文章目录

一、前言

2025年1月20日，DeepSeek-R1 深度思考模型横空出世，打破高性能模型的高昂成本，一石激起千层浪。AI 浪潮快速席卷各行各业，扩散至每个行业、每个工作场景、每个创作者。

2025年已经是AI行业从单纯的 参数军备竞赛 转向 价值落地 和 高性价比 的新阶段。

第一次跟 DeepSeek-R1 进行对话，不仅能理解模糊的描述，还能主动提出建议，甚至预见到我尚未察觉的情况。也是被深深的震撼到了。

模型能力对比 推理能力 代码生成 数学能力 多语言 长上下文 指令跟随 100 90 80 70 60 50 40 30 20 10 0 分数

(树状图：2023-2024主流模型， 折线图：DeepSeek-R1)

2025年 可以当得上中国国内的AI元年，代码生成、视频创作，开始出现生态。

2025年，AI市场已经不像之前那样巨头垄断，大厂炼模型（OpenAI, Google）、中小厂做应用（垂直领域）、开源生态（DeepSeek, Llama）倒逼闭源。

在这里插入图片描述
DeepSeek-R1 已经证明完全可以用强化学习和蒸馏技术，让小参数模型也能达到非常强的性能。

同时国产模型像 Qwen3、Kimi K2 也在进一步缩小跟顶尖模型的差距。

2025年的AI工具版图已经高度细分。特别是对话、视觉、编程三大领域。

在这里插入图片描述
视频创作工具：

工具名称 核心功能 表现/定位
Sora / Sora 2 文生视频 行业标杆，生成视频的物理规律模拟最真实，但门槛比较高。
Kling (可灵) 视频生成 国产领先，画质非常棒、动作也流畅，最适合中文提示，而且能长视频生成。
Midjourney AI绘画 艺术性最强，V7版本的细节和光影质感都非常好，是很适合专业设计的。
Vidu 视频生成 国产视频大模型。
Grok Image 图像生成 黑马，能生成带文字的超逼真图像。

编程开发的生态：

工具名称 类型 特点
Cursor AI原生编辑器 最专业，用对话重构编程体验，深度集成代码库理解。
CodeBuddy AI原生编辑器 腾讯出品，全流程自动化开发，支持插件
Trae AI原生编辑器 字节跳动出品，全流程自动化开发。
GitHub Copilot IDE插件 生态最广，依托GitHub庞大代码库。

工具之间的边界正在模糊。AI 已经不是只解决某个问题了，已经可以用工作流串联，形成从想法到成品的自动化流水线。

AI 也在改变开发者的工作方式，开发者也在用提示工程、系统设计和价值判断，训练AI的能力边界。

接下来的内容，就是我这一年用AI的实战记录，用真实的项目从零构建价值；也是在 AI 浪潮对自己重新定位价值的思考笔记。

二、这一年用过的那些 AI

作为技术开发者，用得最多的是编程开发方面的AI工具，也折腾了一圈 AI 编程 IDE，有Cursor、CodeBuddy、Trae、Claude Code等。

这里先来聊聊 各个AI IDE 的使用感受！

这些AI IDE的底子都是 VS Code。插件生态和VSCode兼容，快捷键和 UI 也没什么上手门槛。但相比单纯装个 Copilot 插件，这些独立 IDE 最大的不同是：Agent 模式。

直接用中文写需求，就能生成代码，自己规划步骤、调用本地工具，把编程的活从头干到尾。代码片段、报错文件、项目文件夹直接引入对话框，从我的感受来说，确实比普通 IDE 顺手太多太多。

下面就重点聊聊用得比较顺手的几款！！

Cursor： Cursor 的名气不用多说，直接付费上的车，贵是贵了点，但值得。

  • 优势： 能直接用上 Claude 3.5 Sonnet，写复杂逻辑的优势非常明显。
  • 交互体验： 我非常喜欢它的 Auto + Agent 逻辑。我不喜欢写代码还要去选“现在是用补全模式还是问答模式”，要的就是Cursor 这种无脑帮搞定。现在很多 IDE 都有 Cursor 的影子，不得不承认，Cursor 确实是稳。

