洛克船长AI编程训练营

本Python教程将带你从零开始学习Python编程。

无论你是完全没有编程经验的新手，还是希望掌握Python的初学者，本课程都将通过清晰的教学让你快速上手。

本节将指导你从零开始设置Python编程环境并编写你的第一段Python代码。 你将学习如何从python.org下载并安装最新版本的Python，以及如何在Cursor中使用Python。 课程将通过创建第一个“Hello World”项目，教你编写简单的Python代码（例如使用print函数输出文本），并展示如何运行代码并查看输出。

本节介绍Python中的变量，讲解如何用变量临时存储数据（如价格、姓名、年龄等）。

通过示例展示声明变量、赋值（如数字、字符串、布尔值）及使用print函数输出变量值。

强调Python命名规范（多词变量用下划线分隔）和大小写敏感性，并提供一个医院系统练习：存储患者信息（姓名：你的ing字，年龄：20，是否新患者）。

Note

Python对大小写敏感，布尔值True/False需使用正确大小写。

练习中建议用下划线命名（如first_name）提高代码可读性。

本节讲讲怎么用Python的input函数从终端获取用户输入。

会展示如何写提示信息（比如“请输入你的名字？ ”），拿到用户输入的值并存到变量里。

通过一个例子，你会看到怎么用字符串拼接（string concatenation）输出个性化的问候消息。

简单几步就能让程序跟用户互动起来。

Note

写提示信息时，记得在字符串末尾加个空格（像“What is your name? ”），这样输入光标就不会紧贴着问号，体验更好。

注意input函数拿到的总是字符串，想处理数字还得学类型转换。

本节聊聊Python的三种基本数据类型：数字（整数和浮点数）、字符串和布尔值，重点讲怎么把变量从一种类型转成另一种。

会通过例子展示用input函数获取用户出生年份，计算年龄时怎么把字符串转成整数（int），以及处理浮点数（float）和字符串（str）的转换。

还会有个小练习：写一个简单计算器，输入两个数字（可以是整数或浮点数），输出它们的和。

Note

input函数返回的是字符串，处理数字运算时记得用int或float转换，不然会出错（比如字符串拼接成“1020”而不是30）。

练习中要注意，拼接字符串和数字时，数字得先用str转成字符串。

建议先自己试试练习，跑不通再看解决方案，效果更好。

本节讲Python里字符串的各种酷操作。会通过一个例子（字符串“Python for Beginners”）展示字符串对象的功能，比如转大写（upper）、转小写（lower）、查找字符或子串位置（find）、替换内容（replace），以及用in操作符检查字符串是否包含某内容。

