最近被养龙虾 OpenClaw 刷屏了，各种社交媒体平台上都是这一类视频，甚至还有很多所谓的养龙虾交流会？？进去一看美其名曰创业分享大会，实际上给你洗脑龙虾有多么多么好，然后 500 包安装。只能说会营销的人怎么都能赚钱，要不我也辞职去割韭菜吧。(●’◡’●)。不过言归正传，虽然龙虾这波热度纯靠炒作没啥用，但是 AI 模型却是越来越多，Vibe Coding 也越来越多。尤其是最近我遇到了一个事情：我一直专情的 GPT 在解决一个工作问题时，迟迟给不出正确内容，当我突发奇想换成 Gemini 后，瞬间解决。于是在今天做了一次不同模型在 Go 项目开发下，生成内容的比较。

1. 问题

“请给我一个 Go 项目代码，要求告诉我文件目录具体内容，各个文件的代码是什么。代码的功能是能够简单的实现一个从 controller -> service -> repo 的 user 增删改查的功能。repo可以不用连接数据库，给个 mock 数据即可。要求这个项目使用 wire 管理依赖，符合 Go 开发社区最推荐的工程规范，项目能够直接运行。”

2. 模型生成内容

PS：为了防止有人认为我是在做推广偷偷改数据，附上每个模型提问的截图。

2.1 GPT-5.3-普通模式

2.2 Gemini-3-快速模式

2.3 MiniMax-M2.5 (Pro)

2.4 GLM-4.6

2.5 Kimi-K2-Instruct-0905

2.6 Qwen3-Coder-480B-A35B

3. 总结

首先是文件命名，上面比较可以看出，MiniMax 和 Kimi 都存在偷懒问题，每层的文件名都一样，都是 user.go，从工程规范来讲，这个绝对是不行的，率先 pass 掉。
其次就是目录结构，Qwen3 在对 model 层的文件放置位置，放在了 pkg 目录下，pkg 一般表示外部包，而 model 层都是定义实体，通常属于 internal 目录下。
最后就是代码层面，GLM 知道在 service 层抽象一个接口以及详细的代码注释，这是 GPT 和 Gemini 都没做到的。但是 Gemini 的目录结构更符合规范，像是照抄了 kratos 。而 GPT 在这三者之中并没有什么可圈可点之处。
总结就是在 Vibe Coding 中，我们可以将 MCP 模型改为 GLM，看看是否能提升编程效率，为什么不选择 Gemini，因为费用高并且 tokens 不好获取。

滚动截图插件：GoFullPage