在这里插入图片描述

Trae： Trae 其实就是字节跳动 MarsCode 的进化版，从插件变成独立 IDE。它分国内版（Trae CN）和海外版，我都试了试。

  • Trae CN（国内版）： 最大的良心就是免费。模型接的是 DeepSeek、Qwen、Minimax 还有自家的 Seed。虽然免费很香，但国内版默认环境偏 Linux， Windows 上用老是给整 Linux 命令，还得反复提醒它 用 PowerShell ，这点比较浪费时间。
  • Trae（国际版）： 体验明显上一个台阶。支持 ChatGPT、Gemini 等主流模型。虽然官方力推 Gemini，但我实测下来还是 GPT-4o 更懂我，Gemini 有时候戏太多，容易过度发挥。
  • 模式细节： SOLO 模式（其实就是 Agent）分 Coder 和 Builder。我主要用 Coder，代码实现；Builder 感觉更适合从零搭 Web 项目。另外它有个 Plan 模式开关，开了会先出方案再动工，和 Cursor 的逻辑很像，对复杂任务很有帮助。

在这里插入图片描述

CodeBuddy： 腾讯云推出的，先是插件，然后出的海外版，十月份才出的国内版。

  • 特点： 最吸引我的是 Sandbox（沙盒） 机制。以前做大范围重构或测试新功能，得小心翼翼切分支、怕弄坏环境。CodeBuddy 用一个隔离环境让 AI 随意折腾文件、跑代码，跑通再合并回来。这种低成本试错 的体验，给我感觉非常好。所以，也成了我用得最多的一个AI IDE。
  • 使用感受：没有 Cursor 那么丝滑，但CodeBuddy 的 UI 交互没那么傻瓜化，带点 极客风。如果经常要做复杂的代码审查（Review）或者逻辑梳理，它对上下文的抓取精度很不错，不会一本正经胡说八道。

在这里插入图片描述

三、这一年用 AI 开发的项目

接下来，就说说我在 2025 都要 AI IDE 做了哪些项目。

主要是用 CodeBuddy 进行的项目开发。为什么不用 Cursor ？ 因为贵！为什么不用 Trae，因为我用CodeBuddy更顺手。

3.1、搭建 RAG 应用

RAG（Retrieval-Augmented Generation）是一种结合信息检索和生成式语言模型的方法。最简单的理解，可以认为是给大模型外挂了一个知识库。

大模型经常因为数据缺乏而产生问题，建立向量知识库可以解决这一问题。大模型首先从知识库检索跟提示相关的领域知识，然后把这些知识跟原始提示结合，作为大模型的输入。

我是从两个方面入手：企业和科研。

基于 DeepSeek 模型构建企业知识管理的RAG应用。因为企业的数据是分散的，不同部门和系统各自为政，信息孤立。企业主要靠手动整理和维护知识库，或通过规则驱动的搜索引擎来查找信息。时间成本和难度都很大。

基于这样的考量，那就用LM+RAG、MLLM等技术手段，对复杂文档进行精准智能解析，提升知识提取的效率和质量。企业大模型必须要满足准确性、数据隐私安全以及信息更新速度的要求，RAG（检索增强生成）框架就可以很好地解决这些问题。

有了技术支持，我就尝试构建这类RAG应用了。

以 DeepSeek-R1/V3 大模型为核心的知识问答应用就像这样：

既然可以做企业的知识库，那 RAG应用 是不是也可以为科研工作服务？

学术论文非常多，能不能让AI帮忙快速辨别哪些文献和自身研究方向真正相关，哪些是值得深入研读的？

说干就干，做一个基于RAG技术的论文阅读助手。把信息检索的精准性和自然语言生成的完美结合。

我把系统分解成四个核心模块：用户界面、论文解析模块、知识检索模块和答案生成模块。

系统架构简略图就是这样（有点粗糙，但不碍事，嘿嘿）：

+---------------------------------------------------+
|                      用户界面                     |
|   [论文上传]   [问题输入]   [结果展示]             |
+---------------------------------------------------+
          |                       |
          v                       v
+----------------+     +-----------------------+
|  论文解析模块   |<--->|  知识检索模块          |
|                |     |                       |
+----------------+     +-----------------------+
          |                       |
          v                       v
+---------------------------------------------------+
|                   答案生成                        |
+---------------------------------------------------+

