Claude Code、Cursor、TRAE，究竟谁最强？

元旦之前，Cursor 一直是我的主战场。

过去一年，我在 Cursor 上花了 五位数 的算力费用，也确实靠它做了不少项目。

但随着任务越来越复杂，我意识到：Cursor 开始影响我赚钱的速度了。

反复解释、上下文失控，
时间、金钱、耐心，都在被一点点消磨。

于是我开始认真换方案 — Claude Code。

正是在这个过程中，我完整跑了一轮 Claude Code、MCP 和 Skills。

如果你正在学 Claude Code，希望这篇文章能帮你少走一些弯路。

正常情况下，我们可以参考官方教程直接安装：

地址：https://code.claude.com/docs/en/quickstart#native-install-recommended

但是这次，我想介绍一种更简单的 CC 安装方式。

1、开始安装

打开 Cursor / Trae ，在聊天框中输入如下提示词：

请自动完成 Claude Code CLI 的环境检测与安装流程，整体逻辑如下： 环境与安装状态校验 - 识别当前操作系统类型（Mac / Linux / Windows）。 - 执行 `claude --version` 判断 Claude Code 是否已存在。 - 若已安装：输出当前版本号，并提示“Claude Code 已就绪，直接运行 claude 即可使用”，随后终止流程。 - 若未安装：进入下一阶段。 Node.js 依赖检查 - 通过 `node -v` 判断 Node.js 是否已安装。 - 若未安装，根据操作系统给出对应安装指引： - Mac：`brew install node`，或前往 nodejs.org 下载。 - Linux：`sudo apt install nodejs npm`，或前往 nodejs.org 下载。 - Windows：推荐使用 `winget install -e --id OpenJS.NodeJS`，或前往 nodejs.org 下载。 Claude Code 安装 - 执行统一安装命令： `npm install -g @anthropic-ai/claude-code` - 针对不同系统的处理说明： - Windows：在 PowerShell 或 CMD 中直接执行，无需 WSL。 - Mac / Linux：若出现 EACCES 权限问题，提醒使用 `sudo` 重新执行。 安装结果确认 - 再次运行 `claude --version` 进行校验。 - 若验证通过，提示用户可直接输入 `claude` 启动工具，并继续完成 OAuth 登录流程。 