还会解释字符串方法不修改原字符串（因为字符串不可变），以及Python对大小写的敏感性。

Note

字符串方法像upper和replace会返回新字符串，原字符串不会变，记得存到新变量里如果需要。

练习时可以用find和in多试试查找字符或子串，注意大小写区别，比如“Y”和“y”结果不同。

本节聊聊Python里的算术运算符，跟数学里差不多，比如加（+）、减（-）、乘（*）、除（/和//）、取余（%）和幂运算（**）。

会展示单斜杠除法得到浮点数，双斜杠得到整数，还会讲增强赋值运算符（像+=、-=），用来简化代码，比如把x = x + 3写成x += 3。

通过例子能快速搞懂这些运算符怎么用。

Note

注意单斜杠（/）和双斜杠（//）的区别，前者得浮点数，后者得整数。

增强赋值运算符能让代码更简洁，练习时可以多试试不同运算符，比如x *= 2或x %= 3，看看结果有啥不同。

本节讲Python里的运算符优先级，跟数学里一样，先算乘除后算加减。

通过一个例子（x = 10 + 3 * 2）说明为什么结果是16（先算3 * 2得6，再加10）。

还会展示怎么用括号改变优先级，比如(10 + 3) * 2得到26。简单例子让你明白运算顺序怎么影响结果。

Note

运算符优先级很重要，乘除（*、/）比加减（+、-）优先级高，想改变顺序就用括号。

练习时可以试试不同表达式，比如5 + 2 * 3或(5 + 2) * 3，看看结果有啥区别，帮你更清楚优先级的效果。

本节聊Python里的逻辑运算符，专门用来构建复杂的规则和条件。

会通过例子（比如价格变量）展示三个逻辑运算符：and（两边条件都真才真）、or（一边真就真）、not（把真变假、假变真）。

比如检查价格是否在10到30之间，或者反转某个条件的结果，简单例子让你快速搞懂怎么用。

Note

逻辑运算符很适合处理多条件判断，练习时可以试试不同组合，比如price > 10 and price < 20或not (price > 30)，看看结果咋变。

注意not会翻转布尔值，用的时候确保逻辑清楚。

本节聊聊Python里的if语句，用来在程序里做决策。

通过一个电量的例子，展示怎么根据条件打印不同消息，比如“赶快充电”或“电量充足”。还会讲elif和else的用法，处理多个条件，以及Python用缩进来表示代码块。

简单例子让你明白怎么用if语句控制程序流程。

本节通过一个温度转换器的小练习，帮你把之前学的知识用起来。

程序会让用户输入温度和单位（摄氏“C”或华氏“F”），然后把温度从摄氏转华氏（乘以9/5再加32）或从华氏转摄氏（减32再乘5/9），最后输出结果。

会用到input函数、字符串方法（upper处理大小写）、if语句和类型转换（float和str），让你把这些技能练熟。

Note

input函数拿到的输入是字符串，计算前记得用float转成数字。

输出结果时，数字得用str转成字符串来拼接，不然会报错。

练习时可以试试输入不同单位（C或F，大小写都行）和温度值，看看结果对不对。

本节聊聊Python里的while循环，用来重复执行一段代码。

比如想打印1到5的数字，直接写五行print太笨了，用while循环就简单多了。

通过例子展示怎么用while循环打印从1到任意数字（像1000），还能用循环画个“星星三角形”（通过字符串乘法重复字符）。

会讲到循环条件、递增变量的重要性，避免死循环。

本节聊Python里的列表（list），一种用来存一组数据的复杂数据类型，比如名字列表或数字列表。

会通过例子展示怎么创建列表（用方括号）、访问元素（用索引，从0开始），还能用负索引（像-1表示最后一个元素）访问末尾元素。

还会讲怎么修改列表元素、选择一段范围（像前三个元素），以及列表切片不改原列表的特性。

Note

列表索引从0开始，负索引（像-1）很方便，用来从列表末尾取元素。

切片（像names[0:3]）会返回新列表，原列表不变。练习时可以试试不同索引（正负都试试）或切片范围，比如names[1:4]或names[-3:-1]，看看结果有啥不同。

本节主要讲解了Python中列表（List）作为对象的各种操作方法。作者首先类比现实世界的物体，说明Python中的对象（如字符串、列表等）具有特定的功能（方法）。通过一个数字列表[1, 2, 3, 4, 5]的示例，演示了以下操作：

