阿里开发者

Cursor or Claude Code ?— 这道题怎么选

Image

阿里妹导读

本文通过深度对比两款主流AI编程工具——Cursor 和 Claude Code,揭示了它们截然不同的设计理念与适用场景。

先简要介绍下二者的核心功能:

  • Cursor

基于VS Code的AI增强IDE,主打智能Tab补全和快速代码生成。擅长日常编码、重复性工作和快速原型开发,能够根据上下文智能预测代码,让编程变得流畅高效。

  • Claude Code:

基于终端的AI编程助手,专注深度思考和系统性解决方案。擅长复杂系统设计、代码重构和技术决策,会先分析需求、制定方案再执行。

本人深度使用了二者一段时间后,我发现 Cursor 像是一个有求必应的好大哥,而 Claude code 更像是一个深思熟虑的老伙计。二者并非水火不容的对立关系,而是各有所长的互补工具,完全可以和谐共存,各司其职。

韩寒导演说:喜欢就会放肆,但爱就是克制。我喜欢 Cursor 的放肆,也爱 Claude code 的克制。


案例对比分析

举两个日常使用时的简单案例对比下(没耐心看案例的可以跳到【对比结论】或者直接跳过案例章节)。

测试条件:

Image

案例一:0 - 1 做个新页面

任务描述:

启动两个空项目,输入:我想实现图示的页面。

Image

Cursor 的表现:

  • 速度:一次对话,光速响应,总共只花了 3 分钟就给了我一个能跑的页面。生成的代码包含 html、css、js ,甚至在 package.json 中安装了 live-server 依赖,并自动启动了页面预览。🐮

Image

  • 页面效果:页面结构完整,没有缺失 dom,但是,视觉还原度些许不足,很多 dom 元素错位了。

Image

  • 对话过程:

Image

Claude Code 的表现:

  • 速度: 也是一次对话搞定,耗时7 分钟左右,严格贯彻 思考 + 规划 + 执行 的步骤,比较谨慎。

但是只生成了 html css js 工程,且没有自动启动项目预览。

Image

  • 页面效果:手动启动后看看预览效果。UI 还原度整体和 Cursor 差不多,有部分缺失的 dom (如左右滑动箭头)。

Image

  • 对话过程

先列了个详细的 TODO 清单,把任务拆解,并按计划分布执行。

Image

对比结论:

总体来说,二者对于简单 UI 还原任务都能出一个不错的规划并执行,cursor 的整体速度会快一些,但最终的代码质量差不多(在于大模型生码能力上)。

Image

案例二:排查服务端错误日志

任务描述: 导购服务端应用线上偶尔会有些日志报错,导致页面渲染失败,四地集群汇总每分钟约 30 个左右。观察线上日志:

Image

把这个错误日志分别交给 Cursor 和 Claude code 排查修复。

Cursor 的表现:

1.输入任务描述后,Cursor 稍加思索,查阅了几个文件后,就说找到了问题原因。

Image

2.然后直接开始修改 CleanXSSHandlerInterceptor 的注册逻辑,并 验证 -> 总结,一气呵成!

Image

3.看起来很厉害,但实际上呢?

查询变更记录后发现,该问题早在这个 CleanXSSHandlerInterceptor 出现之前就已经存在了,显然不是它带来的。

Cursor 的执行显得有些草率,并且它还总是会给你一种“我很确定”的迷之自信。

4.告诉它可能找错了地方,再给它一次机会尝试修复。

Image

调侃下:“你说得对”—是 cursor 经典的道歉方式,不管你是否真的对。

5.再给它一次机会后,它还是没法定位问题的原因,甚至尝试去关闭我应用的流式渲染功能来绕过这一问题。

按照之前的经验,如果一个问题连续两次 cursor 都无法处理,那么就该换种方式了。(换提示词或工具)

这一次 Cursor 以失败告终。

Claude Code 的表现:

1.同样的提示词,交给 Claude code ,看看它会怎么做:

Image

可以看到,Claude code 也制定了一个 todos ,分为四步,和 cursor 不同的是:前三步都是在深度分析问题,直到第四步才会开始修复问题。

2.接下来就是深度分析问题,耗时 3 分钟。这个检索步骤像极了一个经验老到的开发者~

Image

3.定位到问题后,修改代码表现得很克制,只尝试改了几行代码,就开始和开发者确认:

Image

Image

这样的好处是如果不符合开发预期,可以及时纠正。

4.人工检查后,发现确实有很大可能是这段代码导致的,就让它继续了。

5.最终也是不负所托,仅修改了 20 余行代码,就解决了这个问题。

对比结论:

Image

小结:Cursor 是快枪手,Claude Code 是狙击手。前者追求速度,后者追求精度。


个人使用心得

什么样的任务,二者效果差不多

1.简单的 CRUD 操作 - 都能快速搞定,区别不大;