通过上面的提示词，基本上可以一步到位，过程中，AI 可以帮助我们自动解决很多潜在的问题。

比如我本地用的 npm 私有镜像地址，导致第一次安装失败了，它就会自动找到正确的镜像地址，完成安装。

2、检查安装结果

根据 AI 回复的信息，我们就知道安装成功了。

官方模型还是太贵了，有时候，一些简单任务，其实用国内模型就够了。

但是，想要灵活切换不同的模型供应商，改配置文件太麻烦了。

为了解决这些问题，我们需要安装一个模型供应商管理工具：CC Switch。

地址如下：

https://github.com/farion1231/cc-switch/releases

我是 Mac 系统，下载的安装包是：CC-Switch-v3.10.3-macOS.tar.gz

备注：除了直接下载，Mac 可以直接输入如下命令快速下载：

brew install --cask cc-switch

如果是 Windows 用户可以下载 msi或者 portable.zip进行安装即可。

我们可以配置需要的大模型供应商，国内比较推荐的模型是 GLM-4.7、Kimi-K2.5，国外无脑上 Claude 4.6、GPT 5.2即可。

如果需要使用官方模型，建议某宝找，或者使用这个中转站（目前稳定，建议用多少冲多少）：

https://claudecn.top/register?aff=1FNk

这里以国内的智谱为例：

从官方地址获取自己的 API Key，如果长期用，建议充值一些来做测试。

地址：

https://bigmodel.cn/usercenter/proj-mgmt/apikeys

再回到 CC Switch完成配置。

CC Switch 除了对接 国内外不同模型供应商之外，还提供 Skills、MCP、Prompt的统一管理能力。

这样不管未来用 CC、Codex，都能同时生效。

完成安装之后，通过终端输入 Claude 命令来进入 CC。

Mac 电脑，在应用程序中可以找到终端。

Windows 用户，点击运行，输入 cmd，即可打开终端。

不出意外的情况下，就要出意外了。比如，你可能会遇到地区不支持的错误信息。

我们可以这样解决：

打开本地 .claude.json 文件，如果按照下面地址还是找不到，那就全局搜索吧。

MAC: /Users/用户名/.claude.json Windows：C:\\Users\\用户名\\.claude.json

找到之后，我们用文本编辑器打开：然后增加一个参数。

"hasCompletedOnboarding": true

重新尝试启用后，记得选择信任文件夹。

然后输入提示词，发现 GLM-4.7 模型已经成功生效了。

接下来就可以愉快玩耍了～

如果需要退出 CC ，可以连续点击 Ctrl +C两次。

如果想干脆卸载 CC ，命令如下：

npm uninstall -g @anthropic-aicursor 教程/claude-code

Claude Code 内置了很多命令，我们需要输入 /来唤醒。

完整的指令清单，官方文档已经介绍很详细了：

https://code.claude.com/docs/zh-CN/slash-commands

我分享一些觉得常用、好用的指令：

当你第一次在工程项目代码目录下启动 CC 时，需要输入命令进行初始化。

/init

初始化后，将在项目根目录生成一个 CLAUDE.md，它会记录你这个项目代码的基本信息：包括项目概览、使用的技术栈、模块结构等有关信息。

如果过去用过 Cursor，可以理解：CLAUDE.md = cursorrule

同样，这是一个持续约束 AI 每次编程行为的全局规范手册，项目中相对重要的上下文信息。

虽然只是做了一次初始化，但千万别觉得就可以一直放任不管。

当随着项目的深入，如果补充了更多的通用文档后，我们可以适当的优化，保持全局规范始终最新。

不一定非得手动改，我们可以充分利用 AI 进行审查和优化这份文档。

使用方式，用如下命令，或连按两次 ESC：

 /rewind

什么时候用：

• • AI 改错文章或代码
• • AI 删了不该删的文件
• • 想回到修改前的状态重新来一遍

大胆试错，因为 /rewind 永远兜底。

在正常模式下，AI 总会很着急的帮我们完成编码，最后可能出现更多的问题。

我们可以用 Plan 模式，让 AI 慢下来。

/plan

这样原本模糊的想法，在 Plan 模式下，通过不断的对话、澄清、纠正，慢慢可以变成一个边界清楚、更容易落地的需求。

备注：除了输入命令，也可以直接使用 shift + tab 来切换到 Plan 模式。

/mcp

它的作用是： 管理MCP服务器连接。

什么时候该用，例如：

• • 让 Claude Code 打开网页、抓数据
• • 直接查询数据库
• • 调用内部或第三方接口

后面我会单独用一个章节，介绍一些比较实用的 MCP。

# 清除上下文，开启全新的聊天窗口 /clear # 压缩上下文，从而减少干扰信息 /compact # 显示当前会话的总成本和持续时间 /cost # 切换模式，在不同任务类型下，使用合适的模型 /model # 编辑 CC 内存文件 /memory # 把当前会话导出、保存，便于检查。 /export # 检查当前账号、模型、版本等状态。 /status

引用文件的方式，可以直接拖拽到 CC 命令行中，或者将文件地址复制过来。

图片的引用方式，除了直接拖拽，也可以使用「复制」 -> 「粘贴」的快捷键来操作。

删除引用图片的方式有点特殊，我录制了个动图：

代码引用的方式，如下，直接复制，再粘贴即可：

# 常规思考模式 > 我准备给一个表单页面加「自动保存草稿」功能。请思考：什么时候保存？保存哪些内容？ # 深度思考模式 > 深入思考：如果用户同时打开两个页面，会不会互相覆盖？ > 更努力地深入思考：断网、刷新、关闭浏览器这些情况下，草稿应该怎么处理？

