Cursor 使用教程

AI 代码编辑器的核心功能和高效使用技巧。Karpathy 在 2025 年称 Cursor Tab 补全为他的 "bread & butter"，75% 的代码靠它完成。

什么是 Cursor

Cursor 是一个基于 VS Code 的 AI 代码编辑器。它不是 VS Code 插件，而是一个独立的编辑器，完全兼容 VS Code 插件生态。

核心优势：

深度代码理解：索引整个代码库，不只是当前文件
原生集成：AI 不是插件，而是编辑器的核心能力
多文件编辑：Agent Mode 可以同时修改多个文件
上下文感知：自动理解项目结构、依赖关系

界面概览

📷 [截图标注] Cursor 主界面应该包含以下区域：

左侧：文件树（Explorer）

中央：代码编辑器

右侧：Chat 面板（Cmd+L 打开）

底部：终端

┌─────────────────────────────────────────────────────────┐
│  Cursor 主界面布局                                      │
├──────────┬─────────────────────────┬────────────────────┤
│  文件树   │    代码编辑器区域        │   Chat 面板        │
│          │                         │   (Cmd+L)          │
│  src/    │   import torch          │   Q: 解释这段代码   │
│  model.py│   class GPT(nn.Module): │   A: 这是一个...   │
│  train.py│       ...               │                    │
│  sample.py│                        │   [Tab 补全提示]   │
│          │                         │   按 Tab 接受      │
│          │                         │                    │
│          │   ┌─────────────────┐   │                    │
│          │   │ Cmd+K 行内编辑   │   │   [Agent Mode 开关]│
│          │   │ 在光标处直接生成  │   │                    │
│          │   └─────────────────┘   │                    │
├──────────┴─────────────────────────┴────────────────────┤
│  终端 (Cmd+`)                                            │
│  $ python train.py                                      │
└─────────────────────────────────────────────────────────┘

关键区域标注：

① Tab 补全提示：编辑时灰色文字显示 AI 建议
② Cmd+K 行内编辑：选中代码后按 Cmd+K，直接在编辑器内生成
③ Chat 面板：右侧对话窗口，支持代码库上下文
④ Agent Mode 切换：右上角开关，切换到多文件编辑模式

核心功能详解

1. Tab 补全（Bread & Butter）

这是 Cursor 最常用的功能，也是 Karpathy 最推崇的功能。

工作原理：

使用技巧：

写注释描述意图 → Tab 自动补全代码
定义函数名 → Tab 自动补全函数体
写 import 语句 → Tab 自动补全后续导入
写类方法 → Tab 自动补全方法签名

示例：

# 你写的注释：# calculate attention scores
# Cursor 的 Tab 补全（灰色显示）：
def calculate_attention_scores(query, key, head_size):
    """Calculate scaled dot-product attention scores."""
    scores = torch.matmul(query, key.transpose(-2, -1))
    scores = scores / math.sqrt(head_size)
    return scores

面试考点：Karpathy 在 2025 年 8 月表示，他 ~75% 的代码来自 Cursor Tab 补全。这不是"偷懒"，而是把心智从语法细节解放到架构设计。

2. Cmd+K 行内编辑

当 Tab 补全不够精确时，用 Cmd+K 直接描述你的意图。

操作流：

常用场景：

"给这个函数加类型注解"
"把这段代码改成 PyTorch 2.0 风格"
"添加错误处理"
"重构为函数式"
"写单元测试"

3. Chat 侧边栏（Cmd+L）

Chat 是 Cursor 的对话窗口，支持代码库级别的上下文理解。

核心能力：

实战示例：

你：@Codebase 这个项目的训练流程是怎么组织的？

AI：（分析整个项目后回答）
训练流程在 train.py 中组织：
1. 数据加载：get_batch() 从 shakespeare_char 目录读取
2. 前向传播：model(x, y) 返回 logits 和 loss
3. 反向传播：scaler.scale(loss).backward()
4. 梯度裁剪：clip_grad_norm_
5. 参数更新：scaler.step(optimizer)
...

4. Agent Mode（多文件编辑）

Agent Mode 是 Cursor 的高级功能，可以同时修改多个文件。

对比 Tab/Cmd+K/Agent 三种模式：

维度	Tab 补全	Cmd+K 行内编辑	Agent Mode
编辑范围	当前光标位置	选中区域	整个项目
文件数量	1 个	1 个	多个
交互方式	按键接受	意图描述	对话驱动
适用场景	写代码时自动补全	修改特定代码片段	大型重构、跨文件修改
控制力度	最高	中等	最低（但效率最高）

Agent Mode 使用流：

⚠️ 注意事项：

Agent Mode 可能误改不相关的文件 → 务必预览所有修改
大项目可能消耗大量 token → 先用 @ 引用缩小范围
适合明确任务，不适合探索性开发

5. @ 符号引用系统

@ 是 Cursor 的上下文指定机制，是精确控制 AI 行为的关键。

常用 @ 类型：

@ 符号	作用	示例
`@Codebase`	全文搜索整个项目	`@Codebase KV Cache 在哪里实现的？`
`@文件夹`	引用特定目录	`@src/models 这些模型有什么共同点？`
`@文件.py`	引用特定文件	`@model.py 解释 CausalSelfAttention`
`@Docs`	引用官方文档	`@PyTorch docs 怎么实现自定义 autograd Function？`
`@Terminal`	引用终端输出	`@Terminal 这个错误怎么修？`
`@Web`	搜索网络	`@Web vLLM 最新版本是什么？`

