探索 Cursor—AI 编程的“版本答案”之一¶

文档目标

科普当前 AI 编程的“版本答案”之一——Cursor 的概念及使用

帮助了解 Cursor 的基本用法和高阶用法

探讨 Cursor 的适用场景和短板以及最佳实践

阅读受众

对 AI（或 LLM）编程感兴趣，希望了解当下相关工具来帮助理解

想要进一步了解 Cursor 及其使用方法与最佳实践来提升编程效率

0. Insight¶

Cursor 与传统 IDE 相比的核心优势，是做到了足够优秀的人机交互和效果足够好的 LLM
Cursor 的本质是基于 LLM 的交互工具。它能够在很多场景下有效解决问题，尤其是快速代码开发、执行重复性任务、解决常见编程问题等，但 LLM 带来的局限性也很明显，如结果随机性、上下文窗口限制、无法创新以及缺乏垂直领域的深度知识等。这意味着它需要用户在使用过程中主动验证和调整，不能完全依赖
Cursor 并不是“银弹”。它更适合快速实现 MVP、重复性任务的自动化、解决跨领域问题、中小型项目的开发与优化等。对于复杂的工程项目，Cursor 的使用门槛会显著提高，尤其是当需要高度定制化或深度专业知识时，它的表现往往会显得力不从心
当前最好的协作模式是“人工 + 半自动化”。Cursor 可帮助用户完成大部分基础性和重复性工作，但当尝试让其完成更复杂或精确的任务时，用户需要投入大量精力进行提示工程和结果校验等。换句话说，从 80 分到 100 分的提升，成本和难度会成倍增加，尤其是在复杂场景下
Cursor 的价值在于辅助开发者，而非替代开发者。不要期待它完全驾驭你的项目，而是需要你主动学习如何更好地驾驭它。这种“工具心态”能够帮助用户充分利用 Cursor，而不是对它产生不切实际的期待
对 Cursor 的使用需要一种“降低预期，多一些耐心”的心态。它并不是全能的解决方案，而是一个用好能大幅提升效率的工具。用户需要在使用过程中不断实践去试探其边界，找到适合自己的最佳使用方式

1. 引言：我眼中的 Cursor 从爆火到“祛魅”¶

从接触 Cursor 我大概经历了以下心路历程：爆火期—>体验期—>祛魅期—>理性期。

——爆火期

我第一次听到 cursor 是去年大概9月份左右开始，刷推特时就经常能看到类似如下的言论，特别是在11月份爆火：

“我用 cursor 在 xx 小时内完成了某个项目或产品”
“作为编程小白使用 cursor 在短时间内完成开发了一个 xx 项目或产品”
.......（也不乏类似 “零编程经验的小学生/小朋友使用 cursor 完成上架了一款 xx 产品”）

然后就是在 youtube 上也开始看到不断涌现出现来的 cursor 教程以及 cursor 宣传视频。

本来一开始刷到的时候，我还是保持怀疑态度，比如 cursor 有这么厉害吗？为什么取代程序员的言论越来越多？

当时的我对 AI 编程的认知还是停留在代码补全、AI 聊天等，还是不觉得能通过 AI 短时间内构建一个完整的项目。

——体验期

抱着试一试的态度，开始打开 cursor 官网，下载，进入界面（自动迁移我 vscode 插件），然后输入指令。差不多就过了两个多小时的时间，我开发了以下内容：

一个类似补光灯的网页、一个简单图像压缩工具的网页、一个能格式化文本的 macos 应用
测试了下能基本使用，然后再加上这些项目的 readme 说明文档等整个流程下来我没有真正意义上地写过一行代码，全程所做的动作就是
不断向对话框输入需求内容以及运行报错的问题（macos 应用还是需要在 xcode 上运行）
看着 cursor 在项目新建或修改文件，然后对它给出的代码进行 apply / accept

如果没有 cursor，对于 html、css、javascript 已经忘得差不多、以及零 swift 和零 macos 开发经验的我来说，我相信我如果要做到上面的内容，至少需要花上几天甚至几周的时间，这下大概能理解为什么会出现上面发生的事情了，这也确实给我带来了不小的震撼，因为从未想到有一个 AI 编程工具能够做到，整个项目维度的“补全”，而不只是某段代码的补全，在那一刻确实有一种被 AI 看来要取代程序员的想法了。

——祛魅期

但是事后冷静下来我还是对它“祛魅”了（在如今的1月份对早期接触 cursor 大部分人也是，特别是对于编程经验较为丰富的人），随着我持续的尝试和使用，开始意识到 cursor 还是摆脱不了目前 LLM 带来的局限，如随机性、无法创新、依赖上下文等，依然只能定位在“辅助编程”的角色，无法完全做到主导整个项目，特别是随着项目的复杂度（如功能逻辑、工程架构等）越来越高的时候，它的答案就变得不是那么智能了。