添加元素：

• append()方法在列表末尾添加新元素（如numbers.append(6)）。

• insert()方法在指定索引位置插入元素（如numbers.insert(0, -1)在开头插入-1）。

删除元素：

• remove()删除特定值（如numbers.remove(3)移除数字3）。

• clear()清空整个列表。

查询与统计：

• 使用in运算符检查元素是否存在（如1 in numbers返回True）。

• len()函数获取列表长度（如len(numbers)返回元素数量）。

本节讲解了在Python中如何通过循环遍历列表并逐个访问元素。

for循环：

• 通过for item in numbers:结构，直接逐项获取列表[1, 2, 3, 4, 5]中的元素，无需手动管理索引。

• 每次迭代时，变量item自动更新为当前元素值（如第一次为1，第二次为2），代码简洁高效。

while循环对比：

• 需额外声明索引变量（如i=0），通过while i < len(numbers):控制循环条件，并用numbers[i]访问元素，最后需手动递增i。

• 代码冗长且易出错，远不如for循环直观。

Note：

• for循环是遍历列表的首选方式，无需处理索引和长度，可读性更强；

• while循环虽能实现相同功能，但需更多代码维护状态，适用于更复杂的循环逻辑场景。

本节介绍了Python中的 range() 函数，用于生成数字序列。

基本用法：

• range(5) 生成 0 到 4（不包括 5）的序列，返回一个range对象。

• 直接打印 range(5) 只会显示 range(0, 5)，需用 for 循环遍历才能查看具体数字。

指定起始和结束值：

• range(5, 10) 生成 5 到 9（不包括 10）。

• 可添加第三个参数 step（步长），如 range(5, 10, 2) 生成 5, 7, 9（每次递增 2）。

与 for 循环结合：

• range() 常用于 for 循环，如 for num in range(5):，无需额外存储变量。

• 相比手动管理索引（如 while 循环），range() 更简洁高效。

本节介绍了Python中的元组（tuple），它是一种类似于列表（list）的序列类型，但具有不可变性（immutable）。

元组与列表的区别：

• 列表用方括号 [] 定义（如 [1, 2, 3]），元组用圆括号 () 定义（如 (1, 2, 3)）。

• 元组一旦创建无法修改（如尝试 numbers[0] = 10 会报错 TypeError）。

元组的方法：

• 仅支持 count()（统计元素出现次数）和 index()（返回元素首次出现的索引）。

• 无 append()、insert() 等修改方法，确保数据安全。

适用场景：

当需要存储不应被意外修改的数据时（如配置项、常量集合），元组比列表更合适。

Python虚拟环境就像为每个项目准备的专属工具箱，它能隔离不同项目所需的Python版本和第三方库，避免版本冲突问题。

通过简单的命令就能创建和激活虚拟环境，激活后终端会显示(venv)提示，这时安装的包都只存在于当前项目中，保持全局环境的整洁。

使用python-dotenv管理敏感信息更安全，还能通过requirements文件快速重建相同环境，是Python开发的必备技能。

在团队协作中，虚拟环境能确保所有成员使用完全一致的开发环境，避免"在我电脑上能运行"的问题。

无论是维护老项目还是开发新功能，创建虚拟环境都是第一步，它能让你专注于代码而不是环境配置。

背景知识

• 适用场景：适合熟悉AI编程基础（见第三章）的开发者，旨在将其融入日常工作。

• 挑战：AI初期提升效率显著，但长期使用可能因输出不稳定导致焦虑，需正确方法引导。

核心问题

• AI编程初期高效，但有时生成无用代码或破坏现有代码，导致效率下降，令人又爱又恨。

• 根源：AI是强大工具而非魔法棒，需正确使用方法。

解决方案

• 建立完整AI编程工作流程，从规划到部署，确保AI稳定输出靠谱代码，效率可控。

流程特点

1. 简单易用：操作简便，避免复杂配置，易养成习惯。

2. 真实项目：以生产级项目演示，确保方法实用。

3. 工具无关：适用于多种AI编程工具。

流程大纲

1. 编程黄金法则：贯穿AI编程的注意事项。

2. 任务分解：将复杂功能拆为小模块，介绍拆解方法和工具。

3. 全局规则：指导编写项目Rules，提供实用示例。

4. MCP工具：配置常用MCP工具，提升效率。

5. 开发注意事项：首个Prompt需详细准确，结合规划文档和网络信息。

6. 测试与版本控制：单元测试覆盖多种场景，Git管理版本。

7. Docker部署：将程序部署至Docker容器，适配云服务。

总结

• 系统化流程解决AI不稳定问题，帮助开发者稳定提升效率，适用于各种项目规模

以下是对“黄金法则”文档的总结，涵盖了在AI辅助开发中提升效率、确保输出可靠的九条核心原则。这些法则适用于任何AI工具和开发项目，旨在帮助开发者（无论初学者还是资深人士）更高效地与AI协作。

