ARTICLE · 1233100
整理了6个月,这是我真正在用的AI工具清单(不推广)
一个需要重构的支付模块，我本来预计要干一整天。结果和AI来回对话了40分钟，代码重构完成，测试通过，甚至还顺手优化了错误处理逻辑。
我突然意识到一件事：过去三个月，我真正"从头手写代码"的时间，可能还不到工作时间的20%。
这件事让我既兴奋，又有点不安。
不安的不是"AI会不会取代我"这种老问题，而是一个更具体的困惑：
当我越来越少地亲手写代码，我到底还算不算一个程序员？
为什么要特别说明"不推广"
开门见山说清楚：这篇文章不接任何推广，没有返利链接，也不是某个产品的软文。
之所以要强调这三个字，是因为现在AI工具的内容已经烂得不行了。
打开任何一篇"AI工具推荐"，你会看到：
20个工具大合集（作者自己用过3个） 清一色的优点罗列（好像没有任何缺点） 文末附上一堆返利链接（终于露出真面目）
我真正想写的，不是工具清单，而是一份使用报告。
哪些工具我真的每天在用？ 为什么用？ 哪些用了又弃了？ 用的过程中，我的工作方式发生了什么变化？
这些问题，比"这个工具有多牛逼"重要得多。
我的筛选标准是什么
整理这半年的使用记录时，我发现自己淘汰工具的标准其实很简单：
它到底是"让我更快做同一件事"，还是"让我开始做以前做不了的事"？
前者是效率工具，后者是能力工具。
真正留下来的，全是后者。
还有第二个标准：能不能真正嵌入工作流，而不是偶尔想起来用一次。
很多工具功能很炫，但每次用都要跳出当前环境，打开网页，复制粘贴，再跳回来。这种工具注定活不过一个月。
真正留下的，要么直接在编辑器里，要么在终端里，要么就是打开频率高到可以一直挂着。
写作类工具（3个）
1. Claude（主力）
这是我用得最多的。
不是因为它写得有多好，而是因为它改错和讨论的能力比其他模型强很多。
我一般不会直接让它"写一篇文章"，那样写出来的东西全是套话。
我的用法是：
先自己写个粗糙的大纲或草稿 扔给Claude，问"这个逻辑有没有问题" 根据它的反馈，修改思路 再让它补充细节或重写某几段
说实话，这个过程更像是在和一个编辑对话，而不是在用工具。
最让我印象深刻的一次：我写一篇关于分布式事务的文章，有个段落反复改都觉得不对劲。Claude直接指出："你这段其实是在讨论两个不同的问题，但写在一起了。"
我愣了一下，发现确实是这样。
它不是帮我写得更好，而是帮我想得更清楚。
2. Notion AI（嵌入笔记）
我所有的技术笔记、产品设计文档、会议记录都在Notion。
以前的问题是：笔记越攒越多，但从来不看。
现在我会定期让Notion AI帮我：
总结这周的会议记录，提取待办事项 从一堆零散笔记里，生成一份完整的技术方案 把技术实现翻译成产品语言，发给非技术同事
听起来很简单，但真正的价值在于：它降低了"把信息重新组织"的成本。
以前我经常想"这些笔记应该整理一下"，但懒得动手。现在只要有这个念头，两分钟就能完成。
这件事看起来不起眼，但实际上改变了我做笔记的方式——我开始更随意地记录，因为我知道后面整理起来不费劲。
3. Grammarly（英文写作修正）
这个工具其实不新，但最近的AI增强版确实好用很多。
我不是英语母语者，写英文文档、邮件、评论经常会有表达不自然的地方。
Grammarly现在不只改语法，还会提示"这句话听起来有点生硬""这个词在这个语境下不太合适"。
说真的，这已经不是语法检查，更像是在帮我适应另一种语言的表达习惯。
编码类工具（3个）
1. Cursor（主力开发环境）
这是我目前主要的代码编辑器。
很多人会问：它和GitHub Copilot有什么区别？
最大的区别是：Cursor可以理解整个项目，而不只是当前这个文件。
我可以直接问它："这个组件在哪些地方被调用了？""这个API为什么要这样设计？""如果我要加一个新功能，应该改哪几个文件？"
它会基于整个代码库回答。
更关键的是，它可以直接生成、修改、重构代码，而不只是补全下一行。
上个月我用它做了一次数据库迁移（MySQL → PostgreSQL），整个过程：
我告诉它迁移目标 它分析了所有SQL查询 自动改写了不兼容的语法 生成迁移脚本 我review之后，一次跑通
