最近半年，我身边的工程师朋友们经历了一次集体“迁徙”。他们从各种集成在IDE里的AI插件，转向了以终端为主的AI编程工具，比如Claude Code。
这件事起初让我有些困惑。我们花了数十年时间，把计算机从黑底白字的命令行，进化到图形化、可视化的交互界面。现在AI时代来了，怎么好像又回到了原点？这不是在开历史的倒车吗？
但最近我逐渐想明白了这个问题。关键在于，写代码这件事，在一个中大型团队的软件工程周期中，到底占多少时间？
你可能会说，怎么也得六七成吧，毕竟程序员的核心工作就是写代码。但答案可能出乎你的意料，大约只有30%左右。
那剩下的70%时间花在哪了？答案是花在了流程上。
仔细想想一个需求从提出到上线的完整链条：需求提出、任务拆分、创建分支、编写代码、发起评审、根据评审意见修改、提交代码、CI/CD流水线执行、问题排查、合并代码、编写发布说明、部署到各个环境、观察线上运行状况……写代码，只是这一长串流程中的中间一小环。
如果AI工具只是一个IDE插件，那么它只能辅助你修改编辑器里的代码。但如果它是一个CLI（命令行界面）工具，情况就完全不同了。我们可以将AI直接集成到CI/CD流水线中，让它自动化执行任务。
CLI能做的事情，其边界远大于一个IDE。这也解释了为什么许多功能强大的IDE内部，最终都会集成一个终端或命令行工具。
Claude Code的国内平替
除了Claude Code，国内几家大厂也推出了自己的同类产品。今天，我想花些时间，重点测评一下腾讯出品的CodeBuddy Code。
安装非常简单，直接执行以下命令即可（如果遇到权限问题，记得加上 sudo）：
npm install -g @tencent-ai/codebuddy-code
目前，CodeBuddy Code分为国际版和国内版。国际版集成了如Codex、Gemini 3.0等主流的代码生成模型，新用户在前两周可以获得免费的Token额度。国内版则集成了DeepSeek、GLM、Kimi等国内大模型，并且目前是完全免费的。
我在网上搜索了一些用户反馈，普遍认为CodeBuddy Code的优势在于它对复杂项目进行了专门优化，并且腾讯内部也在实际使用这款产品。因此，我决定拿我们公司现有的一个真实项目来测试一下。
我理解腾讯做这件事有几个天然优势：
- 腾讯自身就是一个超大规模的软件研发工厂，可以将内部在复杂项目上的工程思考与方法论，融入到这款产品中。
- 与腾讯云深度打通。开发工具和云资源处于同一体系下，这意味着从写代码、调试、测试，到部署上线、扩容和运维，整个软件生命周期可以在一个闭环内完成。开发、构建、发布形成连续的流程，减少了不同系统间的割裂感。
接下来，我们就正式开始实测！
Reminder 是我们之前开发的一款智能提醒类产品，帮助用户管理生日、纪念日、倒计时等。前端使用 Flutter 实现跨端，后端则用 Go 编写。整个项目加起来，大约有5万行代码。
我们就围绕这个“Reminder”项目，来实测腾讯的CodeBuddy Code。
第一步，初始化项目。在CodeBuddy Code中，输入 /init 命令。它会自动分析当前目录下的项目。
分析完成后，CodeBuddy Code会在项目根目录创建一个名为 CODEBUDDY.md 的文件。这个文件包含了项目概述、目录结构、核心数据流等关键信息。
这一步至关重要。
你可以把它理解为一份给AI看的“超级README”——它不仅是项目介绍，还包含了架构说明和团队开发规范。项目目录是如何组织的？模块之间如何调用？数据是如何流转的？构建和运行依赖哪些脚本？
这些信息平时可能散落在代码的各个角落，或者只存在于资深团队成员的脑子里。现在，它们被整理成一份结构化的文档。AI助手通过对这份文档的学习，能对整个项目建立全局认知，而不仅仅是盯着眼前的几行代码。
此外，团队的开发规范也可以写进这个文件，比如命名规则、分支策略、代码风格要求、测试覆盖率目标等。有了这些规范，AI干活就有了明确的边界和标准，不会天马行空地“自由发挥”。
CODEBUDDY.md 文件的价值在于迭代。第一次可以由AI生成初稿，但其核心在于后续的持续维护。当你发现某些关键信息（比如历史决策、隐藏的依赖关系）文档中没有覆盖时，就及时补充进去。因为有些上下文，AI仅靠扫描代码是发现不了的。
比如：某个模块历史包袱重，暂时不能动；某段代码看起来不太优雅，但出于兼容性考虑目前不能重构；某个接口与外部系统耦合极深，改动可能引发线上事故。这些“潜规则”只有团队自己清楚，需要人工明确地写入文档。
实战：优化数据同步功能
项目初始化完成后，我们进入正式的开发环节。我提出了一个实际需求：优化Reminder应用的数据同步功能。
这款应用的用户可能在iPhone、iPad、Mac等多个设备上使用。因此，我们需要一个可靠的数据同步逻辑，并且要实现在线/离线的无缝切换，让用户对同步过程无感知。
CodeBuddy Code接手这个相对复杂的需求后，其处理方式让我觉得“有点意思”。它将任务拆解成了三个阶段：
- 第一阶段：实施那些风险低、能立即见效的优化。
- 第二阶段：进行性能提升明显、但需要一定工作量的改进。
- 第三阶段：实现那些具有长期收益的高级特性。
