前几天一个朋友问我："你最近写代码是不是快了很多？"我想了想说，不是快了，是写法变了。

怎么说呢，以前我用 Copilot 那会儿，本质上还是我在写代码，AI 就是个聪明点的自动补全。后来 ChatGPT 出来了，变成了"我描述需求，AI 给我代码，我复制粘贴到项目里"。说实话这个过程挺割裂的——你得来回切窗口，手动对照上下文，有时候 AI 给的代码压根跑不通，因为它根本不知道你项目里其他文件长什么样。

但是最近这一波工具，画风完全不一样了。

不是"更聪明的补全"，是"能干活的队友"

现在市面上出现了一批新东西——OpenAI 的 Codex、Google DeepMind 的 Antigravity、Anthropic 的 Claude Code，还有 Devin、Cursor 的 Agent 模式，等等。它们有个共同的名字叫 Agentic Coding Assistant，翻译过来就是"智能编程代理"。

这个词听着挺唬人的，但说白了就一件事：AI 终于有"手"了。

以前的 AI 编程工具就像一个坐在你旁边的高级顾问——你问他问题，他给你建议，但活还是你自己干。现在这些 Agent 呢，你跟它说"帮我把这个功能加上"，它自己去翻你的项目代码、查依赖关系、创建新文件、改旧文件、跑测试、报错了还会自己调，最后跟你说"搞定了，你看看"。

第一次体验到这个流程的时候，说实话有点恍惚。

回头看，AI 编程其实经历了三个阶段

第一阶段大概是 2021-2022 年，Copilot 刚出来那会儿。你敲几个字符，它帮你补全一行或者一个函数。好用吗？好用。但本质上它就是个特别聪明的输入法，只能看到当前文件，对你整个项目的结构一无所知。你让它帮你补全一个调用其他模块函数的代码，大概率给你编一个不存在的函数名。

第二阶段是 2023-2024 年，ChatGPT 带火了对话式编程。Cursor、Windsurf 这些 IDE 把大模型塞进了编辑器里。体验确实好了很多——你可以用自然语言描述需求，AI 能看到你选中的代码上下文，生成质量也上了一个台阶。但说到底，AI 给你的还是一段文本。你得自己判断这段代码插到哪里、改哪些地方、会不会跟现有逻辑冲突。AI 动嘴，你动手。

第三阶段就是现在，2025 年开始明显感受到的。AI 不光动嘴了，它直接上手干。读文件、写文件、跑命令、搜网页、甚至能同时派出好几个"子代理"并行处理不同的任务。你的角色从"写代码的人"变成了"提需求和做 Code Review 的人"。

这个变化比前两次大得多。

实际用下来是什么感觉

说几个我自己的真实使用场景吧。

第一个是从零搭项目。 之前我想做一个个人博客，光是初始化项目、配路由、搭样式系统、调暗色主题，前前后后得折腾小半天。现在我跟 Agent 说"帮我用 Next.js 搭个博客，要暗色主题，支持 Markdown"，它从 npx create-next-app 开始，一路把组件、页面、样式全写好，最后把开发服务器启动起来让我看效果。整个过程我就是在旁边看着，偶尔说一句"这个颜色换一下"、"导航栏加个动画"。

说实话，质量不能说完美，但作为初稿已经非常能打了。比我自己从零写要快好几倍。

第二个是查 Bug。 有一次遇到一个偶现的接口 500 错误，我把错误日志丢给 Agent，它自己去项目里搜相关代码，分析调用链路，最后定位到是一个并发场景下的空指针问题。不光找到了原因，还顺手把修复代码和对应的单元测试都写了。我 Review 了一下逻辑没问题，直接合了。

以前这种 Bug 够我查一下午的。

第三个是重构老代码。 这个场景 Agent 的优势特别明显，因为重构涉及大量文件的关联修改，人工操作极其枯燥且容易漏改。Agent 能先通览全局，搞清楚依赖关系，然后批量操作。当然前提是你得仔细 Review 它改的每一处——毕竟重构出问题的代价比新功能大得多。

