§1 / 先说我的结论
用了一年多 AI coding 工具，最大的感受不是「哪个最强」，而是「每个工具都有自己的最佳击球区」。
在错误的场景用对的工具，和在对的现象用错的工具一样浪费。
我用下来的大致分类：
- Copilot → 陪你读代码、给点补全建议，锦上添花型
- Cursor → 探索、重构、单文件修改，坐在编辑器里干活型
- Claude Code → 读代码库、做分析、跨文件修改，有上下文但靠 prompt 驱动
- Cline → 便宜量大，适合跑自动化脚本
- ai-spec → 完整功能模块生成，有量化质量信号，适合 8-15 个文件的确定型任务
下面按场景拆开讲。
§2 / 场景一：写一个函数、加一段逻辑 → Copilot / Cursor
这个场景是最常见的：你想加一个小功能，改一两个文件，知道自己要什么。
Copilot 在这个场景的优势是存在感低。你开着，它工作，你不记得它工作过。补全代码的逻辑接近「你正在写什么，下一行大概是什么」。对已有代码库的风格学习做得不错。
Cursor 在这个场景的优势是对话式修改。Copilot 只能补全，Cursor 可以让你说「把这里改成用 cache 包装一下」，它会理解上下文然后改多个位置。
缺点：两者都没有结构性质量信号。你用 Copilot 补全了 50 次，没人告诉你这次比上次好还是差。质量靠你的判断和 review。
§3 / 场景二：探索式开发、想不清楚要什么 → Cursor
Cursor 的核心价值不是「写代码」，是「边想边写」。
当你不知道最终要什么形态的时候，你需要的是一个能跟你的思路一起迭代的工具。你说一句，它给你看结果，你觉得不对，说下一句，它继续改。这个 loop Cursor 做得最好。
Cursor 的规则文件（rules）和 composer 模式也给了一些结构化能力，但本质上还是「你在驾驶」的模式------工具跟着你的 prompt 走，prompt 质量决定输出质量。
不适合的场景：当你想清楚了要做什么，但这个功能涉及 10 个文件。Cursor 没有「一次性生成完整模块」的能力，它会在每个文件上逐个对话，很容易出现「改了后面的文件忘了前面的 import」问题。
§4 / 场景三：读代码库、做分析 → Claude Code
Claude Code 有一个被低估的能力：读代码库。
claude code --dangerously-skip-permissions 可以让你在项目里做索引和搜索，问它「这个模块的认证流程是什么」，它能给你一个还算准确的总结。
Claude Code 比 Cursor 强，但到了「生成代码」这个环节，两个工具其实差不多------都是 prompt in，code out，没有结构性质量保障。
§5 / 场景四：确定型任务、完整功能模块 → ai-spec
这是我自己做的工具，也是它最适合的场景。
确定型任务的意思是：你能用一句话描述清楚需求，不需要边写边改。
「给 user 模块加登录功能，包含注册、登录、登出、token 刷新」------这句话能说出来，就可以进 ai-spec。
它会跑完这个流程：
scss
需求 → Spec(md) → DSL(json) → 分层 codegen → 3-pass review → Harness Score输出是 8-15 个文件 + 一个质量分数。
Harness Score 是关键：它给你一个信号「这次生成的东西和 spec 吻合度多少」。不是完美的质量保证，但至少让你知道距离目标有多远。
不适合的场景：探索式开发、需求不明、函数级修改。这些 Cursor 做得更好。
§6 / 场景五：成本敏感、需要自动化 → Cline
Cline 的优势是便宜 + 支持多 provider 混用。
你可以配置 DeepSeek 做主力（便宜），Claude 做 review（质量），成本比纯 Claude 低很多。
对于「跑一个脚本自动化日常工作」这种场景，Cline 的性价比最高。但它的 UX 相比 Cursor 差很多，调试成本也高。
§7 / 一个实用的工具选择框架
我现在的用法是按任务类型选工具，不是选一个工具用到底：
| 任务 | 工具 |
|---|---|
| 读代码库、理解架构 | Claude Code |
| 探索、重构、边想边写 | Cursor |
| 单文件补全、注释生成 | Copilot |
| 脚本自动化、成本敏感 | Cline |
| 确定型功能模块（10 个文件以上） | ai-spec |
这个分类的核心逻辑是：越确定的任务，越需要结构化；越不确定的任务，越需要灵活性。结构化和灵活性是两种不同的工具能力，选错了就是用螺丝刀砸钉子。
§8 / 我的踩坑
-
用 Cursor 做大型功能模块：试过用 Cursor 生成一个包含 12 个文件的新模块，结果是改了 3 个文件之后它开始产生互相冲突的 import，原因是上下文窗口不够用，你看不到前面改了啥。换了 ai-spec，同样的需求跑完直接拿到 12 个文件。
-
用 ai-spec 做探索：ai-spec 的 pipeline 设计假设你知道要什么。如果你说「帮我看看这个系统能怎么重构」，ai-spec 没有反应------这不是 bug，是它的设计边界。你在探索阶段，它帮不上忙。
-
Copilot 当主力：Copilot 的补全质量严重依赖代码风格的学习程度。如果你的项目是新启动的、或者代码风格不常规，Copilot 的补全质量会明显下降。把它当成一个增强的 autocomplete 比当成 coding partner 更准确。
§9 / 工具在进化，别停在结论
写这篇文章的时候其实已经有点过时了------AI coding 工具的进化速度很快，今天的局限可能半年后就不是问题。
比选工具更重要的是理解每个工具的设计假设：它在什么前提下工作？它的最佳击球区在哪里？
工具选对了，效率差距是 2-3 倍。选错了，就是花时间适应工具而不是用工具工作。
GitHub: github.com/hzhongzhong... npm: npm install -g ai-spec-dev 站点: ai-spec.dev