Cursor、Windsurf、Kiro、Zed、VS Code(含 Copilot) 等 AI 编程工具的 定价对比

以 USD/月为单位,2025 最新市场信息:(Windsurf)


1) Cursor(基于 VS Code 的 AI IDE)

计划价格主要特征
免费 Hobby$0基础 completions / 请求额度有限,试用高级功能两周 (Bito)
Pro$20/月无限 completions、约 500 高速 AI 请求 (Windsurf)
Teams$40/用户/月团队协作、管理功能 (Windsurf)
Ultra$200/月大量 AI 请求额度 (Bito)
Enterprise自定义企业级安全与支持 (Bito)

特点:AI 多行补全、上下文理解强、Pro 价格偏高但功能全面。(Bito)


2) Windsurf(AI IDE / 代码助理)

计划价格主要特征
Free$0每月入门额度 + 基础功能 (Windsurf)
Pro$15/月500 额度、高级模型访问 (Windsurf)
Teams$30/用户/月多用户、企业功能 (Windsurf)
Enterprise$60/用户/月更高额度与安全控制 (Windsurf)

特点:通常比 Cursor 便宜≈25%,基础额定额度与高级模型支持强。(Windsurf)


3) Kiro(Amazon 出品的 AI IDE/Agent)

计划价格说明
Free$0基础额度(约 50 credits) (Kiro)
Pro$20/月中等额度(约 1,000 credits) (Kiro)
Pro+$40/月更高额度(约 3,000 credits) (Kiro)
Power$200/月最大额度 (Kiro)

特点:按 credits/请求计费,适合需要较多 AI 任务的用户(AWS 生态优势)。(Kiro)


4) Zed(高性能 AI 编辑器 + AI 功能)

计划价格说明
Personal$0 永久编辑器免费,含基础编辑预测额度 (Zed)
Pro$10/月包含 $5 令牌额度,用于 AI(超用按 token 计费) (Zed)
Enterprise自定义组织级功能、安全控制 (Zed)

特点:编辑器免费、AI 功能 token-计费(可自带外部 API key 降低成本)。(Zed)


5) VS Code + GitHub Copilot(传统主流 IDE + AI 插件)

产品价格说明
VS Code免费主编辑器免费开源
Copilot$10/月(常见市场价)AI 补全/聊天/自动化(需要单独订阅)

特点:VS Code 本身免费,但高级 AI 功能需 Copilot 订阅;长期最广泛使用。(Tennisatw的博客 - Blog of Tennisatw)


简要对比总结

工具起步价定价策略适用场景
Cursor$0 → $20固定计划 + 高额 AI 请求需要强 AI 代码辅助与深度上下文能力
Windsurf$0 → $15较便宜 + 稳定额度预算敏感但需要 AI 帮助的开发者
Kiro$0 → $20+Credits 驱动计费AWS 化企业/大规模任务
Zed$0 → $10 + token编辑器免费、AI token 计费想节省成本或使用自己 API key
VS Code + Copilot$0 → ~$10标准插件订阅广泛开发者生态 + AI 基础补全

核心差异

  • 价格定位:Windsurf 通常比 Cursor 更便宜;Zed 的基础编辑器免费,AI 使用按 token 计费更灵活。(Windsurf)
  • 计费策略:Cursor/Windsurf 采用套餐额度;Kiro 按 credits 层级;Zed 采用 token 使用计费。(Kiro)
  • 用途区别:Kiro 偏向企业与复杂任务场景;Zed 强调编辑器性能与可扩展性;Cursor/Windsurf 偏重 AI IDE 协同辅助。(Medium)

Read more

OpenClaw 搭建全流程实战:从 0 部署到可控 AI Agent(附避坑与安全建议)

OpenClaw 搭建全流程实战:从 0 部署到可控 AI Agent(附避坑与安全建议)