下面是论文上传功能的核心实现：

config = CosConfig(Region=region, SecretId=tmpSecretId, SecretKey=tmpSecretKey, Token=tmpToken, Scheme='https')
client = CosS3Client(config)
# 用高级接口上传一次，不重试，此时没有使用断点续传的功能
response = client.upload_file(
    Bucket=bucket,
    Key=uploadPath,
    LocalFilePath=fileName,
    EnableMD5=False,
    progress_callback=None
)

print('上传后结果:' + str(response))
rsp = response
eTag = rsp.get('ETag')
cosHash = rsp.get('x-cos-hash-crc64ecma')
print('etag: ' + eTag)
print('coshash: ' + cosHash)

try:
    params = {
        "BotBizId": BotBizID,
        "FileName": fileName,
        "FileType": fileExt,
        "CosUrl": uploadPath,
        "ETag": eTag,
        "CosHash": cosHash,
        "Size": str(os.path.getsize(fileName)),
        "AttrRange": 1
    }

    cred = credential.Credential(SecretID, SecretKey)

    httpProfile = HttpProfile()
    httpProfile.endpoint = EndPoint
    clientProfile = ClientProfile()
    clientProfile.httpProfile = httpProfile
    common_client = CommonClient("lke", "2023-11-30", cred, Region, profile=clientProfile)
    resp = common_client.call_json("SaveDoc", params)
except TencentCloudSDKException as err:
    print(err)

try:
    params = {
        "BotBizId": BotBizID
    }

    cred = credential.Credential(SecretID, SecretKey)

    httpProfile = HttpProfile()
    httpProfile.endpoint = EndPoint
    clientProfile = ClientProfile()
    clientProfile.httpProfile = httpProfile
    common_client = CommonClient("lke", "2023-11-30", cred, Region, profile=clientProfile)
    resp = common_client.call_json("CreateRelease", params)
except TencentCloudSDKException as err:
    print(err)

答案生成模块的核心实现：

def sse_client(sid: str):
    bot_app_key = "******"
    visitor_biz_id = "202503020001"  # 访客 ID
    streaming_throttle = 1  # 节流控制
    req_data = {
        "content": "",
        "bot_app_key": bot_app_key,
        "visitor_biz_id": visitor_biz_id,
        "session_id": sid,
        "streaming_throttle": streaming_throttle
    }
    try:
        while True:
            content = input("请输入你想问的问题：")
            if content == "exit":
                exit(0)
            req_data["content"] = content
            print("req_data:")
            #print(req_data)
            # print(f'req_data:{req_data}')
            resp = requests.post("https://wss.lke.cloud.tencent.com/v1/qbot/chat/sse", data=json.dumps(req_data),
                                 stream=True, headers={"Accept": "text/event-stream"})
            print("resp:")
            #print(f"resp:{resp.text}")
            client = sseclient.SSEClient(resp)
            print("Client:")
            for ev in client.events():
                print(f'event:{ev.event}, "data:"{ev.data}')
                data = json.loads(ev.data)
                if ev.event == "reply":
                    if data["payload"]["is_from_self"]:  # 自己发出的包
                        print(f'is_from_self, event:{ev.event}, "content:"{data["payload"]["content"]}')
                    elif data["payload"]["is_final"]:  # 服务端event传输完毕；服务端的回复是流式的，最后一条回复的content，包含完整内容
                        print(f'is_final, event:{ev.event}, "content:"{data["payload"]["content"]}')
                else:
                    print(f'event:{ev.event}, "data:"{ev.data}')
    except Exception as e:
        print(e)

