选型的核心不只是技术先进性，更是 AI 对这个工具的理解程度。这份指南覆盖 AI 工具、开发环境、基础设施、框架、部署、可观测性和决策原则。
2026 年 AI 编程工具已经分化成清晰的层级。选错工具不是效率问题，是工作流根本跑不通的问题。
VS Code fork，AI 深度集成编辑器。适合中大型项目--理解整个 codebase 上下文，跨文件编辑。Cursor 的 Composer 模式可以并行改多个文件，是目前 vibe coding 的主力工具。
终端原生 AI 编程工具。适合服务器端开发、DevOps 脚本、不需要 GUI 的场景。上下文管理强，能读整个 repo，但交互不如 IDE 直观。
通用对话模型。适合架构设计、技术选型、debug 思路讨论。不适合直接生成项目代码--上下文窗口有限，无法理解整个项目结构。作为「思考伙伴」而非「代码生成器」。
自主 agent，能执行多步骤任务。适合 CI/CD 流水线自动化、批量重构、定时任务。需要清晰的 task 定义，模糊指令会跑偏。适合结构化重复工作。
行级/函数级补全。适合写样板代码时的加速器。不适合写复杂逻辑--它的上下文太短。和 Cursor 不冲突，但 Cursor 的补全已经覆盖了 Copilot 的场景。
从 prompt 直出完整应用。适合原型验证、MVP 快速展示。生成的代码质量不够生产级，但能快速验证产品想法。理解为「高保真原型工具」而非开发工具。
AI 对某些工具链的训练数据远多于其他。选择 AI 熟悉的工具 = 生成代码质量更高。这不是跟风，是统计学意义上的最优解。
| 层 | 推荐 | AI 友好度 | 理由 |
|---|---|---|---|
| 语言 | TypeScript | ★★★★★ | AI 训练数据最多，类型系统是 AI 协作的最佳接口 |
| 语言 (后端) | Python 3.12+ | ★★★★★ | 类型提示完善，AI 生成质量高，async 生态成熟 |
| 语言 (系统) | Go 1.22+ | ★★★★☆ | 简单、并发模型清晰，AI 不容易写错 |
| 语言 (避免) | Rust / Haskell | ★★☆☆☆ | AI 能写但经常编译不过，调试成本高于手写 |
| 包管理 | pnpm (TS) / uv (Py) | ★★★★☆ | AI 对 npm/pip 更熟，但 pnpm/uv 是更好选择，prompt 里说明即可 |
| 运行时 | Bun / Node.js 22 | ★★★★★ | Bun 快且内置工具链，Node 生态最广 |
| 编辑器 | Cursor (基于 VS Code) | ★★★★★ | AI 原生集成，Composer 模式跨文件编辑 |
| 终端 | zsh + tmux | ★★★★☆ | AI 理解 Unix 命令，tmux 管理多会话 |
| 容器 | Docker + Dev Containers | ★★★★★ | 环境一致性，AI 对 Dockerfile 非常熟悉 |
数据库、缓存、消息队列--选型决定后续所有 AI 生成代码的上下文。换数据库比换框架代价大 10 倍。
默认选择，不需要理由。JSONB 支持半结构化数据、全文搜索、行级安全、分区、逻辑复制。一个 PG 解决 90% 的数据存储需求。AI 对 PG 的训练数据极其丰富。
边缘部署、小型应用、本地优先架构。不需要独立数据库服务器。D1 和 Turso 让 SQLite 跑在边缘节点。AI 对 SQLite 语法很熟悉。
不只是缓存--session store、rate limiter、pub/sub、任务队列（Streams）、分布式锁。AI 理解 Redis 数据结构，但你需要指定使用模式（cache-aside vs write-through）。
简单场景用 Redis Streams（不多一个组件）。高吞吐用 NATS（轻量、Go 原生）。大数据管道用 Kafka（重但生态完整）。AI 对 Kafka API 最熟，但 NATS 更适合中小项目。
比 Elasticsearch 轻量 10 倍，AI 生成质量高。PG 全文搜索能覆盖简单需求，但中文分词需要额外配置。Meilisearch 开箱支持中文。
R2 零出口费用，S3 兼容 API。MinIO 自建，适合数据主权要求。AI 对 S3 API 非常熟悉，R2/MinIO 都兼容。
框架选择影响 AI 生成代码质量的两个因素：训练数据量 + 类型系统约束。以下按场景推荐。
一套语言打通前后端，AI 上下文切换最少，生成质量最高。
推荐组合: 框架: Next.js 15 (App Router) ORM: Drizzle ORM 样式: Tailwind CSS v4 组件: shadcn/ui 状态: Zustand + SWR 部署: Vercel / Cloudflare Pages 何时偏离: - 纯 API 服务 -> Hono (比 Next.js API 路由轻量) - 实时应用 -> Hono + WebSocket - Edge-first -> Hono on Cloudflare Workers
数据处理、ML 推理、爬虫场景。类型提示是 AI 协作的关键。
推荐组合: 框架: FastAPI ORM: SQLAlchemy 2.0 (async) 校验: Pydantic v2 任务: Celery / arq (async) 部署: Docker + Fly.io / Railway 何时偏离: - 简单 CRUD -> Litestar (比 FastAPI 更类型安全) - ML 推理 -> FastAPI + ONNX Runtime - 爬虫 -> Scrapy (AI 非常熟悉)
高并发、低延迟、部署简单。Go 的简单性让 AI 很难写错。