这不是写代码，这是在对话中完成开发。
2. GitHub Copilot（辅助补全）
虽然主力切到了Cursor，但Copilot我还在用，主要是在一些轻量级编辑器里。
它最大的价值不是写复杂逻辑，而是写那些"我知道怎么写，但懒得敲"的代码。
比如：
测试用例（给个函数名，它能生成覆盖各种场景的测试） 数据转换（JSON到对象，对象到数组，各种map/filter） 正则表达式（这玩意儿我永远记不住）
有人说这是"让你变懒"，但我觉得恰恰相反——它让我可以把注意力放在真正需要思考的地方。
3. Aider（终端里的AI结对编程）
这是个开源工具，直接在终端里和AI对话，修改代码。
我主要用它做两件事：
快速重构： 不想打开IDE时，直接在终端里说"把这个函数拆成三个小函数"，它会自动改好，我review一下就行。
理解陌生代码： 接手别人的项目时，我会让它解释某个模块在干什么，为什么要这样写。这比自己啃代码快多了。
它不是最强大的工具，但胜在轻量、快速。
有时候我只是想改个小功能，不想打开整个IDE，Aider就够用了。
效率类工具（4个）
1. Perplexity（信息搜索）
我现在几乎不用Google了。
不是因为Perplexity搜索更准，而是因为它直接给我答案，而不是一堆链接。
当我想了解一个新技术、查某个API用法、或者搞清楚某个概念时，我只想要一个直接、准确的回答，不想在10个网页里跳来跳去。
Perplexity就是干这个的。
而且它会标注信息来源，我可以快速判断可信度。
2. Raycast + AI插件（快速调用）
Raycast本身是个macOS的启动器，但装了AI插件之后，它变成了一个"随时可以问问题"的入口。
我用得最多的场景：
快速翻译（选中文本，快捷键，秒出结果） 改写句子（把技术语言改成普通人能懂的表达） 解释报错（复制错误信息，问AI什么原因）
关键是快。不用切换窗口，不用打开网页，按个快捷键就完了。
3. Otter.ai（会议记录）
开会的时候直接录音，它自动转录、总结、提取要点。
以前开完会我要花半小时整理笔记，现在会议结束就能拿到一份完整的summary。
而且它可以识别谁说了什么，查某个话题时可以直接跳到对应时间点。
这个工具让我开会时可以真正专注在讨论上，而不是忙着记笔记。
4. Mem（智能笔记）
这是个用AI组织笔记的工具。
它最特别的地方是：你不需要给笔记分类、打标签，AI会自动理解你的笔记之间的关系。
比如我写了一条关于"分布式锁"的笔记，过了几天又写了一条关于"Redis实现原理"的笔记，Mem会自动把它们关联起来。
当我搜索某个关键词时，它不只返回匹配的笔记，还会推荐相关的内容。
说真的，这才是笔记应该有的样子——信息之间本来就有联系，工具应该帮我发现这些联系，而不是让我手动维护。
已经弃用的工具（诚实说为什么）
不是所有工具都留了下来。
ChatGPT（基本不用了）：
不是因为它不好，而是因为Cursor、Claude、Perplexity已经覆盖了我的主要场景。我不需要再单独打开一个ChatGPT网页。
再说一遍：真正好用的工具，不是功能最强的，而是最融入工作流的。
Jasper、Copy.ai（写作工具）：
试用过，弃了。
原因很简单：它们生成的内容太"AI味"了——正确、流畅，但没有任何个性。
我发现自己用它们生成内容后，要花更多时间改写，还不如直接自己写。
Midjourney（图片生成）：
惊艳，但用不上。
作为开发者，我确实很少需要生成精美的艺术作品。偶尔需要配图，直接用免费的工具就够了。
这不是工具的问题，是我的需求问题。
各种"AI项目管理""AI日程助手"：
听起来很美好，用起来全是坑。
它们想做的事情太复杂了——理解你的日程、优先级、团队协作。但实际上，它们对上下文的理解还远远不够。
结果就是：你要花大量时间"教"它理解你的需求，还不如直接自己动手。
我的判断是：AI在"理解意图、生成内容"上已经很强了，但在"执行多步骤、跨系统任务"上还不行。
新手第一周只需要用这2个
如果你现在想开始用AI工具，但不知道从哪里下手，我建议：
第一个：Claude / ChatGPT（选一个）
用来做什么？
