Blog

1. 以个税起征点提案切入
2. 引入自己作为程序员的收入状况
3. 结合自己使用的数码产品（ThinkPad X1 Carbon 2022，i7-1260P，16GB内存，512GB SSD）
4. 体现”刚好卡在临界点”的状态
5. 写得像技术博客一样自然
6. 技术细节要具体
7. 避免空洞形容词、模板化表述和硬推广
8. 重点放在”遇到了什么问题”、”如何解决的”、”效果如何”
9. 字数1500字以上

主题：个税起征点提案 + 程序员收入状况 + 数码产品使用

切入点：刷到个税起征点提案热搜

程序员身份：二线城市，税前19000左右

数码产品：ThinkPad X1 Carbon 2022，i7-1260P，16GB内存，512GB SSD

问题：
1. 16GB内存不够用，多开浏览器标签+IDE+Docker就卡
2. 续航尿崩，官方说15小时实际只能用7-8小时
3. 风扇噪音大

收入卡在临界点：19000元，刚好过了起征点但有没有很高

我开始思考如何用技术博客的笔触描绘这种状态。通过具体场景和实际体验，展现收入临界点的微妙处境。键盘手感成为我关注的重点，这是ThinkPad一直以来的传统优势。我将用细腻的笔触描写这款笔记本的细节，不经意地呈现产品特性，同时探讨收入与消费之间的平衡。

# 刚刷到个税起征点提案，我算了下自己的收入后突然失眠了

作为一名程序员，我平时刷的内容要么是技术博客、数码产品发布会，要么就是GitHub trending。但昨天微博热搜上出现的一个话题让我停下了刷手机的手——个税起征点调整的提案。

先说收入。我在二线城市一家中型互联网公司，做后端开发，5年工龄，月薪税前19000，年底有个月把的年终奖。扣除五险一金和个税，每个月到手大概14000出头。专项附加扣除我填了房贷和赡养父母，每个月能减掉大概1000多的应税收入。

我拿计算器算了一下。按照现在的5000起征点，我每个月纳税大概800多块。如果起征点调到8000，我每个月能少缴400左右，一年就是4800。如果调到10000，一个月能少700多，一年接近9000。

这个数字让我开始认真思考一些问题。

—

## 刚好卡在临界点的收入

我现在的收入水平挺尴尬的。19000的月薪，在二线城市不算低，但你要说高吧，也真不算高。房贷每个月6000，养车2000，日常开销3000左右，每个月能存下来的也就3000-4000。

而且我知道，如果下个月涨薪到21000或者22000，我进了更高的税率档，实际到手的增加远没有账面那么多。这种感觉就像买手机的时候在中间档位纠结——配置够用吧又差点意思，多花钱升级吧又觉得冤得慌。

我之前跟同事聊过这个问题。大家普遍的感觉是，5000的起征点确实有点低了。现在这个物价水平，5000块在二线城市也就是刚好够个温饱。我那些做运维的同事有的还不到这个数，每个月纳税也就是百八十块的事情。但对于我们这种收入稍微高一点的，卡在中间其实挺难受的——既没有高到可以无视这几百块的税，也没有低到能理直气壮地觉得自己该少交点。

所以当看到有代表提案提高个税起征点的时候，我的第一反应是：这提案要是通过了，对我这种收入段的人其实是最大的利好。涨3000的底薪不一定轮得到我，但起征点上调是实打实的减负。

—

## 聊聊我正在用的这台电脑

铺垫完收入情况，我想聊聊我正在用的这台ThinkPad X1 Carbon。

我是2022年买的，当时配置是Intel Core i7-1260P，16GB LPDDR5内存，512GB NVMe SSD，14英寸2.8K OLED屏幕。这台机器当时花了12000多，用了两年多了。

先说好的地方。键盘手感确实舒服，比我之前用的MacBook Pro好太多。重量也轻，1.12kg左右，出差背着完全没问题。接口丰富，HDMI、USB-A、Thunderbolt 4都有，不用整天带着转接坞。OLED屏幕显示效果很棒，看视频、写文档都很享受。

但有些问题确实影响到我的日常体验了。

首先说内存。16GB在现在这个时间点确实有点吃紧。我平时工作需要同时开IDE（JetBrains家的，懂的都懂）、浏览器二三十个标签页、Docker跑几个容器、有时候还要开虚拟机做测试。Chrome和Edge浏览器是真的费内存，标签页开多了就开始swap，机器变得卡顿。Docker Desktop开起来也要吃掉2-3GB。我算了一下，日常开发环境跑下来，内存占用经常在14GB左右徘徊，剩给系统的余量很少。

