我的 Cursor 使用心得: 模型怎么选、Token 怎么省、Skills 怎么用基于实际使用经验，从模型选择、Tok

〇、概述

AI编程（Vibe Coding）越来越普及，Cursor作为最流行的AI编程工具之一，已经成为很多开发者的日常。但在实际使用中，我们总会遇到一些困惑：模型选择、Token消耗、新功能理解...这些问题直接影响使用体验和成本。

Vibe Coding 已逐渐成为开发者日常工作的重要组成部分，但在实际应用中，模型选择、Token 消耗控制、新功能理解等问题，往往影响开发效率与使用成本。

这份文档基于实际使用经验，总结了三个我开发中遇到的问题：

第一次打开 Cursor，满屏的模型选项，到底该选哪个？
用了一段时间，发现token的额度都不够用, 我应该怎么做才能节省Token？
AI 圈天天出新名词，突然冒出来个 Agent Skills，这是啥, 有啥用

一、我应该使用哪个模型？

模型选择需围绕性能(SWE-bench 评分)、价格和适用场景三各维度，结合性价比优先级进行决策。以下是我总结四类场景的推荐方案：

评分参考SWE-bench排行榜：www.swebench.com/

SWE-bench的评分依据是提交的代码修复能否让所有相关的测试用例通过。

1. 🚀 顶级编程能力（各家旗舰）

这类模型代表了各家厂商的最强实力。SWE-bench 评分仅供参考，不同模型有不同的"性格"（如 Claude 擅长长文本和代码风格，GPT 擅长逻辑推理，Gemini 擅长多模态和速度）。

整理时间: 2026年1月, 参考当前的SWE-bench评分, cursor官网的定价

模型	厂商	价格 (输入/输出)	特点与适用场景
Claude 4.5 Opus	Anthropic	$5 /$ 25	编码天花板。SWE-bench 评分第一 (74.4%)。代码风格优雅，逻辑缜密，极少出错。但价格极贵，适合对代码质量有极致要求且预算充足的项目。
Gemini 3 Pro	Google	$2 /$ 12	综合最强。SWE-bench 评分极高 (74.2%)，且价格仅为 Opus 的一半。响应速度快，多模态理解能力强，适合大多数高难度任务。
GPT-5.2	OpenAI	$1.75 /$ 14	推理专家。逻辑推理能力极强 (71.8%)，在复杂算法实现和 Bug 追踪上表现出色。Cursor 对 GPT 系列的适配通常最好（System Prompt 优化）。

2. ⚖️ 日常够用，性价比（主力模型）

兼顾性能与成本，适合 80% 的日常开发（CRUD、重构、写测试）。建议根据个人喜好选择。

模型	厂商	价格 (输入/输出)	特点
GPT-5.1 Codex	OpenAI	$1.25 /$ 10	编码专项优化。去除了通用对话的冗余能力，专注于代码生成，价格亲民，响应迅速。
Claude 4.5 Sonnet	Anthropic	$3 /$ 15	均衡之选。比 Opus 便宜，但保留了 Claude 系列优秀的代码理解和长文本能力。适合喜欢 Anthropic 生态的开发者。
Gemini 3 Flash	Google	$0.50 /$ 3	速度与成本。比 Pro 版本便宜很多，但比 2.5 Flash 更聪明。适合需要快速迭代的开发场景。

3. 💰 低成本适合大量Token场景

适合处理超长文档、全局搜索分析、日志分析或生成简单脚本。

模型	厂商	价格 (输入/输出)	特点
Gemini 2.5 Flash	Google	$0.30 /$ 2.50	超长上下文。支持百万级 Token，极其便宜，适合把整个文档扔进去让它总结或翻译。
GPT-5 Mini	OpenAI	$0.25 /$ 2	OpenAI 轻量版。适合简单的指令执行和格式化任务。
Claude 4.5 Haiku	Anthropic	$1 /$ 5	最强轻量级。虽然比上面两个贵，但在轻量级模型中智商最高，适合简单的逻辑处理。
Grok Code	xAI	$0.20 /$ 1.50	价格地板。适合基础的语法纠错。

