AI Coding 不是替代你，是替代那些不用 AI 的人 上周在 GitHub Trending 榜单上翻了翻，Top 10 的 AI 项目一周涨了将近 15 万颗星。 第一名不是某个大模型，而是一个叫 skills 的配置文件仓库——一个工程师把自己 .claude 目录开源了，一周 1.7 万 star。 信号很明确：AI 编程的重心，已经从「模型能写多好的代码」，转向「人怎么用好 AI」。 这不是未来趋势，是正在发生的事。   先搞清楚 AI Coding 到底在干什么 很多程序员对 AI Coding 的理解还停在「聊天框里写 prompt，然后复制粘贴代码」。这个画面确实存在，但它只是 AI Coding 最表层的那一层。 真正在发生的变化有三层。 第一层是补全和生成。GitHub Copilot、Cursor 做的事情。你写注释，它出代码；你写函数名，它补逻辑。这层已经成熟，用上就能提效。 第二层是对话式开发。Claude Code、Codex CLI 这类终端工具，你在项目目录里启动，直接说「这个接口加个限流逻辑」，它读代码、改文件、跑测试，每一步让你确认。它不是给你一段代码让你自己粘，是直接在项目里动手。 第三层是 Agent 协作。多个 AI Agent 分工——一个写代码、一个审代码、一个写文档、一个跑测试。ruflo 这类编排平台在做这件事。目前还在早期，但方向很清楚。 大多数程序员还卡在第一层。差距就在这里。   从零开始用 Claude Code，15 分钟上手 不聊概念，直接走一遍。 安装一行命令：   curl -fsSL https://claude.ai/install.sh | bash   进项目目录，启动：   cd your-project claude   它会读你的代码库，不需要手动上传文件。 然后你就可以用自然语言下指令了。几个立刻能用的场景： 摸清一个陌生项目： 用 5 个要点总结这个代码库做什么，入口在哪里。 比你看 README、翻目录快得多。它会自己遍历关键文件，给出结构化总结。 定位一段逻辑： 用户认证逻辑在哪个文件？给我看关键函数。 比 grep 快的原因：你不知道精确的符号名或文件名时，它能通过语义理解找到。 改一个小功能： 给 handlePayment 函数加一个超时重试，最多 3 次，间隔 1 秒。 它会展示 diff，你确认后生效。 修一个 bug： 这个测试挂了：<粘贴报错信息>。找到原因并修复。 它从定位到修复到验证一条龙，你只需要确认每一步。   比工具更重要的是 skills 回到开头那个 1.7 万 star 的项目——mattpocock/skills。 它不是什么高深的框架，就是一个工程师把自己怎么调教 AI 的经验，写成了一套 skill 文件。 什么是 skill？就是告诉 AI：「当你做代码审查的时候，按这个 checklist 来；当你写测试的时候，先考虑边界条件 A、B、C。」 一套好的 skills，相当于你在带一个新同事入职时给的那份「团队开发规范 + 常见坑总结」。区别是，这个新同事读一遍就能严格执行，而且不会忘。 你现在就可以做的事：写一个 CLAUDE.md 放在项目根目录，告诉 AI 你的项目用什么框架、命名规范是什么、哪些文件不要改、测试怎么跑。十分钟的投入，之后每一次 AI 辅助都会更精准。   国内程序员怎么选工具 三条路径： 路径 A：直接 Claude Code。 需要能访问 Anthropic API，体验最好，响应质量最高。 路径 B：DeepSeek-TUI。 这周 GitHub Trending 第三名，Rust 写的终端 AI Coding 工具，底层接 DeepSeek。国内直连，成本低一个数量级。 路径 C：Cursor + 国内模型。 Cursor 是最成熟的 AI IDE，配合 DeepSeek、通义千问等国内模型，不用终端也能有很好的体验。 不管选哪个，关键是开始用。   一个真实的体会 我见过两种程序员对 AI Coding 的反应。 一种说「试过，生成的代码质量不行，改起来比自己写还累」。追问下去，发现他只试过在 ChatGPT 里让 AI 生成一段代码然后粘贴。 另一种说「回不去了」。他不是让 AI 帮他写代码，是让 AI 在他写代码的时候，处理那些打断思路的事——查文档、定位 bug、写测试、补类型声明。 区别不在于工具，在于使用方式。 AI Coding 不会替代程序员。它会替代那些把 AI 当搜索引擎用的程序员。而把 AI 当同事用的那批人，效率会拉开一个数量级。 现在开始，不晚。