刀刀的知识积累

Cursor编程-从入门到精通

更新时间: 2026-02-26 08:52:55

# qwen系列

  1. 文本 qwen-turbo API
    qewe3-0.6,8B,32B开源模型（企业内部进行部署）

  2. VL模型
    qwen-vl多模态，可以对图像内容进行理解

  3. code模型
    qwen3-coder

# AI编程

Cursor是基于VSCode开发的AI代码编辑器，提供智能代码补全、代码生成、代码修改、代码搜索和代码解释等。
与其他工具不同，Cursor将AI辅助编码直接融入到编辑器的核心功能中，比如Curosr可以理解整个工程的代码，同时修改多个文件。
可以通过.cursorrules文件定制AI的行为。

使用通义灵码也行，trae,codebuddy也行

# AI编程的问题

  1. bug修改问题
  • 过度修改现象: AI在修复指定bug时，可能会连带修改其他原本正确的功能代码
  • 解决方案: 明确指令要求"只修改当前指定功能，不要改动其他功能"
  • 效果评估: 该指令不能保证100%有效，但能显著减少非必要修改的情况
  1. 中文乱码问题
  • 常见表现: 生成的注释出现乱码或自动转为英文
  • 编码要求: 需明确指定使用"中文UTF-8编码"
  • 检查机制: 要求AI在生成中文内容后自动检查是否存在乱码，发现后立即修正

# 函数修改原则

  1. 逻辑保留
  • 核心原则: 修改函数时必须先理解原有实现逻辑
  • 禁止操作: 不得移除原有的函数路由结构
  • 修改方式: 在原有逻辑基础上进行增量修改
  1. 功能专注
  • 指令规范: 当指定完成功能A时，AI应专注该功能不涉及功能B
  • 实践意义: 避免AI自作主张重构整个代码逻辑

# 规则设置

通义灵码支持项目专属规则（Project Rules）的设定， 这些规则存储在 .lingma/rules 目录下，仅对当前工程生效。通过设定项目专属规则，可以帮助模型更精准地理解并适应您的编码偏好，例如理解项目框架和代码风格等。

据引入和触发方式的不同，我们将规则分为以下4个类型，以灵活适配各类业务场景。

类型 触发方式 适用场景
手动引入（Manual） 在智能会话或行间会话中通过#rule手动引入才生效。 按需执行一次性或特定的工作流、自定义提示词等。
模型决策（Model Decision） 在智能会话中使用智能体模式时，或在智能问答开启工具使用后，模型将根据用户定义规则的描述内容，自主决策是否应用该规则。 由模型自主决策，仅在特定场景下生效的规则，例如生成单测时生效，或生成注释时生效等。
始终生效（Always） 在智能会话与行间会话中的所有请求中均会生效。 设定项目级的通用规范，如编码风格、偏好格式、默认的回答角色等
指定文件生效（Specific Files） 在智能会话和行间会话中，根据用户指定的文件匹配模式（如 .js、src/**/.ts），此规则将应用于所有符合该模式的文件。 可以根据通配符精准匹配生效的文件范围，为特定语言或目录创建专属规则。例如，针对某类语言生效的规则，或针对某个文件夹生效的校验规则。

如果不知道怎么写规则，可以参考https://atomgit.com/lingma-org/lingma-project-rule-template (opens new window)

# CASE：多张Excel报表处理

TO DO：两张Excel报表合并 比如 将员工基本信息表与员工绩效表合并，比如在主表基础上，添加员工2024年第4季度的绩效评分

  1. 打开灵码，配置python编译环境

  2. Agent模式下输入指令：帮我将员工基本信息表.xlsx， 员工绩效表.xlsx这两张Excel合并，即在 员工基本信息表.xlsx的基础上，增加该员工2024年第4季度的绩效评分

然后就自动写好了，妈耶好简单

提示

写提示词时，要在正确的基础上，继续做下面的事情； 分步骤来做会比较方便

先思考人是怎么做的，分成几个步骤，步骤之间有逻辑顺序

锻炼人的思维 =》 撰写需求分析，拆成不同的步骤

# CASE：疫情实时监控

CASE：疫情实时监控
数据表data.xlsx，原始数据见https://github.com/cystanford/dashboard_epidemic
整合了疫情的关键指标数据，适用于疫情可视化大屏展示及数据分析。
数据表记录了香港各区每日疫情变化情况，包含确诊、康复、死亡等核心指标，以及区域风险评估结果。
TO DO：
1）确诊病例数：每日新增与累计确诊数据
2）地理分布图：各区域疫情分布及热点区域标识
3）趋势分析图：病例增长趋势、增长率变化图表
…… 数据表长这样

# 开始理解需求，拆分步骤

  1. 理解数据表的字段含义
  2. 画图：横坐标是报告日期，纵坐标是新增确诊认数

# AI编程

  1. 编写Python，查看 香港各区疫情数据_20250322.xlsx的字段和前20行数据

  2. 帮我画图，显示新增确诊人数，横坐标是报告日期


  3. 帮我制作可视化大屏，选择适合的图表样式，图表的数量不超过5个，用Flask + Echarts实现

提示

  1. Flask后端框架
  • 功能定位：作为数据服务的后端支撑
  • 交互流程：接收请求→处理数据→返回可视化结果
  1. Echarts可视化库
  • 图表类型：支持折线图等多样化展示形式
  • 数据绑定：需确保前端展示与后端数据严格对应
  • 动态更新：可实现疫情数据的实时可视化呈现


可以看到，AI写的可视化大屏并不是第一次就能成功的

  1. 把报错的截屏给AI，然后我们慢慢调整

# AI产品评估

  1. 评估指标分析
  • 响应速度：AI产品的关键指标，理想响应时间应在5秒内，最长不超过10秒。超过10秒用户可能流失（举例：与豆包等AI交互时的用户体验）
  • 准确度要求：企业级应用通常要求99.9%的高准确率。以客服场景为例，2000通电话中1%错误率意味着20次错误回答，可能导致产品报价等关键信息错误
  • 安全防护：需防范"奶奶攻击"等社会工程学攻击手段（案例：攻击者诱使AI泄露Windows密钥），企业私有数据（如知识库文件、内部表格）需特别保护
  1. 数据安全性评估
  • 验证机制：通过prompt要求AI对比原始数据，回复时标注参考来源（如必应搜索的角标功能），实现回答可追溯
  • 风险场景：企业私有化部署时，需防范通过精心设计的问题套取敏感数据（如财务表格、机密文档）
  • 防护方案：建立数据来源检测流程，验证回答与来源的一致性，这是企业IT部门的核心验收标准

# 模型部署

  1. 本地化部署Qwen3-coder
    部署成本：以7B模型为例，硬件成本约需100万元，主要因模型文件体积庞大（需H100等高端显卡）
    资源获取：通过ModelScope平台可下载模型（如通义千问3-Coder），支持私有化部署但受限于硬件配置
    模型切换：在阿里云等平台可通过密钥管理实现模型切换（如切换至3-plus模型）

  2. 并发性能评估

  • 单卡承载：H100显卡运行2B规模模型时，最佳并发数为8-10人，超过16人将出现明显延迟
  • 服务分级：免费用户可能受全局资源池限制出现排队，会员服务可保证响应速度（如零码平台前50轮高质量响应）
  • 优化方案：通过模型量化等技术提升并发能力，但需平衡精度损失与性能提升的关系

← Embedding与向量数据库 →

MIT Licensed | Copyright © 2021-present 刀刀