从IDE到智能体：我的技术栈这三年

2022年：Copilot的惊艳与局限

三年前，我第一次在VS Code里装上了GitHub Copilot。当时它只能根据上下文补全单行或短代码块，像个会猜心的打字员。我尝试用它写一个Python爬虫——输入注释# 解析JSON并提取所有链接，它给出了json.loads()加循环的常见写法，确实帮我省了30%的敲键时间。但一旦需求复杂，比如要处理嵌套结构，它就频繁“断片”，给出的代码要么语法对但逻辑错，要么直接补全一个不存在的API调用。我统计过一个周末的项目，最终保留的Copilot建议只有约40%。那时候的结论是：AI辅助编程像个刚入门的助手，能分担简单重复劳动，但离“协作”还有距离。

2023年：Copilot X与多模态萌芽

2023年初，GitHub推出Copilot X，最大的变化是集成了Chat模式。我可以选中一段自定义函数问它“这段代码的时间复杂度是多少”，它不仅能回答，还能建议优化为O(n)的算法。同年，微软将DALL·E与Copilot结合，我试过用自然语言描述“生成一个计算斐波那契数列的Rust函数，带错误处理”，它输出的代码里居然包含了Result<u64, String>的完整实现——这在两年前是不可想象的。我同事在做一个前端项目时，直接让Copilot X根据截图生成对应组件，虽然精度只有60%，但已经让我意识到：AI开始理解“意图”了。这一年，我个人代码中由AI辅助生成的比例从15%升到了30%。

2024年：Cursor与Claude Code的破局

2024年，Cursor编辑器凭借“同时分析整个项目”的能力出圈。它的核心差异点在于上下文感知——比如我要重构一个微服务的API路由，只需要描述“将当前所有/v1/orders端点改为/v2/orders，并新增一个校验中间件”，Cursor会自动扫描项目中所有相关文件，批量生成差异。我实际测试了一个有80个文件的项目，它在23秒内完成了修改，比手动操作快了约4倍。同年，Anthropic推出Claude Code，主打跨文件推理和自然语言工作流。我做过一个压力测试：给它一个包含多个子模块的React项目，要求“增加用户头像上传功能，包含错误提示和进度条”。Claude Code生成了5个文件的改动，并附带了类型定义和测试用例——整个过程只用了2分48秒。这让我觉得，AI已经从“工具”变成了“结对编程的队友”。

2025年：Trae与GLM的Agent化竞赛

进入2025年，字节跳动的Trae和智谱的GLM-4系列把竞争推向了“全智能体”。Trae的特色是意图识别+代码生成+自动部署：我只需说“帮我搭建一个可以上传CSV文件并生成统计图表的Web应用”，Trae会先在对话中问清楚图表类型、数据列映射，然后直接输出一个可运行的Flask应用，并给出部署到云端的指令。GLM-4的Agent模式则更强调任务规划：比如“写一个爬虫，每天抓取Hacker News热帖并发送到我的邮箱”，它会自主拆解为“爬取→解析→存储→发送”四个子任务，并为每个子任务生成独立脚本。我注意到一个有趣的数据：在2025年2月的一个开发者调研中（n=1200），使用AI辅助编程的开发者平均每周节省了5.3小时，而其中40%的人将节省的时间用于学习新技术。这让我相信，AI不是在取代工程师，而是在改变工程师的成长路径。

结语：选择工具不再是“选编译器”

回顾这三年，我的选择逻辑经历了三个阶段：最开始看“能不能补全代码”，后来比“能不能理解项目”，现在则关注“能不能自主完成任务”。如果你现在打算入门AI辅助编程，我的建议是：对于小项目或原型，用Cursor或Claude Code的对话式生成；对于大型团队协作，Copilot Workspace的上下文约束更安全；而如果你希望探索前沿Agent能力，Trae和GLM的最近版本值得一试。技术工具一直在变，但底层逻辑没变——工具越强，我们的抽象思维就要越清晰。与其担心被替代，不如开始用AI补足自己的短板，把精力聚焦在更有价值的设计与决策上。