@dynastysea 可以按我上面说的实操一下, 正在富途转 ibkr 中。

@LngfoWng 学到了, 还有免佣 ETF 。我买的少的佣金才 0.2+,没有触发 0.35, 不知道为啥。

@YOOHUU 还好吧,我难受的就是当时没用拉新链接,没有 ibkr 股票送

@dynastysea 那能说么,那个自己挖掘

@Davic1 哈哈,全面拥抱 ibkr

@mariozhu 试一下, 好使记得回来点赞🤭

@Whiplash55 他的 Web UI 是我见过最强大的 UI （可能是一直用富途 app ，Web 打开了新世界）

@wendellup2018 可以用境内纳税记录

251105
- Context Editing 会在长对话中自动清理过时信息并压缩要点，既保证保留关键上下文，又减少无效内容占用，使 AI 能持续高效对话。
- 通过 .cursorignore 排除不需要的文件（如庞大的依赖库），Cursor 无需浪费资源处理它们，从而显著提高运行效率和响应速度。
- 在项目根创建 .cursor/rules 文件，可以写入编码规范、项目结构等规则，AI 会据此生成符合要求的代码。
- Tab 强调速度与手控，适合小改动；较大的多文件改动更适合 Chat 与 Agent 。
- 通过微调背景与约束可快速校正生成方向。

251029
- 把 SOP 写成可触发的 `/` 指令，并内置安全限制与交付物模板，可复用且可审计。
- 清晰目标、上下文与验收标准，配合分步计划与确认点，是让 AI 稳定产出的关键。
- AI 模型的训练数据可能滞后，对于新技术容易使用过时方法。借助 Cursor 的 @web 检索最新官方文档，可确保 AI 获取最新规范，从而输出正确的代码。
- 在 Chat 模式下选中相关代码后再提问，可让 AI 自动获取该代码片段作为上下文，从而给出更有针对性的回答。不提供具体代码时，AI 的回答往往比较泛泛。
- 应在提问中明确性能优化方向：引用具体函数并列出可能的性能问题点（如 N+1 查询、缓存、索引等）。这样 AI 会针对每点给出优化建议，比笼统要求效果好。
- 如果不在指令中要求测试和文档，AI 往往不会自动添加。提前在提示里明确要求输出包含单元测试和注释，可确保 AI 产出完整的结果。

251028
- 将风格指南纳入 Cursor Rules 后，AI 在生成内容时会遵循这些既定规则，从而保持文风一致。没有提供指南时，AI 难以自发达到统一文风。
- 在请求代码审查时，应将安全、性能、可维护性、测试等关注点逐条列出。这样 AI 会按每个点审查反馈，避免遗漏。模糊提问则容易使 AI 不全面。
- 修复问题的提示词应尽可能提供问题发生的位置、已做的改动、预期与实际结果差异，以及完整的错误信息。这样 AI 才能准确分析并定位问题所在。
- Cursor 已经提供了“导出对话”的工具，不需要让 AI 通过总结对话来导出。AI 总结不仅麻烦，还可能丢失信息。因此正确做法是用内置工具直接导出，以确保信息完整。
- 通过给 AI 设定测试，AI 可以自行对照预期结果检查自己输出，发现并修复其中的问题。这种自我验证提高了结果的正确性，减少了人类多轮调试的工作，在有明确期望的场景下效率更高。

251024
- 两段式流程便于审核与校正方向，可显著降低返工与误差。
- 白名单与受限执行能降低误操作风险，在关键步骤加入人工确认更稳妥。
- 清晰目标、上下文与验收标准，配合分步计划与确认点，是让 AI 稳定产出的关键。
- 明确的负面指令可让 AI 知道哪些做法是禁止的，从而避免违规输出。这降低了 AI 犯此类错误的概率。
- 将复杂任务拆解后逐步完成有助于提高准确率并降低风险；一次性要求 AI 完成大任务往往出现偏差或错误难排查。

251023
- 清晰目标、上下文与验收标准，配合分步计划与确认点，是让 AI 稳定产出的关键。
- 白名单与受限执行能降低误操作风险，在关键步骤加入人工确认更稳妥。
- 最佳做法是引用具体文件并列举安全检查点，例如用 `@src/routes/payment.ts` 提及文件，并罗列输入验证、注入风险等需要关注的问题。这样 AI 会逐项审查。
- 明确的负面指令可让 AI 知道哪些做法是禁止的，从而避免违规输出。这降低了 AI 犯此类错误的概率。

