前言

AI GC，即AI生成内容（AI generated content）越来越火，本篇文章就是我在使用AI方面的一些心得体会分享，目前包括：

我其实两年前就在玩OpenAI了，在供应商买了API接入 Chatbox 当成一个高级点的谷歌问问题，但也仅此而已，当时的AIGC给我感觉就像是一个高级点的搜索引擎，问问题还行其他的没什么大用

当时Stable Diffuse开源（泄漏）的时候我也本地部署了WebUI玩了下，确实有抽卡炼丹的感觉，不过没深入研究，玩了两下就放那了

今年春节DeepSeek横空出世，也是赚足了眼球，我也试用了下，发现幻觉比OpenAI少很多，起码。。。他不会一直骗我，但应用还是仅限于简单的问答，没感觉对生产力有什么帮助

AI代码方面也试用过 Github Copilot，讲道理感觉一般，和之前用过Chatbox问答模式生成的代码感觉差不多，没有很惊艳的感觉，顶多就是和IDE结合紧密更方便些

前阵子也是没抱什么希望试用了下Cursor，但两周时间之后，我完全变成Cursor的形状了，只能乖乖年费续上，感觉。。。就像是一年花1.5k买断了一个超级强力的大学生帮我写代码
Cursor已死（锁国区Claude使用），Claude当立，推荐 https://aicodewith.com/?invitation=IQCVL6U ，购买699套餐，和4-5个人朋友一起拼车，基本算是无限量使用，可以加QQ群一起找人拼车：675776379

再加上ProjectA基础GamePlay框架和玩法搭建完毕，开始填充内容，需要AI的协助，于是想着再用Stable Diffuse来提高生产力

Cursor，Git Copilot，Claude Code的原理是什么

简单来说，两张图足矣：
image.png
image.png

总结一下就是将我们的对话和代码库转换成AI能看懂的prompt，然后AI模型输出prompt，由客户端转义后就是AI返回给我们的结果，包括但不限于，文件阅读结果，代码更改结果等。

类似于远古年代的不可编程渲染管线，我们能做自定义的地方只有客户端转换prompt的时候，也就对应了各个AI工具的rule，md文件等以及非常重要的MCP拓展，从而达到适配几乎所有项目的目的，体验极佳

话说到这里，其实对比各个AI编程工具的方向就比较明确了：

  • prompt的强化能力，是否能准确推测并强化用户的用意

    • 在使用AI模型相同的情况下，这将直接影响AI输出的结果与用户体验。也就是AI蠢不蠢和这一步关联甚大

  • 工具的调度合理性，对于代码来说，无非是代码阅读，查找，逻辑关联，编辑

    • 何时使用内置的工具，何时借助系统自带的命令行工具都是很影响效率和准确性的

  • 上下文给的是否足够慷慨，上下文就是AI的临时记忆，如果上下文很短，那么AI就很容易出现幻觉

    • 然而上下文不可能是无限的，这意味着无限的成本，要恰饭的嘛，所以就有一个隐形的评判标准，对于上下文压缩能力，压缩能力越强，就意味着越少的token消耗，越准确的问答体验

  • 拓展性，目前来说AI拓展主要还是以用户的prompt和MCP为主

    • 用户prompt定义了用户想获得怎样的规范，能让AI更加听话

    • MCP则是一个AI领域的prompt规范，类似客户端服务器交互的PB协议，凡是遵循这个MCP规范的，都可以接入到AI工具来，来拓展AI能力。如果说AI本身是钢铁侠的核心能源，那么MCP就是用户喜好的纳米盔甲拓展，全方面增强AI能力

      • 举例来说，原本AI数据集只训练到2025.3.14，可以通过网络搜索MCP获取到2025.8.19的最新技术文档和消息，从而让AI可以与时俱进

AI模型对比

最核心的AI模型自然是我们对比的首选，尽管各大编程IDE基本都涵括了所有主流AI模型，但AI模型官方调教出的工具肯定是更合适和好用的

截至2025.8.19，主流AI模型对比如下：

本人平时用Claude 4 Sonnet，智力很高，榜单准确的话，GPT-5体验也不错

全球Token用量上，Claude Sonnet4仍然是断档级碾压所有AI模型，姑且认为用的人越多，蒸馏出的数据越好，推荐Claude Sonnet4

IDE vs CLI(CommandLine Interface)

