第9章 氛围编程攻略与工具和大模型选择指南

第9章

氛围编程攻略与工具和大模型选择指南

前8章主要围绕不同的氛围编程应用场景展开，包括批量改文件名、文档格式转换、实现AI智能体、可视化数据、分析Excel数据、实现微信小程序和Web应用等。

然而，这些章很少从读者视角提供氛围编程建议，也未对本书讨论的9款氛围编程工具及其搭配大模型进行横向对比。虽然1.7节介绍了选择氛围编程工具与搭配大

模型的策略，能从宏观上指导工具选择，但在特定场景下（如“单次对话即成功”

的Web应用产品原型快速生成），对于如何便捷地评测不同氛围编程工具与大模型的搭配组合的代码生成效果，尚未总结出可落地的方法。

本章将帮助你了解非IT背景的人、有IT经验的人和IT新人这3类读者在使用氛围编程时应该关注的重点。同时，本章将横向对比扣子、DeepSeek、Claude、Trae、

Cursor、Windsurf、通义、bolt和Copilot等9款主流氛围编程工具的首次发布时间、市场定位、可搭配的大模型、优势、劣势及适用场景。之后再横向对比在氛围

编程中常搭配的Claude系列、Gemini系列、GPT系列、o3、SWE-1、DeepSeek系列、 Qwen-3、Doubao系列和Kimi k1.5等16款大模型的类型、优势、劣势和适用场景。

最后，本章将讨论如何通过实战检验氛围编程工具与大模型的搭配组合在解决实际问题时的效果，这正是本书内容框架能随氛围编程工具与大模型不断升级而保持长

久价值的关键。

9.1 非IT背景的人的氛围编程攻略

对非IT背景的读者而言，氛围编程最大的价值在于降低了编程的心理门槛。正如第 2章展示的那样，你完全可以用中文描述需求，轻松创建出“减少AI幻觉”的智能

体应用并发布给自己或亲朋好友使用，整个过程不用写任何传统的代码。这种方式让编程不再是IT专家的专利，而变成了像使用Word编辑文档或使用Excel制作表格

一样的日常技能。

9.1.1 用“平常心”看待编程

当你第一次看到Windsurf生成的数据可视化代码时，不要被那些HTML、CSS和 JavaScript代码吓退。就像使用计算器时你不需要了解集成电路的工作原理一样，

使用氛围编程时你也不需要完全理解每一行代码的含义。重要的是结果——一个能够清晰且准确地展示数据分析结果的交互式看板，这正是第3章中实现的效果。

氛围编程的核心价值不在于让你成为程序员，而在于让你能够更高效地解决工作和生活中的实际问题。例如，在第4章中，面对包含40多个部门复杂财务数据的Excel

表格，传统方法可能需要你花费数小时手工筛选和计算，或者等待IT部门的排期。

但通过向AI聊天应用提交自然语言提示词，几分钟内AI聊天应用所搭配的大模型就能生成Python代码，完成数据分析，找出应收款项最大的3个部门。

这种问题导向的思维方式非常重要。不要为了学习编程而编程，而要为了解决具体问题而使用氛围编程。当你在工作中遇到重复性任务、数据处理需求或者想要快速

验证一个想法时，第一反应应该是：“这个问题能用氛围编程解决吗？”

