用Claude Code+sub-agents做全栈开发：国产AI 编程四大金刚测评，天花板在哪？

用Claude Code+sub agents做全栈开发：国产AI 编程四大金刚测评，天花板在哪？ 用Claude Code+sub agents做全栈开发：国产AI 编程四大金刚测评，天花板在哪？ Modified September 11, 2025 不得不 退回常规版本 ，但。。知道慢，没想到这么慢啊！！ 网站完整跑完➕修复bug，加起来花了6个小时 但总算是通关了 消耗数据: 由于 Kimi 运行太久了，从晚上 10点到凌晨 4 点，接近 6 个小时，任务又多，导致程序意外退出，没了这部分数据。 后台账单数据 8.27 日12.3元，还有 8.28 日的没出账单，粗略估算可能在 20元左右（估算逻辑：27 日 2 个小时➕28 日 4 个小时 ） Deepseek V3.1 中国大模型的希望来了，说实话 v3.1 发布后一直没正儿八经的用 这次可以好好观摩一下了： Code block Plain Text export ANTHROPIC BASE URL=https://api.deepseek.com/anthropic export ANTHROPIC AUTH TOKEN=${DEEPSEEK API KEY} export API TIMEOUT MS=600000 export ANTHROPIC MODEL=deepseek chat export ANTHROPIC SMALL FAST MODEL=deepseek chat 同样是跑完后有小问题，网站打不开，但问题不大，复制报错信息给它自己修复： blog 系统依然不能用，但也是小问题，继续让修复 消耗数据： Code block Plain Text Total cost: $70.64 (costs may be inaccurate due to usage of unknown models) Total duration (API): 3h 4m 25.1s Total duration (wall): 3h 30m 38.7s Total code changes: 15654 lines added, 435 lines removed Usage by model: deepseek chat: 1.2m input, 6.6k output, 1.1m cache read, 0 cache write claude sonnet: 20.8m input, 190.3k output, 4.3m cache read, 0 cache write 实际上后台扣钱是：9.38，所以 Total cost 这里是不准的，可以忽略，后面看 token消耗就好 页面横向对比 终于到了最重要的对比环节了。 以下就是各个大模型生成的网站首页全景图，你们更喜欢哪个呢： GLM4.5 不得不 退回常规版本 ，但。。知道慢，没想到这么慢啊！！ 网站完整跑完➕修复bug，加起来花了6个小时 但总算是通关了 消耗数据: 由于 Kimi 运行太久了，从晚上 10点到凌晨 4 点，接近 6 个小时，任务又多，导致程序意外退出，没了这部分数据。 后台账单数据 8.27 日12.3元，还有 8.28 日的没出账单，粗略估算可能在 20元左右（估算逻辑：27 日 2 个小时➕28 日 4 个小时 ） Deepseek V3.1 中国大模型的希望来了，说实话 v3.1 发布后一直没正儿八经的用 这次可以好好观摩一下了： 同样是跑完后有小问题，网站打不开，但问题不大，复制报错信息给它自己修复： blog 系统依然不能用，但也是小问题，继续让修复 消耗数据： 实际上后台扣钱是：9.38，所以 Total cost 这里是不准的，可以忽略，后面看 token消耗就好 页面横向对比 终于到了最重要的对比环节了。 以下就是各个大模型生成的网站首页全景图，你们更喜欢哪个呢： GLM4.5 结合前面的表现，可以给测评下结论了： • 前端页面的审美：布局、组件一致性、响应式表现 颜值就是正义，审美是要放到第一个来看的。 从成品上看，GLM是最完整的； 但从审美上，我个人还是感觉 Kimi K2 要更胜一筹； 其实隐约可以看到 deepseek 的网站如果修复一下 css 的问题，应该也能好看，起码比 qwen3 要好； 毕竟qwen 出来的网站是真的朴素。 排名：Kimi K2 GLM4.5 Deepseek v3.1 Qwen3 coder • 性能与开发效率：生成速度、上手门槛、出错率、修正难度 这次测评，让饼干哥哥再一次深刻感受到「速度」有多重要了，也理解为什么kimi 要单独把速度提升这件事单独来讲——真的跑个任务要等几个小时好煎熬。 整体上，qwen 无疑是最快的，虽然它的快属于是脱缰野马，但就是快，16 分钟就搞完了； 接着是 glm4.5，花了 1 个半钟； 其次是 deepseek v3.1，花了整整 3 个多小时； 最后 kimi k2，真是慢出天际了，到 6个小时了。 