推荐组合: 框架: Chi / net/http (标准库) ORM: sqlc (SQL -> Go code) 配置: Viper 日志: slog (标准库) 部署: Docker + 自托管 / Fly.io 何时偏离: - gRPC 服务 -> connect-go - 不用 ORM -> database/sql + sqlc - 避免: GORM (AI 生成质量不稳定)
ORM 是 AI 和数据库之间的翻译层。选错了 AI 会生成低效查询。
TypeScript: Drizzle -> SQL-like, 类型推断强, 迁移透明 Prisma -> 声明式 schema, 但运行时重, AI 有时生成 deprecated API Python: SQLAlchemy 2.0 -> 表达式语言强大, async 支持 SQLModel -> Pydantic 集成, 但功能有限 Go: sqlc -> 编译时生成, 类型安全, 无运行时开销 ent -> Facebook 出品, schema-first, 但 AI 不熟 原则: 选 AI 训练数据最多的 ORM, 而不是最新最酷的
部署平台的选择取决于你的流量模式、预算和控制需求。以下是 2026 年的实际格局。
| 平台 | 适合 | 定价模型 | 关键限制 |
|---|---|---|---|
| Cloudflare Pages | 静态站 / SSR (边缘) | 免费 100 项目/月 | Pages Functions 有限制 |
| Cloudflare Workers | 边缘 API / 代理 | 10ms CPU 免费 / 付费无限 | 50ms CPU 上限 (付费) |
| Vercel | Next.js 全栈 | 免费 100GB 带宽 | 商用需 Pro, 函数 10s 超时 |
| Fly.io | 容器化全栈 | 按秒计费, 有免费额度 | 需要 Docker, 学习曲线 |
| Railway | 全栈快速部署 | $5/月起 | 不适合高流量 |
| 自托管 (VPS) | 完全控制 | $5-20/月固定 | 运维成本高, 需要自己搞监控 |
| Oracle Cloud Free | 永久免费 ARM VPS | 免费 4 OCPU / 24GB RAM | 网络不稳定, 需要梯子 |
| AWS / GCP | 企业级生产 | 按用量 | 复杂, 容易超预算 |
AI 写的代码出了 bug，没有可观测性就是黑盒。以下工具让 AI 生成的代码也能被监控、追踪、调试。
结构化日志是基础。JSON 格式，每条日志包含 request_id、timestamp、level、message。AI 能帮你写日志语句，但格式规范你得定。生产环境不要用 console.log / print。
Metrics 不是可选项。RED 指标（Rate、Errors、Duration）覆盖 80% 的监控需求。Grafana 可视化。AI 能生成 Prometheus 指标代码，但告警阈值需要你定。
分布式追踪标准。一个请求穿过多个服务时，trace ID 贯穿全程。不锁定厂商--可导出到 Jaeger、Tempo、Datadog。AI 对 OTel API 熟悉，但 instrumentation 需要你规划。
前端 + 后端错误聚合。自动捕获未处理异常、source map 还原堆栈。AI 生成的代码经常缺 try-catch，Sentry 是最后防线。免费额度够小项目用。
前端 RUM（Real User Monitoring）。Core Web Vitals 自动采集。后端用 OTel traces。AI 不关心性能，你需要主动加测量点。
最基础的外部监控。HTTP ping + 告警通知。Uptime Kuma 自托管免费，Better Stack 有免费层。不要依赖平台自带的状态页--自己监控自己的服务不可靠。
具体工具会变，但选型原则不变。在 vibe coding 时代，选型多了一个维度：AI 对这个工具的理解程度。
一个 AI 训练数据丰富的「过时」工具，比一个 AI 没见过的「先进」工具效率高 10 倍。PostgreSQL > ScyllaDB（除非你真的需要 Cassandra 级吞吐）。React > Solid.js（即使 Solid 更好）。这不是技术判断，是 AI 协作效率判断。
TypeScript > JavaScript，Python + type hints > Python bare，Go > Ruby。类型系统让 AI 知道函数期望什么、返回什么，生成代码的正确率显著提高。无类型语言里 AI 会猜测类型，猜错就连锁出错。
Next.js 的文件路由、Rails 的 MVC、Django 的 admin--约定越多，AI 需要的上下文越少。零配置框架（如 Hono）需要你在 prompt 里补充约定。选择有强约定的框架，AI 生成的代码更一致。
AI 对以下领域训练数据不足或容易出错：Rust 生命周期、Kubernetes manifests（YAML 缩进）、Terraform（状态管理）、GraphQL schema stitching。这些领域优先手动写，AI 辅助。不要让 AI 主导它不熟悉的技术栈。
Vercel 锁定 -> 但 Next.js 部署体验最好。Cloudflare 锁定 -> 但边缘部署成本最低。在早期阶段，开发速度 > 可移植性。等流量大了再迁移，迁移成本远小于早期开发效率的收益。不要为了「万一要迁移」而选择次优工具。
Cloudflare Pages/Workers（免费额度大）、Oracle Cloud（永久免费 ARM）、GitHub Actions（免费 CI/CD）、Sentry（免费错误追踪）。个人项目和 MVP 阶段，免费额度能覆盖大部分需求。只在免费额度不够时才付费。