讲完了大模型的工作逻辑、Token、上下文和 API 参数。到这里，已经不能只停留在“会调接口”了。真正做项目时，问题会很快变成另一组：

• 代码应该让 AI 在 IDE 里补，还是交给终端 Agent 改？
• 一个功能要不要让 Codex 或 Claude Code 自己开分支、跑测试、提 PR？
• DeepSeek 便宜，但工具链怎么接？有没有 Claude Code 之外的选择？
• Prompt 改了以后，怎么知道不是“感觉变好了”？
• Agent 能跑命令、改文件、连 MCP，权限边界怎么收住？

这就是工具链的价值。

2024 年以前，很多人说“AI 编程工具”，其实是在说补全插件。2025 年以后，重点明显变了：Coding Agent 开始进入真实工程流程。它不只是补一行代码，而是能读仓库、改文件、跑命令、看测试、解释 diff，甚至在云端并行处理多个任务。

所以这篇不再按“工具排行榜”写。更实用的方式，是按一条大模型应用开发流水线来拆：模型底座、编码 Agent、Agent 应用框架、本地调试、评测观测、Go 生态，以及上线前的权限和成本控制。

本文按 2026-06-19 可查到的公开资料整理。AI 工具更新很快，具体模型名、价格、可用地区和安装方式，以官方文档为准。

一、模型 API 平台：先把底座选稳

大模型应用的底座还是 API。工具再花哨，最后都要回到三件事：能力、成本、稳定性。

1. DeepSeek：低成本长上下文，适合大量工程试错

DeepSeek[1] 当前官方模型表里，主模型是 deepseek-v4-flash 和 deepseek-v4-pro。官方文档显示二者都支持 1M context、JSON Output、Tool Calls 和 Thinking Mode，OpenAI 格式 base URL 是 https://api.deepseek.com，同时也提供 Anthropic 格式入口。

这对开发者很重要。大量工具本来就是按 OpenAI Chat Completions 形状设计的，DeepSeek 的兼容性降低了接入成本。客服摘要、文档问答、代码解释、批量抽取这类任务，用 deepseek-v4-flash 先跑起来，通常比一上来接最贵模型更务实。

但 DeepSeek 不是“无脑默认”。它适合高性价比和长上下文场景；如果要做极复杂代码规划、跨仓库迁移、强工具调用 Agent，仍然要拿真实任务和 Codex、Claude Code 对比。

2. OpenAI：Codex 已经不只是模型，而是工程闭环入口

OpenAI 现在不能只看 API 模型，还要看 Codex[2] 这条线。底层模型已经从 codex-1 迭代到 GPT-5.5，又推出了 GPT-5.3-Codex[3]。但更值得关注的不是模型本身，而是 Codex 把入口铺到了桌面 App、IDE 插件、CLI、Web 和云端沙箱——它在变成一个完整的工程 Agent 平台。具体怎么用，后面 Coding Agent 那节会展开。

如果团队已经在用 ChatGPT、GitHub、OpenAI API，Codex 的优势不是”补全更聪明”，而是更容易进入工程闭环：开任务、隔离环境、跑测试、产出 diff、做 review。

3. Claude：Claude Code 的工程深度在拉开差距

Anthropic 的 Claude Code[4] 仍然是终端 Agent 的重要参照物。官方文档把它定义成”住在终端里的 agentic coding tool”，支持从自然语言描述构建功能、修 bug、理解代码库、自动化琐碎任务。它能编辑文件、运行命令、创建 commit，也能通过 MCP 连接外部数据源。

2026 年 Claude Code 迭代很快，但我觉得真正拉开差距的不是功能多，而是工程深度。子 Agent 现在支持 5 层嵌套——大型仓库可以把任务层层拆解，每一层专注一个范围。Auto Mode（研究预览）让安全操作自动批准、高风险操作自动阻止，减少了反复确认的中断感。Computer Use via CLI（也是研究预览）甚至能从终端操作原生应用和 UI，不限于文件和命令。

更有意思的是 Dreaming 机制：Agent 在空闲时会回顾历史 session、提炼模式、维护记忆。这意味着同一个仓库用得越久，它对项目的理解越准。Claude Design 和 Claude Code 之间也打通了双向协作，设计稿可以直接变成工程任务。

如果说 Cursor、Windsurf 代表”AI IDE”，Claude Code 更像”把一个能动手的工程助手放进终端”。它对大型代码库理解、命令行工作流、MCP 生态和企业权限配置的重视，是很多后续工具模仿的方向。