个人一开始用的Cursor + Claude Sonnet 4，AI编程体验非常不错，但基于VS的人工编码体验奇差，和Unity相性不好，包括但不限于：

  • Shader提示可以认为没有

  • C#编码体验极差

    • 每写个代码，智能提示要加载十几秒到几十秒不等

    • 跳转代码都要加载

    • 新增文件不识别，不编译，不智能提示

    • 搜索极慢，反人类悬浮窗

    • 断点需要非常小心，只要多按几下Resume，他就敢立马给你卡死，然后断点崩溃，再也连不上，需要同时重启Unity+VSCode

当然压死骆驼的最后一根稻草是Claude Code锁区导致的Cursor被迫锁区，不开VPN用不到Claude Code，直接导致了我退了Cursor年费，转而加入了Claude Code这一CLI工具

IDE对比CLI工具有利有弊

  • IDE有友好的可视化界面，对比文件更改，方便索引文件，粘贴图片，管理MCP，查看各种状态等，而CLI只有光秃秃的命令行界面，比较不友好，好在其命令行的特性非常方便做拓展，在Rider已经有了官方插件，可以很方便的对比文件变更差异

  • CLI的命令行特性赋予了其与生俱来的跨平台能力，甚至可以在手机上用Claude Code，当然还有强大的拓展性，参考Claude官方的SDK文档：https://docs.anthropic.com/en/docs/claude-code/sdk 我们可以用它做很多事，比如代码规范检查工具，多开端口左右互博，相互审查代码，配合MCP还可以实现函数调用的功能，例如我们可以一个命令行修复场景中所有错误配置和异常资源

整体体验下来，在Cursor使用Claude Sonnet4是比Claude Code使用Claude Sonnet4要好的，我觉得这应该归功于Cursor优秀的prompt提炼机制和CodeBase的RAG，但是Claude Code慷慨的上下文限制又很好的弥补了这一点，再加上Rider优秀的编码体验，我最终还是要投给Claude Code

Claude Code最佳实践指南

最基本的最佳实践流程，Claude官网已经给出，信官方总没错吧：

好复杂，有没有完全封装好的工具组？你好，有的

目前来说，SuperClaude安装MCP的那步报错是必现的，开发者尚未处理，所以我们需要手动安装需要的MCP，必要的有三个：

在正式开始手动安装前，需要理解下Claude Code MCP的设计理念： https://docs.anthropic.com/en/docs/claude-code/mcp
一般来说，MCP需要先下载运行库，然后再配置到各种LLM客户端中，对于npx，uv来说可能不太需要关注==安装== 这个过程，但是对于C#这种没有统一管理的或者没有正式上架的MCP，就需要手动安装了（具体操作为：手动下载MCP文件，手动配置json中的命令行参数）
再一般来说，通过 claude mcp add 命令即可配置具体的MCP，或者通过手动在项目中json文件配置MCP Server（详见： https://docs.anthropic.com/en/docs/claude-code/mcp ），配置完成后，每次启动Claude Code，都会执行命令帮我们自动启动MCP Server然后进行连接

serena

得力于uvx的强大特性，直接在项目目录执行命令即可完成安装：

1
claude mcp add serena -- uvx --from git+https://github.com/oraios/serena serena start-mcp-server --context ide-assistant --project $(pwd)

需要注意的是，目前版本的serena对于大项目适配并不友好，需要手动关闭web面板： https://github.com/oraios/serena/issues/494 ，否则MCP链接将会失败

context7

推荐直接通过远程服务器的模式进行链接：

1
claude mcp add --transport http context7 https://mcp.context7.com/mcp --header "CONTEXT7_API_KEY: YOUR_API_KEY"

sequentialthinking

1
claude mcp add sequential-thinking -- npx -y @modelcontextprotocol/server-sequential-thinking

Cursor

参考 https://zhuanlan.zhihu.com/p/1903555655404593529 进行食用即可，目前感觉没有什么特别需要注意的地方，只要整好项目的Rules，就可以减少很多幻觉