9.1.3 遇到实际问题时，思考如何用氛围编程来解决

培养氛围编程思维需要在日常工作中不断练习。当领导要求你制作数据报告时，想想第3章中的可视化方案；当需要处理大量Excel数据时，回忆一下第4章中的分析

方法；当公司需要一个简单的内部工具时，考虑第6章中的Web原型开发流程。

关键是要学会将复杂问题分解为具体的、可描述的小问题。例如，“我需要一个客户管理系统”这个需求太宽泛，大模型难以准确理解。但是，如果你能细化为“我

需要一个能够录入客户基本信息、跟踪沟通记录、设置提醒事项的简单网页应用”，氛围编程工具就能更好地为你服务。

记住，每一个复杂的应用都是从解决一个具体的小问题开始的。扣子上的“减少AI 幻觉”智能体看起来简单，但它解决的是AI应用中的核心痛点；bolt生成的

Promptyoo-1原型虽然功能有限，但已经能够展示核心的提示词优化逻辑。

9.2 有IT经验的人的氛围编程攻略

讨论完非IT背景的人的氛围编程攻略，接下来看一下有IT经验的人的氛围编程攻略。

9.2.1 拥抱氛围编程，而非排斥

对于有传统编程经验的IT从业者，面对氛围编程时容易产生两种极端反应：要么完全依赖AI而不再思考，要么因为担心技能被替代而完全排斥。这两种态度都不利于

充分发挥氛围编程的价值。

型高效生成代码，而不会因非IT背景的“泛程序员”利用氛围编程成功完成小项目而灰心丧气；将氛围编程工具和搭配的大模型组合视为一个强大的编程助手，而非

自己职位的“掘墓人”；将AI生成的自己并不熟悉的技术栈代码视为绝佳的学习和评审机会，而不是洪水猛兽。

正如第7章展示的，即使是经验丰富的开发者，在学习新的技术栈（如前后端分离架构）时，也可以通过GitHub Copilot快速生成Promptyoo-0这样的实战项目，然

