笔记定位：本篇为独立个人实战总结，基于日常学习、工程开发、学术研究、企业项目实操经历，系统梳理全品类AI工具使用体验、优劣适配、选型逻辑，同时结合自身设备硬件条件，总结当前可落地的AI开发边界与实操局限，适配学习复盘、项目总结、面试场景作答。
一、全场景AI工具个人实战体验
1.1 日常C端使用：豆包
使用体验：适用于日常智能交互、常识答疑、基础文案改写、简易问题纠错。平台交互流畅、响应迅速、免费额度充足，多模态生成与生活化场景适配性优异，可全覆盖个人碎片化日常使用需求。
短板适配：针对复杂工程逻辑、深度代码推理、严谨学术论证的能力较弱，因此仅作为日常辅助工具，不参与核心代码开发与科研分析工作。
1.2 学术/长文档科研场景：Kimi
使用体验：是学术调研、论文精读、长文献解析、大批量资料汇总梳理的最优工具。支持超大体积文件上传与百万级长文本无损解析，可精准梳理文献逻辑、提炼核心观点、完成全文总结，高度适配学术研究、文献复盘、专业资料整理场景。
核心优势：长文本上下文处理能力优于多数通用大模型，文档解析完整性高、无内容碎片化丢失，学术内容严谨性更强，是个人学术研究的核心辅助工具。
1.3 编程工具迭代与替换历程
初期工具：Cursor：AI原生IDE体验优异，支持多文件联动、项目级代码重构与全局逻辑理解，调试排错与项目开发效率极高。
弃用原因：核心高阶功能付费门槛较高，个人长期学习成本偏高、性价比不足，因此替换为免费、高性能的工程工具组合方案。
曾用工具：Trea：编程辅助能力良好，代码生成与智能补全能力贴合开发需求，但核心功能存在额度限制与付费门槛，不适用于长期学习迭代，最终予以替换。
1.4 现阶段主力编程工作流
1.4.1 整体工作流架构
以 VS Code为基础开发载体 ，搭配 Claude Code终端插件对接DeepSeek Coder API ，搭建免费、高效、适配个人学习的全流程工程开发工作流，完全平替各类付费AI编程IDE。
1.4.2 Claude Code 能力定位
使用体验：依托百万级超长上下文优势，主要负责项目整体架构梳理、多文件全局分析、代码重构、深层Bug排查与工程结构优化，擅长大型项目阅读与整体逻辑迭代，免费生态完善，适配个人学习与中小型工程实战场景。
1.4.3 DeepSeek Coder 能力定位
核心优势（个人实测）：DeepSeek Coder API的代码生成质量、逻辑推理精度、算法严谨度与工程规范性，显著优于豆包等通用大模型。产出代码整洁、可直接运行、BUG率低，适配Python工程、AI数据脚本、数据处理、模型微调脚本、部署脚本、AI流水线开发等全场景。结合Claude Code全局分析能力，形成「全局架构梳理+精准代码落地」的高效开发闭环。
性价比优势：DeepSeek API调用成本极低、免费额度充足，零成本实现专业级AI编码辅助，是个人AI工程学习者的最优高性价比编码方案。
短板说明：DeepSeek模型专精代码编写与逻辑推理，多模态能力薄弱，无法高效处理图片解析、视频生成、图文创作等多媒体场景。因此采用工具互补策略，编码场景专注DeepSeek，多模态场景依托豆包补足，实现场景全覆盖。
二、低代码AI平台实战经历
2.1 Coze 扣子（个人实操）
使用体验：个人阶段深度体验Coze无代码AI开发平台，熟练掌握知识库创建、插件配置、工作流编排、对话机器人搭建全流程。经过实战验证，Coze核心定位为C端轻量化快速演示与原型验证，无私有化部署能力、无精细化工程运维体系。
场景局限：无法适配正式企业业务、私有化项目与生产级落地场景，仅适用于个人快速试错与Demo展示，不用于正式项目迭代。
2.2 Dify（企业实战）
实战经历：具备企业级Dify落地实操经验，熟悉其工程化、私有化、生产级落地能力。实际参与AI小程序知识库搭建与功能测试完整项目流程，涵盖文档解析、知识库入库、检索规则配置、对话调试、功能测试、问题复盘等全链路工作，具备基础的企业AI知识库落地与运维认知。
场景定位：适配企业私有化部署、AI小程序开发、业务知识库搭建、生产级AI应用落地，是AI工程岗位主流实操工具，相较于Coze具备完整的工程落地与运维能力。
三、个人硬件条件与AI开发落地边界
3.1 现有设备硬件现状
个人日常使用设备为 轻薄本 ，设备特性为：显卡性能有限、内存容量较小、无高性能算力支撑，硬件配置偏向日常办公与轻量化开发，不具备专业算力设备的部署条件。
3.2 硬件带来的开发局限
受限于轻薄本的显卡、内存硬件瓶颈，现阶段无法完成大参数开源模型本地部署、本地全量微调、大规模向量库本地搭建、高并发推理服务部署等重型AI工程任务。本地运行大模型易出现内存溢出、算力不足、运行卡顿、推理速度极慢等问题，难以支撑复杂本地化AI项目迭代。
3.3 适配硬件的最优解决方案
结合自身硬件短板，针对性优化个人开发工作流，规避本地算力不足的问题：
- 放弃本地大模型部署：不强行本地运行Llama、Mistral等大参数模型，避免设备过载、运行失败
- 优先API云端调用：全程采用DeepSeek、Claude等优质模型API进行代码开发、逻辑推理、工程落地，用云端算力替代本地算力
- 轻量化实操落地：专注 Prompt工程、RAG应用搭建、Agent工作流编排、知识库搭建、功能测试、代码脚本开发等轻量化、无高算力依赖的AI工程实操
- 聚焦工程应用层：侧重AI应用落地、业务流程搭建、工具整合、项目调试等上层工程能力，避开底层模型训练、本地部署等高算力需求场景
四、个人最终工具选型体系与总结
4.1 全场景工具分工（精准适配个人条件）
- 日常交互、多模态生成、生活提效：豆包
- 学术科研、论文精读、长文档梳理：Kimi
- 核心代码开发、工程脚本、算法调试：VS Code + Claude Code + DeepSeek Coder API
- 个人原型验证、快速Demo试错：Coze
- 企业生产级知识库、AI小程序落地：Dify
4.2 整体复盘总结
受限于轻薄本硬件条件，现阶段重点深耕AI应用工程、RAG落地、Agent工作流、低代码AI平台搭建、工程代码开发等轻量化、高性价比、无高算力依赖的核心能力。通过「云端API算力+上层工程实操」的模式，完全规避本地硬件短板，依托免费优质工具组合，全覆盖学习、科研、开发、项目落地场景，形成适配个人设备、贴合AI工程岗位需求的完整技术体系。