更深入的模式下，Claude 花在推理上的 token 也越多，返回速度也更慢。

在处理新任务时，如果不希望之前的聊天内容干扰判断，可以直接用 /clear 清空上下文。

但是有些情况，旧内容是有用的，只是聊天记录太长，担心占用太多 token。

这时可以用 /compact。它会把已有对话压缩成更短的上下文，保留必要信息，再继续往下做新任务。

这个指令需要慎用，但它的价值非常明显，可以让 CC 拥有最高权限，完全进入全自动状态。

避免频繁弹出确认消息，造成过多的交互时间。

我们可以在 批量化数据处理时，或者相对 比较安全的情况下使用该指令。

使用方式：在启动时使用如下命令即可。

claude --dangerously-skip-permissions

这是我之前整理的一些 AI 编程技巧：

从混乱到可控：我最受益的 10 个 AI 编程技巧（含提示词）

内容都来自我自己做产品时的真实经验总结。

相信你会有很多收获。

之所以要单独讲“省钱技巧”，是因为在使用过程中，算力消耗往往是在不知不觉中发生的，用着用着就超了。

我自己就踩过这个坑，最夸张的时候，一个月光算力费用就花了 5000 多。

但有时候，杀鸡焉用牛刀？

使用 /model进行切换，日常任务用 sonnet，复杂任务用 opus，文档任务用国内模型。

前面 「CC 常用技巧」中有提到过，这里就不赘述了。

用 /clear、 /compact指令，不仅仅是为了输出质量，还有省钱。

使用 /cost命令，定期检查消耗情况，做到心里有数。

有些文件本身就不适合直接丢给 Claude Code：

比如 锁文件、日志、数据文件、依赖包。
这类内容行数多、信息密度低，
一旦被读取，上下文体积会立刻膨胀。

这样后续每一步都会反复被带上，相当于持续扣费。

具体做法如下：

1、先从源头拦住：

在 .claudeignore里把这些文件排除掉，这样 CC 将拒绝读取任何与其中列出的模式匹配的文件。

我们可以在项目输入如下指令来生成 .claudeignore

检查项目中是否存在 .gitignore、.dockerignore 等忽略文件： - 若存在：读取其内容，参考并扩展为 .claudeignore（增加 IDE 目录、虚拟环境、日志、临时文件、敏感配置等）- 若不存在：根据项目类型直接生成合适的 .claudeignore

2、尽量定位具体文件

能够定位具体代码文件，或者具体行数的情况下，做好内容引用，减少让 AI 自由发挥。

3、思维留存

这个思路也是我经常习惯去做的事情，无论是 Cursor 还是 CC。

当我们针对一些不需要及时实施的方案，或者是一段比较有价值的讨论，可以将内容导出来，方便下次继续使用。

这样可以节省从头再来的 token 费用。

CC 中，可以使用 /export 导出出对话。

在这篇文章中，我只想说我认为 MCP 最基础、也是最重要的那一部分。

MCP 是 Anthropic 官方在 2024 年 11 月推出的一种连接协议。

我们可以理解成：给 AI 接上“外部世界”的一套标准接口。

以前 AI 只能靠你贴代码、贴文字、给数据来工作。

有了 MCP，它可以直接连数据库、代码仓库、设计稿、部署平台，拿到真实的数据和状态。

你不是在“问 AI 怎么做”，而是把工具递给它，让它在你的真实环境里一起干活。

首先找到 MCP 安装地址，在 CC 中输入如下类似命令安装即可：

claude mcp add 具体mcp地址

这里以 chrome-devtools 为例，演示下安装和使用过程：

1、输入命令完成安装

claude mcp add chrome-devtools npx chrome-devtools-mcp@latest

2、输入/mcp 查看安装结果

如果在 mcp server 里有看到“connected”，那就代表已安装成功了。

3、测试数据抓取

利用这个工具，我们让 CC 抓取公众号后台首页的数据。

使用谷歌浏览器打开地址：https://mp.weixin..com/cgi-bin/home?t=home/index&lang=zh_CN&token=XXXXX再通过 chrome-devtools mcp 读取第一页的每篇文章的数据，保存到Excel文件中

4、UI 自动化测试

除了能抓取网页数据之外，我认为最有价值的场景是： UI 自动化测试。

我这边演示一下：

请用谷歌浏览器打开如下地址：xxxx 使用 chrome-devtools mcp 帮我测试公众号自动写作列表的功能，满足文件内的验收标准：公众号自动写作测试用例.csv

我们发现 MCP 已经开始自动打开浏览器，并且按照要求点击页面，完成每个测试用例的验证。

chrome-devtools MCP 演示https://www.zhihu.com/video/2004938592779264839

在所有步骤跑完之后，它会给出一份完整的测试报告。

从效果来看，这个 MCP 可以明显简化目前的 UI 测试流程。

未来只需要把测试用例写清楚，剩下大量重复的操作，就可以交给 AI 来完成。

1、MCP 官方示例仓库

这是一个 MCP 官方示例仓库，提供了一些参考用的 MCP Server，
用来展示 MCP 的能力和各语言 SDK 的基本用法。适合想理解 MCP 工作方式、准备自己实现 Server 的开发者参考。