251022
- 把 SOP 写成可触发的 `/` 指令，并内置安全限制与交付物模板，可复用且可审计。
- 清晰目标、上下文与验收标准，配合分步计划与确认点，是让 AI 稳定产出的关键。
- 白名单与受限执行能降低误操作风险，在关键步骤加入人工确认更稳妥。
- 最佳做法是引用具体文件并列举安全检查点，例如用 `@src/routes/payment.ts` 提及文件，并罗列输入验证、注入风险等需要关注的问题。这样 AI 会逐项审查。

251021
- 摘要与分块能保留关键信息并节省上下文窗口，提高响应稳定性。
- 在相同任务与评价标准下做 A/B 测试，能更客观地衡量提示的改进效果。
- AI 的改动可能移除或简化关键代码。最佳实践是在接受 AI 修改前仔细审核每一项更改，确保重要逻辑未受损，输出符合预期。
- 通过 .cursorignore 排除不需要的文件（如庞大的依赖库），Cursor 无需浪费资源处理它们，从而显著提高运行效率和响应速度。
- AI 修改后仍需严格验证。开发者应运行测试确保功能正常，进行安全扫描确认漏洞已修补，再做性能测试评估优化效果。

251020
- 通过澄清关键不确定点可减少返工，确保后续输出更贴合需求。
- 清晰目标、上下文与验收标准，配合分步计划与确认点，是让 AI 稳定产出的关键。
- 把 SOP 写成可触发的 `/` 指令，并内置安全限制与交付物模板，可复用且可审计。
- 测试先行与循环复测能将问题暴露在开发早期，使 AI 修改在可控范围内完成。

251016
- 在长时间对话后，模型可能累积了较多上下文，导致生成结果跑偏。开启新对话可以清除旧上下文，从而恢复回答质量。提高硬件或切换语言均无直接帮助，增加提示长度可能适得其反。
- 通过在提示中设定 AI 的角色（如医生、老师），可以让模型按照该角色的视角和风格回答问题。这为模型提供了明确的语境，从而使回答更贴切。
- 用户可以通过提示直接引导 AI 输出简洁的方案，例如在提示中要求“请给出一个简单易行的解决方案”。这样可以避免模型提供过于复杂的回答。
- 协议提供 tools/list 与 tools/call ，两步实现发现与执行；工具的输入 schema 采用 JSON Schema 。
- 明确受众与语气能使 AI 在内容深度与表达方式上更贴合读者需求。

251014
1. 当 AI 生成的代码片段不易理解时，一个明智的选择是让 AI 工具解释代码的功能和作用。现代 AI 工具通常能提供代码解释或逐行讲解的功能，有助于用户理解代码。
2. 尽管 AI 工具生成的代码通常可用，但仍有可能存在错误或与预期不符。在本地运行或测试这些代码可以验证其正确性和行为。
3. 用户可以通过提示直接引导 AI 输出简洁的方案，例如在提示中要求“请给出一个简单易行的解决方案”。这样可以避免模型提供过于复杂的回答。
4. AI 提示词优化是一个持续过程。模型迭代更新、任务需求变化都可能导致需要调整提示词才能保持良好效果。AI 不会“免疫”提示，提示使用次数无限，新用户加入不是主要原因。
5. 在提示中明确禁止项与范围能减少跑题和风险，提升输出的可控性与安全性。

251013
1. 在代理模式下，AI 会自主执行多步任务，但仍需要用户监督。监控 AI 代理的行为以确保其没有偏离正确方向非常重要。完全放任不管可能有风险，说效率降低没有根据，代理仍需要指令/提示。
2. AI 模型的知识和能力来自于训练数据。如果问题涉及的知识不在模型的训练数据中，模型可能无从作答或产生幻觉。电力支持或 RAM 不直接影响答案的正确性。
3. 即使 AI 建议看起来合理，也需要开发者基于自己的知识和测试加以验证。这样可以确保应用到实际场景时不会出现问题。
4. 官方列出 MCP Inspector 作为开发者工具，用于开发与调试 MCP 服务器/客户端。
5. 摘要与分块能保留关键信息并节省上下文窗口，提高响应稳定性。