KeyFrame內部研究專用

The Best AI Tools for Developers in 2026 (That I Actually Use)

Tech With Tim15 min英文
觀看原始影片

三句話摘要

講者在2026年使用的完整AI工具堆棧,涵蓋代理框架、模型、編輯器、開發技術棧、生產力工具、開發框架和AI平台七大類。 AI工具的價值不在數量而在分層匹配:根據開發階段選模型、根據專案規模選編輯器、透過MCP統一管理,才能最大化生產力與成本效益。 模型選擇的分階段策略:Claude系列用於零到一的快速啟動項目,因為成本高但交付快;OpenAI GPT系列用於一到二的複雜開發工作,具有更好的上下文理解和除錯能力。這反映AI應根據開發階段而非單純成本選擇。

重點整理

  1. 模型選擇的分階段策略:Claude系列用於零到一的快速啟動項目,因為成本高但交付快;OpenAI GPT系列用於一到二的複雜開發工作,具有更好的上下文理解和除錯能力。這反映AI應根據開發階段而非單純成本選擇。

  2. 編輯器決策基於維護規模:Cursor用於大型需維護專案(數千個檔案),Claude Code用於簡單任務。講者強調使用真正IDE時能透過原生開發工具快速修復錯誤,不應完全依賴AI盲目提示。

  3. 技術棧簡化帶來AI友好性:固定採用Node.js + TypeScript全棧,使前後端耦合更緊,AI生成代碼時邏輯一致。Supabase的原生AI連接器、表schema和雲函數管理,讓部署幾乎無需接觸儀表板。

  4. MCP中心化管理策略:將Slack、Google Docs等應用透過單一MCP伺服器連接到Claude Code、Cursor等工具,跨設備只需認證一次,避免重複設定20+應用。

實用技巧與重點

  • Agent Harnesses:
  • Claude Code:$200/月、每日使用、含MCP servers和個人資訊庫
  • Codex:複雜開發工作、測試更完整
  • Hermes agent:VPS部署、自動財務會計追蹤
  • Models:
  • Anthropic Claude系列(Opus 5、Fable 5、Haiku)→ 零到一項目
  • OpenAI GPT系列(GPT 5.6、Sol、Luna、Terra)→ 複雜開發、除錯、大型專案
  • 開源模型:Kimmy、GLM 5.2 → 長期任務、高成本任務
  • 本地模型:Quen 3.6(最多27B參數)→ 模型微調、離線工作
  • 其他推薦:Minimax(Hermes agent使用、多工具調用)
  • Editors & IDEs:
  • Cursor:主要編輯器、支援模型切換、可加入自訂模型
  • PyCharm:Python重型、web開發、資料科學、ML任務
  • CodeRabbit:自動程式碼審查
  • Development Tech Stack:
  • 主語言:Node.js(90% web應用)、Python(後端、Discord bot)
  • 後端:Supabase(AI連接器、表schema管理、雲函數、觸發器、索引、角色基礎控制、認證)
  • 部署:Vercel或dedicated VPS
  • Productivity Tools:
  • Whisper Flow:免費語音轉錄、鍵盤快捷鍵、高精度、原生支援Cursor
  • Zapier MCP & Composio:統一MCP連接多應用、Composio控制少但易連接、Zapier MCP可從CLI使用數千應用
  • Obsidian:Wiki知識管理、連接Hermes agent財務記錄
  • AI Development Frameworks:
  • LangGraph、LangChain:Python中協調代理、上下文管理、工具調用
  • Pandas、Matplotlib:資料科學、大型資料組織
  • OpenAI官方API、Anthropic官方API:簡單應用的上下文編排
  • AI Platforms:
  • Gen Spark:簡單代理、自動化、工作流、無需自行託管
  • Lovable:快速登陸頁面生成
  • Blitzy:企業級、攝取整個程式碼庫3-4天、產生數十萬行代碼、用於大規模重構

結論

AI工具的價值不在數量而在分層匹配:根據開發階段選模型、根據專案規模選編輯器、透過MCP統一管理,才能最大化生產力與成本效益。

完整解析

AI輔助開發已進入精準分層的時代。講者的工具選擇策略核心是:不同任務配不同工具,避免一刀切。

在代理人框架層,Claude Code成為日常驅動力,訂閱$200/月,內建MCP servers和個人知識庫,使其能快速回答問題並完成日常任務。Codex則針對複雜開發工作,講者認為其軟體測試更完整、代碼品質更高,儘管不如Claude Code頻繁使用。第三層Hermes則部署在VPS上,自動化個人財務管理——自動追蹤郵件、記錄所有發票和交易並上傳儀表板,展示AI代理在生活自動化的實際應用。

模型選擇體現分階段思維。快速啟動項目時用Claude,儘管成本高昂,但Claude在零到一階段表現優異。進入一到二(迭代改進)或遭遇複雜開發挑戰時,轉向OpenAI的GPT系列,其更強的上下文理解和驗證能力在除錯和大型專案中顯著優勝。開源模型如Kimmy和GLM 5.2則用於長期運行任務,以節省訂閱配額。本地模型Quen 3.6保留給需要模型微調或飛行中無網際網路環境下工作的特殊場景。

編輯器選擇反映實用主義。Cursor是主力,支援模型切換甚至加入自訂或本地模型,適合大型維護專案。PyCharm則專為Python、資料科學和ML任務優化。講者強調關鍵點:使用真正IDE時,開發者能透過原生工具快速修復錯誤,這比完全依賴AI的盲目提示更高效。

技術棧設計為AI友好。Node.js + TypeScript成為幾乎唯一選擇(90% web應用),原因是保持全棧語言一致、前後端耦合更緊,AI生成代碼時邏輯連貫。Supabase後端的威力在於原生AI連接器——無需手動設定,表schema、雲函數、觸發器、角色控制和認證都自動管理。整個部署流程(連接Vercel或VPS)幾乎完全在AI編輯器內完成,無需觸及儀表板。

生產力工具層實現中心化。Whisper Flow(語音轉錄)因講話速度快於打字而被廣泛使用。更深層的策略是MCP伺服器(Zapier MCP或Composio):一旦連接一個MCP伺服器到Claude Code或Cursor,Slack、Google Docs等所有應用自動可用。這解決跨設備重複設定20+應用的痛點。

開發框架層,LangGraph和LangChain用於生產級代理編排。官方OpenAI和Anthropic API則用於簡單應用。

頂層AI平台分化使用場景:Gen Spark用於快速代理和工作流、Lovable用於一頁式登陸頁面、Blitzy則是企業級工具,攝取整個程式碼庫後花3-4天產生數十萬行代碼,專用於大規模現代化舊系統。

這套架構並非隨意堆砌,而是根據開發生命週期精心設計。快速市場驗證用Claude,穩定迭代用OpenAI,大型維護用IDE,生活自動化用Hermes——成本和效率在分層中達到最優平衡。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。