AI 编程系列①：工具选型——入坑前先搞清楚这三件事
AI 编程系列①：工具选型——入坑前先搞清楚这三件事
折腾了大半年 AI 编程，踩了不少坑，也摸出了一些门道。
这个系列是我的一次系统性复盘，分四篇讲完。第一篇先聊最基础的问题：工具怎么选、工作流怎么搭、模型用哪个。
一、先搞清楚你在用什么
AI 编程工具大致分三类：
- SaaS 类产品：Lovable、v0 等，打开浏览器就能用
- IDE 工具：Cursor、Google Project IDX 等，本地安装的编辑器
- CLI 命令行工具：Claude Code、Codex CLI、OpenCode 等，在终端里跑的工具
但工具只是表象。
核心区别其实就两个字：黑盒 vs 白盒。
SaaS 产品 = 黑盒
用 SaaS 产品写代码，代码对你来说基本是黑盒。你很难做精细调整，也用不上 IDE 生态里那些强大的插件——Git 管理、代码检查、命令行工具……统统没有。
但优势也很明显：开箱即用。不需要配置任何东西，上来就能干活。
IDE / CLI = 白盒
IDE 和命令行工具更像白盒，你知道每一步在干什么，可控性强得多。两者的区别主要是交互方式——一个有可视化界面，一个纯文本。
有意思的是，在 AI 编程的场景下，你"亲手改代码"的需求其实变少了。AI 帮你干了大部分脏活，你更多是在指挥和审查。
谁适合用什么？
非开发人员 → SaaS 产品（v0、Lovable） 对话式创建产品，UI 优化好，集成 GitHub/Vercel，有版本管理
开发者 → IDE（Cursor）/ CLI（Claude Code） 白盒可控，Token 成本更低，生态插件丰富
二、我的工作流：SaaS 起步，IDE 接力
一开始我以为选一个工具一路用到底就行了。
后来发现不对——混合使用才是效率最高的方式。
我的习惯是：从 0 到 1 用 SaaS，从 1 到 100 用 IDE。
具体三步：
MVP 阶段：用 v0 或 Lovable 快速搭出第一个可交互版本。给小朋友做个小游戏、给公司做个产品 Demo，都是这么来的。
迁移到本地：等基本的 UI 框架和组件搭起来后，通过 Git 集成迁移到本地。
持续开发：在 Cursor 或 Claude Code 里做后续开发——CI/CD 配置、网关管理、后端服务等。
为什么这么分？
因为 v0、Lovable 在前端工作上做了很深的优化。UI 搭建、组件设计、样式调优，这些如果自己从零开始，一个大型项目要投入大量精力。先用 SaaS 把"壳子"搭好，再接 IDE 做深度开发，是性价比最高的路径。
补充一点：后端需求比较轻量的话，Supabase 这类 BaaS 方案完全够用。Vercel + Supabase 的集成已经很成熟，可以打造一个轻量但完整的全栈服务。
三、模型选择：别省这个钱
工具选好了，下一个问题是：用什么模型？
这是我踩坑最多的地方。
一开始总想省钱，用便宜的模型凑合，结果反而花了更多时间去修补 AI 犯的错。算下来根本不划算。
我现在的策略很简单：
前端开发 / 日常 80% 的工作 → Claude 最新模型（Sonnet） 性价比最优，速度快，质量稳定
需要深度推理的任务 → Claude Opus 等推理模型 推理更深更准，但更贵更慢
后端开发 / 复杂逻辑 → Codex（最新版） 代码完成度最高，风格严谨，"人狠话不多"
国产模型方面，GLM、DeepSeek、MiniMax 都在快速进步。我用智谱 GLM 体验下来，日常工作能完成，但 UI 美观度和代码质量跟顶级模型还有差距。
一个重要的认知
现阶段，无脑用最好的模型，就是在省时间。
AI 编程的普及还在窗口期，95% 以上的人还没搞明白怎么用。这时候用最好的模型，不是在花钱，而是在：
• 积累最高效的经验 • 了解大模型能力的上限 • 建立自己的竞争壁垒
做实验、学习，用便宜的模型没问题。但要做生产级产品，别省这个钱。知道上限在哪里，才能更好地规划自己的工作方式。
附：我的日常 AI 工具搭配
编程之外，日常学习也有一套固定组合：
ChatGPT：日常对话，主要用"项目"功能，系统管理一个主题的所有上下文
Perplexity：AI 搜索，查资料、做调研时用
豆包：AI 生图首选，4.5 生图模型效果出色，速度快，我公众号的配图主要靠它
Gemini：生图备选（速度相对较慢），日常对话补充、生成原型初始版本
简单，但够用。
下一篇聊与 AI 协作的核心方法论——上下文管理、任务拆分、并行开发。这才是 AI 编程真正的基本功。