个人评测 | Cursor 免费平替：Roo Cline + DeepSeek-v3/Gemini-2.0 + RepoPrompt AI 辅助编程
软件工程领域自诞生起，其中就无时无刻不在翻涌着由时代所掀起惊涛骇浪。
二十年前的前端工程师还被称为“切图仔”，如今这个岗位被要求管理庞杂的 Vue/React 项目；十五年前大家围在一台电脑前仔细琢磨一个事务如何进行 SQL 调优，现在 Spark / Clickhouse / Postgres 等等成熟方案技术选型琳琅满目；十年前用一个下午仔细琢磨各种 man <linux_command> 写出一个优雅的 shell 脚本，现在仅需 5 分钟跟 AI 交代清楚需求...
大语言模型的推广与应用落地，似乎将这次软件工程领域的大浪推到从未有过的高度——深处大浪中的程序员们——是焦虑的，担心被 AI 抢了饭碗——又是幸运的，因为相比其他人，总能最先、最准确、最容易地理解、学习、应用时代最前沿的科技。
摘要： 文章首先介绍了在 VS Code 中使用插件 Roo Cline 以达到和 Cursor 类似功能的方法。接着，介绍了如何使用 Repo Prompt 这款软件，在网页版 Claude Pro 中体验类 Cursor 的功能（相比调用 API ，使用网页版费用更加可控）。最后，以一个 AI 辅助编程实例讨论了这类工具的局限性，最终提出三点结论：（一）小型项目使用 AI 事半功倍，但是每一个 prompt 不应提出太多需求，复杂需求应在多轮对话中逐步提出；（二）对复杂项目而言，市面上的 AI 暂难以处理；（三）在 AI 实际操作中，“人类能够精准指出问题所在”这一点，十分重要。
Cursor 是什么？
2023 年初，四名麻省理工的学生 Michael Truell、Andrew Brown、Aman Sanger 和 Alex Gu 创立了 Cursor。这款编辑器一经推出就引起了开发者的强烈关注。
Cursor 本质上是在 VS Code 的基础上深度定制的代码编辑器。它继承了 VS Code 的所有优点，包括插件生态和熟悉的界面，但在此基础上通过集成 Claude 等大语言模型，创造了更智能的编程体验。
与 GitHub Copilot 等代码补全工具不同，Cursor 开创性地引入了"对话式编程"概念。你不仅能获得智能代码提示，更能与 AI 进行多轮对话，让它理解完整的业务上下文。这种革新让它远超 GitHub Copilot 、豆包 MarsCode 等竞品，成为真正的"AI 结对编程"工具。
但是现在 Copilot / MarsCode 等产品也在行为上逐渐接近 Cursor 。
Cline 和 Roo Cline
然而 Cursor 的高昂订阅费让许多开发者望而却步。在社区的不断探索下，一个名为 Cline 的开源项目应运而生。
Roo Cline 是 Cline 的改进版本，它巧妙地将多个大语言模型（如 DeepSeek、Claude、Gemini）整合进了 VS Code。用户只需安装这个插件，就能在熟悉的编辑器中获得类似 Cursor 的 AI 辅助体验。
这种方案既保留了开源的灵活性，又让开发者能够自由选择不同的 AI 模型。虽然在集成度上可能略逊于 Cursor，但"一分钱一分货"，对于个人开发者来说已经足够实用。
此外，无需额外维护一个 IDE 也是 Cline 相比 Cursor 更具吸引力的地方。
如何“免费”使用？
Google Gemini 2.0 flash thinking
Google 为所有开发者提供了 Gemini 的免费调用方式：只要频率不高于每分钟 15 次即可——对于 AI 辅助编程而言足矣。
在 https://ai.google.dev/gemini-api/ 中可以获取免费的密钥。
DeepSeek-v3
相信关注科技新闻的朋友都会听过国内的 DeepSeek 模型。
进入 https://www.deepseek.com/ 注册登陆，即可获得 500 万 tokens 的免费额度，对于“重度”编程而言，也够用好几天的了。
实测 DeepSeek-v3 在 RooCline 中的表现是强于 Gemini 的。
在 Roo Cline 中使用
在 VS Code 中下载 Roo Cline 后，在设置中，选择相应的模型，输入 API Key 即可。
接下来只需要和 Cursor Composer 一样，在 VS Code 中输入你的需求， at 你的文件/路径即可。
Roo Cline 的玩法很多，配置了合适的 Rule 的 Roo Cline 能力会大大增强。因每个人有每个人最常用的场景，这里没有通用的推荐，所以不做详细讨论。
RepoPrompt 在网页版中使用 Claude 3.5 Sonnet
尽管因为太昂贵，我们不想接入 Claude API ，但是我们可以在网页版中使用付费额度固定的 Claude Pro 来使用“最适合编程”的 Claude 3.5 Sonnet 模型。
在 https://repoprompt.com/ 下载 Repo Prompt 。
用 Repo Prompt 打开你的项目，在其中选择你要附带上的（你要给 AI 阅读/修改的）文件，接着书写提示语，如下图所示。
如上：
- 首先我在 Repo Prompt 中打开我的项目
- 我在 Instructions 中，勾选了