这其实就是我们熟悉的P0（高优）、P1（中优）、P2（低优）优先级划分，背后明显融入了腾讯内部的工程方法论。让我惊喜的是，它通过分析代码，准确地找到了性能瓶颈所在。
因为我这个项目的核心设计是“离线优先”，并且有一套自动冲突解决机制，这两个架构决策影响了很多代码的设计。我看到CodeBuddy Code在分析时，确实把这些核心约束都考虑进去了。这说明它理解的是整个同步系统的业务逻辑，而不仅仅是表面的代码结构。
整个过程就像一个经验丰富的技术同事在做事：1) 先理解业务目标；2) 深入分析现有实现与瓶颈；3) 设计可落地的优化方案；4) 分阶段实施；5) 量化优化效果；6) 充分考虑边界情况。
到这里，CLI形态的人工智能编程工具的价值就比较清晰了。它本质上是一个可以端到端执行复杂任务的Agent（智能体），并且产品设计者将自身的最佳实践“揉”进了这个Agent的行为逻辑里。像上面这种任务拆解和优先级划分的思路，我推测大概率就来源于腾讯内部的方法论沉淀。
扩展能力：MCP、SubAgent与Skills
CodeBuddy Code还支持MCP，这意味着我可以将其他工具或服务以标准协议配置到它的工作流中。例如，配置一个Figma的MCP连接。
只需在用户根目录（～/.codebuddy）下创建 mcp.json 配置文件即可。以下是Figma的配置示例（注意需要指定 "type": "stdio"）：
{
"mcpServers": {
"Figma": {
"timeout": 60000,
"command": "npx",
"args": [
"-y",
"figma-developer-mcp",
"--figma-api-key=your-key",
"--stdio"
],
"type": "stdio",
"disabled": false
}
}
}
配置好MCP后，CodeBuddy Code可以根据上下文自动识别需要使用MCP的场景。例如，我可以直接让它：“基于这个Figma设计稿链接，帮我重构‘关于我们’页面。” 它能自动调用Figma MCP获取设计数据，然后分析现有代码并进行重构。
新旧设计稿对比如下，重构效果显著：
CodeBuddy Code另一个强大功能是创建和使用SubAgent（子代理）。我写了一个专门用于生成测试代码的SubAgent。通过 /agents 命令，可以选择创建子代理，你只需要用自然语言描述这个代理的职责，它就能自动生成对应的配置。
项目中的子代理配置存放在 .codebuddy/agents/ 目录下，如果你对生成的结果不满意，可以手动修改里面的提示词（prompt）。
当我在后续对话中输入“为 edit_countdown.dart 生成Widget测试”这样的提示词时，CodeBuddy Code会自动触发我之前创建的 test-generator SubAgent来专门处理这个任务。
如果生成的测试代码有编译错误，SubAgent会尝试自动分析并修复。
最终，它成功生成了结构清晰、覆盖不同场景的Widget测试文件，并且遵循了项目约定的目录结构。
当然，CodeBuddy Code也支持当下大火的Skills功能。Skills的传播速度似乎比当初的MCP还要快，这证明它确实击中了一些刚需。
研究发现，Skills在项目中的存放位置是 .codebuddy/skills/。你可以自己编写Skill，也可以直接让CodeBuddy Code根据你的描述生成一个。我编写了一个用于“创建新功能模块结构”的Skill，它能完全遵循项目现有的MVVM + Clean Architecture模式，快速搭建出新功能所需的脚手架文件，让我能立即开始核心逻辑的开发。
写在最后
经过这样一番深度实测，我感觉腾讯的CodeBuddy Code这款产品确实做得不错。功能上与Claude Code相当，支持MCP、SubAgent、Skills等核心特性，并且国内版本免费，网络访问顺畅，对于国内开发者来说非常友好。
最近Skills非常火，很多开发者开始折腾Claude Code，但常常被网络问题、付费门槛折腾得焦头烂额。其实，完全可以把CodeBuddy Code当作一个功能齐备的“平替”方案，省去很多不必要的麻烦。
我此前在一篇文章中提到，一个正在发生的小趋势是：一些创业公司开始打破传统的前端、后端、运维的技能分工，转而要求工程师能够利用AI工具，一站式地搞定从需求到上线的全流程。我认识的几家创业公司已经在这样实践了。
文章发出后，争议不小。评论区的一些声音让我颇为感慨，似乎有些人对AI能力的认知，还停留在比较早期的阶段，甚至从未实际体验过Claude Code、CodeBuddy Code这类先进的AI编程工具。
我知道，现在需要学习的东西非常多，新工具、新概念层出不穷，令人应接不暇。但我个人的深刻感受是：在技术变革加速的时代，恰恰需要刻意地为自己留出一些时间，抬头看看行业正在发生什么，不能总是埋头于手头固有的工作。善于利用AI工具提升效率的开发者，与那些仍然完全依赖传统方式的开发者，其生产力差距正在迅速拉大。多来像云栈社区这样的技术论坛交流，是保持技术敏感度的好方法。
发表于 6 小时前
|
查看: 1|
回复: 0