后基于可运行的代码来学习和改进。

氛围编程的优势在于它能够快速生成框架代码和处理重复性工作，让你将更多精力投到架构设计、业务逻辑优化和用户体验提升上。这不是技能的降级，而是工作重

心的升级。

9.2.2 仔细理解、评审和测试AI生成的代码

虽然现代大模型在代码生成方面表现出色，但正如1.2.9节提到的AI幻觉问题，生成的代码并不总是完美的。有IT经验的人的价值正在于能够快速识别和修复这些问

题。

以第6章中的bolt开发经验为例，“单次对话即成功”虽然能生成80%符合需求的代码，但剩余的20%往往涉及业务逻辑的细节、性能优化或安全。这些问题需要你运

用专业知识来识别和解决。

更重要的是，你需要能够向团队其他成员解释那些由AI生成的代码的工作原理。当同事询问某个功能的实现逻辑时，“这是AI写的，我也不知道”这样的回答是不负

责任的。相反，你应该能够清晰地解释代码的架构思路、关键算法和潜在风险。

第8章中的端到端测试实践提供了一个很好的例子。通过Cursor生成自动化测试代码，你不仅保护了现有功能，还建立了持续验证的机制。这种做法体现了专业IT人

员的责任感和前瞻性思维。

9.2.3 理解“设计理念和优劣势”比掌握“如何实现”更重要

对于有IT经验的人，尤其是程序员，氛围编程时代最重要的转变是从关注“如何实现”（how）转向理解“设计理念”（what）和“设计优劣势”（why）。当大模型

能够快速生成具体的实现代码时，你的价值更多体现在架构设计、技术选型和系统优化上。

时，作为有经验的开发者，你不应该只关注具体的API调用或组件实现，而要思考：为什么选择这种架构模式？在什么场景下前后端分离比单体应用更有优势？如

何平衡开发效率和系统复杂度？

同样，第8章中的端到端测试实践展示了另一个重要的设计理念。自动化测试不只是验证功能正确性的工具，更是保证代码质量、支持敏捷开发、降低维护成本的系

统性方法。理解这种设计思想比掌握具体的测试框架语法更有价值。

第3章中的数据可视化项目也体现了这一点。Windsurf等工具及所搭配大模型的组合生成的可视化代码背后蕴含着数据驱动决策、用户体验设计、信息架构等多个层

面的设计理念。作为有经验的开发者，你需要能够评估这些设计选择的合理性，并在必要时提出改进建议。

这种思维转变的核心在于：技术是手段，解决问题才是目的。当你能够快速理解不同技术方案的设计思想和适用场景时，就能在技术选型、架构设计和团队协作中发

挥更大的价值，从执行者转变为“做出选择”的决策者，这样才不会被大模型所替代。

9.3 IT新人的氛围编程攻略

每位有IT经验的人都曾经是IT新人。接下来探讨IT新人的氛围编程攻略。

9.3.1 编程入门的新途径

对于刚接触IT行业的新人来说，氛围编程提供了一条全新的学习路径。传统的编程学习通常从语法开始，需要大量的练习才能写出有用的程序。而氛围编程让你从第

一天就能创建出实用的应用，这种成就感会极大地激发学习兴趣。

第2章中应用扣子的例子是一个很好的起点。即使你完全不懂编程，也能创建出功能完善的AI智能体。这种体验会让你对编程产生兴趣，并逐渐想要了解底层的实现

原理。

接下来，你可以尝试第3章中的数据可视化项目。虽然Windsurf等工具和所搭配的大模型组合会生成大量你暂时看不懂的代码，但最终的可视化效果会让你感受到编

程的魅力。这时候，你可以尝试修改一些简单的参数，如颜色、标题或图表类型，观察这些修改如何影响最终结果。

9.3.2 小步生成代码并研究错误解决过程

步迭代的方式，每次只实现一个小功能，然后观察大模型如何处理可能出现的错误。

以第5章中的微信小程序开发为例，不要一开始就要求Trae国际版生成完整的应用，先从最简单的“Hello World”界面开始，然后逐步添加数据展示、用户交

互、API调用等功能。每当遇到错误时，仔细观察大模型是如何分析错误消息、调整代码策略的。

在这个过程中，你会发现大模型的调试思路往往很有启发性。它会系统性地检查可能的错误原因，从语法错误到逻辑错误，从配置问题到环境问题。学习这种调试思

维比记住具体的语法规则更有价值。

5.7节和第8章中提到的“进一步，退两步”问题也是很好的学习材料。当大模型修复一个bug时却破坏了原有功能，你可以分析这种情况发生的原因，学习如何通过

设计更好的提示词、运用项目规则和编写自动化测试来应对这类问题。

9.3.3 善用“氛围编程先行”贡献开源软件代码以获得更多职场机会

参与开源项目是IT新人积累经验和建立声誉的理想途径。氛围编程让你更快理解项目架构并贡献有价值代码，从而在求职市场脱颖而出。

从文档和工具改进入手。开源项目常有文档不完善、工具缺失等问题。新人可从这些简单任务开始。例如，参考第3章中的经验，为项目创建更有趣的贡献者统计看

板等工具，既展示技能，又帮助维护者管理社区；用Windsurf分析Git历史，生成可视化报告展示项目趋势、贡献分布等。这类贡献如果解决了实际需求，会很受欢

迎。每个成功贡献都是你能力的证明，可以将它们整理成作品集展示。

快速理解大型项目。传统上理解大型项目架构需要数月。通过氛围编程，AI可帮你分析代码结构、生成架构图、解释算法。参考6.7节中的方法，为复杂项目创建清

晰的架构文档。提交这类文档不仅展示你对项目的深入理解，还能帮助其他贡献者快速上手。面试官重视开源贡献，高质量文档比简单修复更有说服力。

从小功能积累经验。采用第5章小步迭代方法，从简单任务开始。每次都尽量实现最少量的“原子需求”，用Trae国际版或Cursor（也可用Windsurf替代）理解代码

并实现改进。项目缺少API端点时，参考第7章经验实现；界面需改进时，借鉴第6 章最后修复bug的思路优化用户体验。

氛围编程先行，“理测评解”（理解、测试、评审、解释代码）跟进。在用氛围编程工具生成一个小功能后，在提交pull request（简称PR，是GitHub、GitLab、

