最近大家都在聊 AI 辅助编程和「氛围编程（Vibe Coding）」。我自己长期使用 GitHub Copilot 和 Cursor，最近又在频繁试用 Claude Code，觉得很有必要对 AI 编程工具的进化历程做一次系统梳理。

这不仅是工具的迭代，更是编程范式的革命。

从最早只能补几行代码的工具，到如今几乎能独立完成整个编程任务的智能体，AI 编程工具在短短几年里取得了惊人的进步。然而，随着「氛围编程（Vibe Coding）」的流行，凡是借助 AI 辅助编程的方式几乎都被一概而论地打上这个标签。这样一概而论不仅模糊了技术演进的真实差异，也让我们很难对未来的发展方向有清晰的判断。

我觉得，现在很有必要对 AI 编程工具的发展做一次系统梳理，把不同阶段区分开来。在这个演进过程中，有两个核心概念特别值得关注： Context Coding（上下文编程） 和 Vibe Coding（氛围编程） 。

前者体现了当前工程实践的最佳选择，后者则指向了编程的未来可能性。理解它们的差异，不仅能帮助我们更好地选择和使用工具，更能让我们在这个变革时代中找到自己的位置。

---

第一阶段：代码补全时代 —— GitHub Copilot 的突破

🚀 历史性的突破

在 GitHub Copilot 出现之前，大多数程序员的 AI 编程体验还只是把代码复制到 ChatGPT，再把生成的内容复制回来这种原始方式。而 Copilot 的出现，则第一次真正实现了代码上下文和大语言模型的无缝结合。

这看似简单的一步，却是革命性的。

Copilot 最核心的突破在于两个能力：

• 当前 IDE 窗口代码的实时共享 ：可以将当前打开的代码文件提供给 LLM，并针对这些代码进行提问和建议

• 基于光标位置的智能补全 ：根据光标所在位置的代码上下文，提供精准的代码建议

这个功能彻底改变了我的编程习惯。我开始喜欢先写方法注释，让 Copilot 基于注释生成对应的方法，然后再去修改细节。这种模式大大加快了编码速度，让人第一次感受到了 AI 辅助编程的威力。

⚠️ 时代的局限性

不过，早期的 Copilot 也有明显的局限性：

首先是模型本身的能力限制。虽然 GPT-3.5 当时已经很厉害，但在编程上仍然会出现不少「幻觉」，再加上上下文长度有限，实际采纳 AI 建议的概率并不高。

更关键的是上下文范围的限制。Copilot 只能看到当前打开的文件，无法理解其他文件甚至整个项目的结构。这就意味着，你在一个文件里写好的方法，切换到另一个文件时，模型就失去了上下文，无法基于之前的方法提供调用补全。

这种局限为下一个时代的到来埋下了伏笔。

---

第二阶段：上下文编程时代 —— Cursor 的崛起

🎯 从工具到智能体的飞跃

在 Copilot 之后，市场上出现了大量 IDE 插件形式的 AI 辅助工具，但大多数只是在 prompt 和模型选择上做优化。直到 Cursor 这种完整 AI IDE 形式的工具出现，真正的竞争才重新开始。

Cursor 的第一个技术突破，是为 Tab 自动补全专门设计了模型。速度快、准确率高，让程序员实际采纳 AI 生成代码的概率大幅提升。当时甚至有人开玩笑说，程序员从「Copy 工程师」变为了「Tab 工程师」。

第二个突破是 Claude 3.5 Sonnet 模型的出现，它强大的编程能力、扩展后的上下文长度，以及直接编辑文件的能力，让 AI 辅助编程不再只是「代码补全工具」，而是正式进化为可以真正参与开发的「编程智能体」。

🔍 上下文工程的革命

Cursor 最令人印象深刻的突破，是它在上下文工程方面的能力。

它利用 RAG（检索增强生成）技术，把整个代码库都做了索引，然后通过语义搜索为 LLM 提供全项目的上下文。当你打开一个新项目时，Cursor 会自动索引整个项目，并在对话过程中检索出与当前操作相关的代码上下文。

这种能力让 LLM 可以：

• 实现跨文件的方法调用

• 修复涉及多个文件的 bug

• 重构整个模块

• 添加需要修改多处文件的新功能

在此基础上，Cursor 还支持直接 @ 某个文件/文件夹来提供上下文，并加入了索引 Git 历史记录、文档索引、Rules 编程规范等功能。

这一切都是为了给 LLM 提供更丰富、更合适的上下文。

---

第三阶段：全局编程时代 —— Claude Code 的意外杀入

⚡ 不同的思路，同样的目标

就在 Cursor 以各种上下文工程优化保持领先时，Claude Code 以一种完全意想不到的方式杀入了比赛。在它出现之前，几乎没有人想到终端命令行 CLI 这种方式也能进行高效的 LLM 辅助编码。

