市面上的 AI 编程工具看着很多，但按能力边界划，其实就三类。选错类别，要么觉得「没用」，要么会被它的破坏力吓一跳。 ## 第一类：行内补全 典型形态是编辑器插件，你写前几个字符，它把后面续出来。 - **优点**：无感、不打断心流、几乎零学习成本； - **局限**：只看得见光标附近的上下文，不理解整个项目； - **适合**：写样板代码、补全重复结构、记不住的 API 签名。 这一类最稳妥，几乎不会坏事——它只在你主动接受时才写入，而且改动范围就几行。 ## 第二类：对话式 侧边栏聊天，能读你选中的文件、贴报错、问设计问题。 - **优点**：有全局视野（如果它能索引整个仓库），适合理解和调试； - **局限**：需要你手动复制粘贴结果，**改代码这件事还是你在做**； - **适合**：读陌生代码、定位报错、讨论方案。 这一类的问题是上下文要你自己喂。文件没选中它就看不到，而人工挑选「哪些文件相关」本身就是个技术活。 ## 第三类：智能体式 这一类是分水岭：**它不只会写，还会执行。** 它能自己读文件、改多个文件、跑 shell 命令、看报错、再改。你给一个目标，它自己拆步骤往下推进。 本站的文章发布流程就是这么做的——配图上传、文章创建、发布状态推送，全程由 AI 通过接口完成，没有打开后台界面。这类能力的效率提升是数量级的，但**风险也是数量级的**。 ## 智能体的三个必备护栏 如果要用第三类工具，下面三条不是建议，是底线： **1. 必须在 Git 仓库里工作** ```bash git status # 开工前确认工作区干净 git add -A && git commit -m "wip: before agent run" ``` 有了提交点，搞砸了一条 `git checkout .` 就能回去。**没有版本管理的目录里跑智能体，等于裸奔。** **2. 给它受限的环境** 容器或虚拟机里跑，`rm -rf /` 的破坏范围就限制在容器里。生产数据库、正式环境的密钥，一律不给。 **3. 破坏性命令要人工确认** 删除、覆盖、推送到远端、`DROP TABLE` 这类操作，配置成必须点确认。模型会犯错，也会误解你的意图——它以为你说的「清理旧文件」包括你的源数据。 ## 怎么选 按实际情况对号入座： - **只是想写快一点** → 第一类足够，别引入复杂度； - **经常读别人的代码、查报错** → 第二类，注意选能索引整个仓库的； - **批量改造、重复性任务、跨文件的机械改动** → 第三类，但先把护栏搭好； - **代码不能出网** → 只能选支持本地/私有化部署的方案，或者本地模型方案（我另写了一篇本地跑大模型的）。 还有一个常被忽略的维度：**语言与框架的主流程度**。越主流的语言，训练数据越多，AI 的表现越好。冷门框架或内部 DSL，收益会明显下降。 ## 一个心态问题 用 AI 写代码最常见的不满来自期待错位：**把它当搜索引擎用会失望，当实习生用会比较准。** 给实习生交代任务，你会说清楚背景、约束、验收标准；你也不会把他的产出不经审查就合进主干。对 AI 也一样——**产出必须审查**，尤其是涉及删除、权限、数据的部分。 ## 小结 三类工具不是迭代关系，是并行关系，解决不同问题。能力越强的一类需要越强的护栏，这个规律在这行里几乎没有例外。 我的建议是从第一类开始用熟，需要时再上第三类，并且**永远在 Git 里用它**。