完整的项目代码托管在Gitee 仓库，因为我不擅长做前端界面，所以就直接用的文本模式。

基于 RAG 的大模型非常有应用前景。

3.2、AI 网站实践

今年， 腾讯云 EdgeOne Pages 最先开放 DeepSeek R1 AI 聊天模板的免费公测，支持边缘节点部署 AI 模型！

所以，我也用 EdgeOne Pages 部署 DeepSeek R1，构建一个 AI 网站。

在线 AI 输入一段文字指令：“Hi，请帮我生成一个 520 浪漫表白的 HTML 页面”。

生成的 HTML 代码，详细呈现生成过程，包括参考信息和 AI 的思考逻辑。

生成的效果图：

简单几步，就成功部署基于 DeepSeek R1 模型的 AI 网站。

AI大模型在各种垂直领域的应用已经炉火纯青到这个地步了！

3.3、开发一个简单的电商网站

CodeBuddy Craft智能体刚出来我就使用了。是一款基于AI的智能代码助手，通过对话式编程。

对话式编程就是用自然语言跟智能体进行交流，来自动生成代码、修改代码、调试代码。

最先想到的是用Craft智能体对话方式开发一个电商网站，网站要有商品展示、用户注册登录等功能。然后支持用户评论功能，也就是为商品详情页添加一个用户评论功能，对商品进行评价，也会显示其他用户的评论。

这个场景比较具体，涉及到代码生成、代码修改、还要简单的调试。

生成第一版本的效果：

真不错，不过还有优化空间，然后就继续让AI智能体帮优化、新增功能，实现用户登录注册功能。

登录页面：

注册页面：

注册账户和登录之后：

评论功能的效果：

整个过程不需要我写任何代码，Craft 智能体通过自然语言描述自主的完成项目开发。

看一下完整的效果：

3.4、基于 MCP 开发的应用

MCP是新兴的模型上下文协议，能整合多源信息，为AI模型提供结构化、动态的上下文支持。

为了试试 MCP，我首先想到了ArXiv MCP Server，是一个基于模型上下文协议（MCP）的专用服务器。可以为 AI 助手提供强大的 arXiv 论文搜索和分析功能。

所以，我集成ArXiv MCP server 到 CodeBuddy。让 AI 可以搜索和访问arXiv论文！

集成：
在这里插入图片描述

调用：
在这里插入图片描述
这太文本了，没有成就感。

恰逢 520，所以，我又用 CodeBuddy 做了两个浪漫的项目。

520回忆地图，效果如下：

在这里插入图片描述

因为百度/高德地图 SDK是要密钥的，所以我在GitHub上找了一个开源的地图。地图渲染有点慢！

不过， 项目功能实现了，并部署成功！地址：https://mcp.edgeone.site/share/DZOn0BC3fsmFiWParIhoK

里面有隐藏三种不同类型的彩蛋：

  • 地图点击彩蛋：在地图特定区域（北纬35-36度，东经115-116度之间）点击会触发隐藏消息。

  • 时间彩蛋：访问页面30秒后会触发心形动画。

  • Konami代码彩蛋：输入经典的Konami代码（↑↑↓↓←→←→BA）会显示秘密相册。

这里就不放图了。

还有一个 《爱的密码锁》网站，也是做的比较有特色。

网站初始界面是一个密码锁，密码是：5201314（爱你一生一世），输入正确密码后点击"解锁"按钮即可进入内容页面。

访问地址在这：https://mcp.edgeone.site/share/v4x0AH_6xKrC0BSclf_Qk

项目已提交到GitHub：https://github.com/LongTengFly/HTML-CSS-JS/。

3.5、〈王者荣耀〉战区排行榜

这里我用 CodeBuddy 的智能体，从零开始构建一个基于 Redis + MySQL 双引擎驱动的排行榜系统 Demo。

用AI进行 数据库设计、核心业务逻辑实现（分数更新、排名查询）、数据同步机制构建等。

先看一下效果：

整体流畅度都很好。

系统的整体架构概览图：
在这里插入图片描述
（1）玩家分数更新流程：
在这里插入图片描述
（2）排行榜查询流程：
在这里插入图片描述
（3）数据同步流程：
在这里插入图片描述

