Cursor工作流探索第二篇：概念理解到实践技巧

咚咚咚ddd
378 阅读11分钟

cursor概念和理解

Cursor开发团队观点和理念

来源：lexfridman.com/cursor-team…

观点概述
  • cursor开发团队理念：”优秀的工程技术比算力更重要“；
  • 未来工程师是人机混合体，人类创造力 + AI 能力 > 最佳纯 AI 系统。
  • 创造力、系统设计能力和做出权衡决策的能力将变得更加重要。
  • 更高层次的抽象:
    • 程序员可能会更多地在更高层次的抽象上工作，如伪代码。
    • AI 可以将这些高层次指令转换为实际的、可执行的代码。
  • 灵活的抽象层级:
    • 未来的编程环境可能允许在不同抽象层级间自由切换。
    • 例如: 伪代码与代码实时映射
# 高层抽象（伪代码）

功能：用户登录验证
步骤：

1.  检查用户名是否存在
2.  验证密码哈希是否匹配
3.  返回登录状态

# 底层代码（Python）

def user\_login(username, password):
user = User.query.filter\_by(username=username).first()
if not user:
return {"status": "error", "message": "用户不存在"}
if bcrypt.checkpw(password.encode(), user.password\_hash):
return {"status": "success", "user\_id": user.id}
else:
return {"status": "error", "message": "密码错误"}

可视化逻辑与代码联动

# 可视化流程图

[开始] → [输入订单数据] → [验证库存] → [扣减库存] → [生成订单号] → [结束]

# 对应生成的代码（Java）

public Order createOrder(OrderRequest request) {
if (!inventoryService.validateStock(request.getItems())) {
throw new InsufficientStockException();
}
inventoryService.deductStock(request.getItems());
String orderId = OrderIdGenerator.generate();
return new Order(orderId, request.getItems());
}

好的编程工具应该通过行为预测，而不仅仅是自然语言，例如强大的 tab。

image_46.png

以上观点趋势可能对开发者的影响
  • 角色转变: 从“代码编写者”变为“逻辑设计师”。
  • 技能需求变化: 更强调系统设计、问题抽象和 AI 协作能力。
  • 开发范式升级
    • 传统流程：需求 → 编码 → 测试 → 部署
    • 未来流程：需求 → 抽象设计 → AI 生成代码 → 细节优化 → 部署

聊天式编程

cursor 带来新的开发模式：”聊天式”编程

image_60.png

通过“自然语言”写代码

从一开始的机器语言到汇编语言到现在的高级语言，计算机语言的演变本质上是从硬件到认知的不断抽象，Cursor的出现打开了高级语言迈向自然语言的大门。
Cursor 创始人所言：“我们不是在教 AI 写代码，而是让它成为人类创造力的延伸。”在这种新范式下，我们的注意力讲会从"如何写代码"转移到"解决什么问题"，AI 会逼迫你“想清楚、说清楚”。清晰的表达将会成为一种稀缺的生产力。

image_65.png

打破岗位边界

Cursor逐渐模糊掉产品经理，设计师，程序员之间的界限。可以预见将来也会改变这些岗位的设立逻辑和开发团队的组织方式。Cursor客观上磨平了各个角色之间的技术壁垒，让想法不再受限于某类资源，拉低了编程的技术门槛。

image_70.png

新的编程范式

Cursor四大件

  • tab: 辅助代码补充，提示（提升手速）
  • Inline chat: 少量、局部的指令编程
  • ask: 多文件问答，调研，思路梳理，方案确认
  • agent: 自动执行大量的大范围的编码

image_79.png

面对复杂任务执行步骤：

确认目标，确认方案，开发、验证

image_84.png

需求：从“想清楚”到“说清楚”

（定义好“问题”）Ai很强，但是他不知道你脑子里到底想要什么。

  • 清晰表达的核心原则：结构化表达+足够的上下文（需求澄清）
    • 结构化表达：使用 markdown 格式，天然对内容“分块”，ai更容易理解
    • 足够的上下文：”人设+任务+上下文+案例+方案“ 组合
  • 让 AI 逼迫你思考：反向费曼学习法（疑点确认）
    • 在使用 AI 时候，他往往倾向于直接满足你的表面需求，但可能会忽略一些深层需求内涵。所以好的模式不是你直接去提问，而是让 AI 引导你思考！那对于 AI 来说，当你提出了一个问题，想想：他真的懂了吗？让 AI 反述一遍，你听听如何？但是光这个就够了吗，不够，你还需要让 AI 具有质疑精神，让他对你的问题提出质疑，而不是全盘接受！反向逼迫你去思考什么是“真需求”让 AI 变成你思维的“延展”。我把这种模式称之为：反向费曼学习法。

