作为一个在湾区工作的码农，最近在纠结要不要买房。
为了帮自己和女朋友理清思路，顺便测试下最新的 AI Coding 工具，我用几个 GenAI Tool 开发了一个买房 vs 租房对比网站。
计算结果让我们取消了所有看房安排——对于我们的情况，住同等水平的房子，租房相比买房在 10 年后能多积累$200 万+的净资产。
当然这只是我们的个例，每个人的输入不同，结果也不同。今天主要想分享一下项目的开发过程：花了四个周末，我测试了 Claude Code、Cursor、Gemini CLI 和 ChatGPT Codex 这 4 个 AI 工具，最终用 "Claude Code+Cursor" 的组合上线了项目。整个过程中，AI 写了 90%的代码，我主要的工作是提需求和设计。
网站已经上线：https://rent-or-buy.homes
另外代码也 MIT 协议开源了，开源地址是：https://github.com/zebangeth/rent-or-buy.homes
如果觉得有意思，欢迎到 GitHub 仓库 点一个 star ⭐，让更多人看到这个项目，也希望能提提任何方面的意见！
🏠 项目介绍
这个工具的核心是比较同样的现金支出下，买房 vs 租房对未来净资产的影响。帮你回答“我到底该买房还是租？”这个根本问题，提供一些财务角度的依据。
对比的主要思路很简单：
每年计算买房和租房的实际支出差额。当买房支出 > 租房支出时，差额自动算作租房选项的投资，反之亦然。在 N 年后，对比两种选择的净资产差异。
在计算的时候，比较重要的 input 都会考虑在内，包括对于买房来说初始的 Down Payment, Closing Cost, 后面 recurring 的每年的贷款利息、房产税、HOA、房屋维护费、房贷利息个税抵扣（Claim Mortgage Interest Deduction）等等。有兴趣可以自己到网站上用不同的 input 试算。
举个例子：
如果十年前用 25%的首付在纽约买了一套$85 万的房子，根据纽约过去十年的整体涨幅，现在这套房子大概值$110 万，扣除未还贷款后净资产约$58 万。
而如果当时选择租房同等的房子（ 2015 年月租 $2,800，后续每年涨 4%）并把买房相比租房多出来的支出全投标普 500，现在净资产会是$101 万。
住相同的房子，租相比买 10 年后净资产相差 43 万。
湾区的数据放出来比较容易引战，我直接把湾区的结果放在这个链接里了。
🏗️ 开发心得
这个项目是纯业余时间做的，技术栈主要是：React, TypeScript, Tailwind CSS, Vite.
我平时工作不碰前端，这次几乎纯 AI Coding，自己写/改的代码不到 10%。
整个过程花了 4 周，第一周主要在想资产计算逻辑（文档在 reference/calculation_logic.md），后三周实现功能。最大的收获是积累了一些 AI 工具的使用心得。
- 准备阶段：先写 PRD 和 Design Doc，避免 AI 乱来
- 先花时间写 Product Requirement Document (PRD) 和 Design Doc，不用太正式，但列清 feature、架构和技术栈。
- 这样做的好处是给 AI 明确边界，避免它“胡乱发挥”。LLM 代码生成能力超强，所以反而对我来说最高 ROI 的事情是仔细定义需求，而不是反复修代码。
- 有 UI 的项目先让 LLM 用 HTML 做一个产品原型 UI Mockup，定好 UI 布局和设计风格。（我用到的通过 LLM 制作 UI Mockup 的提示词也放在了项目 GitHub 上，提示词灵感来自 YouTube 博主 AI Jason）这样有 3 个好处：
- 通过 HTML 改动明确 UI 设计，比后期用 React 组件调整快很多，节省时间。
- 可以避免 LLM 在实现组件的时候自由发挥，生成出千篇一律 AI 味很浓的设计。
- 对于后期给 AI 参考来说，HTML 比纯文字描述更准确。
总之，AI Coding 有点像你来扮演 PM + SDM 负责明确需求和 High Level Design, LLM 则是没什么主见的 SWE/SDE 负责功能实现。
就像在工作中一样，如果 PM/SDM 一开始没想清楚就胡乱上马项目，做到一半又要大规模重构，最后改来改去质量和效率都不会很理想。
所以前期多花时间想清楚远比后期反复修改划算，无论从实现时间还是最终质量来看都要好得多。
