Claude Code 两个月使用心得：从 Cursor 到新工具链
发表于2026.08.03
更新于2026.08.03
访问量: 
写在前面
上一篇聊了 AI 编程 Agent 的演进脉络，这篇讲点更实在的：我这两个月是怎么用 Claude Code 的。
背景先交代一下。今年 6 月入职实习第一天，组长问大家有没有用过 AI 编程工具，我说在用 Cursor。组里建议做这个项目的话用 Claude Code 和 Codex 会更合适。两个月后回头看，这个建议确实有道理——不是因为 Cursor 不好，而是我们项目里的很多任务，已经超出了「对话式编程」的舒适区。
另外，我没有 Anthropic 官方账号。不是不想注册，是等我想注册的时候，官方已经限制中国地区了。所以我这一路的用法都比较「野生」：通过第三方 API 接入，搭配不同的国产模型来用。
下面的经验都是基于这个真实环境。
我的使用背景：没有官方账号，只能接第三方 API
目前我在 Claude Code 里常用的三个模型渠道：
- Kimi：简单代码生成、日常补全用。响应快，上下文也够用，写 boilerplate 或者小工具很顺手。
- 智谱 GLM：复杂逻辑、需要多步推理的代码用 GLM。感觉它在代码结构和长链条推理上更稳一些。
- DeepSeek：看文档、读源码、理解项目用。长文本理解和归纳能力很强，适合快速摸清一个陌生代码库。
这个组合不是最优解，但是在当前国内访问限制下的一个可行方案。下面聊到 Claude Code 的体验，也是基于这个接入方式。
Cursor、Claude Code、Codex 怎么选？
两个月用下来，我对这三个工具的定位有一些自己的理解：
| 工具 | 优势 | 劣势 | 适合场景 |
|---|---|---|---|
| Cursor | 交互友好，响应快，插件成熟 | Agent 能力相对弱，更像高级编辑器 | 日常开发、快速改代码、小项目 |
| Claude Code | 规划能力强，Agent 化程度高，适合复杂任务 | 配置门槛高，自动执行需要谨慎 | 复杂重构、多步骤任务、需要持续状态的流程 |
| Codex | 与 OpenAI 生态结合紧密，SDK 化 | 对国内开发者不够友好，需要绑定 OpenAI | 企业级多 Agent 系统、深度集成 OpenAI 服务 |
如果是学生或者个人开发者，Cursor 仍然是最容易上手的。我去年 3 月开始用 Cursor，写课程设计、实验室小项目都很顺。它的 @ 引用、多文件编辑、内联对话，已经把「对话式编程」的体验打磨得很成熟。
但如果你开始接触复杂项目、需要 AI 帮你做跨文件修改和长链条任务，Claude Code 值得尝试。它的 /plan 和 Agent 执行能力，能让复杂任务变得相对可控。
Codex 我目前用得不多，一是因为 OpenAI 账号问题，二是实际项目里没有深度集成 OpenAI 服务的需求。它的定位更像是给企业级多 Agent 系统做基座，而不是个人日常开发工具。
第三方模型接入的心得：Kimi、GLM、DeepSeek 怎么配
因为我的接入方式比较特殊，这里也分享一下不同模型在 Claude Code 里的表现。
Kimi：简单代码快
Kimi 的响应速度快，写简单函数、改小 bug、生成模板代码都很顺。它的短板是长上下文复杂推理，遇到需要理解多个文件之间关系的需求时，容易给出「局部合理、全局有问题」的方案。
我的用法是：简单任务用 Kimi，快且便宜。
智谱 GLM：复杂逻辑稳
GLM 在复杂代码生成和多步推理上表现更稳。我让它处理过一些涉及状态机、业务规则校验的代码，输出质量比 Kimi 高出一截。
缺点是速度稍慢，token 成本也高一些。所以我会把复杂任务留给 GLM。
DeepSeek：看文档、读源码强
DeepSeek 的长文本能力很突出。我接触新项目时，常把 README、核心模块源码、接口文档一起丢给它，让它帮我梳理项目结构和关键流程。它能很快给出一份比较靠谱的概览。
但它有时候会在细节上「编」，所以总结性的内容可以参考，具体实现还是要自己核对。
实际搭配策略
我现在的策略大致是：
- 先让 DeepSeek 读文档和源码，快速了解项目结构；
- 简单改动用 Kimi，追求响应速度；
- 复杂逻辑或需要多步推理的用 GLM，追求输出质量；
- 最后人工 review，不管哪个模型生成的代码，都要自己过一遍。
这个策略并不完美，但在当前限制下算是比较实用的折中方案。
两个月使用后的判断：AI Agent 不能替代什么
说了这么多 Agent 多厉害，最后还是要泼点冷水。
两个月用下来，我的判断和今年年初写那篇《当AI渗透生活的每一行代码》时基本一致：AI 是助力，不是替代。而且 Agent 越强大，人的判断越重要。
Agent 不能替代的地方主要有这几个：
目标澄清
你可以说「帮我优化这个接口」，但优化什么？性能？可读性？兼容性？AI 不会主动追问，它需要你先想清楚。全局架构判断
Agent 能改多个文件，但它很难像人一样维护一张完整的架构图。它可能引入重复依赖、破坏模块边界、忽略团队约定。风险评估
AI 不知道哪些改动会影响线上用户，哪些字段不能改，哪些接口有外部依赖。这些业务侧的风险必须人来判断。代码审查与兜底
Agent 自动生成的代码必须有人审。Claude Code 有/code-review，但 reviewer 是辅助，最终负责的还是人。
所以我认为未来的程序员，核心竞争力不是「写代码有多快」，而是：
- 能不能把模糊需求定义清楚；
- 能不能判断 AI 给出的方案是否合理；
- 能不能在复杂场景下守住架构和质量的底线。
结语
从 Cursor 到 Claude Code，工具形态变了，但人机协作的本质没变：AI 负责执行和加速，人负责定义目标和把控质量。
接下来我可能会继续探索多 Agent 协作和 MCP 生态，也会关注国内模型在 Agent 能力上的进展。毕竟 Kimi、GLM、DeepSeek 这些国产模型进步很快，也许用不了多久，我们就能用上一套完全本土化的 AI 编程 Agent 工作流。
如果你也在用 Claude Code 或者 Codex，欢迎交流使用心得。工具的演进很快，但人的判断，始终是最后那道防线。