四款 AI 编程助手同题实测：各有何长处

同一个 SprintBoard 冲刺看板应用，交给 Cursor、Copilot、Codex 和 Antigravity，谁做得更好？作者的结论是：Codex 的第一版最完整，Antigravity 的界面打磨和浏览器测试更突出，另外两款则各有工作流优势。

但这份比较更适合拿来筛选工具，不适合当作排行榜。作者没有提供可复核的评分和测试数据，真正能直接借走的，是他们让四款工具完成任务的那套流程。

四款工具各自赢在什么地方

作者给四款助手相同的项目和指令，都按同一个循环推进：打开项目 → 提供上下文 → 构建 → 审查 → 测试 → 迭代。任务是开发 SprintBoard，一个用于管理冲刺任务的 Web 看板应用。

针对这个项目，作者给出了四种不同的优势判断：

• OpenAI Codex（GPT-5 family）：第一轮构建最干净，作者介入最少，产出也最接近生产质量。它的优势集中在首版完成度。
• Google Antigravity（Gemini 3.5 Flash）：UI 打磨最好，还会在浏览器里测试自己的工作。作者认为它的代理式工作流推进很快。
• Cursor（multi-model、Composer）：IDE 内的自主工作流最突出，规划和调试能力较强，也允许随时切换模型。
• GitHub Copilot（multi-model、集成在 VS Code 内）：如果已经长期使用 VS Code，或者团队围绕 GitHub issues 和 pull requests 协作，它最容易融入现有流程。

这里的「最好」指向不同环节。首版代码完成度、视觉细节、自动推进能力和团队协作适配，并不是同一项指标。选型前先确定自己最缺哪一环，比直接照着顺序选更有用。

为什么相同项目仍然比不出客观冠军

相同项目、相同指令，能减少一部分比较偏差，但还不足以把差异归因到工具本身。

四款工具使用的模型并不相同。Codex 只标注到 GPT-5 family，没有给出具体型号；Cursor 和 Copilot 都支持多模型，原文也没交代实际选用了哪些模型，以及是否在过程中切换。因此，这次比较同时混合了模型能力、工具设计和作者操作方式的影响。

原文也没有提供耗时、成本、人工介入次数、缺陷数量、测试通过率或重复实验结果。「介入最少」「最接近生产质量」都是作者的使用感受，无法据此判断优势究竟有多大。

Antigravity 在浏览器里测试自己的工作，是一个具体的行为观察；但作者没有说明测试覆盖哪些交互、检查了哪些结果。能启动浏览器验证页面，并不等于已经完整验证了应用。

真正能复用的是哪套工作习惯

作者认为，工具排名没有工作方式重要。同样的四个习惯，让这些助手都能产出有用的结果。

第一，提示词要明确。除了描述要做什么，还要写清楚什么状态才算完成。第二，提供正确的上下文，把助手指向相关文件和项目规则，减少它猜需求、猜约定的空间。

第三，接受代码前阅读每一份 diff。第四，保持小步迭代，持续执行构建、测试、修复，而不是等整个应用生成后再统一验收。

这篇最值得保留的结论，是把「完成」定义清楚，并让审查和测试进入每轮迭代。

作者还提到 Claude Code，但它没有参加这次 SprintBoard 比较。作者将它用于更大的项目，包括 AI 法律文档生成器和多代理无人机运营平台，涉及 MCP servers、skills、sub-agents、hooks 和 plugins。这个补充说明了作者的使用场景，不能用来推断 Claude Code 在本次任务中的名次。

我的判断

我认同按工作环节选工具：需要更完整的首版，就重点检查首轮产出；重视页面效果，就检查视觉结果和浏览器验证；团队已有 VS Code、GitHub 协作流程，也应该把接入成本算进去。

但作者声称「工作流比工具更重要」，仍然属于经验之谈。原文没有比较同一工具在不同提示词、上下文和计划下的表现，因此没有直接证明这些因素的影响一定大于工具差异。

此外，这篇内容来自作者的「AI Coding Agents」课程，课程包含 8 个真实项目，覆盖上述四款工具及 Claude Code。它有明确的课程推广背景。可以把它作为试用方向，采购或团队统一选型仍需要自己的任务验证。

能拿来做什么

• 用团队熟悉的一个 Web 页面或小型功能做试用题，给各工具相同的需求、上下文和完成标准，再比较实际产出。
• 把作者的主观评价改成可记录的项目指标，例如首版缺陷、人工修复次数、完成耗时，以及浏览器里实际验证过的交互。
• 在日常 AI 编程中固定执行「构建 → 审查 diff → 测试 → 修复」，每轮处理较小的改动，减少问题累积。
• 已经使用 VS Code 和 GitHub 协作的团队，可以先验证 Copilot 的融入程度；需要比较其他工具时，再围绕首版质量、UI 和调试分别验收。