发布于VeighNa社区公众号【vnpy-community】
 
原文作者：VeighNa小助手 | 发布时间：2025-07-23
 

特别说明：本文内容基于我们团队在特定时间点的研究和信息收集。由于技术迭代迅速，部分信息可能存在时效性或未能完全覆盖所有细节。我们非常欢迎并期待来自社区的反馈和讨论，共同完善认知。
 

概述

AI 正在重塑软件开发的各个环节。当我们讨论 AI 编程时，已不再仅仅局限于代码补全。如今，我们选取了三款具有代表性的工具：Cursor、Gemini CLI 与 Claude Code，它们各自代表了不同的产品理念与技术路径。本文将对它们进行深入的对比分析，以帮助开发者理解其核心差异和独特优势。

产品定位与架构对比

Cursor

产品特点：

• 核心定位：AI 原生代码编辑器；
• 主要优势：基于 VS Code 深度整合 AI 能力，提供无缝的嵌入式体验；
• 工作模式：可视化编程环境；
• 生态支持：继承 VS Code 完整的 IDE 功能和插件生态，并提供稳定的商业化支持。

Gemini CLI

产品特点：

• 核心定位：命令行 AI 工作流工具；
• 主要优势：支持超大上下文窗口（1M+ tokens）、强大的多模态能力，且 Google Gemini 费用相对低廉；
• 工作模式：命令行交互环境；
• 生态支持：完全开源，通过 MCP 协议扩展工具生态，支持项目级与用户级配置；

Claude Code

产品特点：

• 核心定位：深度集成 IDE 的编程工作流助手；
• 主要优势：强大的代码理解能力，以及丰富的内置工具；
• 工作模式：命令行交互环境；

• 生态支持：支持与 VS Code、JetBrains 等多种 IDE 深度集成，提供多层级配置体系。

   

功能特性详细对比

IDE 集成能力

配置和记忆系统

代码生成对比

开发任务

理论对比完成后，还是要看看这三款工具在实际工作中的表现。接下来，我们将通过一个简单的 VeighNa 数据导出脚本开发任务，来对比三款工具在同一个编程任务中的生成结果与工作流程。

以下是统一使用的提示词：

作为一名精通VeighNa框架的Python开发专家，请提供一个可以直接运行的Python脚本。

核心任务：
通过调用 'get_database' 函数来创建数据库实例，进而批量导出所有K线数据。

具体要求：
1.  参考实现：
    a. 'get_database' 的用法，请参考文件 'E:\github\vnpy\vnpy\trader\database.py'。
    b. 数据查询和文件生成的逻辑，请参考当前 'vnpy_datamanager' 插件内的实现。
2.  本地优先：为避免使用网上过时或不兼容的代码，请完全基于本地已有的代码和您对VeighNa框架的理解来完成任务。
3.  运行时输出：脚本执行时，每处理一个数据集，都需要在控制台清晰地打印出其合约代码、时间频率和数据长度。
4.  代码质量：
    a. 确保代码风格清晰、可读性好。
    b. 优先使用条件判断（如 'if'）处理可预见的流程，避免不必要的 'try-except' 语句。

Cursor

import csv
from pathlib import Path

from vnpy.trader.database import get_database
from vnpy.trader.object import BarData

# 获取数据库实例
db = get_database()

# 获取所有K线数据的概览信息
overviews = db.get_bar_overview()

# 检查导出的数据存放路径
data_path = Path("output_data")
if not data_path.exists():
    data_path.mkdir()

# 遍历所有K线数据
for overview in overviews:
    # 加载特定K线的全部历史数据
    bars: list[BarData] = db.load_bar_data(
        symbol=overview.symbol,
        exchange=overview.exchange,
        interval=overview.interval,
        start=overview.start,
        end=overview.end
    )

    # 在控制台打印信息
    print(f"合约代码：{overview.symbol}")
    print(f"时间频率：{overview.interval.value}")
    print(f"数据长度：{len(bars)}")
    print("-" * 30)