近几个月,「AI Agent」成为技术圈的高频词,但大多数人停留在 Demo、插件和概念层。 真正能跑在本地 / 服务器、拥有真实权限、能持续执行任务的 Agent 并不多。 OpenClaw,正是目前少数几个工程完整、可部署、可二次开发的开源 AI Agent 框架之一。 这篇文章不讲愿景、不画饼,只讲怎么搭、怎么跑、怎么不翻车。 一、OpenClaw 到底是什么?先说清楚定位 一句话说明白: OpenClaw 是一个可部署在本地或服务器上的开源 AI Agent 框架,具备 Gateway(通信)、Dashboard(控制台)和 Skills(能力插件)三大核心模块。 和 ChatGPT / 插件的本质区别在于: 对比项普通 AI 工具OpenClaw运行位置云端本地

By Ne0inhk
猫头虎AI分享:无需OCR,基于ColQwen2、Qwen2.5和Weaviate对PDF进行多模态RAG的解决方案

猫头虎AI分享:无需OCR,基于ColQwen2、Qwen2.5和Weaviate对PDF进行多模态RAG的解决方案

无需OCR,基于ColQwen2、Qwen2.5和Weaviate对PDF进行多模态RAG的解决方案 关键词:多模态RAG、ColQwen2、Qwen2.5-VL、Weaviate 向量数据库、PDF 检索问答、无需 OCR、ColBERT 多向量、跨模态检索、MaxSim 相似度、知识库构建、AI 文档处理、视觉语言模型、晚交互(Late Interaction)、向量索引、Python 教程、HuggingFace、Colab、MPS、GPU 本文面向初学者,手把手搭建一个“无需 OCR 与分块”的 PDF 多模态 RAG 流水线:把 PDF 页面截图直接送入 ColQwen2 生成多向量(multi-vector)

By Ne0inhk
人工智能:深度学习中的卷积神经网络(CNN)实战应用

人工智能:深度学习中的卷积神经网络(CNN)实战应用

人工智能:深度学习中的卷积神经网络(CNN)实战应用 1.1 本章学习目标与重点 💡 学习目标:掌握卷积神经网络的核心原理、经典网络架构,以及在图像分类任务中的实战开发流程。 💡 学习重点:理解卷积层、池化层的工作机制,学会使用 TensorFlow 搭建 CNN 模型并完成训练与评估。 1.2 卷积神经网络核心原理 1.2.1 卷积层:提取图像局部特征 💡 卷积层是 CNN 的核心组件,其作用是通过卷积核对输入图像进行局部特征提取。 卷积核本质是一个小型的权重矩阵。它会按照设定的步长在图像上滑动。每滑动一次,卷积核就会与对应区域的像素值做内积运算,输出一个特征值。 这个过程可以捕捉图像的边缘、纹理等基础特征。 ⚠️ 注意:卷积核的数量决定了输出特征图的通道数,数量越多,提取的特征维度越丰富。 ① 定义一个 3×3 大小的卷积核,步长设为 1,填充方式为 SAME

By Ne0inhk
移动端也能玩转!OpenClaw iOS/Android 端部署教程,语音唤醒 + 全场景随身 AI 助手

移动端也能玩转!OpenClaw iOS/Android 端部署教程,语音唤醒 + 全场景随身 AI 助手

一、背景与价值:随身AI助手的刚需场景 随着大语言模型技术的普及,全场景AI助手的需求日益增长——无论是通勤途中的语音笔记、户外场景的实时翻译,还是离线环境下的知识查询,移动端随身AI都能解决传统桌面AI的场景局限。OpenClaw作为一款轻量级、可离线运行的开源AI框架,支持语音唤醒、多模态交互等核心功能,完美适配iOS/Android双平台部署,为用户打造真正的随身AI助手。 二、核心原理:OpenClaw移动端部署的技术逻辑 OpenClaw的移动端部署核心是将轻量化大语言模型(如Qwen-2-0.5B-Instruct)、语音唤醒模型(如PicoVoice Porcupine)与移动端推理引擎(如MLKit、TensorFlow Lite)进行整合,实现三大核心流程: 1. 低功耗语音唤醒:通过本地运行的轻量唤醒模型监听关键词,避免持续调用麦克风导致的高功耗; 2. 本地推理加速:利用移动端硬件加速(NNAPI、Core ML)运行量化后的大语言模型,实现离线交互; 3. 跨平台适配:通过Flutter或React Native统一代码底座,同时适配iOS的沙箱

By Ne0inhk