AI 很爽快地改完了，顺手把输出编码从 utf-8-sig 换成了 utf-8，还"优化"掉了一个看起来没用的分支。

结果是：合并脚本能跑了，下游三张报表全乱码，那个"没用的分支"是给空文件兜底的。

这不是工具不行，是我让一个改动半径 5 个文件的活，去干了一个改动半径 3 行的活。

三个工具我都在用：GitHub Copilot、Cursor、Claude Code。这篇不讲谁更强，讲什么活派给谁——这是我踩完上面那个坑之后唯一的收获。

判断标准只有一个：改动半径——这一活要动多少文件、要看多少上下文。

半径越小越别用重的工具。让 agent 去改 3 行代码，它会顺手给你"优化"掉 30 行。

如果只装一个：Cursor。改动半径从 3 行到 5 个文件都能覆盖，性价比最高。

如果经常要"跑一堆文件、跑完给我报告"：Claude Code 补上，它是唯一能在终端里自己跑、自己验、跑完给你汇总的。

真正拉开差距的不是模型，是配置文件

三个工具用下来，最大的区别不在模型，在有没有一份每次自动加载的规则。

没有配置文件，你每次开新会话都要重新说一遍"别编数字、别改我没让你改的、用 μm 不用 um"。说三遍你就会漏，漏一次就出事。

有了配置文件，工具每次启动自动读，你一句都不用说：

这三份不是可选项，是你真正的效率来源。工具的版本一个月一变，配置文件你写一次能用一年。

分步实操

第 1 步：写一份配置文件（20 分钟，一劳永逸）

别写空的套话。只写四块，全是具体可检查的：

① 环境写死。 把 Python 版本、venv 路径、已装的包列全，然后加一句"没装的包不许 import"。

这一条专治依赖幽灵——它给你 import plotly，你环境里根本没有，跑起来才炸。Copilot 的补全形态最容易中，因为它生成的是文本，不会去查你装了什么。

② 禁止编造数字。 原话写死："我没给的数据一律写 [待填]，或用 assert 让它当场报错。"

再补一句翻车实例，效果比讲道理好十倍：

典型翻车：把实测 38 写成 36；把规格 45±5μm 写成 40±5μm；把没给的良率编一个数。

③ assert + dry-run 是硬要求。 每个脚本末尾必须有断言，默认只打印计划、不许直接写盘：

3) 每个脚本必须自带校验：末尾加 assert（分项之和 == 总数、   结果非空、关键字段齐全）。断言不过就不许输出结果。4) 不覆盖原文件，输出到新文件；必须原地改时先备份。5) 先 dry-run：默认只打印将要做什么，确认后才真跑。

④ 术语表。 一行写完：μm（非 um）、gf（非 g）、Cpk（非 CPK）、键合（非焊接）、晶圆（非 wafer）。

半导体报告里这四个错最伤可信度，因为看的人全是懂的。

放好之后验一次：开新会话问它"我们的硬规则第 3 条是什么"。答不上来就是没加载上。

第 2 步：按改动半径派活

12 个半导体工程师的日常脚本任务，我实际是这么派的：

最后一条不是玩笑。涉密这件事上没有"哪个工具更安全"的讨论空间——先脱敏，再谈效率。

第 3 步：四条指令，覆盖八成的活

① 写新脚本——先要步骤清单，别直接要代码。

任务：把某目录下 100 个测试 CSV 合并成一张总表。环境：Python 3.13；已装 openpyxl、pandas、matplotlib、reportlab；      其余包一律不许用。第一步不要写代码，先给我一份步骤清单，每行一条：  步骤号 | 这一步做什么 | 输入 | 输出 | 可能出错的地方要求：步骤不超过 8 步；单文件；带 dry-run 开关；末尾带 assert 校验。我确认清单之后你再写代码。

清单只有七八行，十秒看完。直接要代码，它给你 200 行，你得读二十分钟才知道跑偏了。

② 改旧脚本——把改动范围写死。

只改 merge_csv.py 里的 build_summary 这一个函数，其余代码一律不许动。要改的点：在输出表里加一列"工段"。硬约束：1) 不许顺手重构、不许改变量命名、不许调整无关逻辑；2) 不许删掉现有功能，包括看起来没用的分支；3) 改完先给我 diff 级别说明：改了哪几行、为什么改；4) 我没有确认前，不要直接写入文件。