    # 将数据写入到CSV文件中
    fieldnames: list = [
        "symbol",
        "exchange",
        "datetime",
        "open",
        "high",
        "low",
        "close",
        "volume",
        "turnover",
        "open_interest"
    ]

    filename = (
        f"{overview.symbol}_"
        f"{overview.exchange.value}_"
        f"{overview.interval.value}.csv"
    )
    file_path: Path = data_path.joinpath(filename)

    with open(file_path, "w", newline="") as f:
        writer = csv.DictWriter(f, fieldnames=fieldnames)
        writer.writeheader()

        for bar in bars:
            d: dict = {
                "symbol": bar.symbol,
                "exchange": bar.exchange.value,
                "datetime": bar.datetime.strftime("%Y-%m-%d %H:%M:%S"),
                "open": bar.open_price,
                "high": bar.high_price,
                "low": bar.low_price,
                "close": bar.close_price,
                "volume": bar.volume,
                "turnover": bar.turnover,
                "open_interest": bar.open_interest,
            }
            writer.writerow(d)

点击查看Cursor输出过程

从上图可以看出，Cursor 作为一款 AI 原生 IDE，其优势体现在与编码过程的深度融合上：

• 无缝的 IDE 集成：用户在熟悉的类 VS Code 环境中操作，通过图形界面选择模型、管理上下文、查看 Diff，学习成本低。
• 多维度的上下文管理：支持通过界面直接添加文件、利用 @ 符号引用代码片段或历史对话，上下文控制灵活直观。
• 强大的编码辅助：除了生成代码，它还提供实时的代码补全、智能提示，并在编码过程中利用 IDE 的 Linter 进行检查和修正。
• 支持多文件夹工作空间：可以轻松应对需要跨多个项目或代码库参考的复杂任务。
   
  #### Gemini CLI

# export_all_data.py
import os
import csv
from datetime import datetime
from typing import List

from vnpy.trader.database import get_database, BarOverview
from vnpy.trader.object import BarData
from vnpy.trader.constant import Exchange, Interval

# 创建用于存放导出数据的文件夹
output_folder = "kline_data_exported"
if not os.path.exists(output_folder):
    os.makedirs(output_folder)

# 获取数据库实例
# 该函数会自动读取全局配置（通常是 settings.json）来连接数据库
database = get_database()

# 获取所有K线数据的概要信息
overviews: List[BarOverview] = database.get_bar_overview()

print(f"发现 {len(overviews)} 个K线数据集，开始处理...")
print("-" * 60)

# 遍历所有数据集
for overview in overviews:
    symbol: str = overview.symbol
    exchange: Exchange = overview.exchange
    interval: Interval = overview.interval
    start: datetime = overview.start
    end: datetime = overview.end

    # 从数据库加载该合约的全部K线数据
    bars: List[BarData] = database.load_bar_data(
        symbol=symbol,
        exchange=exchange,
        interval=interval,
        start=start,
        end=end
    )

    data_length = len(bars)

    # 检查是否有数据
    if not data_length:
        print(f"合约: {symbol}, 频率: {interval.value} -> 数据长度为 0, 跳过")
        continue

    # 打印处理信息
    print(f"合约: {symbol}, 频率: {interval.value} -> 正在导出 {data_length} 条数据...")

    # 构建CSV文件名和路径
    file_name = f"{symbol}_{exchange.value}_{interval.value}.csv"
    file_path = os.path.join(output_folder, file_name)

    # 定义CSV表头
    fieldnames: list = [
        "symbol",
        "exchange",
        "datetime",
        "interval",
        "open",
        "high",
        "low",
        "close",
        "volume",
        "turnover",
        "open_interest"
    ]

    # 将数据写入CSV文件
    with open(file_path, "w", newline="") as f:
        writer = csv.DictWriter(f, fieldnames=fieldnames)
        writer.writeheader()

        for bar in bars:
            row_data = {
                "symbol": bar.symbol,
                "exchange": bar.exchange.value,
                "datetime": bar.datetime.strftime("%Y-%m-%d %H:%M:%S"),
                "interval": bar.interval.value,
                "open": bar.open_price,
                "high": bar.high_price,
                "low": bar.low_price,
                "close": bar.close_price,
                "volume": bar.volume,
                "turnover": bar.turnover,
                "open_interest": bar.open_interest,
            }
            writer.writerow(row_data)

print("-" * 60)
print(f"所有数据导出完成，文件已保存至 '{output_folder}' 文件夹。")

