Claude Sonnet 5, GPT-5.6, Grok 4.5 vs 手动操作：效率对比实测

上周我遇到一个让人头疼的问题：团队需要在三天内搞定一个包含 12 个 API 端点的用户管理模块，要有完整的 CRUD 操作、权限校验和分页逻辑。按我平时的手写速度，这起码得两天半的全神贯注。但这次客户临时加塞了需求，时间被压缩到了一天半。

我决定做个实验：把同样的任务分别交给 Claude Sonnet 5、GPT-5.6 和 Grok 4.5，然后跟我纯手写的版本做个对比。不是为了证明谁取代谁，而是想搞清楚——在真实的开发压力下，这些模型到底能省多少时间，又在哪些地方会坑你一把。

测试设计：尽量贴近真实场景

我选的任务是一个典型的后端模块：用 Node.js + Express 写一套用户管理 API，连 PostgreSQL，要求包含：

• 6 个基础 CRUD 端点
• 3 个带复杂查询的端点（搜索、筛选、统计）
• JWT 鉴权中间件
• 请求参数校验
• 分页和排序逻辑
• 单元测试骨架

每个模型我都给了相同的 prompt，包含数据库 schema、业务规则和输出格式要求。我记录了从发出 prompt 到拿到可运行代码的时间，然后统计了“代码能直接跑吗”和“需要改多少地方”这两个关键指标。

第一轮：Claude Sonnet 5

我给 Claude Sonnet 5 的 prompt 大约 800 字，详细描述了每个端点的行为和边界条件。

生成时间：约 47 秒

拿到代码的第一印象是——结构很干净。它把路由、控制器、中间件分到了不同文件，还主动加了 JSDoc 注释。但跑起来之后发现问题：

// 它生成的分页逻辑有个隐蔽的 bug
const offset = (page - 1) * limit;
// 当 page 为 0 或负数时，offset 计算结果不对
// 而我的需求文档里明确说过 page 最小为 1

另外，它的 JWT 中间件写法有个小问题：没有处理 token 过期的异常，会导致未捕获的 Promise rejection。我花了大概 15 分钟修复这些。

实际可用时间：47 秒生成 + 15 分钟修改 = 约 16 分钟

第二轮：GPT-5.6

同样的 prompt 给 GPT-5.6，它的输出风格明显不同。

生成时间：约 35 秒

GPT-5.6 的速度确实快，代码也更“紧凑”。它把所有东西塞到了一个文件里，虽然我没要求拆分，但也没要求合并。这让我有点意外——它似乎倾向于用最少的代码行数完成任务。

// 它的参数校验直接用了 assert
assert(userId, 'User ID is required');
// 这在生产环境会抛出 AssertionError 而不是友好的 400 错误
// 我不得不全部替换成显式的条件检查

更大的问题是统计端点。我要求的是“返回每个角色的用户数量和占比”，它给的 SQL 查询逻辑是对的，但返回的数据格式和我要求的完全不同。我花了将近 25 分钟重写这部分。

实际可用时间：35 秒生成 + 25 分钟修改 = 约 26 分钟

第三轮：Grok 4.5

Grok 4.5 的表现让我有些意外。

生成时间：约 52 秒

它的代码风格更“学院派”——变量命名非常详细，注释也多，甚至在每个 catch 块里都写了详细的错误日志。但问题出在实用性上：

// 它的数据库连接没有用连接池
const client = new Client({ connectionString: process.env.DATABASE_URL });
await client.connect();
// 每个请求都新建连接，高并发下直接炸

这个坑我踩了大概 20 分钟才发现，因为本地测试时请求量小，看不出来。直到我写了个简单的并发测试脚本，才看到连接数飙升。改成 Pool 之后又发现它的查询方法调用方式也要跟着改。

实际可用时间：52 秒生成 + 30 分钟修改 = 约 31 分钟

第四轮：纯手写

我关掉所有 AI 工具，凭自己写同样的模块。

总时间：约 3 小时 40 分钟

说实话，手写的代码第一次跑通过率并不比 AI 高多少。我也犯了错——写分页时忘了处理 limit 为 0 的情况，JWT 中间件也漏了一个 edge case。但区别在于：我对自己的 bug 更熟悉，修起来更快。 每个错误我大概 2-3 分钟就能定位和修复，而修 AI 生成的代码，我得先读懂它的思路，再找到问题，最后改对。

数据汇总

*手动的 20 分钟是写完后调试修 bug 的时间，不是改别人代码的时间。

几个关键发现

1. 速度提升是真实的，但不是 10 倍

如果只看生成时间，AI 比 手动快 200 多倍。但加上修改时间，实际效率提升大约是 4-14 倍。这依然很可观，但远不是“秒杀”级别。

2. Claude Sonnet 5 在代码可用性上领先

根据 Merge.dev 的对比测试，Claude Sonnet 5 在“代码生成后能直接运行”这个指标上确实比 Grok 4.5 更可靠。我的实测也印证了这一点——它的 bug 更少，而且通常是边界条件问题，而不是架构性错误。Grok 4.5 的数据库连接池问题属于后者，修起来成本更高。

3. 修 AI 的 bug 比修自己的 bug 慢

这是最容易被忽略的成本。我修自己的代码，因为思路是自己的，定位问题很快。但修 AI 生成的代码，我得先理解它的实现逻辑，这增加了认知负担。特别是当 AI 用了你不习惯的写法时——GPT-5.6 的 assert 用法就让我愣了一下。

4. 三个模型各有“偏好”

• Claude Sonnet 5 偏好结构清晰、文件分离的代码，适合中大型项目
• GPT-5.6 偏好简洁紧凑的实现，适合快速原型
• Grok 4.5 偏好详尽的注释和错误处理，但有时在基础设施层面犯错

实用建议

经过这次测试，我现在的工作流是这样的：

用 Claude Sonnet 5 生成骨架和核心逻辑，因为它的首次通过率最高，改起来最省心。对于简单的 CRUD 端点，它生成的代码我几乎不用改。

用 GPT-5.6 做快速探索，比如“给我三种实现分页的方式”这种需要多个选项的场景。它速度快，适合发散。

避免用任何模型生成基础设施代码（数据库连接、认证中间件、错误处理框架）。这些地方一旦有隐蔽 bug，排查成本极高。我自己手写这些部分，大概 30 分钟，但心里踏实。

永远写测试来验证 AI 输出。Grok 4.5 的连接池问题就是靠并发测试才发现的。如果你只跑一两个请求，根本看不出来。

诚实的局限性

这次测试有几个明显的不足：样本量只有 1（一个模块），任务类型偏后端，而且我个人的编码习惯可能影响了对“代码质量”的判断。另外，prompt 的写法对结果影响巨大——我后来试过给 GPT-5.6 更严格的格式要求，它的表现明显提升。所以这些数字不是绝对的，更多是方向性的参考。

最后说句大实话：这些模型都没有让我“失业”。它们更像是速度极快但需要监督的初级开发者——给你 80% 的完成度，剩下的 20% 还得你自己填。但那 80% 确实省了大量重复劳动，让我能把精力放在真正需要思考的部分。