实时分数更新：
在这里插入图片描述
排行榜查询是最常进行的操作。主要从 Redis 中获取排名数据，然后从 MySQL 中获取附加信息。

设计的大概流程就是这样：
在这里插入图片描述
数据同步服务是一个独立的后台进程：

在这里插入图片描述
上面就是所有的设计结构。

项目代码已更新到GitHub：https://github.com/LongTengFly/Python。

用 AI 工具 CodeBuddy 的智能体，在相对较短的时间内完成这个双引擎驱动的排行榜系统的核心功能开发。

3.6、开发一个网页版小游戏

先看效果：


真的很美观！

这个要实现前后端，前端用的HTML、css、js，用 Python 做后端服务器。

后端的代码实现非常简单：

from http.server import HTTPServer, SimpleHTTPRequestHandler
import os

class CORSHTTPRequestHandler(SimpleHTTPRequestHandler):
    def end_headers(self):
        # 添加CORS头，允许跨域请求
        self.send_header('Access-Control-Allow-Origin', '*')
        self.send_header('Access-Control-Allow-Methods', 'GET, POST, OPTIONS')
        self.send_header('Access-Control-Allow-Headers', 'Content-Type')
        super().end_headers()

    def do_OPTIONS(self):
        # 处理预检请求
        self.send_response(200)
        self.end_headers()

def run_server(port=8000):
    # 确保服务器运行在正确的目录
    current_dir = os.path.dirname(os.path.abspath(__file__))
    os.chdir(current_dir)
    
    server_address = ('', port)
    httpd = HTTPServer(server_address, CORSHTTPRequestHandler)
    print(f'Starting server on port {port}...')
    print(f'Visit http://localhost:{port} to play the game')
    try:
        httpd.serve_forever()
    except KeyboardInterrupt:
        print('\nShutting down server...')
        httpd.server_close()

if __name__ == '__main__':
    run_server()

可以用“惊艳”来形容。从最简单的指令，到成功部署上线，AI 工具代码生成能力高度的自动化和智能化。

3.7、开发微信小游戏《我的早餐店》

今年我开通腾讯云开发 (Tencent CloudBase)云原生一体化开发平台。用 AI 工具 和 后端云服务 开发了第一款微信小程序《我的早餐店》：模拟经营 + 时间管理。

先看成果：

这个开发过程非常有意思，用AI的快速智能编程，最快一个小时就可以完成项目搭建！

效果非常不错，虽然没有达到商业级别，但通过不断的优化，新增需求说明，相信是可以做出商业版的小游戏的。

下面是我的开发界面展示：
在这里插入图片描述
项目已在 Gitee 平台进行完整开源，项目地址： https://gitee.com/long-xu/breakfast-shop-game

