在中国开发者的认知里，"AI 写代码"几乎等于三条路：Cursor 订阅、Claude Code 订阅、国产 Trae。但海外 Hacker News 上常年置顶、被所有 coding 大模型拿来做基准的那个工具——Aider——国内却少有人用。它的杀手锏不是某个花哨功能，而是三件事：开源免费、不绑任何一家模型（Claude/GPT/Gemini/DeepSeek/GLM/本地 Ollama 全能接）、改动全是原生 Git commit。最新版本已经到 v0.86.2（2026年2月）。
更关键的是：90% 的人装完 Aider 只会 aider 回车然后打字聊天，把它当了个"终端版 ChatGPT"。它真正值钱的八个暗开关——双模型架构师模式、ask/code 弹跳流、CONVENTIONS 规范缓存、--watch-files 内联注释、Repo Map 图排序、思考预算拨号、Git 原生回滚、editor 廉价编辑——几乎没人碰。这篇就把这八扇门一扇扇推开，每扇都给你命令、效果和场景。
/architect 双模型分工——让"会想不会改"的推理模型脱胎换骨操作步骤：
aider --architect # 启动即进架构师模式
# 或在会话里粘性切换：
/chat-mode architect
# 指定一个便宜的"编辑"模型来落地：
aider --architect --editor-model deepseek/deepseek-chat
它干了什么：架构师模式下，Aider 把你的请求拆成两次调用——先让主模型（架构师）描述怎么解决，再把这份方案交给editor 模型翻译成具体的文件编辑指令。两者可以是同一个模型，也可以一贵一廉。
预期效果：对"推理强、但不会一次性给出干净 diff"的模型（典型如 OpenAI o 系列、Gemini 2.5 Pro thinking、DeepSeek-R1），配一个会改文件的 editor（GPT-4o、Sonnet、DeepSeek-V3），效果往往反超单模型的 code 模式。代价是两次请求，更慢更贵——但成功率拉满。
适用场景：跨多文件的大重构、有明确设计意图的复杂改动。简单补全别用，浪费钱。
/ask ↔ /code 弹跳流——单模型也能"先想后做"操作步骤：
> /ask 我想给这个服务加个限流，有哪些方案？
（讨论两轮，敲定用令牌桶）
> do it # 注意：此刻已自然回到 code 模式，一句话就执行
它干了什么：用 /ask 模式只讨论、不动文件；聊到方案定死，回到 /code 模式，一句"go ahead"或"do 4"就让它照着刚才的共识动手。Aider 官方原话：这相当于"用单个模型模拟出 architect 模式"。
预期效果：省掉第二个模型的调用费，又能避免"边想边改、改到一半跑偏"。讨论阶段积累的上下文会完整带进执行阶段。
适用场景：不想为 architect 模式多花一次 API 钱，但又怕直接 code 模式乱改时。
CONVENTIONS.md + /read——只读规范文件，命中缓存不重复计费操作步骤：
# 1. 在仓库根写个 CONVENTIONS.md，例如：
# - HTTP 请求一律用 httpx，不用 requests
# - 所有函数加类型注解
# - 测试用 pytest
# 2. 以只读方式喂给它（关键：用 read，不是 add）
aider --read CONVENTIONS.md useragent.py
# 或会话内：
/read CONVENTIONS.md
# .aider.conf.yml —— 让它每次自动加载
read: CONVENTIONS.md
# 多个规范文件：
read: [CONVENTIONS.md, SECURITY.md]
它干了什么：用 --read / /read 加载的文件被标记为只读，并进入 prompt caching。同一份规范在长会话里反复出现时，命中缓存、不再重复计费。
预期效果：实测同样一个 httpbin 任务——不喂 CONVENTIONS 时 GPT 默认用 requests 且不加类型；喂了之后乖乖用 httpx 并补全类型注解。团队风格从此稳定，且几乎不增加 token 成本。社区还维护了一个 conventions 仓库 可直接抄。
适用场景：团队统一技术栈选型、强制代码风格、安全规范（如"禁止 eval"）。
--watch-files 内联 AI 注释——在你熟悉的编辑器里就地发指令操作步骤：
aider --watch-files
然后在任意代码里写一行注释，Aider 会盯着所有文件：
# 把这个函数改成令牌桶限流。AI! # AI! = 触发改代码
# 这里为什么要除以 1000？ AI? # AI? = 触发回答问题
# 顺便把日志级别改成 DEBUG。 AI # AI = 仅标记，等下面的 AI! 一起触发
function factorial(n) // Implement this. AI!