4. 国内云平台：百炼、火山、腾讯云更适合企业落地

企业项目通常还会看阿里云百炼、火山引擎、腾讯云这类平台。它们的优势不只是模型，而是账号体系、审计、知识库、工作流、私有化、合规和售后。

个人项目可以先用 DeepSeek 或 OpenAI 快速验证；企业项目如果涉及数据合规、私有知识库、部门权限和预算审批，云平台的工程配套会比单独调 API 省很多沟通成本。

二、Coding Agent：现在的主战场在终端和云端

AI IDE 还重要，但 2026 年的开发者工具不能只讲 Cursor、Windsurf、Trae。真正变化更大的，是 Codex、Claude Code、CodeWhale（deepseek-tui）这类能读写仓库、执行命令、跑测试的 Agent 工具。

1. Codex：从补全工具变成工程平台

Codex 的定位已经不是旧时代的”代码补全模型”。2026 年的 Codex 覆盖了桌面 App（macOS/Windows）、VS Code/Cursor/Windsurf 插件、CLI、Web 和云端执行环境，底层也迭代到了 GPT-5.5 和 GPT-5.3-Codex。

我觉得 Codex 2026 年最值得关注的变化有三个：

第一是子 Agent 模型 GA。一个 manager 可以协调多个并行 worker，各自有独立上下文和云端沙箱。我后来用它同时跑三个 lint 修复任务，每个 Agent 在自己的 worktree 里改，互不影响，最后分别提 PR。这种”多 issue 并行”的工作方式，手动很难做到。

第二是 AGENTS.md。仓库可以用这个文件告诉 Agent 如何理解项目、运行哪些测试、遵守哪些代码规范。这很像团队的 onboarding 文档，只是读者从新人变成了 Agent。仓库里如果没有清楚的 README、测试命令、lint 命令、数据库启动方式，Agent 再强也容易原地打转。

第三是 Codex Security（2026 年 3 月推出），专门扫描和修复应用层漏洞。这让安全审查也能变成 Agent 任务。

Codex 的周活已经超过 400 万开发者，也被 Gartner 评为企业编码 Agent 领导者[5]。

适合 Codex 的任务：

• 中等规模功能开发：有清晰需求、可跑测试、改动边界明确。
• 代码审查：让 Agent 从 diff、测试和兼容性角度找问题。
• 迁移和重构：例如改 API 调用方式、升级依赖、批量修 lint。
• 后台并行任务：多个 issue 分给多个 Agent，各自在隔离环境里跑。

不适合一上来交给 Codex 的任务：

• 需求还很模糊，需要大量产品判断。
• 本地环境极难复现，测试也跑不起来。
• 改动涉及密钥、生产数据、支付、权限策略，且没有人工 review。

2. Claude Code：终端里的工程助手，强在交互和上下文

Claude Code 的入口很简单：官方文档给的标准安装方式是 npm install -g @anthropic-ai/claude-code，进入项目目录后运行 claude。它不是另一个聊天窗口，而是直接进入你已经工作的终端。

它适合这几类场景：

• 在陌生仓库里快速建立理解：让它解释模块、调用链、配置和测试入口。
• 带着它排 bug：贴错误日志，让它搜代码、改文件、跑命令。
• 小到中等规模的功能开发：先计划，再改代码，再运行验证。
• 自动化开发琐事：修 lint、写 release notes、处理重复性改动。

Claude Code 的另一个重点是配置和权限。官方文档里有 CLAUDE.md、.claude/settings.json、MCP servers、subagents、hooks、permissions 等机制。这说明它不是“玩具 CLI”，而是在往团队工程工具方向走。

用 Claude Code 时，比较稳的习惯是：

• 在仓库根目录写清 CLAUDE.md：项目结构、测试命令、代码风格、禁止事项。
• 不要默认放开所有命令执行权限，尤其是删除文件、数据库操作、部署命令。
• 让它每完成一个小功能就跑验证，而不是一次性改一大片。
• 最终 diff 仍然要人工 review。

3. CodeWhale（原 deepseek-tui）：DeepSeek 阵营的终端 Agent 选择

如果想用 DeepSeek 模型做 Claude Code / Codex CLI 类似的终端 Agent，CodeWhale[6]（原名 deepseek-tui，GitHub[7]）值得关注。项目已于 2026 年中改名为 CodeWhale，但旧名、旧安装命令和环境变量仍然可用。