——理性期

虽然 cursor 存在着这样的短板，但是瑕不掩瑜，cursor 借助强大的 LLM 模型搭配优秀的交互，确实能够做到相较于之前的 AI 编程工具，极大地提升编程效率，以及解决绝大基础问题，这依然值得我们去了解和学习如何使用。下面我将会介绍 cursor 的基础使用以及适用场景和最佳实践等内容，来帮助大家学习如何使用 cursor 和加深其 AI 编程的理解。

2. Cursor 简介¶

官网地址：https://www.cursor.com/

2.1 核心理念¶

!!! "note"

Text Only

核心理念：在传统 IDE 的基础上，**增加了足够好的交互与足够好的LLM**

Cursor 是一款由 Anysphere 团队开发的 AI 优先（AI-First）IDE。与传统的 IDE 不同，它的核心设计理念并非单纯提供更强大的调试工具或插件生态，而是将大语言模型（LLM）深度融入编程工作流，试图重新定义开发者与代码的交互方式。

基于 Visual Studio Code 的底层架构修改而来，Cursor 继承了 VSCode 的扩展性和配置兼容性（用户可直接迁移原有插件和主题），但在此基础上构建了独特的对话式编程体验。其本质是一个基于自然语言的代码生成与重构引擎，开发者可以通过自然语言指令直接操作代码库。

2.2 核心功能与技术架构¶

Cursor 的能力可归纳为三个层级：

1. 第一层：代码智能增强

动态代码生成

支持通过自然语言描述生成代码片段（如函数、类、测试用例）
甚至能根据上下文自动补全未完成的逻辑

例如输入注释 // 用 Gin 实现用户注册接口，要求参数校验和数据库写入 → 生成完整路由处理函数（含结构体绑定和错误处理）

语义级代码优化

基于 LLM 理解代码意图后提供重构建议

例如将 golang 语言中多个同步逻辑的代码模块优化为使用 goroutines 协程的形式进行并发处理

跨语言上下文感知

在混合技术栈项目中（如前端 TypeScript + 后端 Golang）可以能根据其他文件的接口定义生成类型匹配的对应端的代码

例如在 golang 项目中定义路由 /api/users 能够自动生成前端的接口类型声明，并进行对应的调用（或 protobuf 声明类似）

2. 第二层：开发流程再造

对话式问题解决

开发者可直接将错误信息粘贴到聊天窗口，Cursor 会分析堆栈跟踪、定位问题根源并提供修复方案

例如粘贴错误 panic: runtime error: invalid memory address ..... ，可根据信息直接定位到空指针解引用并提供修复建议

项目级知识管理

通过持续学习当前项目的代码风格、技术规范（如通过 .eslintrc 或 pyproject.toml），生成符合团队约定的代码

例如根据项目中的 go.mod 依赖版本，生成兼容当前库版本的 API 调用示例（如 AWS SDK v2 操作 S3）

3. 第三层：技术栈突破

多模态编程支持

在最新版本中，Cursor 已开始支持草图转代码功能
同时也支持上传类似上传文档链接等形式生成代码

上传一个网页线框图，可自动生成对应的 HTML/CSS 布局代码

传 Swagger 文档，自动生成符合 OpenAPI 规范的 Gin 路由层代码（含参数校验中间件）

私有模型混合部署

企业用户可连接自有微调过的领域专用模型与通用 LLM 形成互补

例如添加已兼容 OpenAl 输入格式的模型，其中可参考的 Kimi、Deepseek 等兼容了该格式的模型

2.3 底层技术栈¶

Cursor 的技术实现可概括为：

模型层：主要依赖 GPT-4 系列模型，同时实验性集成 Claude、CodeLlama 等开源模型
上下文管理：采用向量数据库（Vector DB）实时索引项目文件，确保代码生成的上下文相关性
安全沙箱：所有 AI 生成的代码均在隔离环境中执行验证，防止恶意代码注入

这种架构使得 Cursor 在保持响应速度的同时，能够处理超过 50 个文件的上下文关联。

比如远超普通聊天机器人 4-8k Token 的限制

Question

扩展思考：为什么选择基于 VSCode 改造？

生态继承：直接复用 VSCode 的 5 万+扩展插件，避免重复造轮子；
渐进增强：开发者无需改变原有操作习惯即可体验 AI 功能；
性能保障：VSCode 的轻量级架构（Electron + TypeScript）为实时 AI 推理提供基础支撑；

