什么是 Debug 模式？
Cursor 提供了多种工作模式，其中 Debug 模式 专为解决那些难以复现或难以理解的 Bug 而设计。与传统调试不同，它不会立即尝试修复代码，而是先生成假设、添加日志、收集运行时数据，最后才进行精准修复。
根据 Cursor 官方文档 和 官方博客：
How it works
- Explore and hypothesize: The agent explores relevant files, builds context, and generates multiple hypotheses about potential root causes.
- Add instrumentation: The agent adds log statements that send data to a local debug server running in a Cursor extension.
- Reproduce the bug: Debug Mode asks you to reproduce the bug and provides specific steps. This keeps you in the loop and ensures the agent captures real runtime behavior.
- Analyze logs: After reproduction, the agent reviews the collected logs to identify the actual root cause based on runtime evidence.
- Make targeted fix: The agent makes a focused fix that directly addresses the root cause—often just a few lines of code.
- Verify and clean up: You can re-run the reproduction steps to verify the fix. Once confirmed, the agent removes all instrumentation.
相比 Agent、Plan 模式，Debug 模式用的次数确实太少了。这次终于找了一个练手文件试试，防止它在大项目里面乱来。
实战案例：Embedding 情感分析 Bug
问题描述
使用 Embedding 向量进行情感分析，一段明显的好评文本被错误判断为差评。这里使用的是阿里云通义千问的 text-embedding-v4 模型：
EMBEDDING_MODEL = "text-embedding-v4"
# 参考向量
positive_review = get_embedding("好评")
negative_review = get_embedding("差评")
# 待分析文本（明显的好评）
text_to_analyze = "买的银色版真的很好看，一天就到了，晚上就开始拿起来完系统很丝滑流畅，做工扎实，手感细腻，很精致哦苹果一如既往的好品质"
# 计算相似度并判断
score = cosine_similarity(text_embedding, positive_review) - \
cosine_similarity(text_embedding, negative_review)
# 结果：score < 0 → 错误判断为差评
Debug 模式分析
进入 Debug 模式后，AI 生成了 5 个假设：
| 假设 | 内容 |
|---|---|
| A | 参考向量本身有问题 |
| B | 相似度计算结果异常 |
| C | 文本 embedding 数据异常 |
| D | 判断逻辑有误 |
| E | "好评"与"差评"向量相似度过高 |
AI 自动插入日志后，让我们介入重新运行程序，保证 human-in-the-loop：
收集到的关键日志数据：
{"hypothesisId": "E", "message": "好评与差评向量的相似度", "data": {"pos_neg_similarity": 0.6828}}
{"hypothesisId": "B", "message": "相似度计算结果", "data": {"pos_sim": 0.4622, "neg_sim": 0.4642, "score": -0.002}}
根因确认
日志揭示了问题：
- "好评"和"差评"的向量相似度高达 68%，区分度不足
- 两个相似度差值仅 0.002，几乎无法区分
修复方案
使用更具语义区分度的参考句子：
# 修复前
positive_review = get_embedding("好评")
negative_review = get_embedding("差评")
# 修复后
positive_review = get_embedding("这个产品非常好，质量很棒，很满意，强烈推荐购买")
negative_review = get_embedding("这个产品非常差，质量很烂，很失望，不推荐购买")
验证结果
| 指标 | 修复前 | 修复后 |
|---|---|---|
| 与正面参考相似度 | 0.4622 | 0.5615 |
| 与负面参考相似度 | 0.4642 | 0.5563 |
| score | -0.002 | +0.005 |
| 结果 | 差评 ❌ | 好评 ✅ |
意外发现：Embedding 模型版本对比
Debug 结束后，我突然想到：修复后的 score 只有 +0.005，效果似乎并不理想。于是我测试了不同版本的 embedding 模型，使用原始的简单参考词（"好评"/"差评"）：
各版本测试结果
| 模型版本 | 与"好评"相似度 | 与"差评"相似度 | score | 结果 |
|---|---|---|---|---|
| v1 | 0.3578 | 0.3375 | +0.0203 | 好评 ✅ |
| v2 | 0.1787 | -0.0325 | +0.2113 | 好评 ✅ |
| v3 | 0.6925 | 0.5481 | +0.1444 | 好评 ✅ |
| v4 | 0.4622 | 0.4642 | -0.0020 | 差评 ❌ |
令人意外的是，v4 是唯一判断错误的版本！
官方评测基准
根据 阿里云官方文档，v4 在 MTEB/CMTEB 评测中分数最高：
| 模型 | MTEB | CMTEB |
|---|---|---|
| text-embedding-v1 | 58.30 | 59.84 |
| text-embedding-v2 | 60.13 | 62.17 |
| text-embedding-v3（1024 维度） | 63.39 | 68.92 |
| text-embedding-v4（2048 维度） | 71.58 | 71.99 |
即使将 v4 的维度提升至 2048，结果依然是差评：
与'好评'的相似度: 0.444916
与'差评'的相似度: 0.446109
综合分数: -0.001192
结果: 差评 ❌
结论
在这个简单情感分类任务上，模型表现排序：v2 > v3 > v1 > v4
这说明：评测基准分数高 ≠ 所有任务都表现好。选择模型时需要在实际场景中测试。
代码参考：geektime-ai-course