4. 🚫 性价比极低，尽量避免使用

这些模型要么价格虚高，要么是旧版本，已被新模型全面超越。

模型	避坑理由
GPT-5 Fast	价格 ( $2.5/$ 20) 甚至比性能更强的 GPT-5.2 和 Gemini 3 Pro 还贵，完全没必要使用。
Claude 4 Sonnet	旧版本。价格 ( $3/$ 15) 和新版 4.5 Sonnet 一样，但能力弱很多。务必选择带 "4.5" 的版本。
Claude 4 Sonnet 1M	旧版本大窗口版。价格翻倍 ( $6/$ 22.5)，完全可以用 Gemini 2.5 Flash 替代，后者更便宜且上下文更长。

二、怎样可以节省Token？

Token 消耗直接关联使用成本，其核心消耗原因在于上下文累积与不合理的使用习惯。通过科学的使用方法，可有效降低 Token 消耗，提升使用效率。

什么会导致Token消耗越来越大？

上下文累积:

每次对话会保留完整上下文，包括用户消息、AI 回复、引用的代码 / 文档, 配置的rules, 加载的mcp, 等等，且每次交互都会重新传递这些内容, 多轮迭代对话会进一步拉长上下文，持续增加 Token 消耗。

高消耗场景示例:

长时间单窗口对话（10 轮以上）：上下文呈指数级增长；
大文件无差别引用：直接引用数千行配置文件、日志文件，一次性消耗大量 Token；
多主题混合对话：同一窗口中讨论不相关话题，导致上下文冗余杂乱；

1. 精准定位需求与代码

描述具体问题，避免让 AI 猜测：

❌ 不推荐： "帮我看看这个文件有什么问题"

✅ 推荐： "@src/components/UserForm.vue 第45行的handleSubmit函数中，表单验证逻辑有问题"

合理引用，避免让 AI 自行检索：

❌ 不推荐： "参考用户卡片组件的样式改一下"（还需要 AI 去找用户卡片）

✅ 推荐： "请参照 @/components/UserCard.tsx 的卡片样式，为当前组件添加阴影效果和圆角"

实用技巧：

利用 @文件名 精准指定文件，#函数名 定位特定函数/类
直接选中代码片段，Cursor 会自动完成引用
清晰描述问题现象、预期结果，提供完整上下文信息

2. 使用Plan模式

对于复杂任务，使用 Plan 模式可以：

先让 AI 提出澄清问题
分析代码库获取相关上下文
创建完整实现计划, 审阅并编辑计划
确认后再执行

该模式可减少多轮反复沟通，集中处理核心需求，显著降低 Token 消耗。

3. 优化上下文管理

规则固化： 将重复使用的提示、项目规范写入 .cursor/rules 文件，避免重复说明。 Rules 最佳实践：

篇幅控制在 500 行以内，避免信息过载
提供具体示例，增强可操作性
聚焦明确的规则点，避免模糊表述
覆盖编码风格、命名规范、架构约束等核心场景

主题聚焦： 同一对话窗口仅处理一个功能模块或一类问题，高度相关任务可合并。及时开启新对话，避免冗余累积。

上下文压缩： 如果对话已经很长，但确实需要继续提问，可以使用：

内置功能：使用 Cursor 的 "/Summarize" 命令，自动提取对话关键信息，剔除冗余内容
手动操作：定期让 AI 生成对话摘要，以摘要作为后续对话的基础上下文

4. 其他技巧

善用代码补全，不必事事询问 AI：

对于极其简单的修改（如更改文字、调整间距、修改颜色值），直接定位到代码位置手动修改即可
一旦改过一处，AI 的补全机制往往能自动帮你完成其他相似位置的修改
对于小的、局部的改动，可以用"先写注释，再让 AI 补全"的方式来实现
大部分 AI 工具的自动补全不占用对话额度

合理使用免费 AI 工具： 对于通用性问题（如某个 API 怎么用、实现某个功能有哪些方案），可以使用免费的 AI 工具（如豆包、元宝）来获取答案，节省 Cursor 的 Token 额度。