虽然最初只是被 Unix 风格吸引，但实际使用下来，Claude Code 不仅上手容易，编程效果甚至不输给 Cursor，在某些复杂任务下还要超越 Cursor。

📊 量大管饱的上下文策略

Claude Code 的核心优势在于其「量大管饱」的上下文策略。

与 Cursor 不同的是，Claude Code 作为大语言模型基座提供商 Anthropic 的产品，在 tokens 消耗上没有那么多顾虑。每次对话开始时，它会先通过终端命令分析代码库的项目结构和基本技术栈信息，以全局视角先了解项目整体情况，然后再开始开发。

虽然这会消耗更多 tokens，但有了这些项目整体信息后，Claude Code 编写的代码确实更加符合项目原本的开发模式和编码规范。

🔧 Unix 风格的检索方案

Claude Code 选择了与 Cursor 完全不同的代码检索方案：基于 Unix 工具的检索方式，使用 grep、find、git、cat 等终端命令而不是 RAG 方案。

这个很符合程序员的使用习惯：先查找关键方法或对象名，再用模糊或正则搜索，最后理清代码再动手写。

虽然这种模式在速度和 token 效率上不如 RAG，但在处理复杂任务的准确性上却更高了。

---

Context Coding vs Vibe Coding：本质差异深度辨析

📚 Context Coding：上下文驱动的编程艺术

基于我对这些工具的深入使用，我更愿意把目前主流的 AI 辅助编程方式称为 Context Coding（上下文编程） 。

核心理念很简单：AI 编程的进步，除了大模型本身能力的增强，更关键的是上下文工程能力的提升。

无论是 GitHub Copilot 的当前窗口上下文，或者是 Cursor 的 RAG 全项目索引，还是 Claude Code 的全局分析，本质都在为 LLM 提供更合适的上下文。Chat、RAG、Rules、MCP 等技术，都是围绕这个基本原理展开的。

Context Coding 的关键在于：

• 主动管理上下文 ：通过规则文件、项目配置等方式系统性地提供上下文

• 渐进式开发 ：小步提交，逐步构建，保持代码的可维护性

• 工程化思维 ：遵循最佳实践，确保代码质量和团队协作效率

🌊 Vibe Coding：氛围驱动的编程新范式

而真正的 Vibe Coding（氛围编程） ，基于 Andrej Karpathy 的原始定义，有着完全不同的特征：

• 忘记代码的存在 ：完全沉浸在编程氛围中，不再关注具体代码实现

• 极简手动参与 ：再小的错误也通过 AI 修复，几乎不手动更改代码

• 结果导向思维 ：不再 review AI 写的代码，只看运行结果

• 快速原型验证 ：适合一次性项目，追求快速实现而非长期维护

Vibe Coding 不是 Context Coding 的进化版本，而是完全不同的编程哲学。

---

🎯 Context Coding 最佳实践指南

🏗️ 项目基础上下文管理

要做好 Context Coding，首先要建立系统性的项目基础上下文管理。这个就像让一个新同事快速熟悉项目一样，我们需要给他提供：

技术栈和目录结构说明 ：项目中使用的技术栈和工具，目录是如何分层的，以及每类文件在项目中承担的职责。

常用命令集合 ：install packages、lint、test、build 等常用命令，让 LLM 明白如何正确操作项目。

核心业务模块介绍 ：核心方法、核心文件的位置和作用，公共工具类的使用说明等。

最好在指令文件中存放这些信息，比如 GitHub Copilot 的 .github/copilot-instructions.md 、Cursor 的 .rules 文件夹，或者 Claude Code 的 CLAUDE.md 文件。

📋 编程规范的系统性传递

优秀的 Context Coding 需要将成熟的开发思路传递给 LLM：

• 渐进式修改，小步提交 ：复杂任务拆分为多个子任务，每个完成后更新状态

• 从现有代码学习 ：找到 2-3 个类似实现，尽可能使用相同的库/工具

• 可读性优先 ：代码让人看得懂比显摆技巧更重要

• 单一职责原则 ：一个函数只解决一个问题，如果需要解释就太复杂了

• 审慎引入新工具 ：没有充分理由，就不要引入新的依赖

🛠️ 工具链和调试技巧

通过 MCP（Model Context Protocol）集成最新技术文档，让 LLM 获得最新的 API 信息。调试时让 LLM 在有问题的代码每个角落都打上日志，模仿 IDE 的 debug 模式，获得足够的调试信息输入。

