Cline+DeepSeek-v3-软件工程的浪潮：从切图仔到AI辅助编程

软件工程自诞生以来，始终处于技术变革的浪潮之中。二十年前，前端工程师还被称为"切图仔"，如今他们需要管理复杂的 Vue/React 项目；十五年前，团队围在一台电脑前研究 SQL 调优，如今 Spark、Clickhouse、Postgres 等技术选型琳琅满目；十年前，程序员花一个下午编写优雅的 shell 脚本，如今只需 5 分钟与 AI 沟通需求即可完成。

大语言模型的推广与应用，将软件工程的变革推向了新的高度。身处其中的程序员们既感到焦虑，担心被 AI 取代，又感到幸运，因为他们能够最先接触、理解和应用这些前沿技术。

摘要： 本文首先介绍了如何在 VS Code 中使用 Roo Cline 插件实现类似 Cursor 的功能。接着，探讨了如何使用 Repo Prompt 在网页版 Claude Pro 中体验类 Cursor 的功能（相比调用 API，网页版费用更可控）。最后，通过一个 AI 辅助编程的实例，讨论了这类工具的局限性，并得出三点结论：（一）小型项目使用 AI 事半功倍，但每个 prompt 不应包含过多需求，复杂需求应分多轮对话提出；（二）对于复杂项目，市面上的 AI 暂时难以处理；（三）在实际操作中，人类能够精准指出问题所在至关重要。

Cursor：AI 结对编程的新标杆

2023 年初，四名麻省理工的学生 Michael Truell、Andrew Brown、Aman Sanger 和 Alex Gu 创立了 Cursor。这款编辑器一经推出便引发了开发者的广泛关注。

Cursor 本质上是在 VS Code 基础上深度定制的代码编辑器。它继承了 VS Code 的所有优点，包括丰富的插件生态和熟悉的界面，同时通过集成 Claude 等大语言模型，提供了更智能的编程体验。

与 GitHub Copilot 等代码补全工具不同，Cursor 开创了"对话式编程"的概念。开发者不仅能获得智能代码提示，还能与 AI 进行多轮对话，使其理解完整的业务上下文。这种革新让 Cursor 超越了 GitHub Copilot、豆包 MarsCode 等竞品，成为真正的"AI 结对编程"工具。

不过，Copilot 和 MarsCode 等产品也在逐渐向 Cursor 的功能靠拢。

Cline 与 Roo Cline：开源替代方案

然而，Cursor 的高昂订阅费用让许多开发者望而却步。在社区的不断探索下，一个名为 Cline 的开源项目应运而生。

Roo Cline 是 Cline 的改进版本，它巧妙地将多个大语言模型（如 DeepSeek、Claude、Gemini）整合到 VS Code 中。用户只需安装这个插件，就能在熟悉的编辑器中获得类似 Cursor 的 AI 辅助体验。

虽然 Roo Cline 在集成度上可能略逊于 Cursor，但它的开源灵活性和免费使用特性使其成为个人开发者的理想选择。此外，无需额外维护一个 IDE 也是 Roo Cline 相比 Cursor 的一大优势。

如何"免费"使用 AI 辅助编程？

Google Gemini 2.0

Google 为开发者提供了 Gemini 的免费调用方式，只要调用频率不超过每分钟 15 次即可。对于 AI 辅助编程来说，这已经足够使用。

在 https://ai.google.dev/gemini-api/ 中可以获取免费的 API 密钥。

DeepSeek-v3

DeepSeek 是国内知名的大语言模型，提供了丰富的免费额度。进入 https://www.deepseek.com/ 注册并登录，即可获得 500 万 tokens 的免费额度，足以支持数天的"重度"编程需求。

