工程机械三维模型应用指南：从液压系统到仿真分析全流程解析
2026/8/8 11:49:52
1）理论基础
※各种Vibe编程工具，无非就是LLM调用，及信息处理工具。
※Vibe与LLM交互的四个进级阶段
・Promt(提示词)：只包含当前请求信息，是向LLM的初始输入信息。例如早期的Chatbot。
・Context(上下文)：包括Prompt，历史对话和自己的输出（即，形成记忆）
商用的有RAG服务器，可以存多个Session；开源Vibe通常是存在本地，仅支持单Session
受LLM所支持Token数量的限制，Context的物理最大长度叫 上下文窗口(Context Window)。
应用层面的长度限制叫上下文约束(Context Constraint),例如Course按不同费用划分等级。
・Skills：把某个任务的步骤固化下来的技能包。
・Harness(智能编排)：通过多Agent，实现workflow执行过程的智能化；
人只负责整体的输入条件和输出验收。
※RAG = Indexing(外部数据切分后向量化入库)
+ Retrieval(检索优化及用户问题定位)
+ Augmentation(重排序，上下文拼接后压缩等)
+ Generation(LLM交互)
Harness= Interface嘴
+Tools手脚
+Memory记忆
+Environment环境
+Permissions权限
+Feedback Loop反馈回路
Agent = LLM + Harness（嘴，手脚，工具，记忆，干活）
| 优点 | 缺点 | |
|---|---|---|
| 单Agent | ・超大Context Window的LLM；完成理解～回答的全过程。 ・架构简洁，不需要Agent间的各类问题，稳定性强 ・全部信息在一个Context中，不会出现信息丢失 ・调试相对简单，通过Prompt，就能看到效果 | ・有Context Winow限制 ・缺乏自我纠错和外部检证机制 ・复杂大任务时，时间长，响应慢 |
| 多Agent | ・每个Agent专注自己的领域，可针对优化 ・支持水平扩展 ・各Agent间相互验证，降低单点幻觉 | ・架构复杂，拆分和组织各Agent间协作，往往不及预期。 ・Agent间的通信，状态管理，任务调度，错误处理等，精力投入大。 ・步骤少的，单Agent即可；步骤多的，协作性难搞好。 |
2）Vibe工具对比
| Cursor | Claude Code | Codex | Cline | Kilo | Trae | |
|---|---|---|---|---|---|---|
| 厂商 | Anysphere | Anthropic | OpenAI | ― | ― | 字节跳动 |
| 终端 | CLI 独立IDE | CLI VS Code插件 | CLI 独立IDE VS Code插件 | VS Code插件 | CLI VS Code插件 | CLI 独立IDE |
费用 ・订阅式 ・Token计费式 ・本地Ollama | 主流档是$20/月的订阅式 另外提供试用版，和 | 工具开源免费，Token自付 | 国内版免费，Token等费用由厂商承担 | |||
| ― | 配置Anthropic API Key | 配置OpenAI API Key | 通过OpenRouter配置免费API Key | 配置各自的API Key | ||
| 可通过CLI或VS Code连接Ollama，但各自独立IDE目前有各自的问题，不推荐。 | ||||||
| 基础架构 | RAG+单Agent(基础版) Cursor2的多Agent和Cursor3的Agent-First，RAG逐步弱化 | 单Agent及Subagent | 多Agent(Agenttic) | 单Agent | Agent Search | RAG增强版(自研的CKG) |
| Context Window | 约100K | 200K | 约120K | 挂在LLM相关 | 约100K | |
| rules | 通常包含 根目录下的AGENTS.md，和 rules下的各类*.md | |||||
| MCP | 〇 | ◎ | △ | ◎ | △ | △ |
| 优点 | 打开项目工程后，会自动全库索引，建立依赖关系，使上下文工程化 | 具有超大的上下文窗口(100万Token)；围绕设计,系统构建,代码优化等方面的专有LLM；通过SKILLS实现工作流引擎 | Harness的多Agent套装 OpenClaw是通用业务的多Agent工作流智能平台,Codex可以看作是Vibe领域的专用OpenClaw | Windows环境下,借用VS Code的UI,比Open Code的TUI版,使用更便捷。当然,与Claude Code相比,开源工具在各功能方面好像都有,但成色要逊色很多。最主要差距是上下文窗口仅20万Token,约4万行代码。还需要自己优化规则和各类配置,也不一定做的好,影响结果 | ・Memory Bank将项目规则和动态上下文(历史决策,状态等)做成标准化的,可自动维护的本地MD系统。 ・Qdrant在本地集成向量数据库,响应速度更快。 ・多Agent智能工作引擎 | Cursor免费平替；使用中文与中文LLM交互，比对接英文LLM,约节省50%Token |
| 缺点 | 因全库索引的技术机制,项目工程的规模在300文件,合计5万行,总量30MB内为宜;要定义.cursorignore排除非必要 | 与LLM交互数据多，费用高 国内网络环境限制多 | 延续微软的闭源风格,学习成本高;且长工作流的结果可控性还不成熟,费用可能成倍增加 | 摊子铺的太大,功能不精,欠缺稳定性和准确性 | ||
| 适用场景 | 实现具体的小功能(函数单测,Util类,校验补全等)。实时反馈和人机互动,人工判断每步的Accept/Reject,降低次生风险 | 基于大量信息源的新项目构建;复杂大工程的全面解读和重构;自主型工作流 Open Code是其开源平替;TUI版 | Harness是面向代码工程的智能工作流引擎;例如,输入BRD,SRD等设计,则实现应用架构创建,数据库构建,业务编码,文件管理,自动化测试,CICD,代码重构等软件项目工程化的完整链路 | 技术架构和功能上集各家所长,但细节上还需长时间打磨; 目前不易当小白鼠 | ||
※关于费用，除了IDE外，各商业软件的服务器端还要处理上下文工程，Agent编排，索引，缓存等运营成本。
※OpenRouter是LLM的聚合平台，提供统一的API Key，便于切换使用；封装了Qwen，DeepSeek等免费LLM，目前Google的免费额度也较大。但使用Claude或GPT等付费LLM，会比直接配置他们的API Key费用高。
※AGENTS.md和rules下的各类md，就是工程化的Prompt，markdown格式。根据目的，作用域以及特性的不同，分属到各类md文件中。
※MCP使编程工具通过访问数据库，GitHub，Jira，Figma，Playwright，内部知识库等外部数据资源，实现流程自动化。
※Cursor像铁锹，适合到处修修补补，精度高但产量有限；
Claude Code等LLM为核心的，就像挖土机，适合挖大坑深坑，范围广但可能粗糙。
所以两者结合使用，是最佳实践。