地址：

https://github.com/modelcontextprotocol/servers

2、国内 MCP 仓库

国内的 @云中江树老师，也整理了一个中文版的 MCP 集合：

https://github.com/yzfly/Awesome-MCP-ZH

里面汇总了不少 MCP 的使用案例和精选列表，比如浏览器自动化、编程、数据库交互、命令行、搜索等。

内容丰富，值得一看。

此外，我整理了一些相对实用的MCP，方便大家获取：

它可以让 AI 直接读取并理解你的 Figma 设计稿。

不是看截图，而是拿到真实的设计结构，包括组件、文字、颜色和间距。

这样你就可以让 AI 直接对着设计写代码、核对样式，中间少解释很多细节。

安装命令:

claude mcp add --transport http figma https://mcp.figma.com/mcp

官方文档地址：

https://developers.figma.com/docs/figma-mcp-server/remote-server-installation/#claude-code

Supabase MCP 的作用，是让 AI 直接接管你的 Supabase 数据库，能看结构、写数据、改表，而不是只给建议。

对不会数据库的朋友来说，价值更明显。

你不用先学 SQL、表设计、权限规则，只需要用业务话说明需求。

比如：“我需要一个记录用户积分变化的表。”

AI 会自己去看现有的结构，再创建表结构和对应数据库操作。

安装命令：

claude mcp add --scope project --transport http supabase "https://mcp.supabase.com/mcp"

官方文档地址：

https://supabase.com/docs/guides/getting-started/mcp

模型自带的知识有时间滞后，新框架、新 API、新用法，它可能不知道。

Context 7 MCP 做的事很简单：在你提问时，把最新的文档、规则或资料拉进当前上下文，让模型当场参考。

这样能解决两个常见问题：

• • 不再用过期 API、旧语法乱猜
• • 回答更贴近你现在正在用的版本和环境

安装命令（需要获取API Key）：

claude mcp add context7 -- npx -y @upstash/context7-mcp --api-key YOUR_API_KEY

官方文档地址：

https://github.com/upstash/context7

对很多没有技术背景的朋友来说，部署是最容易卡住的一步。

代码写完了，却不知道怎么上线。环境变量、构建命令、报错信息，看了也不明白。

Vercel MCP 的作用，是让 AI 直接帮你将本地代码部署在线上，并不只是给一堆部署建议而已。

安装命令：

claude mcp add --transport http vercel https://mcp.vercel.com

官方文档地址：

https://vercel.com/docs/ai-resources/vercel-mcp

GitHub MCP 的作用，是让 AI 直接参与你的代码仓库，而不是只看你粘出来的片段。

它可以帮你理解仓库结构、文件变更和提交记录，也能读懂 PR 和 issue 在讨论什么。

这样 AI 才知道，代码从哪来，改过什么，现在卡在哪。

安装命令（需要获取授权码）：

claude mcp add-json github '{"type":"http","url":"https://api.githubcopilot.com/mcp","headers":{"Authorization":"Bearer YOUR_GITHUB_PAT"}}'

官方文档地址：

https://github.com/github/github-mcp-server/blob/main/docs/installation-guides/install-claude.md

安全漏洞是在 AI 编程过程不可忽视的一件事。

因为如果漏洞存在，别人可以在你不知道的情况下，
拿数据、控账号、用你的服务器干任何事。

很多时候，即使是专业程序员，在不熟悉的编程语言环境下，也很难察觉一些安全问题。

更别提非专业人士，在目前 AI 的加持下，更多人只会更注重结果，却忽略了这些定时炸弹。

这个 MCP 可以帮你检查代码：

• • 有没有常见安全漏洞
• • 有没有明显的错误写法
• • 有没有容易被忽略的坏习惯

这样可以降低代码存在的安全风险。

安装命令：

claude mcp add semgrep uvx semgrep-mcp

官方文档地址：https://github.com/semgrep/mcp

我们可以回想下，在没有 Skills 之前，更多是用 Prompt 和 AI 协作。

你需要把 每一步想清楚、说清楚，
模型当场理解、当场执行。
只要对话结束，之前的约束和方法就不存在了。

Skills 的出发点不一样。它试图把一类任务中 稳定、不变的部分提前沉淀下来。包括 执行流程、操作顺序、使用规范、注意事项，甚至可以包含 可执行脚本和参考资料。

