先贴一段测试。
test('normalizeUser fills a default role', () => {
const u = normalizeUser({ id: 1, name: 'x' });
expect(u.role).toBe('guest');
});
绿的。跑一遍，过。提交进主干，半年后没人记得它为什么在这儿。
可它焊死的是一条 bug。role 本该由上游永远带着，那个 'guest' 是我某个分支里顺手写的兜底，为了让本地的假数据不炸。AI 扫了一眼 normalizeUser 的实现，把兜底读成了规格，顺手写一条测试钉死它。从那天起，谁想删掉那个兜底——那才是正确的事——先得跟这条测试打一架。
我拿三个工具当结对助手用了一个月，Cursor、Copilot、Claude Code，在既有项目里写、调、重构、写测试，不是让它们生成个斐波那契。这一个月里最不值钱的部分，是"谁生成得快"。
AI 默认照着当前实现写测试，不是照着应有行为写。你把函数贴过去说"来点测试"，它读的是这段代码做了什么，不是应该做什么。这两件事之间正好差着一个 bug 的距离。而且是测试最该去抓的那个距离。
改口径之后不一样了。提示里必须明写：基于预期行为写，覆盖边界和失败场景，不要假设当前实现是对的。同一个模型，同一段代码，出来的套件是两个东西。原来那份是给现状拍快照，改完那份才在验证契约。
调试是另一码事，也是这几个工具真正拉开的地方。
生成代码差距很小。三个都能给你一版能跑的 getUserById，拉用户、判失败、校返回，都写得出来。差别只在清理和适配阶段谁少让你返工。调试不一样，调试直接决定这东西能不能留在你的工作流里。
UserList.jsx 第 42 行，读 undefined 的属性。报错就这一行。
// UserList.jsx:42
return <span>{user.profile.name}</span>;
崩溃行是症状。真凶在三个文件之外：API 层有一次失败返回了 { data: null }，而不是抛出去；渲染层把这个 null 当成了用户对象；profile 就这么没了。
只盯着 42 行的工具，会给你一个 user?.profile?.name。报错消失，测试变绿。问题还在，只是从"崩了"变成"用户名那一栏空着"。这是最坏的一种修法——它把一个能看见的失败，改成了一个看不见的失败。
愿意往上追数据流的工具，会去翻 API 请求在哪发的、失败分支返回了什么、类型上 user 到底该不该可能是 null。我手头那个项目里，相关代码都在同一个工程的时候 Cursor 能追下来；跨文件、仓库级的，Claude Code 更稳。Copilot 处理当前编辑位置附近的问题很舒服，可一旦根因飘到别处，我就得手动往它嘴里塞更多文件。
差别不在模型多聪明。差别在它愿意跑多远。而"跑多远"这件事，恰恰是你最没法用提示词逼出来的——你都不知道根因在哪，怎么告诉它去看哪。
评论区有个人说我比的是三个 harness，不是三个模型。这话对，我前面那句"三个工具各自擅长的环节"说得糙了。同一个模型，换一层壳，行为就能变——它能看到哪些文件、能读多少、能不能自己决定去开哪个、什么时候停手，全是壳在管。那位说他在 Copilot 里换过好几个模型，体感趋同，讲的正是这件事。
真正的变量，是生成之前它手里有多少有效上下文。
这条比什么性能榜都好使。你在编辑器里敲个函数名，补全工具手里只有当前文件、光标上下几百行。你让它去整仓里找该改哪里，那是另一个量级的活，得能自己决定读哪些文件、读多少、几时停下来问。
返工量才是该盯的数。一分钟吐 200 行，然后花 30 分钟修假设、删多余代码、把变量名改回去、给漏掉的失败分支补错误处理——这不叫快。吐 80 行，三十分钟里二十五分钟在读 diff 和跑测试——这才叫快。
重构最典型。AI 给的大范围改动，光看着更干净不代表更安全。
// 原来
if (row.deleted && !row.parentId) return null;
// "重构"之后
if (row.deleted) return null;
下面这版干净多了。parentId 那个条件看起来像谁忘了删的垃圾。但它有用——软删除的子节点得留着挂到父节点底下。删掉它，一部分数据从列表里消失，没人会当场发现。
所以我现在就一条规则：AI 生成的大改动，没读过 diff 之前不接受。不是"看起来更干净"。是读过。
还有个更早的坑：需求没讲清的时候，AI 会自己把假设补上，补得还挺完整。这个月里最难受的几次会话，事后回想，多半不是因为模型差，是因为我根本没给一份共享的简报。评论区有人分享过一个做法，结对之前先写四行便签：一句话目标、模型不许自己发明的约束、一个验收检查、明确不在范围内的事项。四行。我几乎是把这一条直接抄进了提示模板。
最后说工具怎么选。我不看 benchmark，也不看功能表，看它在需求模糊的时候会不会停下来问一句。
有个人讲，安静的工具会用自信的错误代码把空白填满，吵的工具会先追问缺口。这句话我记到现在。
我一开始是按首次生成速度给这三个打分的。后来发现这个分数没用——不提问的那个当时显得快，到一天结束反而更慢，因为它替我把假设全填进去了，我还得一条条往回挖。
模型会越来越强，但"肯停下来"不会因为模型变强就自动发生。恰恰相反，越强、越自信，越容易顺手把空白填上，还填得好看。
那是人得守着的那块地方。生成可以外包，砍不能。