AI编程工具半年变天

(资料图)

过去几个月，AI辅助编程的变化幅度相当大。它从最初看起来像噱头的东西，变成了能承担开发流程中相当一部分工作的工具。大语言模型的能力提升也很明显，现在面向开发的工具种类，和最初那批已经完全不是一回事了。

像Claude Code和Codex这类编程代理，已经可以检查整个代码仓库，在不熟悉的代码库里进行推理，规划多步骤改动，运行命令，并且持续迭代直到某个功能真正跑通。这些改进让越来越多的人开始依赖AI处理编程需求，其中也包括从没写过一行代码的人，因为入行门槛比以往任何时候都低。

用量增加带来的直接后果

使用量上升的代价是，它需要更多算力，而这通常意味着更严格的使用上限。这正是我在Claude Code上反复遇到的问题，所以我开始把用量拆开，一部分交给Claude Code，另一部分交给本地模型。

本地大语言模型在编程上的能力已经变得相当强，比过去强了太多。我断断续续跑本地模型有一段时间了，最初的体验好坏参半。确实有一些让人印象深刻的模型，但没有一个能让我在相对简单的任务之外放心依赖。它们很适合做实验，可一旦我把更大的代码库、更复杂的指令集，或者需要多步推理的任务交给它们，局限就会很快暴露出来。

本地模型曾经的两道坎

接着还有搭建和运行本地模型的各种麻烦。你需要足够强的硬件才能跑起来，需要花不少时间做配置，还经常要试验不同的量化方式、上下文长度和运行时，只为在机器上找到性能尚可的组合。折腾完这些之后，结果通常还是不如直接打开Claude或ChatGPT，用现成的最强云端模型。

不过最近情况变了不少。本地模型已经进步到我不会再把它们单纯当作隐私工具或实验玩具的程度。XDA的本地大语言模型专家Adam Conway写过关于Qwen3-Coder-Next的内容，把它描述成第一个他真正想用、而不是出于原则才运行的编程模型。在他的测试里，这个模型能处理真实编程任务，完成多步骤工作，调用工具，编辑文件，并且在出错时恢复过来。

本地模型不是全能选手

当然，这不意味着本地模型已经突然追上了云端模型。一个跑在你自己硬件上的模型，无论能力多强，都很难和运行在数据中心海量算力上的前沿模型正面竞争。除了算力差距，前沿模型还有更多资源可以调用。

但本地模型有一个特别突出的强项：在明确边界内干活。把规划、架构判断和复杂推理交给Claude Code，把已经想清楚的执行部分交给本地模型，两边各干各擅长的，用量上限就不再是卡脖子的问题。