概述

随着大模型技术的飞速发展，AI 不再只是”写代码的助手”，而正在重塑整个软件开发范式。从最初的问答聊天，到如今能理解架构意图、自动修复 bug、甚至基于测试规约生成可靠代码——AI 编程已悄然走过多个进化阶段。

本文提出一个实用的四阶段模型，帮助开发者理解自己所处的位置，并选择合适的工具提升效率。

阶段 1.0：Chat（对话式编程）

关键词：问答、片段生成、被动响应

干什么？

用户通过自然语言向 AI 提问，比如：

  • “JAVA导出Excel，如何用 Python 连接 PostgreSQL？”
  • “写一个快速排序函数”

AI 返回一段代码或解释，但不嵌入开发流程，需要人工复制粘贴、调试整合。

特点

  • ✅ 遇到问题不再依赖搜索引擎、论坛
  • ⚠️ 上下文有限（通常仅当前对话）
  • ⚠️ 无项目感知
  • ⚠️ 适合学习、查漏补缺，但难以用于生产级开发

主流工具

工具 特点
ChatGPT 通用问答最强，支持插件扩展
DeepSeek-R1 中文场景优化，逻辑推理强
腾讯元宝 集成DeepSeek-R1、自家混元大模型，DeepSeek官网不好用的不二之选
阿里千问 阿里自家千问大模型，性能很炸，有实力，最近在面向C端出了桌面客户端

阶段 2.0：Copilot（辅助编程）

关键词：行级补全、IDE 集成、实时建议、Tab

干什么？

AI 深度集成到编辑器中，根据当前文件、项目结构、变量名等上下文，实时推荐下一行代码。用户按 Tab 接受建议。

典型场景：

  • 输入 for user in users: → 自动补全循环体
  • 写函数注释后 → 自动生成函数体
  • Tab自动建议、自动补全

特点

  • ✅ 提升编码速度 20%~50%
  • ⚠️ 仍由人主导逻辑，AI 只是”更快的手”
  • ⚠️ 对复杂逻辑或跨文件依赖支持有限

主流工具

工具 特点
GitHub Copilot 市场占有率最高，支持多语言
通义灵码 免费、性能炸裂
Cursor 自定义大模型源，需要花钱升级Pro。3.0也有它，之所以放到这里是我同事在免费白嫖它的tab

阶段 3.0：Vibe Coding（意图驱动编程）

关键词：氛围编程、角色切换、块级生成、人机共创

干什么？

开发者不再逐行写代码，而是通过自然语言描述意图（即”vibe”），让 AI 生成完整功能模块。有种敏捷开发模式叫结对编程，只不过VibeCoding是和AI结对，营造一种氛围感。

例如：

  • 在文件顶部写注释：”实现一个 JWT 认证中间件，支持刷新令牌”
  • 选中一段报错日志 → 点击 “Debug” → AI 自动修复并解释原因

更进一步，AI 能扮演不同角色：

  • Architect：设计模块结构
  • Coder：生成实现
  • Reviewer：提供建议
  • Debugger：定位并修复问题

特点

  • ✅ 强调”心流体验”：减少上下文切换
  • ✅ 支持跨文件、跨模块理解
  • ✅ 允许模糊指令，AI 自行推断最佳实践

主流工具

工具 特点
Claude Code 可以切换国内大模型，国内自由使用。当之无愧的王者，命令行可以轻松拥有系统级别操作权限（很多程序员在初次简单它会很不习惯，很不屑，比如我，但看到太多的文章案例，上手后就被打脸了）
Kilo Code 可以切换国内大模型，国内自由使用。当前最成熟的多角色 Vibe Coding 平台，支持 Architect/Code/Ask/Debug/Orchestrator 模式，集成 MCP 工具链
国内产品 Qoder、Trae、CodeBuddy（还没用过）

⚠️ 重要：Vibe Coding的结果，需要人类来审核。当然你可以说，我仍然借助AI，用sub Agent角色扮演，但你要为最终结果负责。

阶段 4.0：Spec Coding（规范驱动编程）

关键词：规约先行、可验证、自动化交付

干什么？

开发者提供形式化或半形式化的规格说明（spec），AI 自动生成正确、可维护、可测试的代码。

例如：

  • 提供 OpenAPI 文档 → 自动生成服务端骨架 + 客户端 SDK
  • 编写一组单元测试 → AI 实现满足所有测试的函数（TDD 风格）
  • 使用状态机 DSL 描述业务流程 → 生成状态管理代码

核心理念：“不是猜你想做什么，而是证明我做对了”

特点

  • ✅ 输出具备工程级可靠性
  • ✅ 可与 CI/CD 流水线集成
  • ✅ 适用于核心业务、金融、嵌入式等高要求场景

主流工具（仍在早期）

  • Claude Code：看好它，毕竟有那么大的忠实用户，它也在进化
  • Kilo Code + Spec-kit / Orchestrator：通过 MCP 协议接入 spec 解析器，将高层任务拆解为带验收条件的子任务
  • 传统工具增强：如 Swagger Codegen + AI 后处理（过渡方案）

番外篇

关于阶段划分的补充说明

矛盾观点：把Copilot放到2.0阶段可能有点不合适，实际上GitHub Copilot要比ChatGPT要早面世，那时候GitHub还不属于微软。但ChatGPT之后Copilot能力确实也在进化，从操作难度上把它放到2.0阶段也是合适的，毕竟在ChatGPT之后大模型才爆发，才有了后来。

额外补充：严格意义上讲，Spec Coding 这里其实应该指AI Spec Coding，毕竟Spec Coding 的思想根源确实可以追溯到几十年前的软件工程实践——尤其是测试驱动开发（TDD）、契约式设计（前后端分离的API Frist）。当在AI 开发领域将它也属于Vibe Coding 范畴也是可以的，因为有Vibe Coding以后，人们发现之前Spec Coding 没有盛行的原因解决了，比如AI可以很好的帮你写测试用例，写文档，定义API。Spec Coding是更为规范的实践阶段，是一个AI编程的又进化过程。而这种模式容易被大规模的团队协作开发接受。

关于工具生态

  • Kilo Code：站在 3.0 顶峰，迈向 4.0 的桥梁，在众多 AI 编程工具中，Kilo Code 是目前最接近”全栈智能开发者”的产品。它不仅支持多角色切换（它的架构模式很赞），还通过 Orchestrator 模式 + MCP 工具生态，初步实现了基于规约的任务分解与验证。
  • 工具层面：其他家也都会敢上来的，早晚的问题。
  • 残酷现实：不崇洋媚外，这些先进的理念确实都是国外在引领，国内一直在追赶。
  • 自由畅想：中午和同事聊天，千模大战之后，AI可能会变成你用不起的样子，手搓代码会变成廉价替代还是奢侈品？

结语：你的下一站是哪里？

你现在的状态 建议尝试
还在复制 ChatGPT 代码？ → 升级到 Copilot 或 Cursor，进入 2.0
已习惯 Tab 补全？ → 试试 Kilo Code 的 Architect 模式，体验 3.0 心流
带团队做核心系统？ → 探索 Spec-kit + 自动测试驱动开发，布局 4.0

AI 编程的终极目标，不是让机器写代码，而是让人更专注于”为什么写”和”写得对不对”。

而你，已经站在这场变革的入口。

延伸阅读

  • KiloCode-架构模式

    • 公众号：debao.wang
    • AI学习实践：KiloCode-架构模式篇

  • Vibe vs Spec Coding 通俗解读

    • 作者：宝哥
    • 公众号：debao.wang

原文首发于 debao.wang

文章封面