cursor提示词在AI辅助编程中有哪些高级用法？

光会用AI写点业务代码，算不上什么高级用法。真正拉开差距的，是如何让AI帮你处理那些更复杂、更需要思考的工作。这不仅仅是“生成一个函数”那么简单，而是让它成为你真正的编程搭档。

用 @ 精准投喂上下文，而不是一股脑全给

很多人习惯把一整个文件或者好几个文件都 @ 进去，让AI自己找重点。这样做不仅浪费Token，效果还不好。更高级的做法是精确控制上下文的范围。

• @文件 和 @代码块 结合用：如果一个文件有500行，但你只需要AI关注其中一个50行的函数，那就选中这个函数，用 @代码块 (或者在聊天框里通过快捷键添加选中代码)，而不是 @ 整个文件。这样AI能更集中注意力。
• 用 @Docs 引入外部文档：当你要用的库或者API，AI模型可能没见过，或者它的知识库版本太旧了。这时，你可以用 @Docs 功能把官方文档、PDF甚至GitHub Gist加进来。 比如，把一个PDF文档转成Markdown，放到GitHub Gist里，然后让Cursor索引它。这样问问题时，AI就能参考最新的官方文档回答你。
• 用 @Web 联网搜索：如果一个问题需要最新的信息，比如某个库的最新版本用法，可以直接在提示词里加上 @web。 这会让Cursor先上网搜索，再根据搜索结果来回答，避免了模型知识陈旧导致的问题。

举个例子，假设你要基于一个内部的API规范文档来开发一个功能，这个文档AI肯定不知道。

1. 先做A：把这个内部API文档整理成Markdown格式。
2. 然后做B：通过 @Docs > Add New Doc 功能把它加到Cursor的知识库里，并给它起个好记的名字，比如 @MyAPI。
3. 这样能帮你更快完成C：在写提示词时，直接说：“请根据 @MyAPI 里的规范，实现用户登录功能。”AI就能准确地按照你的内部规范来写代码。

用“思维链”引导AI思考，解决复杂问题

直接给一个复杂的指令，比如“重构整个用户认证模块”，AI很可能会出错或者给出一个平庸的方案。更好的方法是引导它一步步思考，这叫“思维链”（Chain-of-Thought）提示法。

简单说，就是别让AI一口吃个胖子。你要把它当成一个初级程序员，带着他一起分析问题。

• 第一步：先分析现状。 “分析一下当前 auth.py 文件的代码结构，列出主要的函数和它们的作用。”
• 第二步：再讨论方案。 “基于上面的分析，提出一个重构方案，目标是提高代码的可读性和可维护性。用列表形式说明你要做的修改。”
• 第三步：最后才动手。 “很好，现在按照你提出的方案，一步步重构代码。”

这种方式能让AI的输出质量高很多，因为它被迫先思考再动手，而不是直接凭感觉生成代码。对于调试复杂的bug也同样适用，你可以先让它分析错误日志，推测可能的原因，然后再给出修复建议。

设置 .cursorrules 文件，给AI立规矩

每个项目都有自己的编码规范、技术栈偏好。一遍遍在提示词里重复这些要求很麻烦。.cursorrules 文件就是用来解决这个问题的。 你可以在项目根目录下创建这个文件，定义一些全局规则，这样每次和AI交互时，它都会默认遵守这些规则。

这就像是给AI做了一个岗前培训，让它知道在这个项目里什么能做，什么不能做。

一个 .cursorrules 文件可以包含这些内容：

• 编码规范：比如“所有Python代码必须遵循PEP 8规范”，“接口命名必须使用驼峰式”。
• 技术栈偏好：比如“优先使用 axios 而不是 fetch 进行网络请求”，“状态管理首选 Redux Toolkit”。
• 项目特定逻辑：比如“处理用户数据时，必须调用 sanitize 函数进行清洗”。

把这些规则写进 .cursorrules，AI生成的代码就会更符合项目要求，省去了大量后期修改的时间。

Agent模式 + 任务分解，让AI自主完成多步操作

对于一些需要修改多个文件、执行多条命令的复杂任务，比如“创建一个新的React组件，并把它集成到首页”，光靠聊天生成代码是不够的。这时候就要用Agent模式。

但是，直接给一个模糊的任务，Agent也可能跑偏。关键在于把大任务分解成清晰的小步骤。

1. 先做A，规划任务：在提示词里，明确告诉Agent需要完成哪几件事。就像这样：“我要添加一个用户反馈功能，请执行以下步骤：1. 创建一个新的React组件 FeedbackForm.js；2. 在 HomePage.js 中引入并渲染这个组件；3. 创建一个API路由 /api/feedback 用来接收表单提交。”
2. 然后做B，分步执行：让AI先完成第一步，你看一下没问题，再让它继续第二步。如果任务比较复杂，最好是一步步确认，这样可以及时纠正它的错误。
3. 这样能帮你更快完成C，避免返工：把任务拆解开，能大大提高AI完成任务的准确率，避免它搞了半天，结果全都要推倒重来。

结合测试驱动开发（TDD），保证代码质量

AI写的代码不一定都对。最可靠的验证方法是让它自己写测试。你可以把测试驱动开发（TDD）的流程和AI结合起来。

• 第一步，写测试：先让AI为你想要实现的功能生成单元测试。比如，“为即将开发的 calculatePrice 函数编写测试用例，覆盖正常情况、边界情况和异常情况。”
• 第二步，写代码：然后让AI编写能通过这些测试的 calculatePrice 函数代码。
• 第三步，验证：AI会自动运行测试，如果失败了，它会自己尝试修复代码，直到所有测试通过。

这种做法的好处是，代码的正确性有了保障，而不是靠你人眼去检查。特别是Cursor的YOLO模式，可以在AI修改代码后自动运行测试来验证，这个功能值得打开。

总的来说，高级用法就是从“命令AI干活”变成“引导AI合作”。你需要提供更精确的上下文，用结构化的方式分解任务，并为它设定好规则。这样，AI才能从一个只会写代码片段的工具，变成真正能帮你解决复杂问题的伙伴。