3. Cursor 的使用¶

3.1 界面介绍¶

从上面图示可看到 cursor 的界面上实际就是在 vscode 基础上增加了右侧的 AI 对话框，分别对应以下模式：

1. Chat（对话模式）：开放式编程助手

支持自然语言对话（中英文混合输入）
可处理跨文件上下文（自动识别当前项目结构）
支持多轮追问（基于历史对话优化输出）

2. Composer（代码生成器）：流程化代码构建

分步骤代码生成（通过 /generate 命令触发）
提供选项式参数配置（如选择框架、语言版本）
支持模板保存与复用（.cursor/templates 目录）

3. Bug Finder（智能诊断）：深度代码分析

静态代码扫描（实时检测语法/类型错误）
运行时模式预判（识别潜在内存泄漏/竞态条件）
提供修复方案优先级排序（按严重性分级提示）

3.2 基础使用¶

这里我们以一个从0到1通过 Cursor 生成的 demo 项目来介绍其基础的使用。

并且以我对于 0 swift 编程经验的视角来通过 cursor 实现一个 macos 上的应用，该项目主要实现一个简单功能：

自动监听 mac 上剪贴板的内容，在复制粘贴内容时实现「中英文之间添加空格」的格式化处理

Composer¶

首先使用 xcode 来创建一个空的 DocumentApp，然后使用 cursor 打开该项目（文件均是 xcode 初始化生成）。

然后我们通过利用 Composer 开始进行对话，直接向它描述我们所想要实现的诉求：

然后你可以看到 cursor 会根据项目直接对需要实现目标功能的多个文件按步骤修改，询问是否采纳其修改内容。

当我们点击 accept all 后相当于同意其修改内容并进行保存，后续我们就可以直接在 xcode 上运行并确认是否正常。

测试没有问题之后，我们还可以让它生成该项目的 README.md 文件，至此简单的 demo 项目就通过两步完成。

Chat¶

如果我们此时想要了解该项目的目录架构含义以及最核心的文件，则可利用 Chat 进行询问：

BugFinder¶

接下来为使用该功能，故意删除一些关键代码然后启动 BugFinder 进行处理（注意使用时需按不同 git 版本 Run）：

实际上当出现 Bug 的时候也可直接通过 Composer 进行解决，它会根据你提供的报错内容进行修复。

3.3 高阶使用¶

除了上面的基础应用，以下 cursor 目前使用较为频繁以及提升效果较好的高阶用法也需要我们了解：

指定 Context¶

无论是在 chat 还是 composer 中我们可以指定多种类型的上下文信息来帮助 cursor 更好地理解诉求，比如以下：

@Chat：将当前聊天历史（对话记录）作为上下文，使 AI 能基于之前的问答逻辑继续响应
@Code：引用选中的代码片段（如函数、类或变量），作为核心上下文供 AI 分析
@Codebase：自动扫描整个项目代码库，根据当前问题动态筛选并排序相关文件或代码
@Definitions：提取光标附近的代码定义（如函数声明、类接口）作为上下文
@Docs：引用项目内或已索引的第三方文档（如 API 文档、Markdown 文件）作为上下文来源
@Files：将整个文件内容作为上下文，支持跨文件引用（如配置文件、核心模块）
@Folders：引用整个文件夹内的代码，适用于需要长上下文的跨文件逻辑分析
@Git：集成 Git 仓库信息（提交记录、代码差异、PR 描述）作为上下文
@Link：解析外部链接内容（如 GitHub 仓库、技术文章），提取文本作为上下文
@Web：通过搜索引擎查找与问题相关的公开信息（如错误解决方案、最新技术文档）

其中具体操作需要知道的是：

添加方式：通过界面中的「Add Context」菜单或命令面板选择上下文类型
动态组合：可混合多种上下文（如 @Code + @Docs 生成符合文档的代码）
智能排序：系统会基于问题相关性自动调整上下文权重（如 @Codebase 优先加载高频调用的文件）

Rules For AI¶

Cursor 允许用户自定义的 AI 行为约束规则即「Rules For AI」，可以理解为 cursor 设置的提示词 Prompt。

目前 cursor 支持在全局粒度（左图）或者项目粒度（右图）中进行定义，如下所示：

通过该功能可以更好地控制 AI 输出方式和规范，确保生成的代码或建议更符合项目需求、团队风格或开发规范等。

目前网上也有许多可以参考的预设模版帮助你进行设置：

https://cursor.directory/
https://www.bookai.top/cursor/Cursor-Prompt/cursor-system-prompt
https://marketplace.visualstudio.com/items?itemName=KevinKern.cursorrules-search

