AI 写代码这件事(一):三种范式,三种不同的契约

你用过 Copilot，也试过 Claude Code，感觉完全是两种产品——但又说不清楚哪里不一样。原因是它们根本不是同一种东西。

GitHub Copilot、Cursor、Claude Code、opencode——这四个工具摆在一起，很多人的本能反应是"谁更智能"。这个问题问错了。它们的根本差异不是模型强弱，而是人机交互的契约不同：补全模式下你是主语，AI 是你右手边的预测机器；对话+应用模式下你是编辑，AI 是提交草稿的初级程序员；Agent 模式下你是项目经理，AI 是能自主开终端、读文件、跑测试的执行者。三种契约对你的操作成本、信任程度、审查负担的要求完全不同。理解这个，比追问"哪个 AI 更好"有用得多。

三种范式的关键差异在反馈循环的粒度：补全的循环是每一行；对话的循环是每一个修改；Agent 的循环是整个任务。这意味着你介入的时机和介入的代价完全不同。范式一你全程在场；范式二你是裁判；范式三你是甲方——AI 做完一批工作后才来回报。

为什么搞清楚这个很重要

很多对 AI 编程工具的失望来自范式误用。

用补全模式想要 AI 自动重构整个模块——它不行，因为补全只看光标附近的 token，没有全局视角。用 Agent 模式问"这个变量叫什么名字好"——它反应过激，读了十几个文件，花了 30 秒，给你一个你其实自己就能想出来的答案。

工具本身不会告诉你"你现在用错了范式"。所以你需要自己知道。

范式一：补全——你是主语，AI 是你右手边的预测机器

GitHub Copilot 2021 年以技术预览版形式发布（2022 年 6 月正式 GA），这是当时唯一的范式。

它的工作原理接近一个非常强的自动完成：你打几个 token，它预测接下来最可能出现的 token 序列，以幽灵文字（ghost text）呈现在光标后面。按 Tab 接受，继续打字拒绝。

控制流永远在你手里。AI 从不主动修改文件，从不执行命令，从不跨文件做任何事。它只预测。

这个限制同时是它的优势：延迟极低，干扰极小，完全可控。经验丰富的工程师用这个范式，生产效率提升是真实的——AI 帮你补完跑 boilerplate、帮你续写你已经在脑子里规划好的逻辑、帮你省掉去查 API 签名的时间。

补全范式的天花板非常清晰：它不理解你的意图，只预测你的文字。你想要什么，它不知道。它只知道在你已经写下的文字之后，什么最有可能出现。

当前代表工具：

GitHub Copilot
（经典 Tab 补全，这是它的起点和基本盘）
Cursor Tab
（Cursor 也有自己的补全引擎，声称比 Copilot 更激进）

范式二：对话 + 应用——你是编辑，AI 是提交草稿的初级程序员

这是 2023-2024 年的主流形态。你在 Chat 面板描述需求，AI 给你一段修改方案，你选择接受或拒绝，diff 直接应用到文件。

和补全的根本区别：AI 看到了你明确表达的意图，而不只是你打出来的前几行代码。这让它能处理更复杂的任务——重命名一类模式、添加错误处理、改写某个函数的逻辑。

你仍然是每一次修改的裁判。AI 每完成一个动作就提交给你审阅，你不接受它什么都不会变。

这个范式有一个内在限制：修改的作用范围等于 AI 被喂到的 context 的范围。你如果没告诉它相关文件在哪里，它就只在当前文件里折腾。这是后面要讲 Context 这篇文章的核心问题。

当前代表工具：

Copilot Chat + inline chat
（VS Code / JetBrains 里的 /fix、/explain）
Cursor Chat
（+ @file、@codebase 辅助 context）
Windsurf Cascade
（Codeium 出品的 AI IDE，主打这个范式）

范式三：Agent——你是项目经理，AI 是能用工具的执行者

2024 年底到 2025 年，这个范式开始成为主流讨论对象。代表：Claude Code、opencode，以及 Cursor Composer 的 Agent 模式。

关键变化：AI 拿到了工具。

它可以读文件（不只是你打开的那个），可以写文件，可以执行 shell 命令，可以运行测试，可以 grep 整个仓库。它有了一套计划-执行-观察的循环。你给它一个任务，它自己想办法完成，途中只在需要你做决策时打断你。

# 你说：> 帮我把所有用 moment.js 的地方换成 dayjs，跑完测试确认没有 regression# Claude Code 会：# 1. grep 找所有 import moment 的文件# 2. 逐文件修改 import 和 API 调用# 3. 运行 npm test# 4. 如果测试失败，看报错，修复，再跑# 5. 告诉你做了什么，通过了什么测试

这不是 AI 变聪明了，是 AI 拿到了工具，有了执行环境。

Agent 范式把你的操作成本从每次修改压缩到了每个任务。代价是：你失去了对中间步骤的实时控制。AI 在跑测试的时候你不知道，在修改文件的时候你不在场。这要求你更信任它，也要求它有好的 permission model——在做高风险操作之前要征得你的同意。

当前代表工具：

Claude Code
（Anthropic，CLI，2025 年 2 月发布）
opencode
（SST 团队，开源 CLI，TUI 界面）
Cursor Composer（Agent 模式）
（在 IDE 内实现了有限的工具调用）
GitHub Copilot Agent
（2025 年加入，Copilot Workspace 的演化）

三种契约的边界

	补全	对话 + 应用	Agent
任务粒度	几行	一个功能/一段代码	一个完整子任务
你的介入频率	每行	每次修改	每个任务
AI 看到的 context	光标附近	你指定的 context	它自己发现的
错误代价	极低	低（accept 前无副作用）	中（执行了才知道）
适合场景	快速续写、boilerplate	功能实现、重构	多步骤任务、跨文件改动

没有哪个范式"更好"。Copilot 的补全在写重复性代码时快得像开挂；Claude Code 的 Agent 在处理"把这个旧 API 全面迁移到新版本"时省你两小时。问题从来不是"哪个工具更强"，而是"这个任务适合哪种契约"。

理解了这个，下一个问题才有意义：这三种范式里，context 怎么喂，结果天差地别。

为什么搞清楚这个很重要

范式一：补全——你是主语，AI 是你右手边的预测机器

范式二：对话 + 应用——你是编辑，AI 是提交草稿的初级程序员

范式三：Agent——你是项目经理，AI 是能用工具的执行者

三种契约的边界

延伸阅读