从一次深夜重构说起

上个月我接手了一个遗留项目，两千多行的一个 Python 文件塞满了业务逻辑。那天晚上十一点，我盯着屏幕上密密麻麻的 if-else，第一次感觉 AI 编程工具不只是玩具。当时用的是 Cursor 0.42 版本，订阅的是 Pro 方案（20 美元/月，约合人民币 145 元）。我没有手动去拆分函数，而是先选中那一段 300 行的代码，按下 Cmd+K 输入：“把这段拆成几个独立模块，每个模块保持单一职责，函数名用业务语义”。Cursor 在 40 秒内给出了重构方案，虽然不是完美，但确实帮我节省了至少一小时的手工整理时间。

那次经历让我开始系统性研究 Cursor 的用法。一个月下来，我的编码效率提升了大概 30%，不是虚的，是有 commit 记录可查的。这篇文章不聊那些老生常谈的快捷键列表，而是分享四个我实际每天都在用的核心技巧。

Composer 模式：从聊天气泡到多文件编辑

很多人用 Cursor 还停留在 Tab 自动补全和单文件对话，这其实浪费了它最核心的能力。Composer 模式（Ctrl+I 唤起）是为多文件任务设计的。举个例子，我需要给项目加一个 Redis 缓存层，涉及配置文件、缓存工具类、三个业务模块的调用逻辑。传统做法要打开五六个文件，逐个修改。用 Composer，我只需要描述：“项目使用 FastAPI，现在给用户查询接口加 Redis 缓存，TTL 设 300 秒，缓存 key 格式为 user:{id}，注意处理缓存穿透”。

Composer 会自动扫描相关文件，在侧边栏列出要修改的清单，每个文件都能看到 diff。我这里实际操作下来，第一次生成的成功率大约 70%，剩下 30% 的问题集中在缓存序列化配置上，但比手动改快太多了。有个细节容易忽略：Composer 顶部可以选择模型。我日常用 Claude 3.5 Sonnet，但遇到复杂逻辑推演时换成 GPT-4o Turbo 效果更好。实测对比：同一个需求，Claude 生成的代码更简洁，GPT-4o 的注释更详细，看你的偏好。另外 Composer 有个 “Plan” 模式，让 AI 先生成实施计划，你确认后再动手写代码，在处理跨多文件的重大重构时强烈建议先用这个模式，能减少一半的返工。

小技巧：在 Composer 里用 @ 符号引用文件或文档，比复制粘贴上下文更精准。比如输入 @requirements.txt 让它理解项目依赖，输入 @你的技术方案.md 让它照着文档写实现。这个操作每次能省两三分钟，积累下来就相当可观了。

Rules 文件：把团队规范变成 AI 的肌肉记忆

Cursor 的 Rules（项目根目录下的 .cursorrules 文件）是很多用户忽略但价值极高的功能。它能让 AI 在生成代码时就遵循你的项目规范，而不是生成后再去 review 调整。

以我自己的项目为例，我们团队有约定：Python 代码必须带类型注解；函数内禁止使用 print，统一用 logging；所有新增接口必须写对应的 pytest 测试；代码注释用中文；异常必须显式捕获，不允许裸 except。我把这些写进 .cursorrules 后，AI 生成的代码 90% 以上符合团队规范。以前协作用 GPT-4 写代码，经常要花时间修这些格式和规范问题，一个模块改来改去至少多花二十分钟。现在直接在生成阶段就解决了。

写 Rules 有个技巧：不要写抽象的 “代码质量要高” 这种废话，要写具体的、可检查的约束。比如：“所有数据库操作必须使用 SQLAlchemy 2.0 语法，禁止原生 SQL”、“Redis key 一律以项目名缩写 pj: 开头”。规则越具体，AI 遵守得越好。你可以从代码 review 中最常提的意见开始整理，那基本上就是团队最容易犯的错。

另外 Rules 文件支持分层配置。全局的写在用户设置里（涵盖所有项目），项目专属的写在 .cursorrules 里，还可以为不同文件夹创建不同规则。比如前端代码和后端代码规范不一样，可以在各自目录下放 .cursorrules 实现隔离。这功能我用了两周后才摸透，效果仅次于 Composer。