这些内容会被整理成一个结构化的能力单元，在合适的场景下，由 Agent 按需加载、反复使用。

从系统视角看，一个 Skill 本质上就是一个能力文件夹。

my-skill/
├── SKILL.md          # 必须: 元数据 + 指导文档
├── scripts/          # 可选: 执行脚本
├── references/       # 可选: 参考文档
└── assets/           # 可选: 资源

Agent 并不会一次性把这些内容全部放进上下文，而是按步骤、按需要逐层获取信息。

这也是 Skill 设计中最优雅的一点，这个机制被称为：渐进式披露（Progressive Disclosure）。

我们通过一个官方案例：webapp-testing ，更直观地看一遍这个加载过程。

Skill 官方地址：https://github.com/anthropics/skills/tree/main/skills/webapp-testing

第一层，是元数据。

当 Agent 启动时，它只会读取 Skill 顶部的元数据区域，核心也就是 name和 description这两个字段。

备注：可以有更多元数据字段，但是这两个信息是必备的。

在 webapp-testing 中，这一层只告诉 Agent 一件事：这是一个“用于使用 Playwright 测试本地 Web 应用”的能力。

到这里为止，Agent 只是知道：“这个 Skill 会做 Web 应用测试”，但还不知道“具体应该怎么做”。

这一层内容相对较少，只用于能力发现，不涉及任何执行细节，自然，占用上下文的空间也少。

第二层，是说明文档，也就是 SKILL.md。

当用户提出的需求，比如“帮我测试一个本地 Web 页面”，当需求和 webapp-testing 的元数据匹配时，Agent 才会去读取这份文档。

在这个 Skill 里，SKILL.md 完整地描述了：

1、适用场景

Agent 会先判断任务面对的是静态 HTML 页面，还是动态 Web 应用。

如果是动态应用，再进一步判断服务器是否已经运行。

2、最佳实践与注意事项

在 webapp-testing 里，作者并没有让 Agent 自由发挥，而是明确给出了一套固定的执行顺序：先侦察页面状态，再识别元素，最后执行操作。

第三层，运行时资源（按需加载）

另一方面，对于更复杂、容易出错的操作，
还可以直接调用可执行脚本。

所以，正是因为这种按需加载的机制，一个 Skill 才能同时打包大量说明和工具，却不会带来持续的上下文负担。

Skills 和 MCP 并不是一类东西。

MCP解决的是连接问题，
它决定 Agent 能访问哪些外部系统、数据源和工具。

Skills是定义在拿到这些工具之后，
应该如何规范、稳定地使用它们。

我们可以理解为：MCP 提供能力边界，Skills 约束能力使用方式。

无论使用哪种方式下载，我们需要将 Skills 放对位置，否则 CC 无法成功加载。

1、手动下载

https://skillsmp.com/zh/search

https://github.com/anthropics/skills

2、让 AI 自行下载

接下来，我们演示一下如何让 AI 下载 skill-creator，这是一个官方提供、用来帮助我们开发 Skill 的 Skill。

请帮我安装Skill，对应的项目地址为：https://github.com/anthropics/skills/tree/main/skills/skill-creator

