共计 2647 个字符，预计需要花费 7 分钟才能阅读完成。
生成式 AI 在企业界最耀眼的成就，莫过于辅助程序员工作的 AI 编程工具。从 Cursor、Replit、Lovable Labs、Harness、Windsurf、Augment Code、All Hands AI 等初创公司，到微软旗下搭载 GitHub Copilot 的 Visual Studio，它们都在显著减少人类手动编码的需求。对于许多非专业开发者而言，一个诱人的问题随之浮现：能否仅凭自然语言对话就创建出一个可用的应用程序？这正是“氛围编程”的魅力所在。
英伟达 CEO 黄仁勋曾预言，用英语进行“氛围编程”将成为新的编程语言。带着这份期待，我——一个编程知识有限的新手——开始了尝试，目标是创建一个能够分析文字处理文档并搜索其中模式的数据分析工具。
初探“氛围编程”：从兴奋到现实的落差
目睹 Cursor 等工具自动执行设置“虚拟环境”、查找安装代码库、启动本地服务器并持续调试等任务，着实令人兴奋。一个应用程序仅凭几句简单的自然语言提示就能完成所有这一切，堪称奇迹。然而，经过几天对各种 AI 编程工具的测试，我成功运行了一个小型、简单的数据分析程序。这是一个充满希望的开端，但也清楚地表明：若缺乏实际的编程技能和对工具的理解，我将无法走得更远。
很多时候，像 Cursor 和 Microsoft Visual Studio 这类桌面工具会将用户抛入终端窗口，并要求执行各种命令行任务。尽管我熟悉命令行操作，但这仍是繁琐的额外步骤。可以想象，耐心稍逊的非程序员很可能就此放弃。而像 Replit 和 Lovable 这样的云服务产品虽然省力一些，但当我试图弄清应用程序需要哪些修改才能继续推进时，很快就耗尽了免费额度。此外，将私人数据置于云端也让我感到不安。,
工具实战：四大 AI 编程平台深度体验
我的“氛围编程”项目构想是：一个数据库分析工具，能够处理.Pages 文档并执行复杂的语义查询，而不仅仅是关键词匹配。我先后尝试了四款主流的 AI 辅助编程工具。,
Cursor：始于兴奋，止于可靠性
我从 Cursor 开始，因为它在这类工具中声名显赫。下载安装很简单，注册后的界面对于非编码人员却有些望而生畏。使用最初的几分钟令人振奋，它自动描述了项目要求、设置文件结构并计划安装必要的 Python 库。然而，紧接着程序自行重启，我一小时的聊天记录消失得无影无踪。项目的构建计划全部丢失。经过研究发现，聊天记录可能因故未被自动检索。对于一个依赖对话历史的“氛围编程”工具，这是不可接受的。我放弃了 Cursor。,
Replit：云端便捷，但付费墙来得太快
Replit 完全在线，无需下载。我描述了项目目标，它在大约 15 分钟内就设置好环境并呈现了一个基本的应用程序预览。然而，我还没来得及做任何实质性操作，就很快用完了 Replit 的免费额度。当我尝试第一个大型查询时，应用程序因“没有上传数据”而失败，尽管侧边栏中已选择数据源。随后，我碰到了免费计划的配额限制，需要等待 24 小时或升级付费。基于云端的应用程序可能会在你拥有真正可用的产品之前，就让你面对付费墙。,
Visual Studio with Copilot：进展显著，但功能有限
希望在本机工作的我，尝试了微软的 Visual Studio（内置 GitHub Copilot）。经过几个小时在终端中操作，我成功在本地服务器的浏览器中启动并运行了一个原型分析应用程序。这是我取得的最大进展！然而，真正的困难随之而来。Visual Studio 生成的是一个简单的文本字符串匹配功能，只能检查给定字符串是否在文件中找到，这不是我想要的语义分析。我尝试提示 Copilot 改进，但经过数小时的试错后毫无进展。我意识到，构建真正的文本分析工具非常复杂，不仅需要编码能力，更需要理解“分析功能”本身由什么构成。,
Lovable：快速起步，最终实现 MVP
最后，我转向了 Lovable。它提供了免费的云端设置，并拥有最简单的用户界面，最接近使用 ChatGPT 的体验。它快速创建了一个用于上传文件和执行文本分析的网页前端。然而，要获得有意义的分析，还需要更多工作。它建议我集成 Google Gemini API，这是一个改进。但由于.Pages 文件的解析问题，Gemini 最初只能分析文档元数据。
在免费额度用完后，我筋疲力尽但决心取得成果，因此订阅了 Lovable 的 Pro 计划（每月 25 美元）。我进行了一个关键增强：不再依赖.Pages 文件，而是将 Lovable 连接到我在 Algolia 服务上以 XML 格式维护的文章存档。这个过程相对简单。最终，应用程序能够从 Algolia 检索文本，发送给 Gemini 执行基本的语义分析。我终于实现了一个基础的数据分析工具最小可行产品（MVP）。,
反思与启示：AI 编程工具的现状与未来
这次“氛围编程”的旅程让我得出几个清晰的结论：
1. AI 是强大的加速器，但非万能替代品。 AI 工具帮助我完成了很多没有它们就无法完成的事情。同时，它们也让我意识到，要掌握程序的各种特性和安装维护代码的细节，还需要付出巨大的额外努力。管理工具本身以及在自动化不起作用时采取行动，涉及大量工作。
2. 平台选择的两难困境。 我陷入了桌面软件（如 Cursor、Visual Studio）与云托管平台（如 Replit、Lovable）之间。桌面软件带来更多技术麻烦和本地环境配置问题；云原生版本则涉及持续计费、成本累积和数据隐私担忧。对于一个个体经营者或小团队而言，没有完美的选择。
3. 对专业技能的敬意更深。 这次经历让我对程序员和产品开发团队有了更深的敬意。自动化可以生成代码，但这留下了更多关于“实际想要构建什么”以及“如何定义最小可行产品”的决策。人类在问题定义、架构设计、调试和创造性解决方案方面的作用无法被轻易替代。我认为人类程序员和产品开发团队的工作不会很快消失。
4.“氛围编程”尚未成熟，但潜力巨大。 对于简单的、定义明确的任务，自然语言编程已经可以发挥作用。但对于复杂的、需要深度领域知识的项目，目前的工具仍需要用户具备相当的指导能力和技术理解力。它更像是一个“副驾驶”，而不是“自动驾驶”。
最终，我使用 Lovable 结合 Gemini API 和 Algolia 数据源，成功创建了一个基础的文本分析应用程序。这个过程充满挫折，但也极具启发性。对于想要尝试“氛围编程”的非程序员，我的建议是：从明确的小项目开始，准备好面对技术细节，并对学习保持开放心态。AI 编程工具正在快速进化，它们降低了门槛，但尚未消除构建复杂软件所需的核心技能和思考。
