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。

感谢大佬

251011
1. Quick Question 模式支持快速询问选中代码功能，使用 Option+Return 可以向 AI 发问而不修改代码。
2. MCP 调用是标准的工具调用，错误也会作为返回信息附在消息中供用户查看。
3. 如果自动导入失败，应检查相应的语言服务器或扩展是否正确安装，并通过 Quick Fix 测试导入能力。
4. 幂等键+断点续跑从编码层保障一致性；
5. @folder 覆盖范围大，容易带入无关内容，导致上下文噪音增加与信号稀释，应尽量精准提供上下文。

251010
1 、Cursor 的设置界面提供了 “Whitespace-only Suggestions” 的开关，关闭后就不会在空白行触发 Tab 建议。
2 、文档指出历史会话保存在本地 SQLite 数据库中，删除这些文件会丢失历史，因此需要小心。
3 、规则作为系统提示在模型上下文开头生效，而命令仅提供模板内容，因此二者可以结合使用，提高一致性。
4 、批量+阈值+去重是降低抖动的常见组合，并需用用例覆盖异常分派； A/D 随意性强； C 缺乏聚合效应。
5 、消息重复是常态，消费侧幂等+去重是基本功。

251009
1 、 @files 能让 AI 直接学习参考实现的结构与风格，输出更贴近项目。
2 、所有自定义命令的 Markdown 文件需要放在项目的 .cursor/commands 或用户目录的 ~/.cursor/commands 下，才能在 / 时出现。
3 、Send to Chat 功能使用 Cmd+L ，将代码片段直接发送到聊天界面，便于 AI 在多个文件中操作。
4 、手动规则需要用户在对话中通过 @符号引用，AI 才会加载该规则内容到模型上下文。
5 、适配层统一语义、低风险落地，并以断言保障正确性。A 延续混乱； C 丢失结构化能力； D 成本与风险高。

250930
1. 多根工作区默认会为每个仓库索引并提供上下文能力，以便 AI 覆盖更广的范围。
2. Agent Requested 需描述信息帮助 AI 评估是否纳入上下文。
3. 忽略规则避免泄露与噪音，聚焦于与任务相关的内容。
4. 清晰的计划让范围与目标明确，随后分步实施并按需 Accept/Reject ，能更稳健推进。
5. Agent Requested 规则不主动包含在上下文中，AI 会根据描述决定是否读取，非常适合安全审计等情况。

250929
1. 所有自定义命令的 Markdown 文件需要放在项目的 .cursor/commands 或用户目录的 ~/.cursor/commands 下，才能在 / 时出现。
2. 安全文档提到 Workspace Trust 可在设置中通过 security.workspace.trust.enabled 开关控制，默认关闭。
3. 兼容读取与统计能平滑过渡且可观测； A/D 破坏稳定； C 不可控。
4. 依赖倒置能隔离第三方并提升可测试与可替换性； A/C/D 会扩散耦合或错误处理。

250928
1. @code 要求你具备对代码结构的了解，以便精确定位符号，从而高质量地注入上下文。
2. 阶段化目标与小步验证能减少偏航并便于回滚。
3. 安全文档明确指出，终端命令默认需要手动批准，只有在启用自动批准或 'Run Everything' 时才会跳过，这样可以减少安全风险。
4. 安全指南指出，网络请求仅限于 GitHub 、直接链接检索和预设的搜索提供者，无法任意访问自建 API 。
5. 令牌/时间戳可在不牺牲读扩展性前提下保障读你所写； A/C/D 代价或不可控。
6. Tab 建议的基本交互是按 Tab 接受，Esc 拒绝，Ctrl/⌘ → 可按词接受。
7. 非思考型模型通常等待明确的逐步指令，适合可控的小步修改。
8. AGENTS.md 适合轻量直观的全局指令，便于快速上手与共享。
9. 同分区 rename 是原子替换的通用做法，配合 fsync 更稳健； A/C/D 可能读到半成品或竞争失败。
10. 清晰的计划让范围与目标明确，随后分步实施并按需 Accept/Reject ，能更稳健推进。

250927
1. Diffs & Review 文档说明有浮动 Review 栏，可以在文件之间切换，并对每个文件决定是否应用或拒绝更改。
2. 迁移文档展示了通过 VS Code 设置项调整活动栏方向的方式。
3. 跨文件跳转依赖文件存在和索引，如未显示 portal 可检查文件状态并接受跳转。
4. Tab 的设置中有 “Auto Import for Python (beta)” 的开关，可以根据需要启用或禁用
5. 正确项详细说明了功能需求、技术约束、预算限制和期望的技术指导内容。这种完整的需求描述让 Cursor 能够提供针对性的 WebRTC 实施方案。

250926
1. 文档强调应通过 Review 过程查看 AI 提出的修改，细致审查后再决定是否应用，避免引入错误。
2. 跨文件跳转时，Tab 会在编辑器中打开 portal ，预览目标文件和位置。
3. 跨文件跳转依赖文件存在和索引，如未显示 portal 可检查文件状态并接受跳转。
4. 把任务分解为清晰的子步骤并逐轮校验，有助于 AI 准确理解并持续收敛到正确实现。
5. 正确项详细说明了业务领域、具体需求、技术栈和期望的设计内容。这种完整的背景信息让 Cursor 能够提供符合业务场景和技术环境的 API 设计方案。

250925
1. 语言指南提供了多语言的分别建议，包括 Go 工具安装提示与 Python 格式化/类型检查工具等。
2. .cursorindexingignore 只影响索引而不完全屏蔽 AI 访问，与 .cursorignore 的覆盖范围不同。
3. 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 。
4. 历史面板可通过快捷键 Option+Cmd+' 打开，里面保留了本地数据库中的聊天记录，可以重命名或删除。
5. Project 规则文件采用 .mdc 格式，文件顶部包含元数据（如描述、globs 、alwaysApply 等），其下为规则的正文内容。

250924
1. Auto Attached 规则会根据 globs 匹配特定文件，并在相应文件被引用时自动纳入模型上下文，用于统一风格规范。
2. Inline Edit 更适合单文件或局部修改，跨文件或复杂重构应使用 Chat 模式，通过 Cmd+L 将代码发送到 Agent 。
3. 正确项提供了项目技术栈、团队规模、具体要求和成本约束，让 Cursor 能够设计符合实际情况的 CI/CD 方案。这种完整的需求描述确保方案的可行性和实用性。
4. 应“外科手术式”地提供精确上下文：按场景选择合适的 @ 引用，以提升信噪比与效果。
5. 清晰的计划让范围与目标明确，随后分步实施并按需 Accept/Reject ，能更稳健推进。