🔧 AI Coding 工具对比
开发期间用到的 4 个 AI Coding 工具个人体感是：
Claude Code: 85 分 > Cursor Pro: 80 分 > Gemini CLI: 75 分 >> Codex: 50 分
🥇 Claude Code
- 得益于强大的模型能力，生成的代码一次性成功率很高
- 相比 Cursor, Windsurf 能主动读更多的相关代码文件，生成的代码一致性更好
- tool use 的能力强，Cursor 有单次 agent 调用最多 25 次 tool use 的限制，Claude Code 自主性更高，可以在单次任务里多次调用工具执行修改/跑测试/查文档/再修改…最终交付可以成功运行的结果
- 缺点：
- 欠缺一些基础功能，比如没有 tab 补全，没有 checkpoint
- 由于是 CLI 很多常用操作都不是很直观，比如在对话的时候怎么换行、粘贴图片都需要一定时间适应
🥈 Cursor Pro
- 排名第一的 AI IDE，也用过 Windsurf 和 Trae, 但还是和 Cursor 有一些差距
- 近期改了计费方式之后明显感觉 agent 模式读代码的主动性更强了，在还没有读全上下文就开始乱写代码的情况变少了
- Tab 自动补全属于用了就离不开的功能，比 Copilot, Windsurf 之流的 tab 补全强很多
- 功能很完善，该有的功能都有：MCP server, checkpoint, 接入 custom model
🥉 Gemini CLI
- 和 Claude Code 产品形态很像，都是 CLI. 刚出的时候和 Claude Code 相比差距还比较大，但可能因为是开源，community contribute 的速度很快，现在感觉已经越来越接近 Claude Code 了
- 最大的优势是免费，而且免费的额度比较慷慨，基本可以用免费额度完成非重度开发
- 和 Claude Code 相比，感觉主要差距还是来自底层模型，Claude 明显一次性成功率更高，写 front-end 的时候整体 Design 的水平更在线。另外还发现 Gemini 2.5 Pro 有时有一点 over complicate 问题的倾向，出现即使是比较简单的改动，Gemini 改出来一大堆 diff 的情况
💩 ChatGPT Codex (用的是 Codex Web 版，不是 Codex CLI)
- 产品形态是一个独立的网站，用 ChatGPT 账号登录就可以，登录之后要连接到自己的 GitHub，指定项目所在的代码仓库
- 描述需求发给 Codex 之后，Codex 最终会以提交 GitHub PR 的方式完成需求里要求的修改
- 体验是执行的又慢质量又差，而且云端的方式相比本地，修改和调试 Codex 的代码都相对更麻烦
- 实在是想不到什么场景会用到 Codex, 感觉甚至不如直接用 ChatGPT 这种 ChatBot 形态帮我 coding 的效果好
我最后摸索出来发现其实这几个工具其实不是互相替代的关系，组合使用效果更好
Claude Code 负责相对 scope 大一些的 feature development 和跨文件的 refactoring
Cursor 作为日常 IDE，在手动修改代码的时候用它的 tab 补全功能，另外一些 scope 比较小，只需要一两个文件作为上下文的需求，用 Cursor 也更方便
Gemini CLI 因为免费，而且 Gemini 2.5 Pro 1 million 上下文的优势，非常适合在拿到一个大的代码库的时候让 Gemini CLI 去帮忙 walk-through
最后，网站的核心功能刚开发完，还有很多不完善的地方，欢迎试用并反馈意见。
代码已经在 GitHub 上 MIT 协议开源，仓库里包括用到的 Prompt, Claude Code 的 Claude.md 文件，项目最开始写的 PRD, Design Doc, 和 HTML UI Mockup 文件。如果觉得有意思，也希望能给这个项目点点 star ⭐ 非常感谢！
update:
做这个工具的目的绝不是为了劝退买房。只不过基于我们自己对未来的假设，刚好得出了暂时不打算买房的结论。
实际上房价涨幅、投资回报率的假设稍有不同，都可能让结论完全反转。
买房决策当然也不止 net worth 计算。稳定性/灵活性、归属感、家庭考虑都可能是同样重要的因素。
这个工具只是希望帮助把能量化的部分量化，为决策提供一个财务角度的参考框架。