Claude Code 最近内置的 /context 命令就是最好的例子 ，它可以直观显示已使用上下文的类型分布和剩余容量，帮助开发者更好地管理上下文。

---

💭 Vibe Coding 的现实思考

⚡ 成功案例的双面性

Vibe Coding 最著名的成功案例来自 Leo 的故事 ：他在今年 3 月通过 Cursor 完全使用 Vibe Coding 方式制作了一个产品，在没有手动编写代码的情况下就获得了付费用户。

然而，仅仅两天后，产品就遭到了攻击。API 密钥使用量达到最大值，有人绕过订阅在数据库上随意创建内容。由于 Leo 对技术不熟悉，每个问题的解决都比用 Vibe Coding 构建功能花费更长的时间，最终不得不关闭产品。

这个故事生动地诠释了 Vibe Coding 的双刃剑特性。

🎲 成功的另一面

当然也有成功的例子。知名独立开发者 Peter Levels 在今年 3 月推出了完全 Vibe Coding 的实时飞行模拟器 MMO 游戏，声明几乎所有代码 100% 由 AI + Cursor + Grok 3 实现，从 0 到 100 万美元 ARR 仅用 17 天。

当然 Levels 在做这个项目之前，就已经是一个具有丰富编程经验的独立开发者，完全有随时接管项目的能力。

⚠️ 风险与警示

Vibe Coding 的风险是真实存在的：

• 短期风险 ：引入缺陷和安全漏洞，产品质量难以保证

• 长期风险 ：代码难以维护，技术债务堆积，系统可理解性和稳定性大幅降低

有人把它比作「给孩子一张信用卡，却没告诉他们债务的概念」：开发新功能的时候，就像刷卡一样轻松快捷，但等到维护时，你才会感受到背后的沉重负担。

---

🔮 未来展望与程序员职业思考

📊 职业分层的加速

我认为 Vibe Coding 从根本上革命了编程行业。

在现代开发分工中，大部分程序员的工作就像「翻译者」：把自然语言的需求和业务逻辑转换成计算机能理解的代码。随着 LLM 能力的提升，当 AI 也能扮演这个翻译者时，Vibe Coding 会逐渐压缩程序员的生存空间。

这个过程与其说是 AI 抢走了工作，不如说是优秀程序员抢走了工作饭碗。

水平一般的程序员数量会开始减少直到消亡，而优秀程序员的收入与普通程序员的差距会不断加大。

🌟 独立开发者的黄金时代

但这并不意味着绝望，反而可能是独立开发者的黄金时代。

在 AI 的加持下，一个编程水平一般的程序员，如果有不错的商业嗅觉和营销能力，创造的商业价值远比在社会分工中当螺丝钉要大得多。过去需要多人协作完成的工作，现在可以利用 AI 杠杆大幅缩减时间和人力规模。

🎯 持续学习是唯一出路

在这个变革时代，唯一能解决焦虑的是持续学习和不断实践。

程序员这个群体最具有学习精神，无论行业如何变化，具有持续学习能力的人永远不可能被替代。好的工程师总是选择合适的工具解决问题，而不是某个工具的信徒。

---

💎 结论：拥抱变化，理性选择

Context Coding 和 Vibe Coding 并不是谁好谁坏，而是服务不同场景的两种工具。

在工程实践中 Context Coding 依然是最可靠的做法。它讲究系统性、可维护性和团队协作，尤其符合软件工程的基本原则。

对于快速原型、一次性项目或创意探索，Vibe Coding 的极致效率使我们能够快速将想法变为现实，获取市场反馈。

未来的编程世界，两种方式将长期并存。

关键在于弄清每种方法适合的场景，根据项目需求、团队能力和时间限制做出合理选择。同时，也要保持开放的学习态度，在工具不断发展的过程中找到最适合自己的方式。

毕竟，在这个快速变化的时代，唯一不变的就是变化本身。而适应变化、迎接变化，正是程序员最擅长的能力。

---

欢迎在评论区分享你的看法 👇
如果觉得不错，随手点个赞👍 + 推荐❤️ + 转发📮三连吧
关注我们，获取更多优质技术内容 ⭐