排名：Qwen3 coder glm4.5 deepseek v3.1 kimi k2 • 任务理解能力：对业务需求/细节的还原度（如 API 集成、内容动态渲染） 从提示词的执行上，基本上都能满足对 sub agents 的调用，除了 qwen； 对，它不知道干嘛，一开始就调用失败后就放飞了，纯 AI 自己把需求跑完 排名：Kimi k2 = GLM4.5 = DeepSeek v3.1 qwen3 coder • 常见问题与“翻车”点：API 兼容性、依赖安装、部署卡点等 整体上大家的出错率、修正难度都差不多，都在第一次dev 后网站 css 问题打不开、以及后端 blog 系统的对接，但最后也是简单修复即可用， 但也要说，kimi k2 在最后 pnpm dev 后打不开网站，一直卡在修复问题上挺久的，所以扣分。 排名： GLM4.5 = DeepSeek v3.1 =qwen3 coder Kimi k2 • 性价比：消耗 Token/次数、价格、产出效率（结合实际成本测算） 按 Claude Code 的统计消耗的话： GLM4.5 I/O：1,521.6k tokens，cache 83k tokens，总共1,604.6k tokens； Qwen3 Coder I/O：15,800k tokens，cache 0 token，总计：15,800k tokens； Deepseek I/O：22,196.9k tokens，cache 5,400k tokens， 总计：27,596.9k tokens； 具体看后台扣费： GLM 是6.67 元 Deepseek 是9.38 元 Kimi 是 20元左右（估算） Qwen 用的魔塔没扣费，但按上次的经验，不会少，暂约等于 kimi 吧 注意，以上费用是当前模型累计的扣费，包括调试测试等，而不是纯粹是单次任务的。 排名：GLM4.5 DeepSeek v3.1 Kimi k2 ≈ qwen3 coder 最终可以得到雷达图排位。 可以看到面积最大的 GLM4.5 无疑是这场测评中的赢家 接着是 DeepSeek V3.1、Kimi K2，最后是 Qwen3 coder 得出结论是， 在国内，AI Coding 首选是 GLM 4.5， 这个在当前语境下没毛病。 从模型混战到“Agentic”工作流的未来 这次对国产四大AI编程模型的横评，与其说是一场性能竞赛，不如说是一次对未来开发范式的预演。 评测结果固然重要——GLM 4.5 凭借其综合表现拔得头筹，但我更看重结果背后的趋势： AI编程已从“单点工具”进化为由 sub agents 协同的“工作流伙伴”，竞争的焦点不再是单纯的代码生成，而是复杂的任务规划与协同能力。 这也预示着开发者角色的根本转变：我们正从“编码者”进化为“AI架构师”。 未来的核心竞争力，将是 如何设计精准的需求、搭建高效的Agent团队 ，并在关键节点进行监督与干预。 这场国产AI的“神仙打架”只是一个开始，真正重要的是，我们该如何驾驭这些日益强大的工具，重塑人与代码的协作关系。 🔗 原文链接： https://mp.weixin.qq.com/s/mQDjRoDv... https://mp.weixin.qq.com/s/mQDjRoDv... 原创 饼干哥哥 饼干哥哥AGI2025年08月28日 15:30 美国 8月，国产AI编程在全球范围内都杀疯了。 海外有一个叫Design Arena的平台，通过真人测评的方式对模型和工具进行排名。 如果我们把条件设为「开源」，就会发现，TOP15 都是中国的大模型 说白了，就是给 DeepSeek、GLM、Qwen、Kimi 包圆了。 而他们最近都在主打 Agentic编程能力。 我一直很好奇，他们在 真实落地 的开发场景里，真的能打吗？如果能，他们的天花板差距又在哪？ 为了搞清楚这个问题，我决定直接上真实项目，来场国产AI编程大模型「四大金刚」的测评。 需求起源是我自己的创业公司 NextGrowthSail 需要一个官网。我们是做AI出海营销的，所以官网得像样点，不仅要展示业务、案例，还得有一个独立的Blog模块，用来做内容营销，吸引谷歌的流量。 这个需求，可以说是每个创业公司的标配了。 这个「全栈开发」任务，直接丢给它们最强的型号： GLM 4.5、Kimi K2、DeepSeek V3.1、Qwen3 coder。 同时为了发挥它们最强的实力，直接用 Claude Code ，加上 sub agents 这种更高级的协同工作模式。 项目有两个难点： 1. 非主流框架 ：用的是 Astro， 它在出海圈内口碑很好，网站速度飞快，对谷歌SEO特别友好，但又相对小众， 非常考验AI模型的知识储备和应变能力。 2. 前后端衔接 ：现在很多AI编程工具只会帮你写前端页面，一提到后端和数据交互就“置若罔闻”。所以也要上后端，用 WordPress headless CMS ，AI必须搞定前端Astro怎么通过API去拉取WordPress里的博客文章，并动态展示出来。 