从Cursor到Claude Code再到Openclaw

AI 时代程序员必备技能

Codex、Claude Code、Cursor、Hermes Agent、OpenClaw等工程化实战专栏 ,讲透 AI 如何接管脏活累活

Cursor 是“编辑器里的 AI”:它像是一个拥有超能力的 VS Code 插件。你打字,它预测;你写注释,它生成。它的核心体验是 “协作”,你依然是驾驶员,AI 是副驾驶。

Claude Code 是“你的数字员工”:它首先是一个 CLI(命令行工具)。它不只是写代码,它能直接接管你的终端。 你可以给它下达一个模糊的任务(比如:“把项目里所有的旧版 Auth 逻辑重构成新的中间件,并跑通测试”), 它会自己思考、读文件、改代码、运行测试、报错、修 Bug,直到任务完成。它的核心体验是 “交付”。

两者的区别在于Cursor 以IDE 集成提供日常编码的实时辅助,它让你写得更快,而 Claude Code 帮你把活儿干了。 Claude Code 的出现标志着 AI 编程从“辅助输入”正式跨入了“任务驱动”的时代。一位技术总监分享:"在我们的团队中,开发者使用Cursor进行日常开发, 而架构师和技术负责人使用Claude Code进行系统设计和复杂问题解决,这种搭配效果非常好。" 

另外OpenCode = 开源的 AI 编程代理「安卓系统」(自由开放) Claude Code = 闭源的 Claude 专属「iPhone」(极致体验)

  1. 追求自由与灵活 → OpenCode:开源无锁 + 多模型 + 终端 / IDE 全场景适配,适合资深开发者与隐私敏感团队
  2. 专注复杂任务 → Claude Code:Anthropic 官方支持 + Claude 4 深度推理,适合大型项目重构与系统设计
  3. 提升日常效率 → Cursor:IDE 集成 + 实时辅助 + 低门槛,适合全栈开发与快速迭代

OpenClaw核心是一套本地优先、开源的 AI 智能体执行网关,它不直接做 “思考”,而是为大模型装上 “手脚”。解决了传统 AI “只会说不会做” 的痛点。 用户输入文本后, AI 先判断 “靠自己回答能不能搞定”,搞不定 → 就调用工具。

OpenClaw 采用Gateway-Agent-Skills 三层架构,类比为 “快递总站 + 决策大脑 + 执行手脚”,各层职责明确、协同高效。

网关层 Gateway(WebSocket 服务器) 神经中枢 / 快递总站 统一接入、消息路由、会话管理、安全校验。 

运行时层 Agent Runtime + Agent Loop 决策大脑 / 执行引擎 意图理解、任务拆解、模型推理、工具调度

能力层 Skills + Tools + MCP 执行手脚 / 能力库 原生工具调用(文件 / Shell / 浏览器)、自定义技能扩展

所谓的Skill = 把多个 Tool 组合起来的高级能力(写周报、整理文件、自动发邮件) Skill 调用 Tool,Tool 真正干活。 其中 Tool = 最小原子操作(读文件、查天气、执行命令),

一个生成单元测试的skill示例:

步骤 1:调用 Tool → 读取源码 file_read 读取 math_utils.c

步骤 2:调用 Tool → AI 生成测试用例 llm_generate 根据源码生成测试用例清单

步骤 3:调用 Tool → AI 生成测试代码 llm_generate 生成可运行的 C 测试代码 file_write 保存为 test_math.c

步骤 4:调用 Tool → 编译代码 shell_exec 执行 gcc 编译

步骤 5:调用 Tool → 运行测试 shell_exec 运行测试程序 步骤 6:调用 Tool → 生成报告 file_write 保存测试结果

AI 时代程序员必备技能

Codex、Claude Code、Cursor、Hermes Agent、OpenClaw等工程化实战专栏 ,讲透 AI 如何接管脏活累活

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值