项目的开发主要基于以下技术：

  • 微信小程序原生开发框架： 提供前端界面的构建与交互能力。

  • 微信云开发： 作为后端服务，实现了高效的云端一体化开发体验，具体包括：

  • 云函数 (Cloud Functions)： 提供无服务器的后端逻辑处理能力，例如排行榜数据获取、用户数据更新等。

  • 云数据库 (Cloud Database)： 用于存储游戏数据、用户数据等，实现数据持久化。

项目的主要目录结构：

breakfast-shop-game/
├── cloudfunctions/              # 存放所有云函数的目录，每个子目录代表一个独立的云函数
│   ├── getRankList/             # 获取游戏排行榜数据
│   ├── updateRanking/           # 更新玩家排行榜分数
│   ├── updateUserData/          # 更新用户游戏数据（如金币、等级等）
│   └── upgradeEquipment/        # 处理游戏设备升级逻辑
├── miniprogram/                 # 微信小程序前端代码目录
│   ├── images/                  # 存放项目所需的各类图片资源
│   ├── pages/                   # 存放所有页面模块的目录
│   │   ├── game/                # 游戏主界面，包含核心玩法逻辑
│   │   ├── index/               # 应用程序的入口或欢迎页面
│   │   ├── ranking/             # 显示玩家排行榜的页面
│   │   ├── shop/                # 游戏内商店，用于购买或升级物品
│   │   └── user/                # 用户个人信息及设置页面
│   ├── app.js                   # 小程序全局逻辑入口文件
│   ├── app.json                 # 小程序全局配置文件，定义页面路径、窗口样式等
│   └── app.wxss                 # 小程序全局样式文件
├── project.config.json          # 微信开发者工具的项目配置文件
└── README.md                    # 项目说明文档，包含项目介绍、部署指南等

感受： “早餐店游戏”作为一次完整的微信小程序开发实践，也让我学到了基本游戏逻辑、用户数据管理和排行榜功能的模拟经营类小游戏。

除了小游戏，我还用AI打造个人专属的 “云书房” 小程序！

成果展示：


项目结构：

myCloudStudyRoom/
├── cloudfunctions/            # 云函数目录
│   ├── getArticleDetail/      # 获取文章详情
│   ├── getCollections/        # 获取收藏列表
│   ├── getOpenId/             # 获取用户OpenID
│   └── toggleCollection/      # 切换收藏状态
├── miniprogram/               # 小程序前端代码
│   ├── components/            # 自定义组件
│   ├── images/                # 图片资源
│   ├── pages/                 # 页面
│   │   ├── article/           # 文章相关页面
│   │   ├── collection/        # 收藏页面
│   │   ├── index/             # 首页
│   │   └── user/              # 用户页面
│   ├── app.js                 # 小程序入口文件
│   ├── app.json               # 小程序全局配置
│   └── app.wxss               # 小程序全局样式
├── project.config.json        # 项目配置文件
└── README.md                  # 项目说明文档

项目地址： https://gitee.com/long-xu/ai-game/tree/master/myCloudStudyRoom

整个架构的前后端都比较顺畅，已经能满足基本需求。

这个开发的过程非常有趣，我也是乐在其中！

3.8、H5应用开发《时空艺术馆》

我没做过 H5 应用，但还是想尝试！AI 给了这么个机会。

效果是这样的：

整个H5应用用 3 个页面组成，核心页面：

  • 首页： 用全屏粒子背景，粒子颜色紫色渐变。

  • 导航： 页面底部设浮动导航栏，包含“创作间”、“展厅”和“我的展馆”三个功能按钮。

  • 创作空间页面：上传区、风格选择器和生成按钮等组件。

效果还是非常不错的，虽然没有达到商业级别，但是用 Prompt Engineering 生成的代码；已经很不错了。

项目结构：

art-gallery-h5/
├── src/                   # 源代码目录
│   ├── components/        # 通用组件
│   ├── pages/             # 页面组件
│   ├── hooks/             # 自定义 Hooks
│   ├── layouts/           # 布局组件
│   ├── lib/               # 工具函数和服务
│   └── configs/           # 配置文件
├── public/                # 静态资源
├── cloudfunctions/        # 云函数目录
└── cloudbaserc.json       # 云开发配置文件