项目UI设计图快速生成

由于Web前端数据非常多，几乎所有AI模型在Web开发这一块都非常强劲，那么利用这一点，我们可以使用AI来生成项目的UI设计示意图，下面这个项目是我花了3个小时，纯AI开发的UI设计图，可交互体验：

https://github.com/wqaetly/ProjectB_UI_Design

4FDA52954D8E3196B4433D93B9D403BB

ComfyUI

之所以选择ComfyUI是因为之前WebUI的形式虽然简单，但调控起来不直观，不方便，还是这种节点式的更方便

推荐直接 官网 下载，他会自动安装所有需要的组件以及拓展，开箱即用，如果初始化过程中网络异常，要科学上网，注意，安装的时候要在C盘，否则可能会有BUG

推荐正式开始使用前过一遍官方文档，不要去买课，纯纯智商税，没有比官网讲得更好的

KSampler

我说白了，我白说了，不懂得问DeepSeek

在 ComfyUI 的 KSample 节点中，sampler_name 参数控制生成图像时使用的采样算法。以下是常见选项及其含义和特点：

📌 常用采样器解析

  1. euler

    • Euler 方法：基础的 ODE 求解器，简单快速，适合低步数（如 20-30 步）。
    • 特点：生成结果较平滑，但可能细节不足。

  2. euler_ancestral

    • 带祖先采样的 Euler：每一步依赖前一步结果，随机性更强。
    • 特点：图像多样性高，但收敛性不稳定，步数较少时可能更好。

  3. dpmpp_2s 和 dpmpp_2m

    • DPM++ 二阶方法：改进的扩散模型求解器，平衡速度和质量。
      • 2s：单步二阶，适合快速生成（约 20 步）。
      • 2m：多步二阶，质量更高（推荐 20-30 步）。
    • 特点：dpmpp_2m 是当前主流选择，效率和效果俱佳。

  4. ddim

    • 去噪扩散隐式模型：确定性采样，结果可复现。
    • 特点：适合图像到图像转换（如 img2img），需较少步数（10-15 步）。

  5. uni_pc

    • UniPC 方法：基于校正器的采样器，2023 年新算法。
    • 特点：低步数（5-10 步）即可生成可用结果，速度快。

  6. heun

    • Heun 二阶方法：Euler 的改进版，计算量更大。
    • 特点：步数多时质量高，但速度较慢。

  7. lms

    • 线性多步法：通过历史步骤加速收敛。
    • 特点：适合中高步数（30+），结果稳定但可能显保守。

🔍 其他采样器

  • dpm2/dpm2_ancestral：二阶 DPM，需更多步数（40+），质量高但速度慢。
  • ddpm：原始扩散模型采样器，需 50-100 步，已逐渐被替代。
  • dpm_fast/dpm_adaptive：自适应调整步数，前者快但粗糙，后者精准但慢。

🎯 推荐场景

  • 快速生成：dpmpp_2m（20-30步）或 uni_pc（5-10步）。
  • 高质量输出：dpmpp_2m（30+步）或 heun（40+步）。
  • 可控性（如 img2img）：ddim 或 euler。
  • 实验新方法：uni_pc 或 dpmpp_3m_sde（需更多显存）。

📝 注意事项

  • 部分采样器（如 dpm_adaptive）会忽略 steps 参数，自动调整步数。
  • 祖先采样器（含 _ancestral 后缀）的随机性强，相同参数可能输出差异较大。
  • 效果受 cfg_scale、denoise 等参数影响，需配合调整。

FAQ

从网上下载的checkpoint模型执行时有conv_in.weight相关报错

是因为新版ComfyUI强制要求safetensors后缀的模型，而网上下载的有可能是ckpt后缀的，这时候需要修改代码 C:\Users\YOURNAME\AppData\Local\Programs\@comfyorgcomfyui-electron\resources\ComfyUI\comfy\utils.py

1
2
//ALWAYS_SAFE_LOAD = False 
ALWAYS_SAFE_LOAD = TRUE

提示词从哪来？

当然是从DeepSeek问啦

参考

Claude中转站
Comfy官网

模型下载 huggingface.co, civitai.green