实测表明，DeepSeek-v3 在 Roo Cline 中的表现优于 Gemini。

在 Roo Cline 中使用 AI 辅助编程

在 VS Code 中安装 Roo Cline 后，只需在设置中选择相应的模型并输入 API Key 即可开始使用。

接下来，只需像使用 Cursor 一样，在 VS Code 中输入需求并指定文件或路径即可。

Roo Cline 的玩法多样，配置合适的 Rule 可以大大增强其能力。由于每个人的使用场景不同，这里不做详细讨论。

RepoPrompt：在网页版 Claude Pro 中使用 AI

尽管 Claude API 的费用较高，但我们可以在网页版 Claude Pro 中使用付费额度固定的 Claude 3.5 Sonnet 模型。

在 https://repoprompt.com/ 下载 Repo Prompt 后，打开项目并选择需要附带给 AI 阅读或修改的文件，接着书写提示语。

如上图所示：

首先在 Repo Prompt 中打开项目；
在 Instructions 中勾选 File Tree、XML Whole 和 Project Manager 三个前置 Prompt；
File Tree 将整个项目的目录结构自动整理成文本；
XML Whole 是 Repo Prompt 的核心功能，它会要求 Claude 输出一个 XML 格式的内容，方便后续将代码修改应用到项目中；
Project Manager 是自定义的提示语；
在下方粘贴 pytest 的报错信息；
在 Selected Files 中勾选需要上传的文件。

完成后，点击 Copy，将内容粘贴到网页版 Claude Pro 中即可。

Claude 生成 XML 代码块后，将其复制到 Repo Prompt 的 Apply > XML Input 中。

Repo Prompt 会自动解析 XML，与本地文件对比，并展示代码差异。开发者审核后即可选择是否应用这些改动。

实例：人类精准反馈提升 AI 表现

最近在编程中遇到一个问题，代码如下：

python 复制代码

async def mock_get(*args, **kwargs):
    mock = AsyncMock()
    mock.status = 200
    if "/item/" in args[0]:
        mock.json.return_value = { ... }  # 省略
    else:
        mock.text.return_value = "<html><body>Test content</body></html>"
    return AsyncMock(__aenter__=AsyncMock(return_value=mock))

async def mock_head(*args, **kwargs):
    mock = AsyncMock()
    mock.status = 200
    return AsyncMock(__aenter__=AsyncMock(return_value=mock))

crawler.session.get = AsyncMock(wraps=mock_get)
crawler.session.head = AsyncMock(wraps=mock_head)

问题的表现是 pytest 测试无法通过。我将代码和错误信息发送给多个 AI 模型（包括 Roo Cline + DeepSeek/Gemini、Repo Prompt + Claude Pro），但它们都陷入了修正 A 错误导致 B 错误，修正 B 错误又导致 A 错误的循环中。

于是，我决定手动 Debug，发现问题的根本在于 AsyncMock 没有正确注入到我的 class 中。于是我在 prompt 中加入了一句话：

txt 复制代码

It seems that the way I mock async result in pytest is not correct. There must be something wrong. Please focus on helping me fix the mock logic: ...

结果，AI 没有陷入错误循环，而是专注于解决我提出的问题。在本轮修改后，我只需手动修复一些小问题，所有 pytest 测试便全部通过。

python 复制代码

def _create_mock_response(self, status=200, json_data=None, text_data=None):
    """Helper to create consistent mock responses"""
    mock = AsyncMock()
    mock.status = status
    mock.__aenter__.return_value = mock
    if json_data is not None:
        mock.json = AsyncMock(return_value=json_data)
    if text_data is not None:
        mock.text = AsyncMock(return_value=text_data)
    return mock

这个经历验证了以下几点：

AI 的输出是有限的：若在一次对话中设置过多目标，往往顾此失彼。限制对话目标可以减少 AI 的搜索空间；
AI 可能陷入死循环：例如 LLM 服务端的缓存机制。因此，如果 AI 给出了错误答案，不要原封不动地重试；
精准反馈至关重要：人类能够精准指出问题所在，是 AI 辅助编程成功的关键。

总结

小型项目：使用 AI 事半功倍，但每个 prompt 不应包含过多需求，复杂需求应分多轮对话提出；
复杂项目：市面上的 AI 暂时难以处理，但如果项目解耦良好，AI 仍能在部分任务中提供帮助；
精准反馈：在实际操作中，人类能够精准指出问题所在至关重要。AI 虽然强大，但在复杂项目中仍需专业人士的指导。

AI 事半功倍，但每个 prompt 不应包含过多需求，复杂需求应分多轮对话提出；

复杂项目 ：市面上的 AI 暂时难以处理，但如果项目解耦良好，AI 仍能在部分任务中提供帮助；
精准反馈：在实际操作中，人类能够精准指出问题所在至关重要。AI 虽然强大，但在复杂项目中仍需专业人士的指导。