开头那个乱码事故，就是少了这段。

③ 修报错——贴完整 traceback，要求先复现。

下面是完整报错（未删减）：  {从 Traceback 一行到最后一行，全贴}相关代码：xxx.py 第 N 行附近。要求按顺序来：1) 先用一句话说清报错的直接原因，不要猜；2) 给出能复现这个报错的最小步骤（我自己跑一遍确认）；3) 复现成立之后再给修改方案，只改必要的行；4) 不许用 try/except 把错误吞掉来"修复"。

第 4 条最关键。AI 最爱用 except: pass 让报错"消失"，然后你的良率数据静默少了一半。

④ 批处理——先样本、再 dry-run、再全量。

要批量处理：某目录 下共 100 个文件，动作是重算良率并写回新表。执行顺序：1) 先只处理前 3 个文件，把结果给我看，我不确认不许继续；2) 全量之前先 dry-run：只打印将要处理的文件清单和预计改动数，不写盘；3) 全量时：不覆盖原文件，输出到新目录；每个文件处理完打印一行结果；4) 全部跑完给一份汇总：成功数、失败数、失败文件名和原因；5) 遇到读不动的文件跳过并记录，不许中断退出。

第 4 步：上线前 10 项验收

代码能跑不等于能上线。这 10 项五分钟过完：

第 1 项和第 3 项是高频事故点：数字错一点你看不出来，改动扩大一点你当时也看不出来。

关键参数说明

配置文件里三条必须写死的数字/清单：Python 版本与 venv 路径、已装包清单、术语表。这三条写死，一半的坑就直接消失了。

改动半径是唯一的派活依据。 3 行以内用补全，2-5 个文件用 Cursor，全仓库 + 要跑命令用 Claude Code。别反过来——让重工具干轻活，代价是它顺手改坏你没让它动的东西。

assert 和 dry-run 不是加分项，是准入项。 没有断言的脚本，跑了也是白跑，因为你不知道它对不对。

关于这份对比的口径。 记录的是会犯什么错、怎么防，不打分。工具版本和价格一个月一变，分数跟着过期；错误类型一年后还成立。下面"谁会中"是按工具使用形态推断的（补全 / 跨文件 agent / 终端 agent），不是跑分。

常见问题和避坑提醒

1. 它会编数字，三个都会。 良率、规格限、样本量，缺什么它补什么。禁则里必须写"没给的写 [待填]"，出稿后每个数回源对一遍。

2. Copilot 最容易给的坑是依赖幽灵。 补全形态生成的是文本，不会去查你装了什么。环境清单写进配置，跑之前 pip list 对一遍。

3. Cursor 和 Claude Code 最容易给的坑是静默删改。 agent 会自主扩大改动范围，Copilot 补全是插入式的，不会删你没让它动的东西。看 diff 这一步省不掉。

4. 聊久了它会忘掉你的禁则。 规则写进配置文件让它每次自动加载，别只写在对话里——对话会越来越长，约束会越来越淡。

5. 涉密内容不上传。 客户名、料号、精确良率，先跑脱敏再谈效率。这条没有折中方案。

6. 要 20 行它给你 200 行。 agent 倾向给完整方案，抽象层一堆，你改不动。配置里写死"单文件优先、零依赖优先、函数不超过一屏"。

7. 别让它一次改超过 5 个文件。 超过这个数，你 Review 的成本比自己写还高。

8. 它说"已完成"不等于跑通了。 每次都问一句：这段代码你真的执行过吗？没跑过就让它写"未验证"。

总结

回到开头那个问题：Copilot、Cursor、Claude Code 哪个更好？

这不是三选一，是按改动半径派活。 我现在的实际组合是：日常写函数、改几行用 Copilot（改动最小，不会乱动）；跨文件重构、搭新项目用 Cursor；批量跑数据、定位陌生 bug 用 Claude Code。三份配置文件各放一份，规则是同一套。

但比选工具更重要的一句话：

真正的效率来源不是模型，是你写的那份配置文件。 模型三个月一换，配置里那四条禁则（环境、禁编造、assert、术语）一年后还在起作用。

先花 20 分钟把配置文件写好，剩下的才是工具的事。

领取资料

回复【AI代码助手工具包】领取《AI代码助手配置与派活工具包.zip》（17KB / 7 个文件）。

内含：① 三份可直接用的配置文件——CLAUDE.md（放项目根目录）、.cursorrules（放项目根目录）、copilot-instructions.md（放 .github/），改掉路径和已装包清单就能用；② 通用禁则（一段可复制文本，任何工具开新会话先贴）；③ 12 场景派活速查表（含一句话用法）+ 六类错误与防法 + 上线前 10 项验收清单（xlsx，可打勾）；④ 四条可复制指令（写新脚本先要清单 / 改旧脚本限定范围 / 修报错先复现 / 批处理先跑样本）。