项目地址：https://gitee.com/long-xu/art-gallery-h5

感受：也是体验了一波 零代码开发的流程。

3.9、海外版《二手书交易平台》平台

现代网站都是要跟后端服务进行数据交互，实现用户注册、商品管理、订单处理等复杂功能。

CodeBuddy IDE 内置BaaS服务，一个人就可以全栈开发动态网站。

效果就这样的：

整体界面还是非常好看，非常的丝滑，前后端分离，开发不分家，一个CodeBuddy就能搞定，一站式全流程自动化开发。

这中间我还用了AI IDE 内置的 Fagma ，非常方便：

在这里插入图片描述
下面是开发过程中 CodeBuddy 列出的开发计划（包括以完成的和正在进行的）：

在这里插入图片描述
这个真的非常棒，进度、状态一目了然；真是小白都能看懂啊。

最终的项目结构：

second-hand-books/
├── client/                 # Frontend React application
│   ├── public/             # Static files
│   ├── src/                # Source code
│   │   ├── components/     # Reusable components
│   │   ├── pages/          # Page components
│   │   ├── store/          # Redux store and slices
│   │   └── ...
│   └── ...
├── server/                 # Backend Node.js application
│   ├── src/
│   │   ├── config/         # Configuration files
│   │   ├── controllers/    # Route controllers
│   │   ├── middleware/     # Custom middleware
│   │   ├── models/         # Database models
│   │   ├── routes/         # API routes
│   │   └── utils/          # Utility functions
│   └── ...
├── uploads/                # Uploaded files (images)
├── docker-compose.yml      # Docker Compose configuration
├── Dockerfile.client       # Frontend Dockerfile
├── Dockerfile.server       # Backend Dockerfile
└── README.md               # Project documentation

四、结语

不知不觉，我已经在CSDN连续创作 7 年了！

创作过程我一直坚持的是：不充数量，保证质量。保持高质量高水平创作。

2025年累计创作有 110 + 篇以上的高质量文章，阅读量少说也有400万+吧！

我最惬意的写作时间是晚上，因为这是完全属于我的个人休闲时间，基本都投入到技术创作中。

下面是 CSDN 官方的数据统计：

在这里插入图片描述

其中也有年度之最：

在这里插入图片描述

很多博主断更的原因是把写作当成了额外的负担。我喜欢分享、乐于付出时间创作，通过博客结识有趣灵魂。

所以，在CSDN创作的一年，从精神和能力上，对我自己都有很大的提升！

2026年，继续前行。

回头看这一年，我看到了 DeepSeek-R1 的低成本，也运用了 CodeBuddy 和 Cursor ，最大的感受是自由。

以前想做一个《我的早餐店》这样的小程序，或者搞个 RAG 知识库，都得先掂量掂量手里的时间：前端要写多久？后端接口怎么通？数据库怎么设计？

但 2025 年：代码实现的成本已经在无限压缩，创意的价值在无限放大。

当然了，这一路也不是完全 躺平就可以的。

像 MCP 这样的新兴技术，要想做一个合格的应用，像前面做的游戏《战区排行榜》系统，AI 也是会一本正经胡说八道的，我就经常遇到写出跑不通的 Bug。

这时候，就要自己有扎实的技术底子了。

因为 AI 能决定的是开发的下限，开发者才是决定项目的上限。

2025 年，对于技术人来说，唯一的壁垒，就是自己的行动力；焦虑是最没用的情绪。

在这里插入图片描述

# 人工智能
Logo
脑启社区

脑启社区是一个专注类脑智能领域的开发者社区。欢迎加入社区，共建类脑智能生态。社区为开发者提供了丰富的开源类脑工具软件、类脑算法模型及数据集、类脑知识库、类脑技术培训课程以及类脑应用案例等资源。

更多推荐

具身智能VLA模型全景图：从Pi0到HoloBrain-0的15大开源力作

从Physical Intelligence的Pi0到地平线的HoloBrain-0，这15个模型不仅代表了当前VLA技术的水平，更展示了具身智能从‘单一任务’向‘通用操作’迈进的坚定步伐。无论是追求极致的灵巧控制，还是探索类脑架构的安全性，开源社区正在以前所未有的速度缩小仿真与现实的差距。同步开源了仅 0.2B 参数的端侧友好版本及全栈基础设施 RoboOrchard，提供从数据采集、标准化规范

avatar 脑启社区
cover

03-AI的下半场记忆引擎与大模型同样重要

avatar 脑启社区
cover

AI进入现实世界的新考验：类脑智能如何破解物理AI“跑不久”的难题

avatar 脑启社区