等待安装完成。

接下来我们利用 skill-creator 创建一个 skill，输入自己的需求：

输入需求后，CC 开始帮我创建 skill，最终包含一个压缩脚本。

细心的朋友可以看到，这次脚本需要安装一个依赖包。

为了减少更多问题的出现，我建议直接让 CC 帮你完成安装。

安装成功之后，该怎么使用呢？

除了AI 给出的命令示例，我们可以按照这样两种方式使用：

1、指明具体的 skill 名称

请使用 image-compressor 压缩这张图片 

2、让 AI 自行分析和调用合适的 skill

请帮我压缩这张图片 

名称：推荐用「动词 + ing」的形式，直接描述行为。

正例：

1. processing-pdfs2. writing-documentation

反例：

1. helper2. tools

描述：定义做什么 + 什么时候用。

正例：

从 PDF 文件中提取文本和表格、填充表单、合并文档。在处理 PDF 文件或用户提及 PDF、表单或文档提取时使用。

反例：

帮助处理文档

以上案例摘自官方。

一个 Skill，尽量只做一件事，千万别贪多。

Skill 的职责越多，AI 越难判断什么时候该用它。

否则，最后的结果往往是：

• • 要么不用
• • 要么用错

官方建议：Skill.md 不要超过 500 行。

否则很有可能是：责任不清、信息堆叠。

测试下来，对 Skill 行为没有影响的内容，该删就删掉。

对于不同的任务类型，我们可以灵活设置不同的自由度。

偏开放的任务，比如：总结、改写、头脑风暴、方案生成。

这类任务本身没有唯一答案。

偏稳定的任务，比如：格式转换、数据处理。

这种方式很累。

更稳妥的方式，是先搭骨架。只写最基本的目标、输入和输出。

同一个 Skill，在不同模型下，表现会存在差异。所以不要指望一次写完。

持续验证、持续迭代，才是写好 Skill 的正确姿势。

这是最容易被忽略的一步。

很多 Skill 写完之后，没人知道：它算不算成功？

建议至少想清楚三件事：

• • 什么情况下，算是用对了这个 Skill
• • 什么输出，是可以接受的
• • 什么情况，算失败

哪怕只是几条简单的判断标准，也比没有强。

除了之前提到站点之外，这里也整理了一些优质的 Skills 资源：

Skills 的意义，在于把具体的方法和相关资源封装起来，变成可以长期复用的能力。

同样地，
如何获取和构建好用的 Skills，
本身也值得被当成一项能力沉淀下来。

我有一个需求：【一句话描述你想解决的问题】。
请你帮我在 GitHub 上找 3–5 个成熟、被大量使用的开源项目 来解决这个问题，并简单告诉我：
- 每个项目的 GitHub 链接
- 大致的 star 数
- 各自适合什么场景
- 它们之间最主要的差异
最后给我一个选择建议，告诉我哪个更稳、更值得长期使用。

再用 skill-creator 把它们封装成一个个 skill，然后，结合自己的使用习惯和场景做微调。

请使用 Skill-Creator 帮我将【输入最合适的开源项目地址】封装成一个 skill，用于解决 【你希望解决的问题】

Cursor 更像是在加速传统的软件开发流程，让你写得更快。

但 Claude Code 给我的感觉不太一样。

当然，这两类工具不是非得二选一。

快速原型、日常编码，用 Cursor；
复杂设计、重构、深度调试，用 Claude Code。

尼尔·波兹曼说过一句话：“当你改变工具时，你也在改变自己。”

工具会一直变，Cursor 也好，Claude Code 也罢，它们都只是手段。

真正重要的，是你用什么思维方式解决问题，交付结果。

愿我们，都能找到最适合自己的开发节奏。

我是 🐼 熊猫Jay，如果觉得文章有用，随手点个赞、转发、在看三连吧～ 谢谢你看我的文章～

原文地址如下：

https:// mp.weixin..com/s/8iM1 6IfgKWvESx8ZaOg5Uw

先回答问题：日常写代码我用Cursor，复杂重构用Claude Code，TRAE试了一阵后放弃了。不是TRAE不好，是我懒得换。

很多人把这三个放一起比，其实不太对。Cursor和TRAE是一类，都是IDE，写代码的时候在旁边给你补全、回答问题。Claude Code是另一类，它是个Agent，你给它任务它自己去干，干完了叫你。

