。
然而，由于网络封锁、支付限制以及缺乏本地化服务等一系列客观障碍，这款前沿工具对国内开发者而言始终隔着一道“数字围墙”，其技术理念虽被广泛称道，但在中国市场的实际应用却步履维艰。想体验的读者可以去体验下 “开源平替版” Open Code。
Anysphere：Cursor
核心模型：国内版默认接入自研Composer系列、Grok Code、Kimi等，国外主流模型则需额外通过API接入；国际版默认接入OpenAI Codex系列、Claude系列、Gemini系列。这里不得不吐槽下，Cursor号称模型即服务，笔者奔着体验国外顶尖编程模型的能力订阅的Cursor，花了一样的钱，用国内网络启动时，却只能使用阉割版的模型能力，如下图；想要使用完整模型能力，需要挂梯子启动才行，笔者用了好久才在同事的提醒下发现，当了几个月的冤大头！）
Cursor：AI原生IDE的标杆，核心能力不只是代码补全，而是把大模型深度嵌入整个开发流程：支持多文件级上下文理解、跨文件修改与批量重构、自然语言驱动代码生成、可视化 Diff 对比，以及类 Agent 的多轮任务执行与自动修复。它的优势在于“人机协同体验”——开发者可以通过对话直接改项目结构、重写模块或生成新功能。Cursor上设计的许多功能可以说具有“范式意义”，这套AI编码交互体验被大量工具借鉴模仿。
可以看到所有的AI编程工具，都有自家自研的大模型，工具的功能各家都会逐步完善，但AI编码的能力却是实打实的内核，Cursor虽然是AI原生IDE的标杆，但总感觉护城河有点浅，现在虽然有自研的Composer模型，但相对其他巨头来说，编程能力较弱，整体略显单薄，怕是会被逐步蚕食。
使用感受
笔者作为一名老程序猿，这几年也早己将AI编程工具融入到了日常工作中，从最早在Web端对话式问代码，复制粘贴到IDE中，到使用通义灵码插件在IDE中自动联想补全代码，或通过自然语义需求生成代码片段，再到使用Cursor的AI原始IDE，Agent模式下，AI根据需求自动理解上下文，并修改或新增生成代码文件。随着大模型能力的逐步提升，工具交互方式不断迭代，AI编程工具确确实实为我提升了巨大的工作效率。
以前使用一个未知的技术栈，或者实现一个复杂的功能，通常需要较长时间的研究和编码，现在有了AI编程工具，我似乎更加自信了（不知道其他程序猿同事们怎么想!🐶），身边有了一位无所不知的全能编程伙伴，不管是前端还是后端，AI甚至都能在短短几分钟内就完成一个老程序猿一天甚至几天的工作量。
当然目前也还存在一些普遍的问题：
比如：作为java后端开发，大家更习惯使用IntelliJ IDEA来进行编码和调试，但目前主流的AI原生IDE都是基于VS Code进行改造的，这导致后端开发似乎只能通过插件方式体验AI编程，无法完全使用AI原生IDE，当然VS Code系也支持java开发，但总归还是有些陌生和不习惯，身边有同事采用取巧的用法，同一个项目在Cursor和IntelliJ IDEA同时打开，在Cursor中提需求生成代码，再到IntelliJ IDEA进行调试，JetBrains 赶紧加加油啊，别让java开发强行去适应VS Code系，毕竟IntelliJ IDEA真的很好用。
再比如：大家通常是在存量的项目中修改功能，当遇到较为复杂的变更需求时，若完全让Cursor来生成代码，AI经过大几分钟的分析和修改，洋洋洒洒改了一大堆的文件，程序猿再好不容易审阅了所有代码后，一调试发现有bug，再让AI做修改，有时候遇到AI怎么都改不对，但修改几轮之后，新旧代码早已面目全非，这时候很可能就是全部回退让AI重新生成，或者是硬着头皮人工去改AI的bug，不管选哪个都很浪费时间。
AI工具展望
上述的几个问题相信今年都会被一一解决，因为国内外的各大巨头们你追我赶，AI编程工具的能力日新月异。
结合当前的发展格局，笔者认为未来可能会出现几个趋势：
工程体系竞争
现在大家都在卷模型的能力，谁的上下文更长、谁的代码能力更强、谁在 SWE-bench 分数更高，但长期来看，真正的护城河肯定不只是模型，可能更在于 IDE 交互体验、人机协同设计、企业级安全与私有化部署能力、与云平台/DevOps/数据库等生态的整合能力。模型会越来越强、越来越趋同，但“工程集成能力”会成为选择AI编程工具的核心差异。
企业场景才是真正的主战场
个人开发者是最早拥抱 AI 编程的人群，但真正决定格局的，是企业级市场，越来越多的公司开始使用 AI 编程工具，但他们更加关心的是数据安全、代码不外泄、可审计性、私有化部署、内部知识库接入等能力。谁能解决“可控、安全、合规”问题，谁才可能真正规模化落地。
程序员的定位
当 AI 可以生成代码、重构甚至自动修复代码时，程序员还剩下什么？这个问题，很多人都在焦虑。但从现实工作来看，笔者一直认为，一名优秀的开发者，编码能力固然重要，但其他诸如：需求理解、架构设计、边界把控与质量判断的能力同样不可或缺，甚至在 AI 时代，当编码能力变成基础能力，其他能力的重要性被更加地放大，程序员需要主动转变能力重心，积极学习，学会与 AI 共处，高效指挥和审阅 AI 的产出。
未来的差距不在于手写代码速度，而在于系统思维与驾驭 AI 的能力，当人机协同将成为常态，淘汰的不是程序员，而是拒绝进化的程序员！
—End—
本文作者：keyu17
本文原载：公众号“木昆子记录AI”