其他¶

除了上面提到的功能，目前 cursor settings 也有一些额外的选项和可探索的 features，比如：

选择其他模型以及可支持接入符合如 OpenAIAPI、AzureAPI 等不同规范的模型

自动分析代码库上下文，帮助提升 AI 生成代码的准确性和相关性

支持接入 MCP Servers 来集中管理 AI 交互的上下文、规则和资源

同时还能够扩展支持浏览器搜索、网页浏览以及集成内部组件等

4. Cursor 的适用场景与短板¶

4.1 适用场景¶

基于上面的了解其实也不难发现 cursor 的强大之处除了使用了目前强大的语言模型（公域知识），还有就是在“人机编程的交互”以及“仓库层面的理解（私域知识）”做到了非常好的效果。结合我实际的体验效果来看，我理解 cursor 比较适合以下场景：

快速原型的开发（MVP 版本）
重复性任务的自动化（如代码模板生成和文档生成，特别是像生成单测以及翻译不同编程语言等需求）
中小型项目或者说中等复杂问题的开发与优化
集合问答等其他功能的“沉浸式一体化” AI 编程

4.2 短板¶

cursor 的短板实际主要就是 LLM 的短板，cursor 的能力边界也是 LLM 的能力边界：

数据驱动的局限：无法超越训练数据的覆盖范围，缺乏特定领域知识；
模式学习的局限：推理基于模式匹配，缺乏逻辑演绎和因果推理能力；
生成机制的局限：输出基于概率分布，缺乏高精度和一致性；
记忆机制的局限：缺乏长期记忆和动态交互能力；
认知能力的局限：无法主动探索未知或进行原创性创新；

所以站在 cursor 也很难处理好对实时性要求高、高精准度、上下文长度限制、复杂领域知识等问题。

LLM 的本质能力是基于语言模式学习和生成

通过对自然语言的词语分布、上下文关联和语义模式的学习，完成看似“理解”和“推理”的任务（通过大规模语言数据的统计模式学习，生成语言输出并表现出一定程度的语义理解和推理能力）

需要注意的是：

语言理解：LLM 并非真正理解语言，而是通过统计规律模拟出类似理解的表现
推理能力：LLM 能够完成简单的关联性推理和模式匹配，但在复杂的逻辑推理、长链推理和因果推理上表现较弱

除此之外，输入给 cursor 的 prompt 和大模型的质量也会直接影响 cursor 的输出效果。

5. Cursor 的最佳实践¶

5.1 谨慎采纳生成的代码¶

谨慎直接采用 cursor 生成的代码文件，最好是结合上下文做好 CodeReview 工作，保证结果正确且长期可维护
在实际使用过程中，谨慎使用“Apply”和“Accept”功能，更多先使用 Save All 进行验证后，出现问题使用 Reject

5.2 结合 LLM 的良好交互习惯¶

cursor 的使用摆脱不了对 LLM 的使用，所以一些 LLM 良好交互的共性知识是可以复用来优化输出效果的：

结合 Cursor Rules 的提示工程，设计清晰和具体的提示词能够得到更高质量的内容输出
需要注意如何描述清楚你的需求，也是非常重要的一环，这也是与 LLM 进行交互的共性问题
结合 cursor 更擅长解决中小型问题的特点，将需求进行拆解，聚焦更小的粒度来获得更集中的输出

5.3 做好备份¶

考虑到 cursor 或者说 LLM 的随机性，可能会无意删除或增加一些有问题的代码，特别是在项目代码量逐渐庞大之后，触发的概率可能会更高，所以我们在应用 Cursor 时，特别是关键的代码文件，提前做好备份以防止意外覆盖，比如使用 git 的版本管理，频繁去提交代码进行保存。

5.4 结合私域知识拓展¶

cursor 所带来的仓库级别的理解能力，弥补了当前模型仅有公共知识领域的局限，结合仓库私域知识我们可以做到：

生成质量更高的项目 README 文档，提升文档编写效率
总结更聚焦于该仓库代码的共性知识和核心实现等，方便更好地理解和提取仓库的知识

5.5 安全问题¶

我们需要注意到 cursor 并不是完全本地，所以理论上使用 cursor 打开项目是会有源码泄露的安全问题。

即使是目前 cursor 中有 privacy mode，也很难去保证没有类似的安全问题，特别是公司内部的场景。

参考¶

AI 代码编程助手真的有用吗

Cursor - 将为软件开发行业带来深刻变革

https://juejin.cn/post/7414541124666851355