cursor 的组件以及使用

写在前面：

如果你没有使用过cursor,建议先看这篇文章：先自己随便点点，使用一下，然后再看看这些概念的东西会有一个更高效的认知。不拘泥于概念，但是又不能不了解概念。当然这些介绍也只是皮毛，在运用中才有更深的体会

认识cursor 基本布局：

可以通过Ctrl+I 打开最右边的cursor AI 助手的智能面板，ctrl+N 创建一个新的对话窗口

Cursor三种不同的模式

Chat：

这个功能和你在kimi 或者豆包等AI中聊天类似，但是它内嵌在cursor 中，能直接读取文件信息，提供上下文的功能，消除使用语言模型处理代码时原本需要的繁琐复制粘贴工作。

Composer：

 是一个集成在编辑器中的 AI 编码助手。跟chat 模式一样，除了可以选用不同的模型之外。它还多了两个不同的模式normal/agent 模式。Agent 的AI 程度远远高于normal 模式，想要更加智能，或者处理更加复杂的任务可以首选agent模式。

Composer 的 Normal 模式和 Agent 模式的对比：

特性	Normal 模式	Agent 模式
核心功能	提供代码探索和生成	1. 自动获取相关上下文 2.运行终端命令 3.创建和修改文件 4.语义搜索代码 5.执行文件操作
自主性	需要用户明确指定任务和上下文，自主性较低	根据任务自动理解代码库，找到相关文件，生成、修改、调试等操作。自主性较高
任务处理能力	适合处理相对简单或明确的任务	能够处理复杂任务，如代码重构、错误修复、自动化任务执行、生成完整的项目等。
上下文管理	需要用户手动指定上下文，如使用 # 文件选择和@符号组合来精确控制上下文	自动获取相关上下文，使用 @Recommended 命令可以自动调整 AI 的关注范围。
使用场景	适合代码的简单修改、探索和生成等场景	适合需要 AI 独立完成复杂任务的场景，如重构模块、修复代码错误、自动化执行批量操作等

cursor@ 功能

@ 即和我们聊天一样，具体指向某个对象，这里就是告诉AI具体的上下文信息来源

注记名称	作用	使用方法	具体例子	适用场景
@Files	传递指定代码文件的上下文	输入@Files后选择文件，文件内容注入上下文	@Files后选择 main.py文件，将main.py 的全部代码内容传入上下文	代码文件相关问题
@Code	传递指定代码块的上下文	输入@Code后选择代码块，代码块由 LSP 识别	@Code后选择 def add(a, b): return a + b 这个函数代码块	代码块相关问题
@Docs	从函数或库的官方文档获取上下文	使用@Docs从可访问的在线文档获取上下文，需线上地址	@Docs后获取numpy 库中numpy.array 函数的官方文档	函数或库使用相关问题
@Web	从搜索引擎的搜索内容获取上下文	使用@Web后先向搜索引擎搜索，从搜索结果提取上下文	@Web后搜索 "Python 最新版本"，从搜索结果中提取相关信息	需要搜索信息的问题
@Folders	传递文件目录信息的上下文	使用@Folders 提供文件目录相关信息	@Folders后提供src 目录的路径信息	路径问题等与目录相关场景
@Chat	将当前聊天消息作为上下文	只能在文件内的代码生成窗口里使用	在文件内的代码生成窗口里输入@Chat后，将当前聊天消息传入上下文	文件内代码生成相关场景
@Definitions	提供变量、类型定义的上下文	类似于@Code ，但只能在文件内的代码生成窗口里使用	在文件内的代码生成窗口里输入@Definitions后，提供class Person:的定义	查看变量、类型定义相关场景
@Git	将 Git 仓库的 commit 历史作为上下文	只能在对话窗里使用，传递 commit 历史信息	在对话窗里输入@Git后，将当前 Git 仓库的 commit 历史传入上下文	代码协作查找历史提交记录等
@Codebase	在代码仓库里扫描文件传入上下文	需传递过滤条件设置过滤参数，从代码仓库中找到特定文件上下文	@Codebase 后设置过滤条件为 "文件名包含test"，找到所有包含test的文件	代码仓库文件查找相关场景

chat模式和composer 模式对比

Cursor 的 Chat 模式主要用于与代码进行交互式对话，理解代码并提供解释和建议，而 Composer 模式则用于编写和编辑代码，生成新代码并将更改直接应用到文件中。所以如果你想要cursor 能更加智能的处理较为复杂的功能级的场景优先选择composer 的agent 模式

特性	Chat 模式	Composer 模式
功能定位	用于搜索和理解代码。可以探索代码库、提出问题并获取解释。更像交互式对话工具，帮助开发者与代码交互，获取代码解释和建议。	用于编写和编辑代码。提供工作区，生成新代码并将更改直接应用到文件中。更像创作者，宏观把控代码编写和修改，适合代码生成、编辑和优化。
上下文理解范围	理解内容仅限当前文件，无法跨文件理解，不能完整把握文件间调用关系。	可同时理解多个文件，更好地把握文件间调用关系和上下文。
文件处理方式	可生成文件并一次处理多个文件，但每个文件更改需逐一应用。	更改可立即应用到文件中，无需逐一应用。还可直接创建、删除或修改文件。
使用场景	适合单文件理解、片段代码问题解释等场景，更注重代码理解和解释。	适合编写新功能、修改现有代码等场景，更注重代码生成和编辑。

Bug Finder：

Bug Finder 模式是一个代码扫描工具，顾名思义主要是检错功能。 但Bug Finder 功能还处于 Beta 实验阶段，推理收费。功能听上去还挺强大，可以浅浅期待一下：

• 代码变更分析：分析当前分支和远程代码库中主分支之间的代码变更，以便在开发初期发现潜在问题。
• 错误检测：自动检测代码中的潜在错误，并为每个发现的错误提供置信度评级和概述。
• 修复建议：提供修复建议，并允许一键修复编辑器中的错误

Cursor使用模型

以下是 Cursor 支持的大型语言模型的对比表格：

性能与智能程度：GPT-4 和 Claude-3.5-Sonnet 等大型模型在性能和智能程度上较高，能够更好地理解和生成复杂的代码，适用于对代码质量要求较高的场景。而 cursor-small 等轻量级模型虽然智能程度相对较低，但响应速度快，适合对速度要求较高的场景， cursor-small可以免费无限次数使用。

模型名称	开发者	特点	优势	适用场景
GPT-4	OpenAI	高级自然语言理解和生成能力，擅长根据自然语言描述生成代码	处理复杂逻辑和算法，构建大型项目架构代码表现优异	复杂业务逻辑的后端项目开发
Claude-3.5-Sonnet	Anysphere	代码补全、代码优化、跨文件协同编辑表现出色，有 OpenAI 资金支持	创造性思维，代码优化调整，模块间代码整合优化	大型开源项目或企业级项目不同模块间代码整合优化
cursor-small	Cursor	自定义模型，速度更快，用户无限制访问	响应速度快，适合对速度要求较高的场景	对速度要求较高的编程场景
GPT-4o	OpenAI	GPT-4 的变种	与 GPT-4 类似，但可能有特定的优化或限制	类似于 GPT-4 的使用场景，具体取决于优化方向
其他模型	Google、Azure等	通过配置 API Key 使用	根据具体平台模型的特性，可能在某些方面有独特优势	根据具体平台模型的适用场景