背景

“黄金法则”是基于实际AI辅助开发经验总结的最佳实践，旨在通过明确指导和结构化流程，提升开发效率，减少AI输出错误，使结果更可控。这些原则不仅适用于代码生成，还涉及项目管理和测试等环节。

黄金法则

1. 使用Markdown文档提供上下文

   • 创建核心文档（如ReadMe.md、Planning.md、Task.md），记录项目目标、架构、计划和任务。

   • 文档为AI提供背景信息，减少重复解释，提升效率，降低AI“胡思乱想”。

   • 定期更新文档，AI可协助维护，甚至扮演项目经理角色管理任务。

2. 保持代码文件在500行以内

   • 过长代码文件（>500行）增加AI处理难度和出错概率。

   • 建议拆分复杂功能为更小模块，提升代码清晰度和AI处理效率。

   • 可咨询AI获取拆解建议。

3. 经常开始新对话

   • 长时间对话会导致AI因上下文过载而“变傻”，输出质量下降。

   • 完成一个功能或任务后，开启新对话并重新提供上下文（通过文档）。

   • 保持AI“清醒”，确保精准响应。

4. 避免一次要求AI做太多

   • 提示应聚焦单一任务（如实现功能或修复Bug），避免多任务复杂请求。

   • 简单、专注的请求能提升AI处理效果。

5. 要求AI协助功能测试

   • 测试对个人项目尤为重要，AI生成的代码可能隐藏Bug。

   • 要求AI为新功能编写单元测试，遵循最佳实践（如组织测试目录、模拟外部依赖、覆盖成功/错误/边界场景）。

   • 测试确保功能可靠，降低复杂功能累积Bug的风险。

6. 提供明确指令

   • 避免模糊请求（如“实现登录功能”），需明确技术栈、库、代码结构等。

   • 示例：“用TypeScript和Express实现REST API登录端点，使用JWT认证，返回JSON响应。”

   • 具体上下文提升AI代码质量。

7. 边写代码边更新文档和注释

   • 及时更新文档和添加代码注释，增强可读性，方便未来回溯。

   • AI生成代码更需注释，因其逻辑可能不易理解。

   • 要求AI更新Task.md或添加注释，避免完工后再补文档。

8. 每个功能完成后提交到Git

   • 版本控制至关重要，AI代码覆盖可能导致难以回溯。

   • 提交时写清晰的提交信息，描述功能或修改内容，便于协作和回滚。

   • 简单提交和回滚功能即可满足初期需求。

9. 保护API Key

   • 避免将API Key明文写入代码或提交到GitHub，可能导致安全风险和额外费用。

   • 使用环境变量管理Key（如Next.js或Python的标准方式）。

总结

这九条“黄金法则”是AI辅助开发的实用指南，涵盖上下文管理、代码拆分、对话优化、测试、版本控制和安全等方面。无论使用何种AI工具（如Cursor、Windsuf），遵循这些原则能显著提升开发效率，减少错误，产出更稳定可靠的项目成果。

背景

开发项目的成功依赖于前期清晰的目标定义和任务分解。传统团队中，产品经理负责制定产品说明书（PRD）并分解任务，而独立开发者需自行承担这一角色。AI可通过生成和维护关键文档（如PLANNING.md和TASK.md）协助完成这些工作。文档的两个核心作用是：1）帮助开发者理清思路；2）为AI提供项目背景，确保输出一致且高质量。