这就很尴尬了。我记得当时买的时候，16GB是主流配置，32GB的要加3000块，我咬咬牙没舍得。现在两年过去了，软件越来越肥，16GB确实不够看了。有几次我同时开IDEA、Chrome和Docker，机器直接开始用swap分区，那个卡顿真的让人想砸电脑。

续航也是个问题。官方宣传能跑15小时，实际上我开个省电模式，写代码也就是7-8个小时的样子。如果是跑编译或者Docker容器，5小时就见底了。这还是intel第12代处理器之后的改进版，之前那代续航更惨。我有一次出差忘了带充电器，下午两点多在客户那边演示项目，电量告急只能用手机开热点回公司远程桌面，场面相当狼狈。

风扇噪音 тоже是个问题。这代X1 Carbon用的是单风扇设计，散热能力有限。我跑个maven编译或者打包Docker镜像，风扇转速就上去了，那个声音在安静的会议室里特别明显。有次我跟产品经理开会，正讲到关键的地方，风扇突然狂转，嗡嗡的声音让我自己都听不清自己在说什么。

这些问题加在一起，让我开始琢磨要不要换机器。

—

## 我做了哪些优化

在换机器之前，我还是试着抢救了一下这台老朋友。

内存是没法加了，板载的焊死在主板上。于是我研究了一些软件层面的优化。首先是把浏览器标签页管理好，装了个Tab Suspender之类的插件，定期清理不用的标签页。其次是把Docker的内存限制调了一下，给每个容器设置了合理的内存上限，不要让它无限制地吃内存。这些措施能稍微缓解一下，但治标不治本。

续航方面，我Windows电源管理设置为节能模式，屏幕亮度调到70%使用，关掉不必要的后台服务。Intel的EVO平台有个动态电源管理技术，可以在一定程度上延长续航。实际用下来，不带充电器出门撑大半天问题不大，但要是一整天在外面跑，还是得四处找插座。

风扇噪音这个问题比较棘手。我试过拆开机器清灰换硅脂，确实有效果，但改善有限。intel 12代和13代的P系列处理器功耗控制本来就不是强项，发热量大是客观事实。后来我学乖了，编译任务尽量安排在早上或者晚上非工作时间做，或者直接扔到公司的CI服务器上跑，自己本地只负责写代码。

—

## 收入和电脑，我都在临界点挣扎

写到这里，我突然觉得挺有意思的。

收入方面，我卡在19000这个不大不小的数字上。个税起征点从3500调到5000是2018年的事了，距今已经7年。这7年里，我的工资从刚毕业的8000涨到了19000，但起征点没变。房价涨了，物价涨了，个税起征点还是5000。每次涨薪，一半的喜悦会被更高税率档吃掉的恐惧抵消。

电脑方面，我也卡在16GB内存这个不上不下的配置上。8GB不够用，32GB又太贵，16GB刚好卡在中间难受。2022年买的时候觉得够用，现在两年过去，软件越来越肥，硬件性能不够了。

这两件事看似不相关，但本质都是同一个问题：临界点的状态最尴尬。往上走一点吧，要付出不成比例的代价；原地不动吧，又确实不够用。

个税起征点如果能调到8000或者10000，对我来说是最实在的利好。不需要公司给我涨薪，不需要额外的绩效考核，只需要政策调整一下，每个月就能多出几百块。这几百块我可以买几个月的云服务器，可以升级一下自己的开发环境，甚至可以攒下来等明年换个32GB内存的新电脑。

至于现在，先凑合着用吧。等哪天16GB内存彻底跑不动了，我就该考虑换机器了。或者，说不定到时候个税起征点已经涨上去了，我到手的钱多了，换个电脑也更有底气。

现在需要重新写，要点：
1. 自然的技术博客风格
2. 重点在问题、解决、效果
3. 产品信息自然融入
4. 禁止硬推广和模板化
5. 1500字以上

让我重新构思这篇文章：

开头：直接切入场景，不用”今天来分享”这种套路
问题：真实的发布痛点
解决：选型过程、最终方案
效果：具体的数据和改变
反思：客观呈现优缺点

要注意：
– 去掉”作为一个有十年工作经验的程序员”
– 去掉”让我带大家一起”
– 去掉”相信我”
– 去掉”安全性方面，请放心”这类话
– 去掉空洞形容词：丝滑、丝般顺滑、完美、极致等
– 保留技术细节但不要过度（IP地址等可以简化）
– 客观呈现，提到工具时不强行吹捧
– 结尾可以反思不足和后续计划