image_94.png

方案确认：任务拆分，分而治之

（方案调研落地阶段）

  • 方案确认：先使用 Cursor 的 Ask 模式先让 AI 给出不同的解决方案以及优劣，然后开发者权衡选择方案。可以理解为人去权衡其实就是变相的在补充上下文。
  • 方案拆分：让 AI 去拆分，拆分成 AI 可以执行步骤。
  • 小技巧：把拆分的结果记录到 Notepad 中（Cursor 提供的轻量化记录工具）记下来的目的一个是给自己看，帮自己理清思路（对于生成级别代码，你必须知道方案的思路）也方便后续在此基础上做调整，另一个是作为上下文给到 Agent 模式，Notepad 在两种模式之间起到了很好的桥梁作用。
开发和验证：分布执行，小步验证

（开发和验证）
在 Agent 模式执行的时候，我们需要按照直接的拆分任务并且逐步执行、逐步验证，切记不要一次生成几千行代码，再验证，不然可能会越改越乱。

image_106.png

Cursor使用技巧

终端对话（命令执行）

无需记住linux命令，直接 command+k ，使用自然语言去描述命令行
（ps：你可以在本地开一个 Cursor 的项目专门操作本地终端）

image_113.png

历史代码生产注释

使用 command+k，为历史代码快速生成注释。（ps：相比 Ask 模式速度极快）

image_117.png

一键生成commit message信息

image_120.png

接手项目，快速可视化了解项目架构

使用 Ask 模式给你整理出项目的架构图，输出 Mermaid 语法的文本。
粘贴到看图文本工具：mermaid.live/ ，快速了解项目。

使用 Notepad 记录关键思路

使用Notepad记录关键上下文，并使用@指定上下文

image_127.png

@git找到代码漏洞

遇到代码 MR 的时候可以先对比一下与主干代码的差异，检查是否有问题，或者当你 MR 后代码发生了问题，都可以使用 @Git。

image_131.png

使用 checkpoint 一键回滚

image_134.png

设置自己的专属提示词

image_137.png

拖拽式添加上下文

不用去一个一个寻找目录去添加上下文了，在目录中直接按猪目标文件，拖进对话框即可。

@web

使用联网功能，快速获取最新信息

模型能力按需使用（节约高级模型使用次数）

行内和terminal内对话，默认使用cursor-small模型，处理简单问题，节约快速请求次数。 ask和agent使用Claude3.7高性能模型处理复杂问题
善用代码补全代替简单提问：“伪代码”补全生成，注释补全生成。

Cursor与“心流”

  • 明确的目标
    • 使用好AI的前提就是想清楚，说清楚，这就天然的需要我们在思考任务过程明确自己的目标；
  • 即时反馈
    • 即时的代码补全，ask,agent的自然语言交互，都能提供秒级的响应和输出，可持续的给开发者正向反馈，让你的想法立马实现。
  • 挑战与能力匹配
    • 在任务执行过程中，AI可以帮助开发者更好的理解需求并处理底层复杂性，让开发者聚焦于创造性调整，避免因任务太简单而厌倦，又防止难度过高而太过焦虑，更容易进入心流的状态，达到最佳效能状态。（舒适区边缘）

image_155.png

软件价值的新定义：软件价值 =  创新  ×（需求清晰度 × AI 理解度）× 工程实现效率。

重点利用领域思考

  • 重复工作：使用cursor自动化替代
  • 标准化：建立完成统一的开发规范，公共提示词
  • 实践探索：尝试对规范和提示词不断优化，测试不同方法工具的应用效果
  • 效果评估：形成一套标准的评估方法，对调整后的方方案进行验证，评估提升和改善效果
  • 迭代：评估符合提升预期的方法和规范汇入确定性规范文档

MCP探索测试

MCP是什么？

简单的说，MCP（Model Context Protocol）就是 AI 与外部世界的“万能连接器”，让 AI 有了眼睛和手臂，网上有一张很经典的图，如下图：

image_172.png

MCP之前已经有了访问外部资源，比如使用function call实现的外部数据库访问。而MCP真正的价值在于：统一了标准，不用再重复造轮子，大大降低了“外挂“工具的开发门槛。

image_175.png

MCP能力

  • 扭转数据流，把人解放了出来
    假如现在有一个这样的场景：统计数据库中，符合某些条件的数据。如何没有 MCP 之前你会怎么做呢？我想你会从数据库导出数据，再手动的粘贴到 prompt 中；看起来貌似也不复杂，那如果有一千万数据呢，如果数据分布在不同的节点呢？事情就变得复杂了。
    而有了 MCP 之后，交互模式发生了本质的变化，人不用再做“数据粘合剂”，各个数据孤单被 MCP 连接起来，AI 有了自动探索“上下文”的能力。
  • 消除了人工手动整理prompt的过程

image_182.png

工具类产品提供 MCP 能力将成为趋势 AI 生态发展发展令人震惊，传统的工具类服务如果只停留在页面+API 的形式已经已经远远不够，应该把自身溶于到 AI 生态中，提供 MCP 能力将成为趋势。