点击查看Gemini CLI输出过程

从上图可以看出，Gemini CLI 体现了其作为命令行工具的独特工作流：

• 计划先行：在执行前，它会先分析问题、阅读代码，然后输出详细的计划步骤并提出运行建议。
• 项目为基：与 Cursor 不同，它和 Claude Code 都以项目文件夹为基础进行交互，因此对于外部文件需要指定绝对路径。
• 注重安全：Gemini CLI 非常注重安全性，在处理多文件夹交互时，推荐使用其沙盒模式来保障环境。
• 部署灵活：其纯命令行模式不仅可以在本地 IDE 中使用，也非常适合在服务器上进行远程开发。
   
  #### Claude Code

#!/usr/bin/env python3
"""
批量导出所有K线数据的Python脚本
基于VeighNa框架的vnpy_datamanager插件实现
"""

import csv
import os
from datetime import datetime
from pathlib import Path

from vnpy.trader.database import BaseDatabase, get_database, BarOverview
from vnpy.trader.constant import Interval, Exchange
from vnpy.trader.object import BarData


def create_export_directory() -> Path:
    """创建导出目录"""
    export_dir = Path("exported_kline_data")
    export_dir.mkdir(exist_ok=True)
    return export_dir


def generate_filename(symbol: str, exchange: Exchange, interval: Interval) -> str:
    """生成导出文件名"""
    interval_name_map = {
        Interval.MINUTE: "1min",
        Interval.HOUR: "1hour", 
        Interval.DAILY: "1day"
    }

    interval_suffix = interval_name_map.get(interval, interval.value)
    return f"{symbol}_{exchange.value}_{interval_suffix}.csv"


def export_bar_data_to_csv(
    database: BaseDatabase,
    file_path: str,
    symbol: str,
    exchange: Exchange,
    interval: Interval,
    start: datetime,
    end: datetime
) -> bool:
    """导出K线数据到CSV文件"""
    bars = database.load_bar_data(symbol, exchange, interval, start, end)

    if not bars:
        print(f"  警告: {symbol}.{exchange.value} {interval.value} 无数据")
        return False

    fieldnames = [
        "symbol",
        "exchange", 
        "datetime",
        "open",
        "high",
        "low",
        "close",
        "volume",
        "turnover",
        "open_interest"
    ]

    with open(file_path, "w", newline="", encoding="utf-8") as f:
        writer = csv.DictWriter(f, fieldnames=fieldnames)
        writer.writeheader()

        for bar in bars:
            data_row = {
                "symbol": bar.symbol,
                "exchange": bar.exchange.value,
                "datetime": bar.datetime.strftime("%Y-%m-%d %H:%M:%S"),
                "open": bar.open_price,
                "high": bar.high_price,
                "low": bar.low_price,
                "close": bar.close_price,
                "volume": bar.volume,
                "turnover": bar.turnover,
                "open_interest": bar.open_interest,
            }
            writer.writerow(data_row)

    return True


def main():
    """主函数：批量导出所有K线数据"""
    print("=== VeighNa K线数据批量导出工具 ===")
    print("正在初始化数据库连接...")