让我重新写：

# 一次发布事故后，我花了两周时间把部署流程彻底改了

## 事故

去年双十一前的那次故障，我现在还记忆犹新。

晚上十点多，正在家里准备休息，突然钉钉疯狂响——线上报警，核心接口大量504超时。赶紧爬起来开电脑，一顿排查，最后发现是发布时漏了一个数据库迁移脚本，导致用户下单接口直接报错。

故障持续了四十多分钟，影响了大概几千名用户。事后复盘，问题很清晰：我们每次发布都是纯手动操作——登录服务器、拖代码、执行SQL、逐台重启。那天晚上那位同事急着上线新功能，漏了一个步骤。

## 我们的情况

当时我负责的后端服务跑在5台ECS上，4核8G的配置，CentOS 7.9系统，Java Spring Boot应用部署在Tomcat里。每次发布，我们先在本地打war包，然后通过SSH连到每台服务器，停止Tomcat、替换war包、启动、跑数据库脚本。一套下来最少二三十分钟，大版本更新还要提前定停机窗口，通知所有人。

手动发布有两个要命的问题：一是环节多容易出错，二是出问题回滚极其困难。我记得有一次发版后发现严重bug，回滚花了将近一个小时，那一个小时线上一直报错，用户体验可想而知。

这次事故成了导火索。我下决心要把发布流程自动化。

## 尝试

一开始自然想到业界成熟的方案。Jenkins是最主流的，考察了一圈，功能确实强大，但我们团队就三个后端开发，Jenkins的复杂度有点杀鸡用牛刀的意思，光配置流水线就得花不少时间，而且界面实在不算现代。

GitLab CI也不错，集成在GitLab里很方便。但我们代码托管在Gitee，集成起来别扭。GitLab Runner还要单独部署，维护成本不低。

后来试了阿里云云效。服务器本身就托管在阿里云，云效的Agent可以直接通过控制台安装，配置起来确实省事。但免费版限制太多——流水线并发数、构建时长，每个月都得精打细算，有几次差点因为额度问题耽误发布。

兜兜转转，我决定自己写一套轻量级的自动发布脚本。核心思路很朴素：利用SSH批量执行命令，配合Shell脚本完成部署。这个方案完全可控，不受任何平台限制，出了问题排查也方便。

## 实现

前后花了大约两周时间，写了一套基于SSH的批量部署脚本。

核心逻辑是：本地打包后，通过Python脚本利用paramiko库连接所有服务器，分发war包，然后远程执行部署脚本。脚本会先停止Tomcat，备份当前版本，部署新版本，启动Tomcat，最后检查健康状态。任何一步失败都会自动回滚。

“`python
import paramiko
import subprocess
import os
from datetime import datetime

# 服务器配置，IP做了脱敏
servers = [
{‘host’: ‘172.16.1.101’, ‘port’: 22, ‘user’: ‘deploy’},
{‘host’: ‘172.16.1.102’, ‘port’: 22, ‘user’: ‘deploy’},
{‘host’: ‘172.16.1.103’, ‘port’: 22, ‘user’: ‘deploy’},
{‘host’: ‘172.16.1.104’, ‘port’: 22, ‘user’: ‘deploy’},
{‘host’: ‘172.16.1.105’, ‘port’: 22, ‘user’: ‘deploy’},
]

def deploy_to_server(server_info):
“””部署到单台服务器”””
ssh = paramiko.SSHClient()
ssh.set_missing_host_key_policy(paramiko.AutoAddPolicy())

# 使用密钥连接
pkey = paramiko.RSAKey.from_private_key_file(‘/path/to/private_key’)
ssh.connect(
hostname=server_info[‘host’],
port=server_info[‘port’],
username=server_info[‘user’],
pkey=pkey
)

# 执行部署命令
commands = [
‘systemctl stop tomcat’,
‘cd /app/tomcat/webapps && rm -rf ROOT ROOT.war’,
‘cp /tmp/deploy/ROOT.war .’,
‘systemctl start tomcat’,
]

for cmd in commands:
stdin, stdout, stderr = ssh.exec_command(cmd)
exit_code = stdout.channel.recv_exit_status()
if exit_code != 0:
error = stderr.read().decode()
raise Exception(f”命令执行失败: {cmd}, 错误: {error}”)