这个区别决定了使用场景完全不同。

先说Cursor。

它的核心价值是Tab补全。写代码的时候，它会猜你下一步要写什么，按Tab就自动补上。一开始觉得没什么，用习惯了发现离不开。

但Tab补全有个技巧：上下文要给够。

比如你要写一个用户校验函数，光把光标放在空行上，它补出来的东西很generic。但如果你先写个注释：

// 校验用户名：4-20位，只能是字母数字下划线，不能以数字开头
function validateUsername(username) {

写到这里按Tab，它补出来的代码基本就是对的。注释越详细，补全越准。

Composer是另一个常用功能。比如我要把项目里的axios请求都换成fetch，直接跟它说：

把src/api目录下所有用axios的地方改成fetch，保持原有的错误处理逻辑

它会把涉及的文件都列出来，一个个改，你review一下确认就行。这种批量改动手动做要半天，它几分钟搞定。

但Composer有个坑：改动太多的时候会漏。超过5-6个文件就容易出问题，不是漏改就是改错。我的经验是复杂改动分批做，别一次塞太多。

TRAE我用了大概两周就换回Cursor了。

界面和Cursor几乎一样，功能也差不多。免费是真香，但有几个问题。

补全的”味道”不太对。怎么说呢，Cursor补出来的代码风格跟我习惯比较接近，TRAE的有时候会用一些我不太用的写法。比如我习惯用async/await，它偶尔会补成.then链。不是错，就是别扭。

还有就是响应速度，TRAE明显慢一点。Tab按下去要等个零点几秒，Cursor几乎感觉不到延迟。写代码的时候这个差距很明显，一卡一卡的很影响心流。

可能是服务器在国内的原因？不确定。总之如果你对延迟敏感，建议两个都试试再决定。

Claude Code是完全不同的东西。

它不是IDE插件，是个命令行工具。装好之后在终端里跑，给它下任务，它自己读代码、改代码、跑命令。

听起来很美好，实际用起来有点像养了个不太听话的实习生。

有一次我让它”把这个函数的返回值从数组改成对象”，它改完我一看，好家伙，顺手把调用这个函数的十几个地方也”优化”了一遍。虽然逻辑没错，但跟我原来的风格完全不一样。测试倒是过了，code review的时候同事问我是不是换人了。

所以用Claude Code有个原则：任务要具体，边界要清晰。

别说”优化一下这个模块”，要说”把src/utils/date.js里的formatDate函数改成支持时区参数，其他文件不要动”。越具体它越不容易跑飞。

但它真正厉害的地方是复杂推理。

比如我有个老项目，几万行代码，想加TypeScript。让Cursor做这个事，它只能一个文件一个文件加，而且类型推断经常错。

Claude Code不一样。我跟它说”分析这个项目的数据流，给主要的函数加上TypeScript类型定义”，它会先花几分钟读代码，理解模块之间的关系，然后给出一个整体的类型方案。虽然还是要人工review，但起码方向是对的。

还有就是批量操作。”把项目里所有console.log删掉，但保留console.error”这种任务，Cursor要一个个文件点，Claude Code一句话搞定。

缺点是贵。按token算钱，复杂任务跑一次可能要几块钱。让它反复尝试的话，一天下来几十块不是问题。

说个实际的工作流。

平时写代码90%的时间在Cursor里。新功能开发、bug修复、小范围重构，Tab补全加Composer基本够用。

遇到大活的时候上Claude Code。比如：

• 老项目技术栈升级
• 生成测试用例（它能根据代码逻辑自己想edge case）
• 分析不熟悉的代码库（让它画调用关系图）
• 批量格式化或重构

两个配合用，效率比单用一个高很多。

几个用好这些工具的心得：

写好prompt是核心技能。同样的功能，prompt写得好能省一半时间。多给上下文，说清楚约束条件，指定代码风格。这些工具不是魔法，你给的信息越多，它出来的东西越靠谱。

别无脑接受生成的代码。Tab补全的时候多看一眼再按，Composer改完一定要diff看一遍。我见过有人AI写的代码直接提交，结果埋了个隐藏bug，线上炸了才发现。

该用的时候用，不该用的时候关掉。有些复杂逻辑，自己想清楚再写比让AI猜效率高。核心算法、安全相关的代码，最好还是手写。

对了，我有几台开发机在不同地方。之前远程开发的时候，Cursor的补全延迟很高，Tab下去要等一两秒，根本没法用。后来用星空组网把机器串到一个虚拟局域网，延迟降到二三十毫秒，体验跟本地差不多了。远程开发的可以试试这个思路。

回到问题，谁最强？

这三个工具解决的问题不一样，放一起比”最强”没意义。

Cursor和TRAE解决的是”写代码的时候有个助手”，Claude Code解决的是”有个能跑腿的实习生”。

如果只能选一个，选Cursor，覆盖面最广。有余力的话Cursor+Claude Code组合用，效率提升很明显。TRAE免费是优势，预算紧的可以先从TRAE开始。

工具而已，用顺手就行。

有问题评论区聊。