来自cursor团队的12条AI编程技巧。

昨天 Cursor 的首席设计师 Ryo Lu（之前在 Notion 也是首席设计师）分享了他对如何用好AI编程的看法。无独有偶，归藏老师昨天也总结了一套实战心法。

简单来说，用好 AI 编程助手的关键，在于结构清晰、心里有数，把它当作一个**需要引导和协作的伙伴 (Agent)**，而不是一个会读心术的魔术师~

很多人一开始就跑偏了，总想着给 AI 一个模糊的想法，然后期待它能“哐”一下变出完美的成品。这其实是对 AI 能力的误解。Cursor 这类工具，本质上是一个高效、可控的协作伙伴，它能帮你加速，前提是你得明确自己要什么，并且知道怎么引导它。

Ryo Lu 的 12 条建议和藏师傅的 15 条建议，我把它们融合提炼了一下，希望能给你带来启发。

结构与规则先行

就像带新人入组，第一步是明确规范。规矩要立在前面。Ryo Lu 建议，项目一开始就设定 5-10 条清晰的项目规则，让 AI 理解你的代码结构和限制。比如代码风格、关键库的使用约定等。对于现有的代码库，可以试试 Cursor 的 /generate rules 命令，让它自己先学习一下项目的既有规范。藏师傅也表示，IDE 的规则（比如前端最佳实践）要先配置好，让 AI 从一开始就自动遵守编码规范，减少后续的麻烦。

规则之外，上下文是关键。AI 看不到你脑子里的整体蓝图和细节考量，所以你需要把相关的设计文档、任务清单、API 接口约定、数据结构定义等，都放在它能“看到”的地方。Ryo Lu 推荐把这些关键信息整理好，放在项目根目录下的 .cursor/ 文件夹里。这样，AI Agent 在执行任务时，就能更完整地理解背景、目标和约束条件。

像写需求文档一样写prompt

接下来是沟通环节，这也是最多人容易出错的地方。别再用“帮我写个用户登录功能”这种模糊指令了！提示词必须具体、明确。他们都反复强调这一点。你需要像写一个小型 PRD 那样，清晰地说明：使用的技术栈是什么？预期的功能行为是怎样的？有哪些明确的限制条件？甚至可以提供一些反例，告诉 AI 什么是不应该做的。

你提供的细节越多，AI 理解得就越到位，给出的结果自然越靠谱。要珍惜你的每一次提示，尤其是第一轮，它很大程度上决定了后续交互的效率和准确性。一个好的提示，应该包含目标、上下文、约束和输出格式要求。

增量开发与持续验证

即使有了清晰的指令，也别指望 AI 能一口气生成完美的复杂功能。小步快跑，迭代验证才是控制风险、保证质量的王道。

Ryo Lu 建议按文件或者功能模块逐步推进，每次只让 AI 生成一小块代码，然后立刻进行测试和人工审查。

藏师傅强调要聚焦单一核心功能点，先搞定一个能跑通的小模块，再逐步扩展，不要一开始就妄想一口气复刻一个完整的复杂应用。

在这个过程中，测试驱动是极其有效的保障手段。

Ryo Lu 提出可以先写好相关的单元测试或集成测试用例，把它们“锁定”（比如通过注释或特定指令告诉 AI 这些是必须通过的），然后让 AI 反复生成和修改代码，直到所有预设的测试用例都能顺利通过。

藏师傅提到，建议从功能完整性、边界数据处理、响应式布局到最终的用户可用性，按部就班地进行检查。这种方式能有效确保 AI 生成代码的质量和鲁棒性。

反馈、修正与学习

AI 不是万能的，它会犯错，会产生“幻觉”。因此，审查和修正是开发者必须要做的。

Ryo Lu 强调，开发者必须仔细审查 AI 生成的每一段代码，不能盲目信任。一旦发现任何问题——无论是编译错误、逻辑缺陷还是潜在风险——最有效的方式是直接上手修改，而不是试图通过自然语言让 AI 自己纠正。