# 检查应用是否启动成功
time.sleep(15)
stdin, stdout, stderr = ssh.exec_command(‘curl -s http://localhost:8080/health’)
if ‘ok’ not in stdout.read().decode():
raise Exception(“健康检查失败”)

ssh.close()
“`

实际使用时，部署流程变成了一条命令：

“`bash
python deploy.py –version v1.2.3 –env production
“`

脚本会自动完成：本地编译 → 上传包到所有服务器 → 逐台部署 → 健康检查 → 记录版本。整个过程完全透明，出了任何问题都能看到具体在哪一步失败。

## 效果

上线后的效果很明显：

– 发布时间从20多分钟缩短到3分钟左右，主要是等待健康检查的时间
– 再也没有漏过任何部署步骤，所有操作都在脚本控制下
– 回滚变得非常简单，一条命令就能回滚到上一个版本
– 每次发布都有完整的日志记录，谁在什么时候发布了哪个版本，一目了然

最关键的是，那之后再也没有出现过因为发布导致的生产故障。当然，这不完全是自动化部署的功劳——流程规范了，人的失误自然就少了。

## 不足

自己写的脚本有几个问题：

– 缺乏可视化管理界面，团队其他同事用起来不太直观
– 没有内置的审批流程，有时候紧急发布容易绕开检查
– 告警机制比较简陋，只做了基本的邮件通知

这些是后续可以考虑改进的方向。

## 总结

这次改造并不复杂，前后两周的业余时间就完成了。但对团队的实际帮助很大——不仅是效率提升，更是把发布这件事从”人为操作”变成了”可控流程”。

如果你也面临类似的手动发布困扰，可以先从小脚本开始，未必要一步到位搭建完整的CI/CD体系。解决实际问题最重要。

1. Write naturally like a technical blog post, not a product review
2. Focus on “I encountered what problem”, “how I solved it”, “what was the result”
3. Product information should be naturally integrated into technical content, not deliberately promoted
4. No hard selling, template expressions, empty adjectives
5. Avoid using many # headings, at most 1-2
6. Use natural paragraphs, like telling a story
7. Word count: 1500+ characters

The user mentioned trying three domestic AI tools: 豆包 (Doubao), DeepSeek, and presumably one more (probably 百度的文心一言/ERNIE Bot).

Let me rewrite this in a more natural, storytelling way without the obvious “评测” format. I’ll avoid the template-like section headers and focus on personal experience with technical details.

Key points to include:
– Authentic technical details and benchmark data
– Real technical analysis
– Complaints and emotions are fine
– Natural Chinese internet language
– About 1500+ characters (Chinese characters)
– Include 1-2 headings maximum at most
– Use natural paragraphs

Let me write this now.

# 国内AI工具我用了仨，聊聊真实感受

上个月公司让我负责一个内部知识库的搭建，正好需要大量文案润色和代码重构的工作。之前一直用的是ChatGPT，后来账号出了点问题，就寻思着转战国产AI工具。好家伙，这一用才发现，国内这帮AI产品真是各有各的脾性。

我主要用了三个：字节的豆包、百度的文心一言，还有DeepSeek。每个人的使用场景不太一样，有的写文案顺手，有的debug强，有的纯粹就是响应快。用了差不多两个月吧，有些话不吐不快。

先说豆包吧，不得不说字节在响应速度这块是真下功夫了。我测试的时候，豆包基本3秒以内必出结果，有时候甚至1秒就给你蹦出来一大段。这点对于需要快速出初稿的场景特别友好，比如我写产品介绍文案的时候，经常先用豆包过一遍框架，它那个思路还挺清晰的。

但问题在于，豆包的输出深度确实不太够。我让它帮我分析一个技术方案的可行性，给出来的回复总感觉隔靴搔痒，说不到点子上。比如我之前问了一个关于Kubernetes集群滚动更新策略的问题，它给了一堆正确的废话，什么“建议采用蓝绿部署”、“注意回滚机制”之类的，但具体到我们公司那种多租户场景下怎么配置资源配额、怎么控制Pod的驱逐优先级，它就答不上来了。还有一个让我比较难受的点，是豆包的多轮对话能力有点弱。我跟它聊一个复杂问题，聊到第三轮的时候它就开始犯糊涂，经常忘记前面提到的上下文。这点对工作效率影响挺大的，因为你需要不断重复背景信息，沟通成本反而上去了。