它的官方站点把自己描述为基于 DeepSeek V4 系列的开源命令行 Agent，能编辑文件、运行 shell、调用 MCP server，并尊重 sandbox。架构上是两个 Rust binary：deepseek dispatcher CLI 负责认证、配置和模型选择，deepseek-tui 负责实际 Agent 执行。没有 Electron、没有 Python 运行时，空闲内存占用约 12MB。

安装方式有两种：

# npm 方式（便捷下载器，实际是预编译 Rust binary）npm install -g deepseek-tui# Cargo 方式（需要 Rust 1.88+）cargo install deepseek-tui-cli --locked

它有几个值得注意的点：

• 成本友好：底层接 DeepSeek V4，deepseek-v4-flash 输入 $0.14/M tokens，同等工作量成本约为 Claude Code 的十分之一。
• 终端原生：不是 IDE 插件，适合习惯命令行的开发者。
• 工具能力完整：读文件、改文件、grep、apply_patch、exec_shell、MCP 都在它的设计范围内。
• 有 sandbox 和 approval：Agent 能动手，但不是默认无边界乱跑。
• 支持 auto mode：可在 deepseek-v4-flash / deepseek-v4-pro、thinking off/high/max 之间做本地路由。

需要注意的是，CodeWhale 还在快速变化（截至 2026 年 6 月已达 v0.8.8，37 个 release）。它很适合愿意折腾、愿意跟开源项目一起迭代的开发者；如果是企业稳定生产环境，仍然要看版本锁定、权限策略、日志审计和安全评估。

4. Cursor、Windsurf、Trae：AI IDE 的角色和格局都在变

AI IDE 没过时，但 2026 年格局变化不小。

• Cursor[8]：VS Code 的 AI 分支，估值 $9B，ARR $5 亿，$20/月。强项是代码库语义理解和 .cursorrules 配置（团队实测 PR review 评论减少 70%、TypeScript 报错减少 35%）。适合日常编码、补全、局部重构、和代码库对话。
• Windsurf[9]：2025 年被 Cognition 以 $3B 收购，推出了自研模型 SWE-1.5（比 Sonnet 4.5 快 13x），$15/月。新增 Arena Mode 允许在 IDE 内对比不同模型。除 VS Code 外还支持 JetBrains、Neovim、Sublime 等。适合在 IDE 内完成多文件修改和运行验证。
• Trae[10]：对国内开发者友好，免费策略最激进，对比测试中响应速度最快（平均 1.2 秒）。适合预算敏感、刚入门或 5 万行以下的新项目。

它们更像”前台工作台”。写业务代码、看上下文、做小改动很舒服。但一旦任务变成”后台跑一个迁移””并行处理多个 issue””自动 review PR”，Codex、Claude Code、CodeWhale 这类 Agent 工具会更自然。

三、Agent 应用开发：不要只会让 Agent 写代码

Coding Agent 是帮你开发软件的 Agent；而大模型应用里，还需要你自己构建面向用户的 Agent。

1. Dify：开源 LLM 应用平台，已进入多 Agent 阶段

Dify[11] 的定位是开源 LLM 应用开发平台，2026 年已经不只是"拖拽式工作流"了。几个重要更新：

• MCP 支持：Agent 现在可以连接任意 MCP server（文件系统、GitHub、Slack、数据库、浏览器），在设置里添加即可。
• Supervisor Agent 模式：支持多个子 Agent 协调，处理复杂多步骤任务。
• RAG 增强：混合检索（dense + sparse vector）、chunk 重排序、父文档检索、Q&A 自动提取。
• 模型生态扩展：原生支持 Gemini 2.0、Claude 3.5、GPT-4o mini、DeepSeek V3/R1、Mistral Large，也支持 Ollama 本地模型。
• 社区规模：GitHub stars 已超 50K，商业云版本也在运营。

适合 Dify 的场景：

• 快速做客服机器人、知识库问答、表单处理、内容生成工作流。
• 产品、运营、业务同学也要参与配置。
• 团队想先验证流程，再决定是否沉淀成代码。

局限也很明显：复杂业务逻辑、严格类型约束、深度工程化测试，最后还是要回到代码。

2. Coze：适合插件生态和低代码 Bot

Coze[12] 适合快速搭 Bot、接插件、做多轮对话和工作流。它的优势是上手快、生态现成、适合做偏产品化的 Agent 原型。

如果目标是在企业微信、飞书、网页或某个业务入口里快速放一个助手，Coze 这类平台能省掉大量样板工作。代价是可控性、版本管理和深度定制要提前评估。另外，Coze 由字节跳动运营，如果涉及欧盟数据合规（NIS2/DORA），需要额外评估数据驻留问题。