2.基础的页面 UI 开发- Cursor 可能更快更完整,Claude Code 除了速度慢点,效果也不逊色;

3.常见的算法实现- 主要依赖大模型的能力,所以质量相当。

Claude Code 更擅长的任务

1. 复杂系统设计

  • Claude Code 优势: 会先分析需求,画架构图,考虑各种非功能性需求,和开发者多次确认,避免信息缺失而草率做出决定;

2. 代码重构

  • Claude Code 优势: 会系统性分析问题,给出重构方案,并解释每个改动的原因;

  • Cursor 表现:能改代码,但往往缺乏整体规划;

3. 问题诊断和调试

  • 场景: 线上 bug 定位与修复;

  • Claude Code 优势:会分析错误日志,多轮思考,定位根本原因,给出多种解决方案;

  • Cursor 表现:能快速 patch,但可能治标不治本。擅长作弊,绕过或掩盖问题,而不是直面问题。

Cursor 更擅长的任务

1. 快速原型开发

  • 场景: 导购会场页面,需要快速还原 UI ,并通过多轮对话调整时;

  • Cursor 优势: 几句话就能写出代码,配合开发者边说边改,代码生产效率极高;

  • Claude Code 表现: 关注各种需求细节,Cursor 已经做了几个版本了,Claude code 可能还没出第一版。

2. 在熟悉的项目下开发

  • 场景:在你已经很熟悉的项目里加新功能;

  • Cursor 优势: 基于上下文快速补全,丝滑流畅。特别是 Tab 补全功能,能够根据你的代码上下文智能预测下一步要写的内容,让编码变成一种近乎直觉的体验;

  • Claude Code 表现: 需要更多时间理解项目结构。


设计哲学

Cursor:实用主义者

  • 信条:"管他对不对,先能跑再说";

  • 适合人群:追求效率、需要快速迭代的同学;

  • 特点:快速响应,注重交付速度;

  • 局限:在复杂系统设计上可能考虑不够周全;

Claude Code:完美主义者

  • 信条:"慢工出细活,一次做对比多次修改省事";

  • 适合人群:注重代码质量的同学、需要长期维护的项目;

  • 特点:深度思考,注重架构设计;

  • 局限:在快速原型开发时可能显得过于"重";

核心观点:两种哲学都有其合理性,关键是在合适的场景下使用合适的工具。现代开发中,灵活切换比固守单一工具更明智。


秘奥义—双剑合璧!

两个工具并非竞争对手,而是优势互补的搭档。开发者可根据任务特点灵活选择,甚至同时使用两者。

我的实际工作流程

日常开发模式:

  • 用 Cursor 作为主要 IDE,享受熟悉的界面和顺滑的 Tab 补全;

  • 遇到复杂问题/bug时,在 Cursor 的终端中启动 Claude Code;

  • 让 Claude Code 负责思考和规划,Cursor 负责执行和微调;

具体场景分工:

1.功能开发的启动阶段

  • Claude Code:分析需求,制定技术方案,绘制架构图等;

  • Cursor:快速搭建项目骨架,创建基础文件结构;

2.编码实现阶段

  • Cursor:日常编码,利用 Tab 补全提高效率;

  • Claude Code:处理复杂逻辑,解决技术难点;

3.代码优化阶段

  • Claude Code:整体代码审查,提出重构建议;

  • Cursor:快速实施简单的修改;

4.调试排错阶段

  • Claude Code:分析错误日志,定位问题根源;

  • Cursor:快速修复和验证;

工具协同也有明显优势

信息共享:

  • Cursor 能看到 Claude Code 修改的代码;

  • Cursor 的环境感知包括了 IDE 内的命令行,自然也包括 Cursor;

  • Claude Code 也能实时感知文件变更等,两者的工作成果可以无缝衔接;

效率提升:

  • 避免了单一工具的局限性;

  • 发挥各自的核心优势。


未来展望

AI 辅助编程的发展如此迅速,半年前的最佳实践现在可能已经过时,我们需要:

1. 保持开放心态- 新工具出来就试试,别固守成见;

2. 根据场景选择 - 没有银弹,合适的才是最好的;

3. 持续学习- AI 工具只是加速器,个人基础能力还是要有的,了解 AI 的能力边界在 AI 时代尤为重要。

最后的最后:别人说一万遍,不如自己体验一遍,如人饮水,冷暖自知。还没用上的同学赶快用起来吧!

原生 SQL 轻松实现多模态智能检索

传统 AI 开发需将数据从 OLTP 数据库迁移至专用向量库实现特征匹配,跨系统数据搬运会引发多环境数据冗余、版本混乱等核心问题。本方案基于阿里云 PolarDB 与阿里云百炼,融合 Polar_AI 智能插件,赋予数据库原生的 AI 能力。通过标准 SQL 语法直接调用多模态 AI 服务,高效完成图像特征提取与向量化处理。

点击阅读原文查看详情。