DeepSeek这货我是真又爱又恨。论写代码的能力，在国产AI里它算是排得上号的。之前我有个Python脚本需要重构，用的是pandas处理一个大概50万行的CSV文件，原来那代码跑一次要40多分钟，我让DeepSeek帮我优化了一下，它给我加了向量化操作、多进程、还改了点逻辑，最后跑下来居然只要3分钟多一点，当时我都惊了。这是真的帮了大忙。

但DeepSeek有个致命问题，就是不稳定。有的时候它表现得像个大神，有的时候则像在梦游。同样的问题，换个问法或者换个时间段，得到的答案质量能差出十万八千里。我怀疑可能是他们服务器负载的问题，高峰期明显感觉智商下降。而且DeepSeek有时候会自信满满地给你一个错误答案，特别是在一些边界情况的处理上，它不会告诉你这个方案可能有风险，而是直接笃定地说“这样就行”。有一次它给我写的一个SQL查询，语法完全错误，我跑都没跑直接报错，浪费了我debug的时间。

至于文心一言，怎么说呢，我的感觉是它更像一个“六边形战士”，各方面都还行，但各方面都不是最突出的。写中文文案的时候，文心一言对中文语境的理解确实比另外两个好一些，特别是在一些成语、俗语的使用上，明显更地道。你让它写个活动策划案啥的，出来的文案读起来挺舒服的，不会有那种浓烈的“机翻味”。

不过文心一言有个让我很无语的问题，就是它太“听话”了。有时候我需要一些有挑战性的方案，比如让我逆向思考一个问题，或者质疑某个业界主流做法，它的回答总是四平八稳滴水不漏，但就是缺少那种让人眼前一亮的insight。这可能跟百度的合规要求有关系，理解归理解，但用起来确实少了点意思。

说了这么多，其实我的感受是，国产AI工具现在确实能用了，但还没到能完全替代人工的程度。我现在的策略是组合使用：写初稿用豆包，找它要速度和框架；写代码用DeepSeek，找它要骚操作和性能优化；写对外的文案用文心一言，找它要地道和得体。各有各的用法场景，没必要非得分个高下。

唯一希望的是这些厂商能尽快把响应速度、输出稳定性和多轮对话这几个基础功给打扎实了，别整那些花里胡哨的功能，先把可用性提上去再说。毕竟对于我们这种天天要用的人来说，“能不能好好干活”比“功能有多酷”重要一百倍。

1. 像写技术博客一样自然分享，不是写产品评测
2. 重点放在”我遇到了什么问题”、”如何解决的”、”效果如何”
3. 产品信息自然融入技术内容中，不是刻意推荐
4. 禁止硬推广、模板化表达、空洞形容词
5. 禁止大量使用#标题，最多1-2个
6. 用自然段落叙述，像讲故事一样
7. 字数：1500字以上

原文问题分析：
– 标题太口语化”你们都用的啥AI啊”
– 段落间衔接不够自然
– 有点像是产品对比评测而不是技术博客
– 有些表达太随意如”tm”
– 结尾不完整（元宝部分中断了）
– 有些形容词太空洞如”真香”

我需要重写成一个更有技术博客质感的故事型文章，重点讲：
1. 背景：从抗拒AI到真香的故事
2. 实际工作中遇到的问题
3. 如何用AI解决这些问题
4. 踩过的坑和教训

需要保留的核心内容：
– 从CV工程师到AI玩家的转变
– Kimi的使用体验（对中文代码理解好、长文本处理能力）
– 遇到的槽点（回答保守、代码风格保守）
– DeepSeek：代码能力强但有时过度炫技，速度慢

– 通义千问：前端和Java表现不错，但上下文记忆有时不稳定
– 豆包、元宝：UI好看但编程能力较弱

我将深入探索通义千问在Java和前端开发中的具体应用，挖掘其独特优势。通过实际项目案例，展示它在不同编程场景下的表现，重点关注其上下文理解和技术细节处理能力。

每个AI编程助手都有其局限性，关键是找到最适合自己的工具。不同的AI产品在不同场景下各有特色，需要根据具体需求灵活选择。

# 我与AI编程助手的一年：从抗拒到真香

说实话，两年前我还是很抗拒用AI写代码的。那时候觉得写代码这件事，考验的就是自己对技术的理解和对细节的把控，AI能帮我什么？复制粘贴的事情自己动动手不就行了。直到有一次重构一个Go微服务，三千多行代码要改成支持WebSocket长连接，累得半死不说，还引入了Goroutine泄漏，查了整整两天才定位到问题所在。后来朋友推荐我用Kimi试试，说这玩意儿对中文语境理解特别到位。我心想试试就试试，结果——彻底改变了我的工作方式。

