按场景选择 AI 编程工具：Colin Matthews 的 2025 年比较

在这期 2025 年 5 月的访谈中，Colin Matthews 按使用场景比较 AI 编程工具。示例主要是单次提示测试，并非受控基准测试。本期由 Vanta 赞助。

对于类似 LinkedIn 的前端原型，Matthews 用相同提示测试 Bolt、v0、Lovable 和 Replit。Replit 还生成了服务端代码；对于纯视觉原型，这些额外复杂度未必必要。

他观察到 v0 的默认设置带来一致的外观，而 Bolt 给他更多灵活性。当时版本的 Lovable 代码视图需要连接 GitHub 才能直接编辑，不过支持视觉编辑。

节目包含 Vanta 赞助内容。在此次文字生成原型的测试中，Matthews 更喜欢 Bolt；两人都强调迭代速度。

Figma 转原型的比较显示，不同工具使用不同导入方式，还原效果也不完美。本例中两人更倾向 Bolt 的直接导入；Lovable 的截图结果比其 Figma 导入更接近原稿。

Matthews 披露自己为 Magic Patterns 提供顾问帮助。他演示了面向产品团队的反馈收集、密码保护分享和并排比较不同原型等功能。

在单次提示生成二维游戏的测试中，Firebase Studio、Windsurf、Cursor 和 Replit 给出不同结果。部分工具使用的模型不同，而且这只是一次试验。

演示中 Replit 游戏的移动、攻击和整体呈现更完整。其生成时间较长，频繁快速迭代时需要权衡。

第二个例子为个人任务追踪应用提供了更详细的规格。Replit 生成了较完整的界面和服务端结构，但演示中并没有实际托管数据库。

两人提醒不要把单次输出视为定论：工具和所选模型都会影响结果，而日常工作通常需要多次提示和修改。

他们当时的选择是：文字及 Figma 原型选 Bolt，游戏和小型个人应用选 Replit。对于 Cursor 与 Windsurf，二人没有自信选出专业工程场景的赢家。

他们预测工具将围绕用户和工作流形成差异，并讨论现有平台的分发优势。这些是 2025 年的预测，并非已验证的结果。

Matthews 提醒，大量 AI 生成的代码修改可能需要花费相当时间审查。检查、测试和理解修改的能力仍然重要。

他认为非工程师可以制作原型和简单应用，但复杂的生产应用仍需要技术知识、排错和适当审查。这是他当时的判断。

这里讨论的工具、模型和功能反映快速变化的 2025 年情况；选择技术栈前应核对产品现状。