夜雨聆风这半年来，我试用过的 AI 工具不下 20 个，从各种开源模型到商业产品，从本地部署到云端 API。但真正能留在我日常开发工作流里的，其实就这 5 个。今天不说虚的，只聊我每天都在用的真实体验。
1. ChatGPT
用途：技术咨询、架构设计、问题排查
说句实话，遇到复杂问题时，ChatGPT 仍然是我的第一选择。上周在做无人机平台的权限系统设计时，我把整个业务场景、用户角色、数据隔离需求一股脑丢给它，它能快速帮我梳理出 RBAC 的设计方案，甚至能指出我考虑不周的边界情况。
排查 Bug 也是一样。有时候一个诡异的异常卡了半天，把错误栈和上下文贴过去，它往往能一眼看出问题所在 —— 不是那种瞎猜的答案，而是基于代码逻辑的合理推断。
综合能力最均衡，遇到复杂问题时仍然是我最常用的 AI。
2. Claude
用途：长文档分析、PRD 编写、产品设计
Claude 最让我惊喜的是它处理长文本的能力。我经常把几页纸的需求文档直接丢给 Claude，不用拆分，不用摘要，直接原文粘贴。它能完整理解上下文，然后帮我整理出业务流程、功能模块、甚至是交互细节。
最近在做无人机供需平台的产品设计，我就是这么干的：把客户的原始需求、竞品分析、自己的零散想法全部丢进去，让它帮我输出结构化的 PRD。省了我至少两三天的整理时间。
我经常把需求直接丢给 Claude，让它帮我整理业务流程和功能结构。
3. Codex
这个必须重点说，因为很多人还没真正用上0。
我为什么开始用 Codex
最近开发无人机供需平台时，我做了一个大胆的尝试：把 80% 的编码工作交给 Codex。
不是那种 "帮我写个函数" 的片段式辅助，而是端到端的开发：
新增接口：我用自然语言描述 "给订单表加一个取消状态，写对应的 Controller、Service、Mapper，还要加事务和异常处理"，它直接生成完整代码
修改页面："把这个列表页的筛选条件改成下拉选择，加一个时间范围筛选，默认显示最近 7 天数据"，刷新页面就生效了
修复 Bug：把报错信息和相关代码贴过去，描述现象，它直接定位并修复
重构代码："把这三个重复的查询方法抽成一个通用工具类，保留原有接口不变"，重构完还能保证不影响现有功能
最大的变化是什么？
我开始用自然语言驱动开发，而不是先写代码再调试。
以前的开发流程是：想清楚逻辑 → 手写代码 → 编译运行 → 调试改错。
现在的流程是：用自然语言描述需求 → Codex 生成代码 → 运行验证 → 有问题再用自然语言修正。
说真的，这种体验一旦用上就回不去了。你不再需要纠结语法细节，不再需要查 API 文档，只需要专注于 "要做什么"，而不是 "怎么做"。
当然它不是完美的，复杂的算法逻辑还是得自己来。但对于业务开发中的 CRUD、页面修改、接口开发这些占了 80% 工作量的事情，Codex 真的能让效率翻倍。
4. DeepSeek
最适合国内开发者的日常工具
说实话，DeepSeek 是让我最意外的一个。本来只是抱着试试的心态，结果现在成了我日常用得最多的 "副驾"。
它的优点非常实在：
中文能力强：对中文语境的理解真的比很多国外模型好，不用刻意翻译成英文提问
响应快：基本上是秒回，不用像某些模型那样等半天
成本低：这个就不多说了，懂的都懂
我现在用它的场景非常固定：
遇到小问题随手问，比如 "这个 Java8 的 Stream 怎么写"
写 SQL 的时候让它帮我优化或者生成
整理技术文档、写注释、改格式
对于很多日常开发问题，DeepSeek 已经完全够用了。
5. GLM
很多人不了解，但绕不开的国产模型
说实话，GLM 不是我日常用得最多的，但却是我必须保留的。原因很简单：做 ToB 业务，你永远绕不开 "国产化" 这三个字。
我用 GLM 主要做这些事：
验证国产模型的能力边界，看看哪些场景能替代国外模型
做中文语义理解的对比测试
开发需要接入国产大模型的功能时，用它做原型验证
客观地说，在纯技术开发场景下，GLM 和前面几个还有差距。但如果你的业务需要对接国产模型，或者客户有信创要求，GLM 是你绕不开的选择。
如果业务需要国产模型接入，GLM 是绕不开的选择。
我的真实工作流
最后给大家看一下我现在的开发工作流，这 5 个工具各司其职，配合得非常好：
需求分析↓Claude → 整理需求、输出PRD、设计产品结构技术讨论↓ChatGPT → 架构设计、方案评审、复杂问题分析代码开发↓Codex → 自然语言驱动，完成80%的编码工作快速问答↓DeepSeek → 日常小问题、SQL生成、文档整理国产模型验证↓GLM → 国产化方案验证、信创适配测试
很多人问我：AI 会不会取代程序员？
我的答案是：不会。但会用 AI 的程序员，一定会取代不会用 AI 的程序员。
这半年来最深的感受是：AI 不是让你变懒，而是让你能专注于更有价值的事情。以前你要花 80% 的时间写 CRUD、调 Bug、查文档，现在这些机械劳动交给 AI，你可以把精力放在真正的设计、架构、业务理解上。
当然，前提是你得真的去用，而不是停留在 "听说过" 的阶段。