AI 工具選擇策略

定義

選擇 AI 開發工具的決策框架。核心原則：選最底層的工具——它能做到的事是其他「套殼」工具的功能來源，反過來不行。選擇基於工程判斷（效率最大化），而非品牌忠誠。

關鍵數據點（附來源）

• Claude Code 是「規則制定者」——hooks、CLAUDE.md、MCP、Skill 等概念被其他工具借鑑（來源：工具選擇文章）
• 透明度是關鍵優勢：改了哪些檔案、哪幾行全部攤開（來源：工具選擇文章）
• Cursor 問題：訂閱費用對小團隊不友善（來源：工具選擇文章）
• Antigravity 問題：中間層不透明，不確定需求是否被改寫或截斷（來源：工具選擇文章）
• 持續使用超過一年的累積體驗是判斷基礎（來源：工具選擇文章）

初學者的工具學習階梯（ai-era-anxiety-learning）

• 入門層：Claude work、Codex Desktop——介面看得懂、上手沒壓力，把它當日常助理用
• 進階層：Cursor、Windsurf——AI 編輯器，能直接修改程式碼但仍以 GUI 為主
• 最進階層：Claude Code、Codex CLI——命令列工具，最透明、最可組合、學習曲線最陡
• 30% 規則：每一階只需掌握最關鍵的 30% 基礎操作即可日常使用，剩下 70% 需要時再查

前提與局限性

• 「選最底層」的邏輯假設使用者願意承擔更高學習成本——非工程師可能更適合有 GUI 的工具
• 累積效應本身可能造成判斷偏差（沉沒成本）
• 快速迭代也可能帶來破壞性變更和不穩定
• 如果上層工具提供獨有整合（如 IDE 內嵌補全），底層工具不一定能完全替代
• 工具學習階梯假設使用者會「線性升級」，但實際很多人停在某一階就足夠——不是每個人都需要爬到 CLI 層

衝突標記

• 與「AI 工具的累積效應」存在張力：累積效應越強，「毫不猶豫切換」就越困難。

關聯概念

• [[AI 工具的累積效應]]
• [[Claude Code 三層架構]]
• [[開發工具鏈整合]]
• [[用 AI 反向學習]]——挑定一套後，下一步是用它學自己的專業
• [[AI 焦慮三型]]——「選擇障礙型」的解法就是強制收斂到一階一套