也就形成了这次的技术方案， Claude code+sub agents 做全栈开发：前端网站 Astro +后端服务wordpress headless 考核维度： • 前端页面的审美： 布局、组件一致性、响应式表现 • 性能与开发效率： 生成速度、上手门槛、出错率、修正难度 • 任务理解能力： 对业务需求/细节的还原度（如 API 集成、内容动态渲染） • 常见问题与“翻车”点： API 兼容性、依赖安装、部署卡点等 • 性价比： 消耗 Token/次数、价格、产出效率（结合实际成本测算） 插一句，为什么没把国外的闭源大模型在放进来，一是实力确实还有差距，二是在国内的话真正能用上海外大模型的还是真少数，所以还是希望国产模型能做好，才真正能AI普惠。 OK，接下来，也带大家看一下， 如何完整的用cc跑一个带seo blog的出海网站。 Claude Code Sub agents准备 之所以要用Sub agents， 是因为复杂任务必须“分而治之”，避免AI陷入混乱。 否则，单个AI在处理全栈开发这种长流程任务时，极易丢失上下文、搞混需求。 那 如何在Claude Code中创建Sub agents呢？ 在项目文件夹下新建 .claude/agents/ 目录，然后把以上的提示词单独做成 .md 文件放入 怎么写？交给AI就好了 其中，sub agents 的 md 文件的写法要注意，开头写name、description，例如： CC 才能像如图这样正确调用： 不同颜色的块代表不同的 sub agent 在执行任务 这样就有5个sub agents： frontend developer.md 前端开发专家，负责使用Astro框架开发高质量的响应式网站界面和现代化UI实现。 wordpress integrator.md WordPress集成专家，负责建立WordPress headless CMS的API连接、数据获取和内容管理系统对接。 blog developer.md 博客系统开发专家，负责实现博客功能的动态路由、内容渲染、搜索功能和SEO优化。 ui designer.md UI/UX设计专家，负责网站的视觉设计系统、用户体验优化和品牌一致性保证。 project coordinator.md 项目协调专家，负责整体项目管理、质量控制、进度跟踪和各代理间的协调配合。 这套 sub agents形成的全栈开发流程是这样： WordPress Headless CMS 部署 由于后端的 WordPress Headless CMS 部署涉及 docker，很麻烦 因为我们测评核心还是看 AI 对前后端接口衔接的能力，所以，我提前处理好了这部分，让 AI 以这个为起点去完成全栈开发。 我以为我处理好了，这里记住，后面要考 Claude Code运行 基于前面所有的要求，可以让AI出一个运行提示词，确保把所有sub agents都用上： 然后开启无需确认的狂奔模式： 接下来，会讲跑的过程，要先把智谱的看完，这是最完整的。 而 每个模型跑出来的最终结果网站我统一放到 最后 来展示和测评 ，如果等不及的也可以直接拉到文末看。 智谱 GLM4.5 设置方式： 进入后，没什么好说的，直接把前面设计好的提示词放进去即可。 Claude Code不愧是最好用的AI编程工具，中间完全没有断开的现象。 所以去接杯咖啡，甚至打个盹，等待任务跑完即可。 但在成品网站上看，blog模块的报错了也就是没有内容。 这时我要生气了，等了这么久，就这？ WordPress 都在 docker 里运行的好好的，怎么就没接上呢 当我要骂人的时候，看到一行 「很明显，WordPress没安装好」，接着自动弹窗浏览器显示 WP 的安装向导 那刻，我是真尴尬了 但我不管，AI 就是牛马，没装好你不会帮我装吗？ 好吧还真不行，要自己设置 装好后运行还报错，发现是 固定链接 这里没弄好，还是AI给指引，设置好了。 此时，blog 就丝滑能看到 wp 的文章了。 至此智谱完全通关了 消耗数据: 上面 Claude Code 的数据不准 我从后台导出报表，算了一下，扣了 6.67 元 感兴趣可以继续往下看各模型表现；等不及可以直接跳文末看结论。 Qwen3 coder 上个月刚出的时候，我就被它循环报错坑了80元 这次是魔塔社区可以免费调用2000次/天，我才敢用它： 一开始确实跟其他模型一样调用 sub agents ，但没成功，后来就自己硬写了。。。 我提示词明确说了用pnpm 做包管理，它硬是要用 npm，我还能说什么呢 看人家 glm都乖乖的用 好在最后能顺利跑出来网站，是真的快，大概不到 20 分钟的样子 但 blog 依旧不能用，问题不大，让他自己修复： 也是很快解决了，虽然有中文乱码，但这是小问题了，很快能解决，这里就不细究了，接着下一个。 消耗数据： Kimi K2 Kimi老熟人了，之前就跑过case，效果都不错： 7000字深度对比Claude4、Kimi k2和云听AI，谁才能真正在商业洞察落地？ 两句话，让Claude Code + Kimi K2 跑了3小时爬完17个竞品网站、做了一份深度市场数据分析报告 月初的时候发布了高速版本，正好试下 按如下操作切换到新的 kimi k2 turbo preview ，就是快速版本了 一运行吓我一跳，咋就完全跑不了，重新退出重来还是这样。所以高速版本有bug无疑了。 Qwen3 coder Deepseek V3.1 Kimi K2