File Tree、XML Whole以及Project Manager三个前置 Prompt File Tree将整个项目的目录结构自动整理成文本XML Whole是 Repo Prompt 这个软件的精髓，它会要求 Claude 输出一个 xml 格式的内容，之后我们可以直接拿这个 xml 格式输入回 Repo Prompt ，从而方便地将 Claude 带来的代码修改 code diff 应用到我们的项目中Project Manager是我自定义的提示语- 接着我在下方粘贴了 pytest 的报错
- 在下半部分 Selected Files 中，我勾选了一些我想上传的文件
这些都完成后，点击下方 Copy ，你的剪贴板中即获得了上面所说的全部内容，直接粘贴给网页版 Claude Pro 即可。
如上， Claude 产生了一个 XML 代码块，我们只需要将其 Copy 到 Repo Prompt 的 Apply > XML Input 中即可。
Repo Prompt 自动解析该 XML ，与本地文件对比，并且将代码对比展示给我们。我们审核代码后，即可选择是否应用这些改动。
实例：人类多加一句话，让 AI 表现越迁一个级别
最近编程遇到的一个问题，大概如下。
async def mock_get(*args, **kwargs):
mock = AsyncMock()
mock.status = 200
if "/item/" in args[0]:
mock.json.return_value = {
... # 省略
}
else:
mock.text.return_value = "<html><body>Test content</body></html>"
return AsyncMock(__aenter__=AsyncMock(return_value=mock))
async def mock_head(*args, **kwargs):
mock = AsyncMock()
mock.status = 200
return AsyncMock(__aenter__=AsyncMock(return_value=mock))
crawler.session.get = AsyncMock(wraps=mock_get)
crawler.session.head = AsyncMock(wraps=mock_head)
问题的表现是：我的 pytest 测试无法通过。
因此，我将代码与 pytest 返回的错误一起发送给模型（试了种方法，包括上文提到的 Roo Cline + DeepSeek/Gemini 、 Repo Prompt + Claude Pro ）。
最终他们全部都陷入了一种诡异的循环，修正了 A 错误就产生了 B 错误，修正了 B 错误就产生了 A 错误...如此往复。
于是我停下来调用 API ，恢复到“原始的”人工 Debug ：我发现，问题的根本在于 AsyncMock 没有正确注入到我的 class 中。于是我多加入了下面这句话：
It seems that the way I mock async result
in pytest is not correct.
There must be something wrong.
Please focus on helping me fix the mock logic:
...
结果是， AI 没有陷入到无尽的错误循环中，而是集中于优先处理上述我提到的问题，在本轮修改后，我仅需手动修改一些小的 attribute 错误，所有 pytest 便全部通过。
def _create_mock_response(self, status=200, json_data=None, text_data=None):
"""Helper to create consistent mock responses"""
mock = AsyncMock()
mock.status = status
mock.__aenter__.return_value = mock
if json_data is not None:
mock.json = AsyncMock(return_value=json_data)
if text_data is not None:
mock.text = AsyncMock(return_value=text_data)
return mock
这个经历与我之前的经验也完全契合，这里总结下：
- AI 的输出是有限的，若在一次对话中给它设置过多目标，则往往顾此失彼，一个都做不好；限制本轮对话的目标，则大大减少了 AI 所需搜索的空间
- AI 有很多种原因会让其陷入死循环： LLM 服务端很可能维护了一个 Cache ，类似的请求会命中 Cache 得到相同的答案，因此如果你用同样的提问得到了错误的答案，一定不要原封不动的重试，完全是浪费； 此外 AI 其实并不知道什么是对的、什么是错误，完全取决于你给它的反馈
总而言之，我目前能给出的参考是：
- 小型项目使用 AI 事半功倍，但是每一个 prompt 不应提出太多需求，复杂需求应在多轮对话中逐步提出；
- 对复杂项目而言，市面上的 AI 暂难以处理，但若是项目解耦较好，能够拆解成一个一个的小部分，应用 AI 辅助是可观的选择。并且对于一些业务代码， AI “照猫画虎”的能力往往是惊人的：它所提供的 “添加一条新业务的方案” 往往很优雅，其能很好地使用你项目中的自定义的
utils（前提是你有其他业务代码也应用了这些utils，相当于给 AI 举了个例子如何使用），开发者仅需 review + fix lint 即可； - 在 AI 实际操作中，“人类能够精准指出问题所在”这一点，十分重要，无需赘言。非专业人士写一个玩具 APP 是可行的，但是实际工程化的项目没有专业人士指引， AI 依然很难完成。
转载可私信后台。