核心内容

1. 项目启动：创建核心文档

• 起点：在空项目文件夹中创建PLANNING.md和TASK.md，作为AI编码的上下文基础。

• 作用：

  • 为AI提供项目目标、架构和任务清单，避免AI“幻觉”或偏离方向。

  • 确保AI与开发者在开发前“站在同一起跑线”，提升代码一致性和质量。

• 与黄金法则的关联：呼应“黄金法则”第一条，通过Markdown文档提供清晰上下文。

2. PLANNING.md：项目蓝图

• 内容：

  • 高层次愿景：项目目标（如构建什么、终极目标）。

  • 架构：系统设计（如前后端分离或单体架构）。

  • 约束：性能、预算或合规性限制。

  • 技术栈：语言、框架、库（如React、Node.js、Flask）。

  • 工具：Git、Docker、CI/CD平台等。

• 作用：作为项目的“总纲”，帮助AI快速理解项目全貌。

• 使用方式：在新对话中提示AI参考PLANNING.md，实现“热启动”，无需从零分析。

3. TASK.md：任务看板

• 内容：

  • 当前任务：正在进行的任务（以清晰的列表格式）。

  • 任务待办：计划但未开始的任务。

  • 子任务：大任务拆解为可执行步骤。

  • 里程碑：关键节点（如“完成用户认证”）。

  • 开发中发现：新需求或问题记录。

• 作用：让开发者成为AI的“项目经理”，通过任务跟踪掌控进度。

• 使用方式：通过提示管理任务（如标记完成、添加新任务），AI可自动更新TASK.md。

4. 创建与使用文档的五个实用技巧

1. 用聊天机器人生成初稿：

   • 使用清晰提示（如“为Supabase项目生成PLANNING.md和TASK.md”），通过Claude等工具快速生成草稿。

2. 结合多个LLM提升质量：

   • 使用不同模型（如Claude、ChatGPT）的优势，合并输出内容（如通过Global GPT平台）。

3. 迭代完善：

   • 手动调整AI生成的初稿，去除冗余或琐碎内容，确保简洁、符合需求。

4. 设置全局规则：

   • 规则示例：自动读取PLANNING.md或在任务完成后更新TASK.md，减少手动提示。

5. 持续更新：

   • 开发中不断更新文档，记录新决策或任务进展，保持“活文档”状态，确保AI上下文始终最新。

总结

PLANNING.md和TASK.md是AI辅助开发的基石，分别作为项目蓝图和任务看板，帮助开发者清晰定义目标并管理进度。通过为AI提供结构化上下文，这两个文档能显著减少输出错误，提升代码质量。结合聊天机器人生成初稿、多LLM优化、全局规则和持续更新等技巧，开发者可从“被动使用者”转变为“主动管理者”，最大化AI编码助手的潜力。这些实践不仅适用于独立开发，也为团队协作奠定基础，确保项目从启动到完成高效顺畅。

在与AI编程工具（如Cursor）交互时，开发者常需重复提供指令（如参考规划文件、编写测试代码），这增加了操作繁琐性。通过设置全局规则，可将重复的开发习惯、项目要求固化为系统提示（System Prompt），让AI自动遵循，减少手动输入，提高输出稳定性和一致性。全局规则类似于为AI编程工具定制行为准则，决定其工作调性和质量。