代码库索引：让 AI 真正“认识”你的整个项目

很多人抱怨 Cursor 对项目理解不深入，经常答非所问。问题大概率出在代码库索引（Codebase Index）没配置好。Cursor 0.44 版本开始，索引功能有了显著提升，但需要你告诉它什么该索引，什么该忽略。

默认情况下 Cursor 会扫描整个项目目录，包括 node_modules、构建产物、缓存文件这些噪音巨大的东西。结果就是索引体积大、回答速度慢，还可能被无关代码干扰判断。正确做法是在项目根目录的 .cursorignore 文件里排除掉这些目录。我处理过一个项目，索引从 850MB 降到 120MB，AI 回答代码库问题的准确率提升了不少，响应速度也快了大约一半。

设置好之后，你可以用 Ctrl+Enter（Ask Codebase）来提问，比如：“这个项目的用户登录流程涉及哪些文件？” Cursor 会展示相关文件列表并给出解释。我实测在一个 50 万行代码的项目里，Ask Codebase 能在 15 秒内准确定位到核心调用链，比自己用 grep 搜索再翻代码快太多了。这个功能特别适合新人上手陌生项目，或者老手回忆三个月前写的代码。

另外一个实用技巧是善用 “Find References” 和 AI 结合。在代码上右键选择 “Ask AI about this symbol”，Cursor 会搜索所有引用位置并综合分析关系，比 IDE 自带的引用查找聪明得多。它能告诉你 “这个函数在三个地方被调用，分别用于订单生成、库存扣减和日志审计” 而不是只列出文件行号。

Tab 补全的进阶玩法：不只是单行自动完成

大多数人对 Cursor 的印象还停留在 AI 聊天窗口，但实际日常开发中，Tab 补全（Edit Prediction）才是使用频率最高的功能。它和 GitHub Copilot 的补全不同。Cursor 的 Tab 补全能预测你的下一步操作，不只是一行代码，还包括接下来的多行操作、删除重构、修改参数等。

举一个实际例子，我在写一个 API 接口，先定义好了函数签名和 docstring，Cursor 的 Tab 补全直接替我生成了完整的函数体。更神奇的是，如果我要删除一个不再使用的参数，按下退格键，它还会预测到下一步——删除所有调用处传入的对应参数。这就省去了满项目搜索再手动改的麻烦。根据我连续 28 天的统计，写一个 200 行的业务模块，Tab 补全能省下大约 35% 的键盘输入量。遇到重复性强的代码（CRUD 接口、测试用例、配置项），这个比例可以升到 50%。

要使 Tab 补全发挥最大作用，有两个设置很关键。第一，在 Settings > Features > Edit Prediction 里开启 “Streaming” 模式，生成速度会明显加快。第二，养成写清晰命名和注释的习惯，AI 推断代码意图的准确率会从 60% 提升到 85% 左右。而且补全的内容质量跟项目内的代码风格一致性有关系，你的项目越规范，补全越准确。

还有一个小众但很实用的功能：Auto Debug。当代码报错时，Cursor 能自动定位到出错的代码行并给出修复建议。有一次我遇到一个并发的竞态问题，想了半小时没头绪的问题，Auto Debug 在 20 秒内指出是缺少 threading.Lock 导致的，还给出了修改方案。虽然不是每次都能这么精准，但作为第一道排查手段已经非常有价值了。

💬 你用过哪些AI工具？

好了，以上是我最近用 Cursor 的实际体验和心得。从 0.38 版本用到现在的 0.45，眼看着它从一个小众编辑器进化成 AI 编程的主力工具，确实感慨。

想问问你，除了 Cursor，你平时还在用哪些 AI 工具？是 GitHub Copilot、通义灵码、CodeGeeX，还是直接用 ChatGPT/Claude 来辅助编程？每个人的使用习惯和工作场景不一样，踩过的坑和收获的经验肯定也各不相同。

如果你感兴趣，可以去 AI House 排行榜（aibunkhouse.com/rankings/）看看最新的工具排名和用户评价，给 Cursor 或者你在用的其他模型投上一票。这个榜单会根据真实用户投票持续更新，能比较客观地反映哪些工具在当前阶段值得花时间学习和投入。

评论区聊聊你常用的 AI 工具组合吧，或者说说你在用 Cursor 时遇到的最大的坑是什么，咱们互相学习一下。