三、Agent Skills是什么？有什么用？

1. 什么是Agent Skills？

Agent Skills是Cursor中的可复的专家知识包，用于让AI代理在特定任务场景中表现更专业化。

核心特点：

模块化：将特定功能封装成独立技能
可复用：可以在多个代理之间共享
专业化：专注解决特定问题，提供更精准方案
使用无感知：用户无需手动调用，Agent 会自动使用

Skills、Rules、MCP、知识库：区别与使用场景

技术	本质定位	主要作用	典型使用场景	何时加载/触发
Skills	可复用的专业化「提示包」	按需注入领域知识、任务指引，支持动态上下文发现	组织最佳实践、项目规范、专用工作流（如 `/security-audit`、`/commit-message`）	Agent 自主判断或用户通过 `/` 手动调用；按需加载
Rules	持久生效的「行为与风格指令」	定义代码风格、架构约束、通用规范，作用于系统提示	编码风格、命名约定、架构标准、全局/项目级「始终要遵守」的规则	常驻或按规则类型（Always / 按文件 / 按 @ 提及）注入系统提示
MCP	与外部世界通信的「协议层」	标准化接入工具、API、数据库、文件等，扩展 AI 的「手和眼睛」	调用外部 API、查数据库、读文件、用浏览器等需要「执行动作」的场景	按需加载工具描述；调用时把工具输入输出当作上下文传给模型
知识库	外部可检索的「记忆/资料库」	通过 RAG 检索，把相关知识片段注入上下文	企业文档、产品说明、私有/实时数据、长篇领域知识	查询时检索相关片段，再拼进当前对话的上下文

一句话区分：

Rules：管「怎么想、怎么写」——行为与风格。
Skills：管「按什么知识、流程来做事」——专业化能力包。
MCP：管「能调用哪些外部能力」——工具与数据的协议。
知识库：管「从哪里找答案」——可检索的资料来源。

从与大模型交互的方式看，这四类技术最终都是在构造「输入给模型的上下文」，因此都可以理解为广义的提示词：

2. 为什么需要Agent Skills？

解决的问题

专业知识分散问题
- 问题：不同代理需要相同专业能力，但每个都要重新实现
- 解决：Skills封装可复用模块
工具使用复杂性
- 问题：直接使用API需要处理复杂认证、参数、错误处理
- 解决：Skills提供简化接口，隐藏底层细节
上下文管理效率
- 问题：代理在不同任务间切换上下文效率低
- 解决：Skills保持特定领域知识和处理流程
性能与成本平衡
- 问题：每次调用都加载大量知识参数，成本高
- 解决：Skills可预加载和缓存特定知识

3. 实际应用场景

组织最佳实践类Skills

/security-audit - 内部安全审计规范
/performance-review - 性能优化最佳实践
/logging-patterns - 日志记录规范

项目通用组件类Skills

/use-api-client - 使用项目API客户端
/use-database-layer - 使用数据库访问层
/extend-component - 扩展基础组件

4. 如何创建Skills？

可以使用帮你写skills的skills

skill-writer

5. 创建Skills的建议

从小做起：先从最常用、最痛的规范开始
迭代优化：根据使用反馈持续改进
文档化：每个Skill都有清晰的文档说明适用场景
版本管理：随着规范演进，Skills也要相应更新

总结

一、模型选择核心要点

根据场景选择合适的模型，避坑低性价比模型，可以经常换着用，找到适合自己的模型

二、节省Token核心要点

精准定位代码，精准描述问题，尽量避免让AI自己去检索
控制上下文长度，及时开启新对话/总结上下文
善用Plan模式，简单问题可以用代码补全，通用问题问免费的工具

三、Agent Skills

和 Rules、MCP、RAG 本质上都是提示词工程。Skills 的特点是按需注入，使用门槛低，自动使用，可以根据自己项目实际情况自己写 Skills，可用性更高一些。

可以将项目内的最佳实践、项目通用的组件写到 Skills 里

参考资源：

SWE-bench排行榜：www.swebench.com/
Cursor官方文档：cursor.com/cn/docs
Agent Skills规范：agentskills.io/home
skillsmp: skillsmp.com/categories/…