3. n8n：工作流自动化的开源替代

如果团队的核心需求不是"构建 AI 对话 Bot"，而是"把多个系统串起来跑自动化流程"，n8n[13] 值得关注。它是一个开源的工作流自动化平台，2026 年在 AI Agent 场景也有大量应用。

和 Dify/Coze 的区别在于，n8n 更偏通用自动化：它有 400+ 集成节点（Slack、GitHub、数据库、HTTP、邮件等），AI 是其中一环而不是全部。适合用来做"AI 分析结果 → 触发审批 → 写入数据库 → 发通知"这类跨系统工作流。

如果你的 AI 应用不只是对话，还需要对接企业内部的多个系统，n8n 和 Dify 的组合会比单独用其中一个更灵活。

4. Eino：Go 开发者要重点看

如果你用 Go 写后端，Eino[14] 值得认真看。CloudWeGo 官方把 Eino 定位为 Go 语言的 LLM/AI 应用开发框架，覆盖模型、工具、链路编排、Agent、图编排等能力。它是字节跳动内部在豆包、TikTok 等产品上打磨半年后开源的，不是实验室项目。

2026 年 Eino 的重要更新是 ADK（Agent Development Kit），补齐了几块关键能力：

• 工具调用、多 Agent 协调、上下文管理。
• 中断/恢复（human-in-the-loop）：Agent 可以暂停等人工输入，恢复后从 checkpoint 继续。
• 流式处理自动编排：组件只实现自己需要的流式范式，框架自动做拼接、装箱、合并和复制。
• 模型支持：OpenAI、Claude、Gemini、Ark、Ollama 等都有官方实现。

这类框架的价值不是”帮你少写几行 API 调用”，而是把复杂 Agent 应用里的组件边界明确下来：

• LLM 调用怎么封装。
• Tool 怎么声明、调用、校验。
• RAG 检索怎么接。
• 多步骤流程怎么编排。
• 失败、重试、超时、观测怎么统一处理。

简单项目用 go-openai 或直接 HTTP 调用就够了；一旦进入多工具、多步骤、多模型、多租户，Eino 这种框架会比手写胶水代码更稳。

四、本地模型与调试：不是为了炫，是为了降低试错成本

本地模型最大的价值，不是替代云端最强模型，而是让开发者低成本试错。

1. Ollama / LM Studio：本地跑模型，适合原型和隐私场景

Ollama[15] 和 LM Studio[16] 都适合在本机跑开源模型。它们常见用途是：

• 离线试 Prompt 结构。
• 做简单分类、抽取、摘要原型。
• 处理不方便传到外部 API 的样例数据。
• 给开发环境提供一个 OpenAI-compatible endpoint。

但不要误会：本地模型能跑，不等于线上效果就够。真正上线前，仍然要用目标模型、目标数据、目标延迟跑评测。

2. vLLM：团队自托管推理的常见选择

如果团队有 GPU 资源，或者需要自己托管开源模型，vLLM[17] 这类推理框架会进入选型范围。它更偏平台工程，不是每个业务开发者都要亲自维护。

判断是否需要自托管，可以看三个问题：

• 调云 API 的成本是否已经明显不可控。
• 数据是否不能出内网。
• 团队是否有能力维护 GPU、模型版本、并发、监控和故障恢复。

如果这三个问题没有清晰答案，先别急着自托管。

五、调试、评测和观测：这是 AI 应用的刹车系统

AI 应用最怕“看起来能跑”。Prompt 改了一句、模型换了一个、温度调了一点，输出可能就变了。没有评测和观测，工具链再全也只是加速踩坑。

1. curl / Postman / Bruno：API 调试基本功

先用 curl 或 Postman 把请求打通，再写代码。这个习惯不过时。

要确认的不是“接口能返回”，而是：

• Header、鉴权、base URL、model 名是否正确。
• stream 和非 stream 的响应结构是否一致。
• JSON 模式、工具调用、错误码、超时是否按预期工作。
• usage 字段能不能拿到，是否能进日志。

