AI编程如火如荼，让程序员们又爱又恨，如果程序员们仅仅停留在观望阶段，那大概率会受到影响，正确的做法是保持好奇心、实操、并躬身入局。​

作为一个16看的程序开发者，这一年，我用AI开发了不少的app、也用AI写了自己并不擅长的代码，过程也不断地在踩坑，不断地尝试各种模型、不同的工具，2025年马上就过去了，我们来做一个AI编程版的年终总结。​

1、AI编程模型及工具演进路线​

2024年：从 Copilot 到 Agent 的觉醒​

​核心主题：交互范式的革命。从“对话框里的问答”到“侧边栏实时预览”、“多文件编辑”。​​

  • •2024年2月：Google Gemini 1.5 Pro 发布。长上下文（Long Context）技术突破，彻底改变 AI 理解代码库的方式。​
  • •2024年3月：Devin 发布。引爆“AI 软件工程师”概念，虽然这个公司现在声量小了，但确立了一个美好的愿景。​
  • •2024年4月：GitHub Copilot Workspace 发布。Spec-Driven（规范驱动）的首个雏形出现。​
  • •2024年5月：OpenAI GPT-4o 发布。开启了实时多模态交互时代，开发者可以通过截图、语音形式与 AI 进行结对编程。​
  • •2024年6月：Claude 3.5 Sonnet / Artifacts 发布。工作流可视化革命，Artifacts 将代码和文档生成变为独立的可视化窗口，实现了“所见即所得”。​
  • •2024年8月：Cursor Composer 发布。IDE 交互的里程碑，引入多文件编辑（Multi-file Edit）能力，AI 不再局限于单文件补全，而是开始理解并修改整个项目结构，从“补全助手”走向“协作伙伴”。​
  • •2024年9月：OpenAI o1 / Qwen 2.5 发布。o1 通过强化学习提升了复杂逻辑推理能力；Qwen 2.5 则代表了开源代码模型性能的大幅跃升，缩小了开源与闭源的差距。​
  • •2024年10月：OpenAI Canvas 发布。画布式编程界面普及，提供了一个专注于协作修改和迭代的独立界面，更加直观了。​
  • •2024年11月：Claude MCP / Windsurf IDE 发布。Claude提出MCP 协议打通了不同工具间的上下文壁垒；Windsurf 则通过提出实时项目上下文，IDE真正“读懂”项目。​

2025年：Agent 时代的全面到来​

​核心主题：智能体的自主化与生态互联。AI 从“辅助写代码”进化为“接管环境”和“多智能体协作”。​​

  • •2025年1月：DeepSeek R1 / OpenAI Operator 发布。DeepSeek R1 的强推理能力显著提升了复杂算法与 Debug 的准确率；Operator 类产品开始被开发者用于Web 应用自动化测试。​
  • •2025年2月：Claude 3.7 Sonnet / Claude Code 发布。Terminal Agent登场。AI直接在命令行环境中执行脚本、管理依赖、调试系统级问题。​
  • •2025年3月：DeepSeek V3 / 字节 Trae IDE 发布。DeepSeek V3 正式发布，提供了极致性价比的通用基座；Trae IDE 引入“构建者模式 (Builder Mode)”，开发者从“编写者”转变为“审核者”，指导 AI 完成构建。​
  • •2025年5月：GitHub Copilot Agent Mode / Google IDX 升级。IDE 插件的全面 Agent 化。Copilot 不再被动等待，而是主动监测、诊断并修复代码；Google IDX 进一步强化云端全栈开发能力。​
  • •2025年7月：Qwen3-Coder 发布。开源代码模型的最强音。Qwen团队持续迭代进一步拉低了企业私有化部署的门槛。​
  • •2025年10月：Cursor 2.0 / Claude Skills 发布。Cursor 2.0 引入 Multi-Agent 协作（如“编写者”与“审查者”配合）；Claude Skills 允许用户像搭积木一样定制 AI 的特定能力，变成技能包。​
  • •2025年11月：Google Antigravity / A2A 协议发布。智能体互联的标准化。首创 Manager View（经理视图）来管理多个 Agent；发布 A2A (Agent-to-Agent) 协议，打破了不同智能体之间的沟通壁垒。​
  • •2025年12月：GLM-4.7 / o3-Codex / Spec Kit 发布。Spec Kit 标志着 Context Engineering（上下文工程）从玄学走向标准化的工程实践; BMAD开发多达20+的角色来辅助编程，相当于一下子多了20+个AI员工，规范驱动编程的生态开始爆发，AI软件工程标准化。​

​除了上面总结的重要事件，google、openAI、阿里、智谱也相继发布和编程相关的模型和工具。 那么这么大国际大厂的高端人才，这2年不断地在这个方面去迭代。他们到底想要解决什么问题？​​