核心内容

1. 全局规则的本质与作用

• 本质：为AI编程工具设置系统提示（System Prompt），类似于隐藏的项目经理，定义AI处理任务时的最高指令。

• 作用：

  • 减少重复提示，简化交互流程。

  • 确保AI输出遵循项目规范（如代码风格、测试要求）。

  • 提升代码和文档的一致性与质量。

• 重要性：全局规则的质量直接影响AI工具的表现（如Cursor的优秀表现部分归功于其精心设计的System Prompt）。

2. 全局规则的推荐内容

全局规则应覆盖AI编程的关键行为，建议用英文编写（因主流大模型对英文处理更优），并根据项目需求调整。核心部分包括：

• 规划与任务文档（Planning & Task）：

  • 要求AI参考PLANNING.md和TASK.md获取项目上下文。

  • 自动更新TASK.md（如标记任务完成、添加新任务）。

• 黄金法则相关：

  • 限制代码文件长度500行以内，以降低AI处理难度。

  • 为每个新功能编写单元测试或集成测试。

  • 遵循命名规范、格式工具（如驼峰命名、避免深层嵌套）。

• 代码风格指南：

  • 指定代码风格（如优先使用特定设计模式、保持整洁规范）。

• 文档维护：

  • 确保PLANNING.md和TASK.md随项目进展更新。

  • AI可自动执行更新，但开发者需审视调整内容，确保任务分配合理。

• 其他杂项：

  • 处理错误日志、引用外部依赖、性能优化等规则。

  • 规则需通用且简洁，避免上下文窗口过载影响AI性能。

3. 注意事项

• 动态调整：任务列表初期可能不完善，开发中需不断优化（即使资深产品经理也需迭代）。开发者需扮演产品负责人角色，清晰掌握AI更新的内容和项目进度。

• 全局 vs 局部规则：

  • 全局规则应简洁通用，适用于每次对话。

  • 局部规则可写在单独文件中，按需读取。

• 借鉴与定制：可参考他人规则，但需结合自身开发习惯定制，不以规则复杂程度评判质量。

4. 设置全局规则

• 方法：将规则写入AI编程工具的配置文件（具体操作因工具而异，文档中提供了详细指南）。

• 效果：一次性设置后，AI自动遵循规则，简化提示输入，确保代码规范和文档质量。

总结

全局规则是AI辅助开发的高效工具，通过为AI编程工具设置系统提示，固化项目要求和开发习惯，减少重复操作，确保输出一致且高质量。推荐规则涵盖规划任务、代码规范、测试要求和文档维护等方面，需用英文编写并保持简洁。开发者需动态调整规则并审视AI更新内容，扮演产品负责人角色。通过全局规则，开发者可从繁琐的提示输入中解放，真正发挥AI编程工具的潜力，生成高质量代码和文档。

1. 为什么要在项目开始前配置MCP？

• MCP的本质：MCP为编程环境提供特定能力，类似为AI编程工具（如Cursor）添加插件功能。

• 示例：配置Replicate的MCP后，Cursor可直接生成图片并存入项目文件夹，而无需离开IDE。这种能力看似来自Cursor，实则是通过MCP调用外部服务。

• 好处：预先配置常用MCP相当于为环境装备工具（如搜索、文件交互、版本控制），减少开发中切换工具的成本，提升效率和代码准确性。

2. 推荐的三个必备MCP

以下是作者在每个项目中必配的三个MCP及其功能：

1. 文件系统交互MCP：

   • 功能：允许编程工具访问项目文件夹外的计算机文件，如将其他文件夹的图片导入项目，或引用其他项目的代码实现。

   • 价值：扩展文件操作范围，提升项目资源整合能力。

2. 搜索功能MCP（Brave API）：

   • 功能：为编程工具添加网页搜索能力，弥补Cursor无法直接联网查询最新信息的局限。

   • 优势：Brave API可处理大量搜索结果并按需输出（如搜索插件文档、框架说明），显著提高开发效率和信息准确性。

3. Git版本控制MCP：

   • 功能：为项目配置Git存储库，支持版本控制和代码回滚。

   • 重要性：在AI编程中，AI生成代码可能覆盖原有代码，版本控制尤为关键。使用Git可保存项目状态（如通过提示“用Git commit保存当前状态”），避免AI错误导致项目损坏。

   • 后续计划：作者将提供详细Git使用说明视频。

3. 如何配置MCP？

• 官方资源：参考Cursor官方文档或第三章MCP配置教程。

• 推荐资源：GitHub上的MCP服务列表（相比其他网站更纯粹、质量更高，偏向开发场景），提供详细的编程软件配置说明。

• 提示：配置MCP需谨慎选择服务，因部分网站服务质量参差不齐，需通过GitHub等社区资源筛选高质量MCP。

4. 未来展望与扩展

• 其他MCP潜力：作者计划分享更多实用MCP，如支持长期记忆（Long-term Memory）或在IDE中实现RAG（Retrieval-Augmented Generation）的工具。