现在我的工作流已经离不开AI了。写业务代码让它帮我生成样板代码，查Bug让它帮我分析堆栈，看不懂的开源库让它给我讲原理。用了一圈下来，发现这些AI工具真是各有各的脾气，有的擅长写前端，有的擅长聊架构，有的嘛——纯属添乱。

## 一次意外的重构经历

去年初我负责重构一个内部的Go微服务，原来是个简单的REST API，需要改成支持WebSocket长连接。这项目代码量说大不大，说小也不小，三千多行。我一边改一边心里打鼓，生怕出什么问题。结果怕什么来什么，重构完上线第二天，运维就找过来了——服务内存持续增长，怀疑有Goroutine泄漏。

我对着代码看了半天，硬是没发现问题在哪。无奈之下试着把整个服务代码丢给了Kimi，让它帮我分析可能的内存泄漏点。说实话当时没抱太大希望，毕竟代码里一堆中文注释和业务逻辑描述，有些变量名我自己都嫌长。结果Kimi不仅准确理解了代码结构，还指出了几处可能存在问题的defer语句和channel操作。我顺着它给的线索查下去，果然在某个WebSocket连接管理的逻辑里找到了泄漏点——disconnect的时候没有正确关闭channel，导致goroutine一直在等待。

这次经历让我对AI写代码这件事彻底改变了看法。不是说AI能替代我写代码，而是它能帮我从大量代码中快速定位问题，这本身就是巨大的效率提升。

## Kimi：主力工具，用得最多吐糟也最多

Kimi算是我的主力工具了，用了大概一年多。整体感受是对中文代码的理解在第一梯队，长文本处理能力很强。

我主要用Kimi辅助写Python和Go。先说好的方面：它对中文注释的代码理解很到位，不会像某些AI一样把中文变量名理解成乱码。之前帮学弟调试一个Django项目，代码里满满的中文注释和业务逻辑描述，Kimi基本能准确理解我的意图。这点对中文开发者来说其实挺重要的，毕竟不是所有项目都有完善的英文文档。

长上下文是Kimi的杀手锏。我试过把一个一千五百多行的Rust代码文件直接丢给它，让它帮我找潜在的内存安全问题。它居然能正确理解整个文件的结构，还指出了几处可能存在use-after-free的地方。当然，准确性不是百分之一百，但作为第一轮筛查已经相当不错了，省了我不少功夫。

槽点也有。首先就是回答太保守了，典型表现就是“我建议”、“可能”、“或许”这种车轱辘话来回说，有时候我需要的是明确的yes或no，它倒好，说了一堆等于没说。其次生成的代码风格偏保守，可能是为了兼容性考虑，代码总是写得比较“规整”，缺了点灵性，有时候显得过于啰嗦。

## DeepSeek：代码能力惊艳，但用起来太累

DeepSeek是后来才用的，主要是被它代码能力的表现惊到了。之前让它帮我写一个复杂的数据处理管道，涉及多线程并行、错误重试、进度追踪等功能，它居然一次性给出了可以直接运行的实现，而且架构设计得相当合理。

但用了一段时间后发现几个问题。一是它太喜欢炫技了，明明可以用简单的循环解决的问题，它非得搞出一套复杂的异步架构，代码可读性直线下降。我有几次不得不把它生成的代码回退成更简单的实现。二是响应速度实在感人，特别是在处理复杂请求的时候，等结果的时间都够我自己写完了。三是上下文记忆不太稳定，长对话中会出现前后不一致的情况，有时候问着问着它就忘了之前讨论的内容。

还有一个让我很无语的问题：DeepSeek有时候会过度自信。给出一个答案的时候语气特别笃定，结果我仔细一查，发现实现里有bug。这种情况出现过几次后，我现在用它生成的代码都会自己再审核一遍，不敢直接用。

## 通义千问：意外的好用，但需要调教

通义千问是阿里出的，最初我没抱太大期望。用了一段时间后发现，对于前端和Java开发来说，它意外地好用。

前端方面，通义千问对Vue和React生态的理解比较到位。我让它帮我写一个带复杂状态管理的组件，它能很快给出结构清晰、逻辑正确的代码。而且生成的代码风格比较现代，不会出现那种老掉牙的实现方式。Java后端也做得不错，Spring Boot相关的代码生成质量挺高，常见的CRUD、事务处理、异常封装都能搞定。