实现或bug修复合并到主代码库）之前，务必仔细阅读并理解大模型生成的每一行代码。对于新增代码的常见使用场景和异常情况，都应让大模型生成自动化测试。

这些测试代码同样需要仔细阅读、理解和运行，遇到测试运行失败时也要让大模型修复，并参照8.3节中的方法验证测试的保护效果。完成这些工作后，再将生产代

码和测试代码放到PR中提交。这种“氛围编程先行，‘理测评解’跟进”的方法，正是IT职场极为欢迎的。

建立声誉和网络。持续贡献会在技术社区建立声誉。获得认可后，维护者常提供推荐或内推。知名公司招聘经理会主动寻找优秀贡献者。通过开源贡献，你能接触多

样技术栈和业务场景，积累丰富经验。这种广度和深度是传统实习难以提供的，能增强求职竞争力。

由此可见，氛围编程不仅提升技能，也为职业发展开辟新路。

讨论完攻略，现在对比看一下本书用到的9款主流氛围编程工具及可搭配的大模型组合。

9.4 对比9款主流氛围编程工具及可搭配的大模型组合

首先对比9款主流氛围编程工具及可搭配的大模型组合的基本信息，随后再分析它们的优势、劣势和适用场景，详细内容如表9-1和表9-2所示（按氛围编程工具首发

时间排序）。

▼表9-1 9款主流氛围编程工具及可搭配的大模型组合的基本信息

▼表9-2 9款主流氛围编程工具及可搭配的大模型组合的优劣势和适用场景

对比完主流的9款氛围编程工具及可搭配的大模型组合，接下来该如何从氛围编程工具提供的多款可搭配的大模型中进行选择呢？

9.5 对比16款氛围编程中常搭配的大模型

在用氛围编程工具编程时，有多种大模型可供搭配，如大语言模型（large language model，LLM）、多模态大模型（large multimodal model，LMM）和专门

化大模型。氛围编程中常搭配的16款大模型对比如表9-3所示（其中的评测数据分别来源于Claude Sonnet 4、GPT-4o和Kimi k1.5官网）。

表9-3 氛围编程中常搭配的16款大模型对比

面对市场上众多氛围编程工具与大模型的搭配组合，如何选择最适合解决自身实际问题的那一个呢？

9.6 用实战来检验氛围编程

技术工具日新月异，氛围编程领域的工具和大模型更是快速迭代。虽然本书撰写时介绍的具体工具和大模型随着时间推移会出新版本，但通过实战来检验氛围编程工

具与大模型搭配组合使用效果的方法却能历久弥新。本节将结合第1～8章中的实战案例，系统介绍如何通过渐进式实战来全面检验氛围编程工具与大模型搭配组合的

实际能力。

9.6.1 渐进式实战检验框架

基于本书8章实战案例的复杂度递增特点，可以构建一个渐进式的检验框架，从简

重点检验工具是否能让用户仅通过自然语言描述就创建功能完整的AI应用，且无须编写传统编程语言代码，同时支持发布和分享功能。检验标准包括能否仅通过自然

语言描述就创建可用应用、生成应用的功能完整性，以及发布流程的便捷程度。检验方法是尝试用相同的提示词在不同零代码平台创建应用，检验哪个氛围工具与哪

个大模型搭配组合最适合非技术背景用户快速实现想法。

第二层检验聚焦于基础命令生成能力，主要基于第1章介绍的文件批量操作任务。

这包括像生成批量修改文件名的终端命令和生成能将Markdown文档转为Word文档的 Python代码。在这一层次中，重点关注生成命令和代码的一次性正确运行能力、处

理边界情况的表现（如特殊字符、中文文件名），以及错误处理的完善程度。检验方法也是使用相同的提示词在不同氛围编程工具与大模型的搭配组合中测试，对比

生成代码的质量、运行成功率和修复迭代次数。作为最基础的检验层次，任何声称支持编程的AI聊天应用都应该顺利通过这一关。

进入第三层，重点检验数据分析与可视化能力，主要基于第3章中的数据可视化和第4章中的Excel数据分析任务。这一层次要求工具能处理大规模数据集（上万条记

录）、生成专业的数据可视化看板，并提取特定业务规则的关键数据。检验标准聚焦于数据处理的准确性、生成图表的美观度和专业性，以及处理数据规模的上限。

可以采用相同的数据集和分析需求测试不同的氛围编程工具与搭配大模型的组合，重点验证数据分析结果的准确性，甚至可以借鉴第3章中用Claude（也可使用

Cursor搭配Claude Sonnet 4大模型）验证其他工具分析结果的方法，通过一个公认能力强的大模型来检验其他组合的分析准确性。

第四层检验转向微信小程序开发能力，基于第5章中的微信小程序开发。这一层次检验工具生成多文件移动端应用的能力、实现用户交互界面的水平，以及集成外部

API功能的表现。检验标准包括生成代码的可运行性、用户界面的完整性和功能逻辑的正确性。检验方法是在微信开发者工具中检验运行效果，测试用户交互流程，

验证所有功能模块是否正常工作。

第五层检验聚焦全栈Web应用产品原型的快速开发能力，主要基于第6章中的产品原型快速开发。这一层次重点检验工具“首次对话即成功”的能力、复杂功能的实现

程度，以及代码质量和架构合理性。检验标准包括首次对话生成代码的运行成功率、实现功能与需求描述的匹配度，以及生成代码的可维护性。检验方法是使用相

同的包含技术栈简述的氛围编程需求测试不同云AI IDE工具，统计首次成功率、后续修复所需的迭代次数，以及下载到本地计算机后能否成功运行npm install和npm