FDE 实战场景

场景 1：用 Cursor 阅读 nanoGPT 源码

目标：快速理解 nanoGPT 的模型架构。

推荐提问模板：

@model.py 请从 FDE 的视角解释：
CausalSelfAttention 的 QKV 是怎么计算的？
每一步的张量维度变化是什么？
这和工业级推理引擎（如 vLLM）的实现有什么不同？

场景 2：用 Cursor 部署 vLLM 服务

目标：快速搭建 vLLM 推理服务。

操作流：

# 1. 创建文件 deploy.py
# 2. 按 Cmd+K，输入：

"""写一个 vLLM 部署脚本：
- 加载 Qwen2.5-7B 模型
- 启用 FP16
- 设置 max_model_len=4096
- 提供 OpenAI 兼容 API
"""

# 3. AI 生成：
from vllm import LLM, SamplingParams
from vllm.entrypoints.openai.api_server import run_server

llm = LLM(
    model="Qwen/Qwen2.5-7B-Instruct",
    dtype="float16",
    max_model_len=4096,
    tensor_parallel_size=1,  # 单卡
)

# 启动 OpenAI 兼容 API 服务
# ...

# 4. 审查、微调、运行

场景 3：用 Cursor 写技术文档

目标：用 Cursor 辅助写 Mermaid 图表和技术文档。

# 1. 打开 .md 文件
# 2. 按 Cmd+K，输入：

"""画一个 Transformer 推理两阶段的 Mermaid 流程图：
- Prefill 阶段：一次性处理所有 prompt token
- Decode 阶段：自回归生成，每次一个 token
- 标注两个阶段的计算特点和显存占用
"""

# 3. AI 生成 Mermaid 代码：
# ```mermaid
# flowchart LR
#     A["Prompt: Hello"] -->|Prefill| B["一次性处理所有 token"]
#     B -->|Decode| C["自回归: 输出 ' world'"]
#     C -->|Decode| D["自回归: 输出 '!'"]
#     B -.-> E["计算密集, 显存: 权重+激活"]
#     C -.-> F["显存密集, 显存: 权重+KV Cache"]
# ```

高效使用技巧

.cursorrules 配置

在项目根目录创建 .cursorrules 文件，定义 AI 的行为规范：

# FDE 项目规则

## 代码风格
- Python 用类型注解
- 函数必须有 docstring
- 优先使用 PyTorch 2.0+ API

## 架构偏好
- 推理优化相关的代码必须包含 profiling
- 所有 GPU 相关操作必须检查 CUDA 可用性
- 模型加载必须支持 tensor_parallel

## 回答风格
- 解释技术概念时，先从面试视角给出要点
- 涉及性能时，给出具体的数据和 benchmark
- 不确定时，明确标注 "不确定"

面试考点：.cursorrules 本质上是 Context Engineering 的实践 —— 通过规则文件给 AI 提供精确的上下文约束。

常用快捷键速查

快捷键	功能	场景
`Tab`	接受 AI 补全	写代码时
`Esc`	拒绝 AI 补全	补全不满意时
`Cmd+K`	行内编辑	修改特定代码
`Cmd+L`	打开 Chat	提问/对话
`Cmd+I`	快速 AI 操作	右键菜单替代
`Cmd+Shift+K`	生成终端命令	运维操作
`@Codebase`	全文搜索	跨文件查询

面试视角

面试问题	Cursor 相关回答
"你平时怎么提升开发效率？"	用 Cursor Tab 补全减少样板代码，用 Agent Mode 做大型重构，.cursorrules 约束 AI 行为
"AI 会替代程序员吗？"	AI 替代的是语法层面的工作，架构设计、系统思考、质量判断这些能力反而更重要（参考 Karpathy 的 Agentic Engineering 观点）
"你怎么保证 AI 生成的代码质量？"	1. 代码审查（逐行检查 AI 输出）2. 单元测试覆盖 3. Harness Engineering 约束（见 Harness Engineering 章节）
"你用过哪些 AI 编程工具？"	Cursor（主力）、Claude Code（终端脚本）、对比过 Copilot，详见工具对比

上一节：工具教程总览 | 下一节：Claude Code 使用指南

什么是 Cursor​

界面概览​

核心功能详解​

1. Tab 补全（Bread & Butter）​

2. Cmd+K 行内编辑​

3. Chat 侧边栏（Cmd+L）​

4. Agent Mode（多文件编辑）​

5. @ 符号引用系统​

FDE 实战场景​

场景 1：用 Cursor 阅读 nanoGPT 源码​

场景 2：用 Cursor 部署 vLLM 服务​

场景 3：用 Cursor 写技术文档​

高效使用技巧​

.cursorrules 配置​

常用快捷键速查​

面试视角​