它干了什么：--watch-files 让 Aider 监控全仓库，识别 # / // / -- 开头、且以 AI / AI! / AI? 起始或结尾的单行注释。AI 只标记，AI! 触发"收集所有 AI 注释并改代码"，AI? 触发"回答问题"。
预期效果：你可以在 VSCode/Vim 里把指令写在要改的那一行旁边（in-context），不用切到 Aider 终端打字。还能跨多个文件散布 AI 注释，最后一个 AI! 统一触发——天然适合"在好几个地方协同改动"。
适用场景：重度 IDE 用户、需要在精确位置提精确需求、多文件联动重构。
--map-tokens——不用 add 全仓，模型也知道全局长什么样它干了什么：Aider 用 tree-sitter 抽取整个仓库的类/函数/签名，构建一张文件依赖图，再用图排序算法（PageRank 式）挑出"被引用最多、最相关"的符号，动态塞进上下文。你不用 /add 一堆文件，它也大致知道仓库里有哪些抽象、怎么调用。
--map-tokens 2048 # 默认 1k；加大让它看得更全（小仓库推荐）
预期效果：模型能复用现有模块而不是重复造轮子；当它判断需要看某文件时，会主动请求把那个文件加进上下文。注意它会动态膨胀——尤其在你一个文件都没 add 时，会自动放大 map 去理解全仓。
适用场景：接手大型陌生代码库。调优口诀：小仓调大、超大会话调小。
/think-tokens 与 /reasoning-effort——给推理模型"拨思考预算"操作步骤：
/think-tokens 2000 # 限制思考 token 上限
/reasoning-effort medium # 调推理强度 low/medium/high
它干了什么：对接推理模型（o 系列、R1、GLM thinking 等）时，控制它"想多久"。简单活儿别让它烧思考税，难题再放开。
预期效果：同一个推理模型，简单改个 typo 用 low、设计新模块用 high——延迟和账单都按需调节。这是把"模型越想越贵"的痛点直接做成了旋钮。
适用场景：日常混用推理模型、对延迟/成本敏感的批量任务。
/undo 回滚——AI 写崩了，一条命令退回去操作步骤：
/undo # 撤销最近一次 AI commit，可连按多次退多步
/diff # 看当前未提交改动
/commit # 手动提交
aider --no-auto-commits # 关闭自动提交（默认是开的）
它干了什么：Aider 的每一次文件改动都自动 git commit，message 是描述性的，且就是普通的 Git commit——git log、git reset 全部照常工作。/undo 撤销最近一次 AI 提交，可连按。
预期效果：这是 Aider 相对 Cursor/Copilot 的结构性优势——后者的"checkpoint"是各自私有的回滚机制，迁移/审计都麻烦；Aider 直接用你仓库的 Git，每一步可追溯、可 diff、可回退，团队协作零摩擦。
适用场景：所有场景。把它当"AI 操作的事后保险"。
/editor-model + 任意模型——把"价格差"玩到极致# 架构师用强的，编辑用便宜的：
aider --architect --model gemini/gemini-2.5-pro --editor-model deepseek/deepseek-chat
# 全本地、零 API 成本：
aider --model ollama/qwen2.5-coder
# 国产模型走 OpenAI 兼容端点直接接（DeepSeek / GLM 等）
它干了什么：Aider 不绑任何一家厂商。Claude、GPT、Gemini、DeepSeek、GLM 都能接，本地走 Ollama / llama.cpp。配合暗门 1，可以把"贵的当大脑、廉价的当手"。
预期效果（中国用户最大信息差）：DeepSeek / GLM 通过 OpenAI 兼容端点直连，成本是 Claude/GPT 的零头；纯本地 Ollama 则数据完全不出机器。而且 Aider 是终端工具，SSH 登服务器直接干活，比 GUI 类工具（Cursor/Trae）在无头环境顺得多——国内大量开发/运维在远端服务器上写脚本，这正好补上了 Cursor 够不到的盲区。
适用场景：预算敏感的独立开发、数据合规要求高的内网、纯服务器工作流。
flowchart LR
U[你的需求] --> A[主模型·架构师<br/>提出解决方案]
A -->|方案文本| E[Editor 模型<br/>翻译成文件编辑指令]
E -->|editor-diff / whole| F[(修改源文件)]
F --> G[Git 自动提交<br/>可 /undo 回滚]
G --> R{满意?}
R -->|否| U2[/undo 退回<br/>调整 /think-tokens 重来]
R -->|是| DONE[完成]
U2 --> A
配合暗门 6 的
--map-tokens提供全局上下文、暗门 3 的 CONVENTIONS 约束风格，这条流水线就是 Aider 的"完整态"。
| 维度 | 大多数人的认知 | Aider 玩家在用的（信息差） |
|---|---|---|
| 接入模型 | 绑定单一厂商订阅 | 任意模型 + 本地 Ollama，价格差十倍 |
| 思考成本 | 推理模型越想越贵，无控 | /think-tokens /reasoning-effort 当旋钮拧 |
| 复杂改动 | 单模型一次写崩 | /architect 双模型，成功率反超 |
| 改动追溯 | Cursor 私有 checkpoint | 原生 Git commit，/undo 一键退 |
| 规范约束 | 每次手打提醒 | CONVENTIONS.md + /read 命中缓存 |
| 发指令方式 | 切到 AI 面板打字 | --watch-files 就地写 AI! 注释 |
| 全局理解 | 手动 add 一堆文件 | Repo Map 图排序自动挑相关符号 |
| 运行环境 | 必须有 GUI | SSH/服务器终端直接跑 |
pip install aider-install && aider，先用 DeepSeek 或本地 Ollama 跑通，零成本验证它适不适合你的工作流。.aider.conf.yml 的 read: 永久加载——这一步立刻让输出风格稳定。aider --architect --watch-files --map-tokens 2048，用 AI! 注释就地提一个跨文件需求，写崩了 /undo 退回。这一套跑下来，你就理解了为什么海外把它当 coding 模型基准。优先级排序：先暗门 7（Git 回滚，保命）→ 暗门 8（接便宜/本地模型，省钱）→ 暗门 3（规范缓存，提质量）→ 暗门 1（架构师模式，啃硬骨头）。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。