但问题也有。最让我头疼的是上下文记忆不稳定，聊着聊着它就开始“失忆”，需要我重新描述之前的背景。还有就是有时代码生成到一半就停了，需要我再追问一句才会继续输出。另外，通义千问有时候会生成一些看起来很对但实际上有问题的代码，特别是涉及到数据库操作的时候，SQL语句的细节处理偶尔会出问题。

## 豆包和元宝：UI确实好看，但编程能力差点意思

豆包是字节的，元宝是腾讯的，这两款我放一起说是因为感受比较相似：UI做得确实漂亮，用起来很舒服，但论起编程能力，和前面几个还是有明显差距。

豆包的界面设计很讨喜，交互逻辑也很流畅，有时候我无聊了会上去和它聊聊天。但让它帮我写代码，生成的质量就比较一般了，简单的代码片段还行，复杂一点的逻辑就容易出问题。元宝也是类似的情况，有时候给出的实现会有明显的逻辑漏洞，需要我自己改很多。

不过这两款有个共同优点：响应速度快。可能是因为模型相对轻量？所以我现在偶尔会用它们来处理一些简单的代码注释生成、变量命名之类的轻量级任务，速度确实比其他几个快。

## 踩过的坑和教训

用AI编程这一年多，踩过的坑两只手数不过来。

最深的教训是：AI生成的代码一定要自己审核。之前有次偷懒，直接把Kimi生成的数据库迁移脚本用到生产环境，结果有个字段类型不匹配，导致迁移失败，还好发现的及时没造成数据丢失。从那以后，任何AI生成的涉及数据、权限、生产环境的代码，我都会自己仔细检查一遍。

还有一个感受就是：AI很擅长帮你写代码，但不擅长帮你设计架构。我让它帮我设计过一套微服务架构，结果方案看起来有模有样，实际落地的时候发现根本不考虑团队现有技术栈和业务场景，理想化成分太重。所以架构层面的东西，AI只能作为参考，最终决策还得靠人。

最后说说对AI编程工具的期待。最希望的是上下文记忆能更稳定，现在用着用着就“失忆”的问题太影响体验了。其次是希望代码生成能更大胆一些，别总是保守再保守，有时候保守就意味着冗余。还有就是响应速度，希望随着硬件进步能越来越快吧。

总的来说，AI编程助手已经成为我工作中不可或缺的一部分了。虽然还有这样那样的问题，但效率提升是实实在在的。我现在已经完全接受了这种方式：AI帮我处理繁琐的样板代码和重复劳动，我专注于更有价值的架构设计和业务逻辑。这种分工带来的效率提升，是用过了才能体会到的。

1. 保持第一人称技术分享的视角
2. 重点放在问题解决上，而不是产品推荐
3. 自然段落叙述，避免大量标题
4. 避免空洞的形容词和硬推广
5. 1500字以上
6. 像写技术博客一样自然分享
7. 重点放在”我遇到了什么问题”、”如何解决的”、”效果如何”
8. 产品信息自然融入技术内容中
9. 禁止硬推广、模板化表达、空洞形容词
10. 禁止大量使用#标题，最多1-2个
11. 用自然段落叙述，像讲故事一样

现在我需要根据反馈重新写这篇文章。反馈提到的问题是：
– 最后的结尾太仓促，”能力很”就断了，没有写完
– 有一些”套话感”和”空洞的形容词”

让我重新写这篇文章，写得更自然、更像真正的技术博客：

1. 开头要自然引入
2. 主体部分围绕具体场景展开
3. 保持技术分享的质感
4. 结尾要完整
5. 避免模板化表达和套话

让我重新构思：

去年这个时候，我还保持着老程序员的惯性思维——这种开头太套路了。

我应该从一个更具体的场景切入，比如某个真实的技术问题或者具体的工作挑战。不需要华丽的开场，直接描述实际遇到的问题和解决过程会更吸引人。

关于AI工具的选择，我已经形成了一个相对固定的分工体系：需要深入推理和分析的复杂问题交给deepseek，处理长篇文档时依赖Kimi，豆包则用于日常快速查询和信息获取。这个模式不是刻意设计的，而是在不断尝试中自然形成的。

