夜雨聆风如果时间回到两三年前，大多数开发者能够接触到的 AI 编程工具并不多。那个时候，人们对于 AI 的理解，更多停留在"聊天机器人"或者"代码补全"。而今天，当我们打开浏览器，会发现各种 AI 工具层出不穷。有人使用 ChatGPT 与 AI 讨论需求；有人使用 Claude 编写项目文档；有人使用 Gemini 查询资料；有人使用 DeepSeek 完成中文场景下的开发；有人使用 Cursor、Claude Code、Trae、CodeBuddy 等 AI IDE 完成代码编写；还有越来越多的 AI Agent 能够直接操作终端、调用工具、执行命令，甚至完成整个软件开发流程。
AI 已经不再是一个单独的产品，而逐渐演变成一个完整的开发生态。面对如此丰富的工具，很多开发者都会产生一个问题：
我到底应该学习哪一个？
事实上，这个问题并没有唯一答案。因为真正重要的，并不是工具，而是工具背后的能力。软件开发经历了几十年的发展，从汇编语言到高级语言，从命令行到 IDE，从本地开发到云端开发，每一次技术变革都会伴随着大量新工具的出现。
但最终留下来的，从来不是某一个工具，而是一套更加高效的软件工程方法。AI 时代也是如此。
真正值得学习的，不是某一款 AI 产品，而是如何让 AI 参与软件研发的全过程。过去，开发者学习的是编程语言；后来，学习的是框架和工程化；今天，我们需要学习的是如何组织 AI，让 AI 成为软件研发团队的一员。工具会不断变化，但软件工程的方法不会改变。本书不会拘泥于某一个 AI 产品，而是围绕软件工程生命周期，介绍 AI 在各个阶段中的最佳实践。
2.2 AI 工具的分类
虽然目前市场上的 AI 产品种类繁多，但从软件研发的角度来看，大致可以分为以下几类。
第一类：通用大模型
这一类产品拥有强大的自然语言理解与推理能力，适合需求分析、方案讨论、文档编写、技术选型、代码解释、问题分析等场景。它们更像是一位经验丰富的技术顾问。当你不知道如何设计一个系统、不知道应该采用哪种架构、或者需要进行技术方案评审时，通用大模型通常能够提供非常有价值的建议。
第二类：AI 编程助手
AI 编程助手直接集成在编辑器或 IDE 中，能够理解当前工程的上下文，完成代码生成、重构、补全、Bug 修复以及代码解释等工作。对于开发者而言，它更像是一位坐在身边的结对程序员（Pair Programmer）。相比传统的代码补全工具，它能够结合整个项目上下文理解开发意图，而不仅仅是预测下一行代码。
第三类：AI Agent
随着 Agent 技术的发展，AI 已经不再满足于"回答问题"。越来越多的 AI Agent 可以直接调用终端命令、访问数据库、执行脚本、调用 API、生成文档、修改代码、提交 Git，甚至完成完整的软件交付流程。它们开始具备"执行能力"。如果说通用大模型负责思考，那么 Agent 更像真正的执行者。
未来的软件研发，很可能由多个 Agent 协同完成不同角色的工作。
第四类：AI 设计工具
AI 已经逐渐进入产品设计与 UI 设计领域。从页面布局、配色方案，到图标生成、原型设计，再到设计稿转换为代码，越来越多的设计工作正在被 AI 辅助完成。产品经理和设计师之间的协作方式，也因此发生了变化。
第五类：AI 办公工具
会议纪要、需求整理、文档生成、知识库问答、日报周报、项目总结等，这些原本需要大量人工整理的工作，如今都可以由 AI 快速完成。虽然它们并不直接参与编码，但却极大提高了整个研发团队的工作效率。
2.3 AI 工具在软件工程中的角色
很多开发者习惯按照产品名称来记忆工具，例如："这是一个聊天工具。"、"这是一个 AI IDE。"、"这是一个 Agent。"。但如果从软件工程的角度来看，我们更应该关注的是它在整个研发流程中承担什么角色。
需求分析阶段，AI 可以帮助我们梳理需求、分析竞品、编写 PRD。
系统设计阶段，AI 可以协助完成架构设计、数据库设计、接口设计以及技术选型。
编码阶段，AI 可以生成代码、解释代码、重构代码、发现潜在问题。
测试阶段，AI 可以自动生成测试用例、接口测试以及端到端测试。
部署阶段，AI 可以生成 Dockerfile、CI/CD 配置以及 Kubernetes 部署文件。
运维阶段，AI 可以分析日志、定位异常、给出优化建议。
因此，我们不应该把 AI 看成某一个工具，而应该把它看成贯穿整个软件生命周期的一套能力。
2.4 如何选择适合自己的 AI 工具
面对不断更新的 AI 产品，不少开发者会陷入"工具焦虑"。今天学习了一个工具，明天又出现新的产品；刚熟悉一个 IDE，又有新的 Agent 发布。实际上，没有必要追逐所有工具。建议遵循以下几个原则：
第一：优先选择能够融入现有工作流的工具。
优秀的 AI 工具，不应该改变你的开发习惯，而应该增强你的开发效率。
第二：关注上下文能力，而不仅仅是模型能力。
对于软件开发而言，是否能够理解整个项目，比单次回答是否精彩更加重要。
第三：关注执行能力。
未来的软件开发，越来越多的工作将由 Agent 自动完成。因此，是否支持工具调用（Tool Calling）、MCP、终端执行、工作流编排等能力，将成为重要的评价标准。
第四：不要过度依赖单一工具。
AI 产品更新速度极快。真正需要掌握的是软件工程方法，而不是某一款产品的使用技巧。
2.5 本书采用的 AI 工具体系
为了帮助读者完成整个软件研发流程，本书不会局限于某一个 AI 产品。相反，我们将根据不同阶段选择最适合的工具。
需求分析阶段，我们将借助具备较强推理能力的大模型完成需求梳理与方案设计。
UI 设计阶段，我们将结合 AI 设计工具快速生成页面原型和设计稿。
开发阶段，我们将使用 AI IDE 与 AI 编程助手完成前后端编码。
测试阶段，我们将利用 AI 自动生成测试用例，并辅助完成质量保障。
部署与运维阶段，我们将借助 AI 完成容器化、持续集成、云原生部署以及日志分析。
需要说明的是，书中所使用的工具只是当前阶段的代表产品。随着 AI 技术的发展，它们可能会不断变化。但本书所介绍的软件工程思想、人与 AI 的协作方式，以及贯穿整个研发流程的方法论，将具有更长久的价值。
在下一章，我们将开始介绍 AI 时代最重要的一项能力——如何建立属于自己的 AI 开发规范，让 AI 真正理解你的项目，而不是每一次都从零开始。