run dev命令。

发。这一层次考察AI原生IDE或传统IDE中AI插件与所搭配的大模型的协作效果、复杂项目的架构设计支持，以及多技术栈的整合能力。检验标准涵盖架构建议的专业

性、跨前后端文件代码修改的准确性，以及错误修复的效率。方法是检验AI在复杂项目中的辅助效果，重点关注其对专业开发流程的支持程度和与传统开发工具的集

成度。

第七层检验关注代码质量保障能力，主要基于第8章中的端到端自动化测试代码生成。这一层次检验工具生成端到端、API和单元测试代码的能力、测试覆盖率和有

效性，以及代码保护机制的可靠性。检验标准包括生成测试的完整性、测试用例的实际保护效果，以及测试维护的便捷程度。检验方法包括评审生成的测试代码是否

符合自动化测试编写的最佳实践，以及通过故意破坏生产代码来验证测试的有效性，如在8.3节中故意引入错误的API密钥来检验测试是否能捕获此类问题。

9.6.2 关键检验维度

通常从以下3个关键维度检验氛围编程。

（1）准确性检验。准确性检验重点关注数据处理准确性（可参考第3章中用 Claude验证其他工具数据分析结果的方法）、功能实现准确性（生成的代码是否符

合需求描述），以及错误处理准确性（异常情况下的响应是否合理）。

（2）效率检验。效率检验包括首次成功率（首次对话生成可用代码的比例）、迭代修复效率（从错误到修复所需的对话轮数），以及学习曲线（掌握工具使用方法

所需的时间）。

（3）适用性检验。适用性检验考察任务范围（能够处理的任务类型和复杂度）、用户友好性（对不同技术背景用户的适应性），以及扩展性（在需求变化时的适应

能力）。

9.6.3 持久有效的检验方法

为了确保检验方法的持久有效性，可以首先建立标准化测试集。基于本书8章中的案例，构建一套包含零代码应用创建（第2章实战）、基础脚本生成（第1章实

战）、数据分析验证（第3章和第4章实战）、微信小程序开发（第5章实战）、Web 应用开发（第6章和第7章实战）和质量保障（第8章实战）的完整测试任务集。

在多维度对比分析方面，可以进行水平对比（相同任务在不同工具中的表现）、垂直对比（同一工具在不同复杂度任务中的表现），以及时间对比（同一工具在不同

在实用性验证原则上，需要坚持真实场景测试（使用实际业务需求而非人工构造的测试用例）、端到端验证（从需求描述到最终可用产品的完整流程测试），以及长

期追踪（记录工具在实际使用中的表现和问题）。

9.6.4 检验实施建议

虽然在本书前言中为三类读者人群给出了阅读建议，但那主要是“入门氛围编程”

的视角，并不是“检验氛围编程”的视角。读到这里你已经入门，可以转换到检验的视角，参考3.3节第一个避坑指南中描述的实验过程，用科学实验方法检验哪个

氛围编程工具与大模型搭配组合更适合解决你面临的真实问题。

对于非IT背景的人，建议重点关注第1、2、3、4章的简单任务，检验工具的易用性和结果的实用性。不必过分关注代码细节，而应注重最终功能是否满足需求。

对于有IT经验的人，建议全面关注所有7个层次的任务，重点检验工具对现有开发流程的改进程度和代码质量。特别关注第7章和第8章涉及的专业开发流程支持。

对于IT新人，建议按照章节顺序渐进式检验，将检验过程本身作为学习新技术栈的途径。重点关注工具的教学辅助效果和错误处理的友好程度。

通过这种基于实战案例的渐进式检验框架，无论氛围编程工具和所搭配大模型如何发展变化，都能够客观、全面地检验它们的实际能力，为选择合适的工具组合提供

科学依据。这种方法的核心价值在于：它不依赖于特定的工具版本或大模型参数，而是基于实际的使用场景和可验证的结果，因此具有持久的有效性。

恭喜你坚持阅读至此！衷心希望你在“氛围编程谁都行”的旅程中收获满满，惊喜不断！