现在我想重新审视这个框架。回顾第一次真正被这些工具打动的经历，能让整个叙述更有说服力。我需要找到一个具体的技术挑战或者工作场景，作为整个分享的切入点。

# 从手动分类到智能辅助：我的AI工具实践之路

去年这个时候，我还保持着老程序员的惯性思维，觉得AI聊天机器人无非就是个高级点的搜索工具，能帮上什么忙？直到有个项目彻底改变了我的看法。

那会儿我负责处理一批用户反馈数据，大概几千条用户评论，需要从中提取出有价值的产品改进建议。说实话，这种工作特别磨人——逐条阅读、分类、标注，几天下来眼睛都是花的。我试着把数据丢给deepseek，让它帮我做文本分类。它的思考过程让我惊讶了一把：不是直接给结果，而是先把评论拆解成几个维度，逐条分析每条评论可能对应的产品问题，最后才输出分类结果。我对照着检查了一遍，发现它不仅分类准确，还能指出一些我之前没注意到的潜在问题。那一刻我意识到，这玩意儿确实能干活。

从那之后我就开始折腾各种AI工具，手机里装了好几个应用，慢慢摸索出一套自己的使用方式。今天不做什么测评，就是聊聊我在实际工作中怎么用这些工具的，以及踩过的一些坑。

## 深度推理场景

我用的最多的场景是代码调试和技术分析。deepseek-reasoner，也就是大家说的R1模型，在这类任务上确实有两把刷子。

有次遇到一个性能问题，生产环境的接口响应时间不定时飙升，排查了很久找不到原因。我把相关代码和日志丢给deepseek，它没有直接给答案，而是逐步拆解：先分析可能导致慢查询的几种情况，然后结合日志里的具体数据逐个排除，最后指向了一个我之前没注意到的细节——某个定时任务在业务高峰期也在运行，跟正常请求抢数据库连接。这个分析过程让我看到了它是怎么思考的，比直接告诉答案有价值得多。

还有一次，我让它帮我优化一段算法代码。原代码是O(n²)的嵌套循环，处理大数据集时特别慢。它不仅给了一个O(n)的优化方案，还详细解释了为什么新方案更快，以及在不同数据规模下的性能差异。这对我理解问题本质帮助很大。

不过deepseek确实有些问题。高峰期服务器不稳定是常态，经常遇到连接超时，只能换个时间再试。响应速度波动也大，有时候秒回，有时候等半天。免费版的速率限制也让人头疼，用多了就提示你稍后再试，这点比较影响连续工作的节奏。

另外就是长文本处理容易断片。我试过让它分析一个比较长的技术文档，问到后半部分提到的一个细节时，它偶尔会“失忆”，需要我把上下文再重复一遍。虽然官方说支持超长上下文，但实际体验没有宣传的那么稳。

## 轻量辅助场景

豆包我用得比较杂，主要是一些不需要深度思考的辅助工作。

中文语境下，它的响应速度确实快，有时候甚至感觉比deepseek还快一点。我常用它来查一些简单的API用法，或者帮我起一些变量名。它接入了很多字节系的产品生态，有时候直接就能帮我调起一些实用功能，这点挺方便。

但说实话，在需要深度思考的场景上，它的表现不如deepseek。我让它帮我分析过一段比较复杂的业务逻辑，给出的方案总感觉浮于表面，少了点那种“透过现象看本质”的劲头。不过对于日常的一些小问题，它完全够用，响应还快，这就够了。

## 长文本处理

Kimi在长文本处理上给我留下了深刻印象。有次需要阅读一份上百页的技术方案文档，了解一个完全陌生的技术架构。我把文档丢给Kimi，让它帮我梳理整体架构、技术选型、以及可能存在的问题。输出非常结构化，而且它确实理解了我问的是什么，没有出现答非所问的情况。

这之后我，凡是遇到需要阅读长文档的场景，第一反应就是找Kimi。它在保持上下文连贯性方面确实做得好很多，可能是技术路线上的差异。

不过Kimi也有它的局限。在代码能力上，它的表现不如deepseek。我让它帮我写过一个复杂的数据处理脚本，逻辑是对的，但细节上有些小bug，调试它给的代码反而花了更多时间。所以我现在基本是按场景分工：深度技术问题找deepseek，长文档阅读找Kimi，日常小问题找豆包。

## 写在最后

用了一两年下来，我的体会是：没有完美的工具，只有适合的场景。这些AI工具确实改变了我的工作方式，但它们更像是能力很强的助手，而不是替代你思考的机器。该自己分析的问题还得自己分析，该写的代码还得自己写，它们能帮你的是节省时间、提高效率，以及在卡住的时候给你一个不同的视角。

这就够了。