4周实测后，我发现90%程序员把AI工具用成了搜索引擎

GitHub Copilot月活突破1500万，Cursor估值冲到90亿美元，Anthropic的Claude Code刚发布就被挤爆服务器。但作者花了4周时间，每天用这些工具做生产级项目后，得出一个反直觉的结论：大多数工程师正在把AI工具当成高级版搜索引擎来用，而真正的价值完全被浪费了。

一个产品经理的"入坑"实验

作者的身份很有意思——产品经理出身，现在做技术内容。他没选那种"让AI写个贪吃蛇"的玩具项目，而是直接上了真家伙：用Claude Code重构遗留代码库，用Cursor处理跨文件依赖，用Codex CLI做自动化测试。

第一周的痛苦很典型。他像大多数人一样，输入模糊的需求，得到看似合理但处处埋雷的代码，然后陷入"提示词→复制→调试→再提示"的死循环。效率不升反降，甚至开始怀疑这些工具是不是被高估了。

转折点出现在第二周。他意识到问题不在AI，而在自己的使用方式——他在用对待ChatGPT的心态对待专业开发工具，就像用Excel的思路去写Python。

框架思维：从"提问"到"编排"

作者提出的核心类比是：AI工具是新的框架，不是新的搜索引擎。

这个区别很微妙，但决定了成败。搜索引擎是单次交互：输入关键词，获取答案，关系结束。框架则是持续协作：你需要理解它的设计哲学、掌握它的抽象层次、学会在正确的地方插入自定义逻辑。

以Claude Code为例。它的真正威力不在自然语言对话，而在工具调用（Tool Use）机制——AI可以自主执行终端命令、读写文件、运行测试，并根据结果自我修正。这意味着工作流从"人写代码→AI辅助"变成了"人定义目标→AI执行循环→人做关键决策"。

作者举了个具体场景：重构一个2000行的JavaScript文件。旧做法是复制进去让AI重写，结果变量命名混乱、依赖断裂。新做法是先用Claude Code的`/terminal`命令跑静态分析，让AI自己发现循环依赖，然后分阶段重构——先抽离纯函数，再处理副作用，最后统一接口。

整个过程他写的代码不到50行，但输出的架构比手工重构更干净。

Cursor的"上下文战争"

Cursor的差异化在于上下文管理。它的Composer功能允许AI同时查看多个文件，理解跨模块的调用关系——这听起来像基础功能，但实现难度极高。

作者测试了一个真实案例：在React项目中把Class组件迁移到Hooks。传统AI工具会生成独立的Hooks代码，但Cursor能追踪到该组件被7个父组件引用、依赖3个高阶组件、内部混用了两个生命周期方法。迁移方案自动包含了父组件的props调整、HOC的兼容性处理、以及一个渐进式迁移的TODO清单。

这种能力的代价是学习曲线。作者花了整整两天研究Cursor的`.cursorrules`文件配置，才明白如何让AI优先读取项目文档而非训练数据。但一旦配置完成，后续项目的启动成本趋近于零。

被忽视的"最后一公里"

文章最尖锐的观察是关于测试的。大多数工程师用AI写代码，但不用AI写测试——这相当于买了跑车只开经济模式。

作者用Codex CLI做了一个实验：让AI为现有功能生成测试，但附加一个约束——测试必须失败，直到实现被修正。这个"测试先行"的逆向操作，逼出了AI对边界条件的理解深度。结果生成的测试用例覆盖了作者自己都没考虑到的3个竞态条件。

更意外的是文档生成。他把Claude Code接入CI流程，每次PR自动输出变更摘要和迁移指南。以前需要专人维护的文档，现在成了副作用。

行业正在分层

作者的最后观察关于人才市场。他注意到一个分化：同一批工具，在熟练者手中产出提升300%，在新手手中反而拖慢进度。这不是工具的问题，是"框架素养"的差距。

传统框架（React、Django、Spring）花了十年建立教育体系——教程、最佳实践、认证体系。AI工具没有这些，导致大多数人停留在"能跑就行"的表层。作者预测未来两年会出现"AI原生工程师"这个新标签，不是指会用AI的人，而是指能像设计系统一样设计AI协作流程的人。

他举了个招聘市场的信号：已经开始有公司在JD里要求"熟练使用Claude Code/Cursor进行大型代码库重构"，并开出比传统全栈高30%的薪资。这不是炒作，是早期市场定价。

文章结尾，作者放了一个自己的使用数据：4周内，他交付了相当于以往8周的工作量，但代码提交频率下降了40%——因为单次变更的体积变大了，从"修bug"变成了"重构模块"。

这个数据引出一个他没回答的问题：当AI工具把"写代码"变成"审代码"，代码审查的标准该怎么变？