但它真没有吹的那么神

聊了这么多好的，得说说问题。

首先是信任成本。 你让一个 AI 直接改你的代码、跑你的命令，说不紧张是假的。虽然现在这些工具都有审批机制（每个命令执行前会让你确认），但你还是会下意识地想"它不会把我什么东西删了吧"。这个信任是需要慢慢建立的。

其次是生成质量参差不齐。 简单的 CRUD、页面搭建，Agent 干得又快又好。但涉及复杂的业务逻辑、性能优化、安全相关的代码，它给的方案经常是"能跑但不够好"。有时候它会用一种非常"教科书"的方式来解决问题，而实际生产环境需要的是更工程化的方案。

还有一个容易被忽略的问题：上下文长度限制。 你的项目文件一多，Agent 不可能把所有代码都"读"进去。它只能通过搜索和有选择地阅读来理解项目，这就导致它有时候会漏掉一些隐含的约定或者历史包袱。比如你们团队有个不成文的规定"这个模块的异常统一用自定义的 BizException"，Agent 不知道这回事，给你用了标准的 RuntimeException——逻辑上没错，但不符合规范。

开发者这个角色会怎么变？

这个问题我想了挺久的。

我的结论是：写代码这件事的门槛在急剧下降，但做出好软件的门槛并没有降。

Agent 能帮你快速生成代码，但什么是好的架构、什么样的方案能扛住业务增长、哪些地方需要做取舍——这些判断力是 Agent 给不了你的。至少现在给不了。

我觉得比较现实的变化是这样的：

以前一个需求下来，开发者的时间分配大概是 20% 想方案 + 70% 写代码和调试 + 10% 测试。以后可能会变成 40% 想方案和做设计 + 20% 指挥 Agent 干活 + 40% Review 和测试。写代码本身占的比重会大幅下降，但思考和把关的比重会上升。

换句话说，不是程序员要被淘汰了，是"只会写代码"的程序员要被淘汰了。你得懂架构、懂业务、懂怎么跟 AI 协作——"提出好问题"变成了一种核心能力。

几个我觉得值得关注的产品

顺便简单盘一下现在主流的几个产品（不是广告，纯个人使用感受）：

Cursor 应该是目前用户量最大的，走的是"IDE + Agent"的混合路线，对 VS Code 用户特别友好。日常写代码用它的补全和对话功能就够了，复杂任务可以切到 Agent 模式。

Claude Code 是 Anthropic 出的终端工具，没有 GUI，直接在命令行里跟你交互。适合喜欢终端工作流的开发者，用起来很 geek。

OpenAI Codex 走的是云端异步路线，你给它一个任务，它在云上跑，完了给你一个 PR。适合那种不需要实时交互的任务。

Google DeepMind 的 Antigravity 是独立的 Agentic 编程代理，多代理协作是它的亮点——主代理可以拆分任务派给子代理并行处理。

Devin 之前号称"第一个 AI 软件工程师"，营销做得很猛。实际用下来能力没有宣传的那么夸张，但在特定场景下确实能完成一些端到端的任务。

各家的路线不太一样，但方向是一致的——从辅助你写代码，到替你写代码。

最后说两句

写这篇文章的时候我一直在想一个事：两年前我还在跟朋友争论"AI 到底能不能写出能用的代码"，现在这个问题已经不需要讨论了。新的问题变成了"AI 写的代码你敢不敢直接用"，以及"当 AI 能干大部分编码工作的时候，开发者的价值体现在哪里"。

我没有标准答案，但有一个直觉：工具在变，但解决问题的能力永远值钱。 AI 能帮你写代码，但识别问题、定义需求、做架构决策、在多种方案中做取舍——这些事情，短期内还是得靠人。

与其焦虑 AI 会不会抢你的饭碗，不如花点时间认真用起来。毕竟，会用 AI 的开发者淘汰不会用的，这件事可能比 AI 淘汰开发者来得更快。

写于 2026 年 6 月。一个正在学习跟 AI 共事的普通开发者。