MCP聚合网站

MCP.so
Glama MCP
阿里云百炼
cursor.directory
HiMCP
Portkey.ai
Smithery.ai (推荐)
shareMCP MCP Hub
Cline's MCP Marketplac
MCP Market MCPServers
PulseMCP
Awesome MCP Servers

MCP服务推荐和测试

Play Wright和Puppeteer

  • 核心能力： Playwright 和 Puppeteer 都是用于浏览器自动化的强大工具，该服务可以让LLMs在真实的浏览器环境中与网页交互、截取屏幕截图和执行 JavaScript等等。
  • 思考：截图爬取数据，自动网页操作，模拟点击，滑动，表单提交等操作
  • 用途：自动抢票、网页测试、AI网页助手
  • 地址：smithery.ai/server/@mic…
  • 配置数据：
"playwright-mcp": {
"command": "npx",
"args": [
    "-y",
    "@smithery/cli@latest",
    "run",
    "@microsoft/playwright-mcp",
    "--key",
    "41f1cc55-8403-4922-8dd0-a57f9ef9b915"
 ]
}
  • 触发提示词：要求在浏览器中访问指定地址，然后描述做哪些操作
  • 测试案例1：开发表单提交逻辑大模型自动触发MCP浏览器测试，并自动填写表单完成测试，结果显示操作浏览器速度较慢，待解决
  • 测试案例2：爬取网页数据进行数据分析，导出JSON文本或者其他格式文件

image_222.png

image_224.png

BrowserTools MCP

控制当前浏览器（扩展）

// MAC OS
"browser-tools": {
    "command": "npx",
    "args": [
    "-y",
    "@agentdeskai/browser-tools-mcp@1.2.0"
    ],
}

// windows
"browser-tools": {
  "command": "cmd",
  "args": ["/c", "npx", "-y", "@agentdeskai/browser-tools-mcp@1.2.0"]
}
  • 运行这个 MCP 工具需要三个组件：
    • 安装我们的 chrome 扩展程序
    • 在您的 IDE 中使用此命令安装 MCP 服务器（不同的 IDE 有不同的配置，但此命令通常是一个很好的起点；请参考您的 IDE 文档以了解正确的配置设置）： npx @agentdeskai/browser-tools-mcp@latest
    • 打开一个新终端并运行以下命令： npx @agentdeskai/browser-tools-server@latest
  • 测试结果：MCP-水滴网站性能分析报告

Stagehand：cursor真正“能上网”

  • 适合场景：网页数据采集 / 页面结构分析 / 自动填表
  • 适合场景举例：
    • 自动拉取招聘信息、商品价格
    • 快速分析对手网页结构
    • 批量爬取内容用于训练或分析

GitHub MCP

  • 返回 open issues、PR 状态，甚至帮你总结代码 commit。
  • 亮点功能：
    • 按模块分析贡献者提交记录
    • 检查依赖是否过期
    • 总结 README 内容、文档生成建议

Opik MCP

调试 AI 一直是黑盒问题，Opik 让你看到 Claude 每一次调用的内容、响应时间、是否出错。 Claude 的所有行为，都会被记录下来，包括：

  • 使用了哪个 MCP 工具？
  • 请求内容、响应时间
  • 是否出错、错在哪一步？
  • 适合做什么？
  • 调试 Claude 的工具链行为
  • 监控 AI Agent 是否跑偏
  • 生成 prompt 使用日志分析报告

Figma MCP

  • 功能：使用cursor操作figma生成UI
  • 用途：搭建产品原型/UI demo 的快速方案
  • 地址：github.com/GLips/Figma…

Firecrawl MCP (付费mcp）

  • 功能：爬站、提取、聚合、摘要全流程自动完成
  • 用途：市场调研、竞品分析、数据洞察、SEO报告
  • 地址：github.com/mendableai/…
  • 测试结果：链接不稳定，效果不佳

Supabase MCP（部分付费）

  • 功能：ai控制数据库：建表，查表，写数据
  • 用途：做个“无后端”的数据管理面板
  • 地址：github.com/supabase-co…

参考文章：mp.weixin.qq.com/s?__biz=Mzg…

avatar
文章
阅读
粉丝