    # 获取数据库实例
    database: BaseDatabase = get_database()

    # 创建导出目录
    export_dir = create_export_directory()
    print(f"导出目录: {export_dir.absolute()}")

    # 获取所有K线数据概览
    print("正在获取数据库中的K线数据概览...")
    overviews: list[BarOverview] = database.get_bar_overview()

    if not overviews:
        print("数据库中没有找到任何K线数据")
        return

    print(f"发现 {len(overviews)} 个数据集")
    print("-" * 80)

    success_count = 0
    failed_count = 0

    # 遍历所有数据集进行导出
    for i, overview in enumerate(overviews, 1):
        # 生成文件名和完整路径
        filename = generate_filename(overview.symbol, overview.exchange, overview.interval)
        file_path = export_dir / filename

        # 输出处理信息
        print(f"[{i:3d}/{len(overviews)}] 正在处理: {overview.symbol}.{overview.exchange.value} | "
              f"频率: {overview.interval.value} | 数据量: {overview.count:,} 条")
        print(f"        时间范围: {overview.start.strftime('%Y-%m-%d %H:%M:%S')} "
              f"至 {overview.end.strftime('%Y-%m-%d %H:%M:%S')}")

        # 导出数据
        success = export_bar_data_to_csv(
            database,
            str(file_path),
            overview.symbol,
            overview.exchange,
            overview.interval,
            overview.start,
            overview.end
        )

        if success:
            file_size = os.path.getsize(file_path)
            print(f"        ✓ 导出成功: {filename} ({file_size:,} 字节)")
            success_count += 1
        else:
            print(f"        ✗ 导出失败: {filename}")
            failed_count += 1

        print()

    # 输出汇总信息
    print("=" * 80)
    print("导出完成!")
    print(f"成功导出: {success_count} 个文件")
    print(f"导出失败: {failed_count} 个文件")
    print(f"导出位置: {export_dir.absolute()}")

    if success_count > 0:
        print("\n导出的文件列表:")
        for file_path in sorted(export_dir.glob("*.csv")):
            file_size = os.path.getsize(file_path)
            print(f"  - {file_path.name} ({file_size:,} 字节)")


if __name__ == "__main__":
    main()

点击查看Claude Code输出过程

从输出过程可以看出，Claude Code 强调的是结构化的任务管理和丰富的工具生态：

• 结构化任务管理：在接收到复杂任务后，通过 TodoWrite 工具将任务分解为清晰的步骤并实时展示进度，让用户对AI的工作状态一目了然。
• 人机协作流程：生成代码后会主动询问用户是否执行，提供了交互式的确认环节，增强了可控性（此行为可配置）。
• 深度 IDE 集成：支持通过快捷键在 VS Code、JetBrains 等主流 IDE 中启动，实现上下文共享、差异对比和诊断信息利用。

• 多模态辅助：支持便捷的图片输入，可以直接分析截图中的UI或错误信息，拓宽了交互的维度。

   

总结与选型建议

经过前面的详细对比和实战测试，我们对这三款工具有了全面的认识。它们各有千秋，而选择的关键在于开发者的具体需求和工作流偏好。

核心优势一览

适用场景推荐

Cursor：

• 提供实时的代码补全和预测（增强版智能提示）
• 无缝集成 VS Code（完整插件生态支持 + 可视化的变更检查和编辑）
• 支持多文件夹工作空间（便于在多个项目间切换开发）
• 适合需要参考历史对话的项目（@past chats 功能）

Gemini CLI：

• 适合大型代码库的分析和重构（超大上下文窗口优势）
• 适用于服务器环境和远程开发（纯命令行）
• 注重项目安全的开发环境（沙盒模式 + 请求确认机制）
• 适合需要深度定制的开发工作流（开源便于个性化开发）

Claude Code：

• 深度集成 IDE 的开发工作流（VS Code、JetBrains 自动上下文共享）
• 提供丰富的工具链（智能文件导航、智能上下文选择等）
• 支持图片辅助开发（直接传图片）
• 提供结构化项目管理（TodoWrite 任务分解和进度跟踪）

成本对比

结语

 
三款工具各有其独特优势，选择应基于具体需求。随着工具的不断发展，未来的功能差距可能会缩小。每款工具都有其独特优势和适用场景，Cursor 更适合需要通过 IDE 实时编写代码的用户，Gemini CLI 适合对长上下文感知和项目安全有高要求的用户，Claude Code 则在 IDE 深度集成和丰富工具链方面表现突出。在实践中，建议开发者还是要根据自己的具体需求和工作方式选择合适的工具，或者考虑组合使用，以达到最佳的开发效率。