不止有 Agent：Cursor 进阶使用技巧全解析

你是否也和我一样，最初被 Cursor 的 Agent 模式惊艳到，感觉拥有了一个不知疲倦的编程助手？但用了一段时间后，可能会陷入一个瓶颈：除了打开 Cmd+I 让 Agent 写代码，似乎挖掘不出它更多的潜力了。

其实，Agent 只是 Cursor 强大能力的冰山一角。当你把它从一个"代码生成器"视为一个"AI 开发团队"时，才能真正释放它的生产力。今天，我们就来深入挖掘 Cursor 那些被低估的进阶技巧，让你从"会用"到"精通"。

一、模式选择：Ask、Agent 与 Plan 的正确打开方式

很多效率问题，根源在于用错了模式。Cursor 提供了三种核心交互模式，理解它们的定位是高效使用的第一步。

Ask 模式：你的技术顾问

当你面对一个陌生的代码库，或者需要探索技术方案时，Ask 模式是你的最佳选择。它的核心价值在于探索、学习和理解，而不是直接修改代码。

典型场景：
1. 接手新项目，询问："这个项目的技术栈和目录结构是怎样的？"
2. 遇到复杂逻辑，追问："@file src/utils/auth.ts 中的 validateUser 函数是如何工作的？"
3. 技术选型，咨询："为项目添加国际化支持，next-intl 和 react-i18next 哪个更合适？"

黄金法则：在不确定的情况下，永远先用 Ask 模式探索，明确方案后再切换到 Agent 执行。宁可多问几轮，也别让 Agent 盲目修改代码。

Agent 模式：你的执行工程师

当你有了明确的目标和方案后，就该 Agent 上场了。它能理解你的意图，自主搜索代码、修改文件、执行命令，直到完成任务。

高效提示词原则：
- 说"做什么"，而非"怎么做" ：
  - ✅ 好的例子："在登录页面把错误提示改成更友好的文案。"
  - ❌ 不好的例子："改一下登录页面。"
- 提供可验证的目标：例如，要求 Agent 遵循项目中已有的测试模式来编写新的测试用例，这给了它一个客观的成功标准。

Plan 模式：你的架构师

面对涉及多个文件、有数据库变更或核心逻辑修改的复杂需求时，直接丢给 Agent 风险极高。Plan 模式的价值在于"磨刀不误砍柴工"。

工作流程：
1. 你提出一个宏大需求，例如："为电商项目添加完整的购物车功能。"
2. Plan 模式会生成一个详细的实施计划，包括需要创建/修改的文件、数据库 Schema 变更、API 设计、潜在风险点等。
3. 你作为架构师，审查并修改这个计划。
4. 计划确认后，再让 Agent 按步骤执行。

何时必须用 Plan？

影响文件超过 10 个。
涉及数据库 Schema 变更。
修改核心业务逻辑，风险级别高。

二、上下文管理：让 AI 看到"对"的代码

AI 输出质量的高低，很大程度上取决于你喂给它什么上下文。塞太多无关信息会稀释它的注意力，导致输出"牛头不对马嘴"。Cursor 的 @ 引用体系就是为了解决这个问题。

@文件名：精确注入单个文件内容。当你需要修改或分析特定文件时，这是最直接的方式。
@文件夹名：注入整个目录的结构信息，适合让 AI 分析某个模块的整体情况。
@codebase：触发语义搜索，让 Agent 自己在整个项目中寻找相关代码。当你不确定代码在哪时，用它来探索。
@doc：引入已索引的第三方文档，例如 React 或 Next.js 的官方文档，让 AI 的回答更权威。
@git：引用 Git 历史或 diff，方便进行代码审查或追溯变更。

使用建议 ：遵循"先精确，后宽泛"的原则。知道文件名就直接 @文件名，不确定时再用 @codebase。

三、Rules：固化你的项目规范

你是否厌倦了每次开新会话都要跟 AI 重复解释项目规范？"我们用 Tailwind，别用 styled-components"、"API 统一放 src/api/ 目录"......

Rules 功能可以将你的编码规范、架构决策固化为 AI 的"持久记忆"。配置一次，永久生效。

Project Rules ：存储在 .cursor/rules/ 目录下，与项目代码一起提交到 Git，团队成员共享。
User Rules：个人全局设置，适用于所有项目，比如你的代码风格偏好。

最佳实践：

当发现 Agent 反复犯同一个错误时，就是创建一条新规则的最佳时机。
规则要具体可执行，像清晰的内部文档。
每条规则保持在 500 行以内，过于复杂就拆分。

四、Cloud Agents 与 Automations：打造 24/7 的自动化团队

这是 Cursor 最具颠覆性的能力之一，将 AI 从"实时交互"解放为"后台自动化"。

Cloud Agents：你的后台任务执行者

对于耗时较长、不需要实时干预的任务，可以交给 Cloud Agent。它会在独立的云端沙盒环境中执行，完成后通过 Pull Request 的形式交付成果。

适用场景：
- 为现有代码生成测试用例。
- 修复定义明确的 Bug。
- 编写未文档化模块的文档。

你可以从 Cursor 的网页界面、Slack、Linear 甚至 GitHub Issue 的评论中触发 Cloud Agent，然后安心地去处理其他工作，回来验收即可。

Automations：事件驱动的自动化流程

如果说 Cloud Agent 是你手动触发的，那么 Automations 就是为 AI 配置了"触发器"，满足条件就自动运行。

触发方式：
- 定时触发：例如，每天凌晨 2 点自动检查依赖更新。
- GitHub 事件：例如，当有新的 PR 打开时，自动运行代码风格检查。
- Slack 事件：例如，当某个频道出现包含特定关键词的消息时，自动创建任务。

五、Bugbot：你的 AI 代码审查官

还在等待同事进行 Code Review？Bugbot 可以作为全自动的后台守卫，在你推送 PR 后自动运行，在代码行内直接留下评论。

它能帮你发现：
- 逻辑错误与空指针风险。
- 潜在的安全隐患。
- 缺失的错误处理。
- Race condition 等并发问题。

你还可以在项目的 .cursor/BUGBOT.md 文件中配置项目特有的检查规则，例如"所有 API 入参必须经过 zod 校验"，让审查标准与团队规范保持一致。

结语

Cursor 已经远远超越了一个简单的 AI 代码编辑器。通过灵活运用 Ask、Agent、Plan 三种模式，精准管理上下文，用 Rules 固化规范，并借助 Cloud Agents、Automations 和 Bugbot 实现自动化，你实际上是在指挥一个分工明确、7x24 小时待命的 AI 开发团队。

希望这些技巧能帮助你打破使用瓶颈，将开发效率提升到新的层次。