目录

1. 背景

2. ChatGPT / Claude：代码初筛与需求拆解

3. GitHub Copilot：上下文补全

4. Cursor：自然语言改代码

5. Kimi / 豆包：长文本处理

6. 即梦 / Midjourney：视觉素材生成

7. 一点观察

---

背景

我主力语言是 Java，平时也写 Python 脚本，做一些 side project。下面这些工具，是我过去一年多反复用过、最终留在日常工作流里的。不一定适合所有场景，文中会标出我观察到的局限。

---

1. ChatGPT / Claude：代码初筛与需求拆解

这是我使用频率最高的工具，主要落在三个场景。

代码 review。 写完一段逻辑后，我会把函数贴进去，让它找潜在问题。它给出的建议不一定全对，但能覆盖到我容易忽略的几类：

1. 边界条件没处理（空值、越界、并发）

2. 异常处理缺失或捕获过宽

3. 个别情况下能指出 O(n²) 这类性能隐患

它适合做第一轮筛查，不能替代人工 review。我把它当成一个「不会嫌烦的初筛 reviewer」。

指向越具体，建议越可用。下面是一个可直接复用的 review 提示词：

你是一个资深 Java reviewer。请检查下面这段代码，从三个角度给出问题清单：
1. 空值与边界条件
2. 异常处理的范围是否合理
3. 是否存在明显的性能问题（如 O(n²) 循环、不必要的对象创建）
只列问题，不重写代码。
​
public Optional<User> findActiveUser(Long id) {
    List<User> all = userMapper.selectAll();
    for (User u : all) {
        if (u.getId().equals(id) && u.isActive()) {
            return Optional.of(u);
        }
    }
    return Optional.empty();
}

陌生语言/框架的示例生成。 比如我主力是 Java，偶尔要写 Python 数据处理脚本。直接描述需求让它出示例，再在此基础上改，比从零查文档快。

需求文档拆解。 遇到结构混乱的需求文档，让它提炼核心需求并列实现步骤。它能很快给出一个可用的任务清单，我再人工调整。

局限：复杂业务逻辑上，它容易给出「看起来对但跑不通」的代码。涉及多个模块协作、有特定业务约束的部分，我会自己写。

---

2. GitHub Copilot：上下文补全

它是一个集成在编辑器里的上下文补全工具。你写一半，它基于上下文补一半。

我记录过一段时间它的补全准确率。模板代码（CRUD、表单处理、DTO 转换、数据映射这类），它的补全准确率大约在 80% 以上，多数情况可以直接 tab 接受。

真正复杂的逻辑，它的建议经常不对。但这个场景下，它的价值不在「替你写」，而在「给你一个起点」。即便它补错了，我改它的成本通常也比从零写低。

我在意它的点，和大多数人不太一样。我关心的不是它帮我省了多少打字时间，而是它接管了日常代码里大约 70% 的模板活，让我能把注意力集中在剩下 30% 真正需要设计的逻辑上。

一个使用习惯上的建议：别盲目 tab。它会错，而且错得很自信。我每次都扫一眼再接受。

VS Code 安装 Copilot 的关键配置（.vscode/settings.json 片段）：

{
  "github.copilot.enable": { "*": true },
  "editor.inlineSuggest.enabled": true,
  "github.copilot.advanced": {
    "length": 500,
    "listCount": 3
  }
}

---

3. Cursor：自然语言改代码

Cursor 把 AI 能力做进了编辑器的底层交互，不是作为一个外挂插件。

我最常用的两个功能：

Cmd+K / Ctrl+K 自然语言改代码。 选中一段代码，输入「重构成函数」「加异常处理」「换更高效的写法」，它直接改。对中等规模的重构，比自己手动改快不少。

下面是一段让 Cursor 做异常处理加固的典型操作。选中代码后，在 Cmd+K 输入：

给下面这段方法补全参数校验和异常处理：id 为空时抛 IllegalArgumentException，
数据库调用失败时捕获并记录日志，不要向上抛原始 SQLException。
​
public Order getOrder(Long id) {
    return orderMapper.selectById(id);
}

预期它会把方法改写为带校验和 try-catch 的版本，同时保留原有返回逻辑。

报错排查。 它能看到完整的代码上下文。控制台报错时，它能在上下文里定位问题并给出修改建议，省去复制错误信息去搜索的步骤。

局限：它偶尔会理解错意图，改出新的 bug。重构幅度越大，出错概率越高。我的用法是：小范围改动直接接受，大范围改动让它生成 diff，我逐段确认。

我现在新开项目默认用 Cursor。是否切回去用纯 VS Code，取决于项目本身是否允许引入这类工具。

---

4. Kimi / 豆包：长文本处理

这类工具我用得最多的是「读长文本」这个场景。

每周基本都会遇到需要处理大段文字的情况：几十页的技术方案、陌生开源项目的源码、看不太懂的论文、竞品的产品文档。

直接扔进去，让它出摘要、提炼要点、回答具体问题。我试过把一份 60 多页的方案文档给 Kimi，它能稳定说清楚每章的核心内容，以及章节间的依赖关系。

为什么选国产模型而不是 ChatGPT，主要两个原因：

1. 长文本处理上，Kimi 和豆包在这一两年确实能打，几十万字一次读进去，信息丢失比较少。

2. 国内访问稳定，免费额度够日常用。

读长文档时可用的提问模板：

请阅读这份技术方案，完成三件事：
1. 用不超过 200 字概括整体目标
2. 列出各章节之间的依赖关系
3. 指出方案中未明确的边界条件或风险点

局限：摘要和提炼它能做好，但涉及需要深度推理的内容（比如论文里的证明细节、方案里隐含的设计权衡），它的回答会比较浅。这类内容我还是自己读。

---

5. 即梦 / Midjourney：视觉素材生成

这类文生图工具，我主要用在 side project 的视觉素材上。

独立开发者大概都有这个感受：项目里的 Logo、icon、封面图、配图，以前要么找设计师，要么自己用工具凑。一个人做项目，视觉这关成本很高。

现在用 AI 出图，一句话描述，几分钟出几十张备选。我主要用在：

1. side project 的 Logo 和 icon

2. 博客文章的封面图

3. demo 时的占位图和示意图

局限也很明显：它替代不了专业设计。出图质量在「够用」和「专业」之间，更靠近「够用」那一端。如果项目对视觉有较高要求，还是需要专业设计师介入。

---

一点观察

把这几个工具放在一起看，可以归纳出一个比较稳定的规律：它们各自只覆盖了工作流里的某一层，但组合起来，把程序员日常的重复劳动接管了相当一部分。

1. Copilot 接管模板代码

2. ChatGPT 做初筛 review

3. Cursor 处理中等规模重构

4. Kimi 读长文档

5. AI 出图解决视觉素材

我自己的体感是，产出比两三年前有明显提升。这个提升不完全来自某个工具，更多来自工具之间的配合。

如果还没开始用，可以先从 ChatGPT 这类通用对话工具入手，把它当成一个可以随时问的技术搭子。其他工具在场景明确之后，自然会加进来。

以上是我个人工作流里的记录，不同人的场景和习惯会有差异，仅供参考。

---

如果对你有帮助，欢迎 点赞收藏 + 关注专栏。下一期会写 Cursor 的保姆级教程，从安装到高效使用。