藏师傅提到，发现 AI 输出跑偏，要立即停止并回滚到之前的状态。

这里有个之前容易被忽视的点是，Ryo Lu 提到，当你直接修改错误代码后，Cursor 会从你的编辑动作中学习，这种“身教”远比你费尽口舌解释哪里错了要高效得多。Show, don't just tell，这个原则对训练 AI 同样适用。还有，别忘了利用聊天记录，好的提示可以反复迭代使用，不需要每次都从零开始。

精准控制与工具加持

为了让 AI 更聚焦、更高效地工作，我们需要学会利用工具提供的特性来精准控制它的行为和上下文范围。Ryo Lu 推荐熟练使用 @file、@folders、@git 等 Cursor 提供的 @ 命令，精确地告诉 AI 它当前任务应该关注代码库中的哪些具体文件或目录，避免它在不相关的代码里“大海捞针”。

藏师傅建议用 # 文件锚点 来进行精准定位修改，比如直接说：“#src/components/card.tsx 第42 行按钮颜色改为 #3366FF”，指令越精确，AI 修改得就越准确。

遇到 Bug 怎么办？把完整的报错信息，连同相关的代码片段和复现步骤一起贴给 AI。藏师傅特别提醒，不要只截半张图或者只给部分错误日志，信息越完整，AI 才越有可能帮助你诊断问题根源。

在处理不熟悉的技术栈或库时，Ryo Lu 提供了一个非常实用的技巧：直接把官方文档的链接或者关键部分粘贴给 AI，让它边学边做。你甚至可以要求它把遇到的所有报错信息以及它尝试的修复方法都逐行解释清楚。这不仅能解决问题，本身也是一个极佳的学习过程！

选择合适的模型也很重要。不同的模型有不同的特长和成本。

Ryo Lu 提到，要根据任务需求有意识地选择模型，比如需要高精度、复杂逻辑推理时可能选择更强大的模型（如 GPT-4、Claude 3 Opus、Gemini Advanced），而对于一些常规任务或需要快速响应的场景，则可以选择速度更快、成本更低的模型（如 GPT-3.5、Claude 3 Sonnet/Haiku、Gemini Pro，或者 OpenAI 最新的 o4-mini）。藏师傅认为，面对复杂的项目，选用能力更强的顶级模型才能更好地驾驭。

大型项目还会遇到性能问题。Ryo Lu 建议，可以让 Cursor 在晚上自动为大型代码库建立索引，这样白天使用时就能更快地检索相关代码；同时，在日常开发中也要有意识地限制上下文范围，保持工具的运行流畅。

编码习惯与风险意识

将 AI 融入工作流，也需要我们保持良好的编码习惯和风险意识。藏师傅给出了一些具体的建议。比如，将业务数据或配置信息抽离成 JSON 文件或环境变量，实现内容与代码的分离，这样后续修改数据时就不需要频繁改动和重新编译代码。

尤其重要的是，绝对不要将 API Key、数据库密码等敏感信息硬编码在源代码中！这些信息应该通过环境变量、配置文件或者专门的密钥管理服务来加载。这是安全编码的基本原则，在使用 AI 辅助编程时更要牢记。

接受不完美与及时止损

我们要对 AI 的能力有一个合理的预期。它是一个强大的助手，但不是完美的程序员。有时候，AI 可能无法理解你的复杂意图，或者在某个问题上反复出错，甚至越改越乱。

遇到这种情况，藏师傅的建议非常实在：评估一下继续让 AI 修改的成本，如果感觉不划算，就果断放弃，选择自己重写或者重开一个分支。接受 AI 的不完美，知道何时应该人工介入甚至推倒重来，这也是一种重要的能力。有时候，放弃沉没成本，及时止损反而效率更高。

最后

可以记住 Ryo Lu 的帖子的忠告，它非常精辟地概括了这一切：

善用 Cursor = 快速、整洁的代码。用错 Cursor = 一团乱麻的 AI 代码，你要花一周来收拾烂摊子。

❝

Using Cursor well = fast, clean code. Using it wrong = AI spaghetti you’ll be cleaning up all week.