解决什么问题？​

答案：依然是那个软件工程的经典话题--复杂度问题。​

了解过软件工程的应该知道，作为工程的核心目的就是在抵抗复杂度，AI高速的生产能力引入了更多的复杂度。​

复杂度大致可以分为三类：本质复杂（例如视频编解码、金融风控规则）、偶然复杂度（因模块边界不清晰、框架不熟悉导致）、认知复杂度（需要同时记住的信息数量>7）。​

那么后2种复杂度，通过工具和方法论是理论上是可以接近解决的，第1种复杂度就依赖模型能力的迭代与强大！​

还好，我们处于一个创造性的时代，很多算法工程师在优化模型、也有很多软件工程师在将自己的经验和方法论设计成工具，让AI编程从失控逐渐变得可控，相信在将来可以我们做到掌控。​

具体有哪些方法，请看下文。​

2、利用AI编程取得了哪些成果​

在介绍方法前，先汇报下我们取得了哪些成果​

  • •纯业余时间完成了：​◦4个鸿蒙app​◦1套前后端完整的AI应用系统​◦1个开源播放器​◦N个提效小工具​
  • •工作中推进AI编程落地：​◦增强型SDD: 在开源Spec-kit框架基础上，开发新的SubAgent，补充了技术方案的可行性研究流程。​第一步：在(.github/prompts)目录下添加SubAgent入口​​speckit.feasibility.prompt.md​YAML---​agent:speckit.feasibility​---​​第二步：在(.github/agents)目录下添加SubAgent的工作流程（以下是一个通用的可研的prompt）​​代码块​Markdown​◦AI Rules分层：分为通用、语言、项目三层，实现精细化控制，避免冲突、减少上下文污染。​在不同工具的rules目录下（如果是cursor，可以在.cursor)，创建以下3个文档​.cursor/rules/​├── 00-general.mdc # 通用层：编码风格、Git规范​├── 01-lang-cpp.mdc # 语言层：C++规范​└── 02-project.mdc # 项目层：MangoPlayer特定规则​

3、实战技巧分享​

  • •先进行任务分类：分为“搬砖任务”、“搬运任务”、“装修任务”。​
  • •搬砖任务：​◦案例1：代码迁移，比如安卓上可以用的功能，要在鸿蒙上再实现一遍​◦方案：需要将给日志输出模块迁移到鸿蒙平台，那么就将目的+JNI接口作为上下文，给到AI，这样生成的代码我们是可以信任的。​
  • •搬运任务​◦案例2：UI设计稿自动化生成代码​◦方案：将一个figma给到AI agent，能相对准确地转换为前端代码，这种比较机械的语言范式转换，也是可以信任的​
  • •装修任务​◦案例3：新需求开发，如何尽可能让我们信任？​◦方案：​i.撰写规范的需求文档: 先用Markdown写出清晰的需求文档，与AI反复讨论，直到确认AI完全理解。​ii.压缩上下文: 将项目的核心信息(架构、依赖、代码风格)进行压缩，喂给AI。​iii.拆分子任务: 与AI共同完成设计，并将大需求拆解为小任务，让AI进行频繁的代码提交和评审。​iv.维护规则: 维护好项目的AI规则文件, 并纳入版本管理。​v.专用工具: 使用专门为“改Bug” 而训练的AI 工具来处理Bug修复工作。​◦以上的工作流+工具，已经成为事实上的制度，实际上这些实践与后来出现的规范驱动编程极其接近。​◦值得庆幸的是，目前的Spec-kit、BMAD等规范驱动编程工具已经有将这些事情简化到普通人也能使用的地步，虽然还有缺陷，但让子弹再飞一会吧！​4、AI编程对非开发人士的外溢效应​◦除了开发，AI编程周边的工具同样可以使非开发者提效受益​如何创造性的使用AI编程的周边工具​▪巧妙使用agent skills，可以开发出很多用于编程之外的玩法。WayToAGI社区中已经有相当多的文章。​•随着Claude Skills等技术的成熟，开发者开始将技能模块应用于编程以外的更多领域，例如有人研究了下面的工具：下面的例子就来自于我们的WayToAGI社区小伙伴，感谢他们！​•将pdf转为ppt：https://ai.feishu.cn/wiki/EgoQwSCz3iebsvk4XVCcDFnynHf​•生成n8n工作流：https://ai.feishu.cn/wiki/LvJmwviLjiV7vhkeg9IcMtL3nQS​▪MCP将自动化变得更加智能​•运维工程师很辛苦，出现线上问题后存在建群难、复盘多、重复同步背景等人工环节，此时可以开发拉群、创建知识库、消息总结三个MCP，在大模型赋能下使运维系统的更智能。​•测试人员在自动化测试时经常遇到配置复杂、记不住，可以将测试脚本升级为MCP，使自动化测试更简单、更智能。​•实际上以上的MCP一般都是对原有API的封装，难度不大，但可以通过AI编程工具+MCP配置的方式直接调用，实现了用自然语言完成自动化测试的“言出法随”的惊艳效果。​5、AI编程对不同角色的要求​