关于 AI 编程工具的内容，网上有两种极端：一种是「一句话生成完整应用」的演示，另一种是「AI 写的代码全是垃圾」的否定。两种都不太有用，因为它们描述的都不是日常开发的样子。
这个专题记录的是真实项目里的使用情况——哪些环节确实省了时间，哪些环节用了反而更慢，以及为了让它可用需要付出什么额外成本（比如每次都得 git diff 复核）。
学习路径
第一步：先搞清楚工具的定位差异。 Copilot 是补全型，深度集成在编辑器里；Cursor 是编辑器本身，能做多文件编辑；Claude 和 ChatGPT 是对话型，适合方案讨论和大段代码审阅。它们不是互相替代关系。
第二步：掌握上下文管理。 这是 AI 编程里唯一真正决定效果的变量。同样的问题，给了相关文件和没给，输出质量差一个量级。Cursor 的 @ 引用、Copilot 的打开文件感知，本质都是在解决这件事。
第三步：建立复核习惯。 AI 生成的代码必须看。特别是多文件修改，它有时会「过度发挥」，改掉你没让它改的地方。把 git diff 变成条件反射。
第四步：找到自己的高收益场景。 通常是模板代码、类型定义、测试用例、正则、报错排查这类「知道要什么但写起来烦」的任务。
四个工具怎么分工
| 工具 | 形态 | 最擅长 | 不适合 |
|---|---|---|---|
| GitHub Copilot | 编辑器插件 | 行内补全、不换工具链 | 跨文件重构 |
| Cursor | 独立编辑器 | 多文件编辑、上下文引用 | 需要换编辑器 |
| Claude | 对话 | 长代码审阅、方案推敲 | 实时补全 |
| ChatGPT | 对话 | 通用问题、生态插件多 | 长上下文一致性 |
常见误区
指望一句话生成完整功能。 任务范围越大，AI 越容易偏离意图，而且偏得越隐蔽。实际有效的做法是把任务切小、说具体、分次交付。
不给上下文就问。 直接问「这个函数怎么优化」而不给相关类型定义和调用方，得到的多半是通用建议。花十秒引用两个文件，输出质量完全不同。
生成完不看就提交。 这是最容易出事的一条。AI 的代码看起来总是很合理，问题往往藏在边界条件和它「顺手改掉」的地方。
把 AI 当成不会错的资料库。 它对 API 细节、版本差异、冷门配置的记忆并不可靠。涉及具体版本行为的，还是要查官方文档。
用 AI 写完全不理解的代码。 短期能交付，长期是给自己埋雷——线上出问题时你不认识这段代码。AI 适合加速你本来就能写的东西，不适合替你跳过学习。
本专题全部文章
- GitHub Copilot 和 Cursor 我都买了，说说值不值GitHub Copilot 和 Cursor 深度对比：功能差异、价格、实际补全质量、多文件编辑能力，帮你判断该选哪一个
- AI 工具真的让我前端开发效率提高了，但不是你想的那种方式AI 工具在真实前端工作流里的位置：不是一键生成应用那种演示，而是写模板代码、补类型、改报错这些日常环节。同时说清哪些地方用了反而更慢。
- Claude 和 ChatGPT 写代码哪个更好用？用了半年说说我的看法Claude 和 ChatGPT 在前端编程任务上的实际对比：代码生成质量、调试能力、长上下文处理、中文表达，结合真实使用场景分析
- 用 AI 写代码，这些 Prompt 套路我每天都在用前端开发中实用的 AI Prompt 技巧：如何描述需求、调试报错、做代码审查、写测试，以及我整理的常用 Prompt 模板
- Cursor 用了三个月，说说它哪里真的好用，哪里还是烦人Cursor AI 编辑器三个月实际使用体验：Tab 补全、Composer 模式、@符号引用、与 VS Code 的对比，以及我遇到的坑