问问题（任何你想了解的事） 讨论想法（把你的思路扔给它，让它挑毛病） 改写文字（让表达更清楚）
关键是：不要把它当搜索引擎，要把它当一个可以随时讨论的人。
第二个：Cursor / GitHub Copilot（如果你写代码）
用来做什么？
补全重复性代码 生成测试用例 问"这段代码在干什么"
关键是：不要期待它一次写对，要学会和它来回对话，逐步完善。
只要这两个。
其他工具，等你真正感觉到"我需要更好的XXX工具"时，再去找。
不要一次装10个工具，最后一个都没用熟。
但这些工具背后，有些更重要的变化
说实话，写到这里我突然有点犹豫。
因为这篇文章如果只是列举工具，到这里就可以结束了。
但我越来越强烈地感觉到，工具本身不是重点，重点是这些工具正在改变"开发"这件事的本质。
过去半年，我注意到一个明显的变化：
我的工作方式正在从"写代码"转向"对话"。
以前是这样的：
我理解需求 我设计方案 我查文档、搜Stack Overflow 我写代码 我调试 我优化
现在越来越多时候是这样的：
我描述问题 AI生成初步方案 我review、提出修改 AI调整 我测试、判断结果
真正昂贵的部分，正在从"实现"转向"判断"。
这不是一个效率提升的故事。
这是一个能力重新定义的故事。
当AI可以完成大部分"把需求翻译成代码"的工作，程序员真正稀缺的能力，可能不再是"熟练写某种语法"，而是：
能不能准确定义问题 能不能判断方案的好坏 能不能理解业务的本质 能不能对结果负责
有一天我突然意识到：
我已经很久没有从头写一个完整的CRUD模块了。
但我创造的功能，反而比以前更多。
AI Native Development：一个新的开发范式
我试着把这种变化整理成一个更清晰的框架。
如果说"云原生"是让应用天然适应云环境，那么"AI原生开发"可能是让开发流程天然适应AI能力。
它可能包括这四层：
第一层：数据基础层
AI需要理解你的代码库、业务数据、团队规范。
这一层决定了AI能不能真正理解你的项目。
第二层：模型能力层
推理、代码生成、多模态理解、工具调用。
这一层在快速进化，但不是开发者需要关心的。
第三层：知识工程层
这是最容易被忽视，但可能最重要的一层。
如何让AI理解你的业务规则？如何让它知道什么时候该用什么设计模式？如何让它遵守团队的代码规范？
这需要系统性地"教"AI，而不是每次都重新解释。
第四层：智能执行层
真正的Agent——能完整完成一个开发任务，而不只是回答问题。
这一层还在早期，但已经有很多工具在尝试。
在这个框架下，开发者的角色变成了：定义目标、提供知识、判断结果、承担责任。
AI承担的是：理解意图、规划步骤、执行实现、持续优化。
这不是"程序员+一个聊天机器人"。
而是一种新的协作模式。
程序员真正应该担心什么
我不会说"AI不会取代程序员"这种话。
因为说实话，我不知道。
但我确实观察到：AI更可能淘汰的，不是"程序员"，而是"只会把明确需求翻译成代码的人"。
这两件事不一样。
如果你的工作是：
接到一个功能需求 按照固定模式实现 确保代码能跑 交付
那么，你确实应该担心。
因为这种工作，AI已经可以做得很好了。
但如果你的工作是：
理解用户真正需要什么 判断这个功能该不该做 设计一个可以长期演进的系统 在技术方案之间权衡 对产品结果负责
那么，你暂时还是安全的。
因为这些能力的核心，不是"知道怎么做"，而是"知道做什么"。
AI可以告诉你一百种实现方式，但它不知道哪种更适合你的业务。
AI可以生成完美的代码，但它不知道这个功能上线后会带来什么影响。
判断、权衡、负责——这些才是真正昂贵的能力。
最后想说的
某一天，我们可能会突然发现——
自己已经很久没有从第一行开始亲手写一个程序了。
但我们创造的软件，反而比过去更多。
到那个时候，"程序员"这三个字，到底意味着什么？
Happy Ending，我是bug菌，最简单真实的bug菌！如果感到我写的文章，对你有帮助，并且还想继续看到我的文章和思考，记得给我点个关注星标一下！
如果有什么其他想说的，也可以留言或者私信。
资源获取
关注本公众号「猿圈奇妙屋」
聊天界面发送「500」即可获得500本+编程类PDF！
点分享
点收藏
点点赞
点推荐