Bruno[18] 这类 Git-friendly API client 也值得看，团队可以把接口样例直接放进仓库，方便 code review。

2. promptfoo：Prompt 和模型评测要自动化

promptfoo[19] 官方文档把它定位为开源 CLI 和库，用于评估、红队测试 LLM 应用。它适合做矩阵测试：同一批用例，跑不同 Prompt、不同模型、不同参数，然后比较结果。

客服摘要接口就可以这样测：

• 50 条真实脱敏工单。
• 固定期望字段：summary、category、risk_level、next_action。
• 检查 JSON 是否可解析。
• 检查分类是否落在枚举里。
• 抽样人工评估摘要质量。
• 记录 token、延迟、失败率。

这比“我感觉这个 Prompt 更好”可靠得多。

3. Langfuse / Phoenix / OpenTelemetry：把链路看见

上线后要看三类数据：

• 成本：prompt token、completion token、reasoning token、cache hit/miss。
• 质量：解析成功率、校验失败率、人工复核通过率、用户反馈。
• 链路：每一步 Prompt、检索结果、工具调用、模型响应、异常堆栈。

Langfuse[20]、Phoenix[21]、OpenTelemetry 这类工具各有侧重，核心目标一样：让一次大模型调用从黑盒变成可追踪链路。没有这个能力，线上问题很难复盘。

六、Go 生态：简单调用别上框架，复杂 Agent 别硬手写

Go 开发者可以按复杂度选工具。

1. 简单 API 调用：HTTP 或 go-openai 足够

如果只是调用 OpenAI-compatible Chat Completions，直接 HTTP 或 sashabaranov/go-openai[22] 就够了。重点不是 SDK 多高级，而是把下面几件事写扎实：

• timeout 和 retry。
• stream 解析。
• usage 记录。
• JSON parse 和业务校验。
• 错误码分类。
• 日志脱敏。

2. Token 和成本：tiktoken-go 仍然有用

Token 估算不是摆设。长文档、RAG、多轮对话、批处理任务，成本经常不是输出贵，而是输入和缓存策略没设计好。

pkoukk/tiktoken-go[23] 这类库可以帮你在请求前估算 token，避免超上下文，也方便做成本预估。注意不同模型 tokenizer 不完全一样，估算结果要和实际 usage 对照校准。

3. 复杂 Agent：看 Eino，不要全靠胶水代码

一旦应用里有多个工具、多个模型、RAG、工作流分支、重试和回滚，手写胶水代码很快会乱。Eino 的价值就在这里：把组件抽象和编排方式固定下来，让复杂 Agent 应用有结构可维护。

七、一条更现实的开发工作流

这条线的关键不是工具多，而是每一步都有明确产物：

• 需求阶段：有验收标准，不只是一句“做个 AI 助手”。
• Agent 开发阶段：有 diff、有测试输出、有 review。
• 调试阶段：有可复现请求样例。
• 编排阶段：知道哪些逻辑放平台，哪些逻辑进代码。
• 评测阶段：有固定用例，不凭感觉换 Prompt。
• 上线阶段：能看到成本、失败率、工具调用和用户反馈。

八、不同开发者怎么选

场景	推荐组合	说明
个人学习和练手	DeepSeek + CodeWhale + Ollama + promptfoo	成本低，能完整体验 Agent 修改代码和评测流程
日常业务开发	Claude Code 或 Codex + Cursor/Windsurf + curl/Postman	终端 Agent 负责中等任务，IDE 负责日常编辑
Go 后端 AI 应用	DeepSeek/OpenAI + go-openai + Eino + promptfoo	简单调用先轻量，复杂编排再引入 Eino
企业知识库 / 工作流	百炼/火山/腾讯云 + Dify/Coze/n8n + 观测平台	优先考虑权限、审计、知识库和交付效率
多人协作的大仓库	Codex + Claude Code + AGENTS.md/CLAUDE.md + CI	关键是把测试、规范、权限写进仓库，而不是只买工具

结语：抓住大模型时代的职业机遇

AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。

无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。

最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向

大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机

2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

给大家推荐一个大模型应用学习路线

这个学习路线的具体内容如下：

第一节：提示词工程

提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升

第二节：检索增强生成（RAG）

可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等

第三节：微调

预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容

第四节：模型部署

想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等

第五节：人工智能系统和项目

这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等

学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容

上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）