• AI发展前景：当前MCP配置中的难题可能是暂时的，因AI技术快速迭代（如Windsurf尝试的长记忆功能）。开发者可通过管理记忆功能跟踪项目进展，未来功能将更强大。

5. 演示与实践

• GitHub MCP配置演示：文档提到通过示例展示如何在Cursor中配置GitHub MCP，具体实现参考后续视频或教程。

• 实用Prompt示例：“我喜欢当前应用状态，请用Git commit保存这个状态。”此提示可直接触发Git MCP保存项目版本。

总结

在项目开发前配置MCP是为编程环境（如Cursor）赋予关键能力的有效方式，如文件交互、搜索和版本控制。推荐的三个必备MCP（文件系统交互、Brave搜索、Git版本控制）能显著提升开发效率和项目稳定性。通过参考GitHub等高质量资源并结合官方教程，开发者可快速配置MCP。未来，随着AI技术的进步，MCP功能将更丰富，解决当前开发中的临时难题。配置MCP不仅优化工作流，还让开发者在AI编程时代更具主动性与掌控力。

充分的准备工作是项目成功的基础。通过详细规划和任务分配，可提升AI生成代码的质量，减少返工。本项目目标是开发一个基于Python的MCP服务器（SuperMCP），与Supabase数据库交互，实现增删改查功能。准备阶段包括文档编写、环境配置和外部文档集成，确保AI编程工具获取足够信息以生成高质量代码。 关键信息总结 ##准备工作：

• 编写planning.md（项目概述）和task（任务分配）文档。

• 配置全局规则，确保AI工具在新对话时自动同步planning和task文档。

AI编程工具使用：

• 内置文档：在Cursor中通过Docs功能添加并索引Supabase和MCP文档，分别命名为Supabase和MCP。

• 网络搜索：通过BRAVE Search插件，搜索MCP实现案例（如CSDN教程、GitHub），获取依赖安装、调试等信息。

• 提供信息越详细，AI生成代码越精准。

项目开发：

• 目标：开发SuperMCP服务器，支持Supabase数据库的增删改查。

• 实施：基于planning和task，AI完成环境搭建，生成业务代码、文件夹结构及帮助文档。参考GitHub README明确协议和功能。

• AI搜索本地文件、索引文档及外部资源（如Supabase文档）。

进展：

环境搭建完成，初步代码和文档已生成。

• 代码质量将在后续验证。

总结

通过文档准备、全局规则和外部文档集成，项目为AI工具提供了充足信息支持。AI通过内置文档和网络搜索获取知识，确保代码高效生成。下一阶段将评估代码质量并优化。

• 介绍MCP Server：通过自然语言操作数据库的工具。

• 目标：降低SQL操作门槛，适合初学者和快速开发。

2. 项目文件结构

• requirements.txt：安装依赖。

• planning.md：代码结构规划，包含中文注释和扩展计划。

• tasks.md：任务列表，覆盖实现步骤和测试计划。

• server.py：核心服务代码，集成Supabase。

• tests：单元测试框架（部分未完成）。

3. 核心功能实现

• 数据库操作：

  • 读、创建、更新、删除数据库。

  • 自然语言转SQL查询。

• Supabase集成：

  • 配置API URL和Key。

  • 环境变量管理（.env）。

• 当前进度：实现基本服务功能，测试和高级功能待完善。

4. 开发与测试流程

• 开发环境：使用Cursor IDE和虚拟环境。

• 测试计划：覆盖常规、边界、异常用例（部分未实现）。

• 问题排查：修复表名错误（如users），验证数据添加。

5. 配置与运行

• Supabase设置：

  • 创建数据库，获取API URL和Key。

  • 配置环境变量。

• 运行MCP Server：

  • 在Cursor中指定Python路径和server.py。

  • 测试添加数据（如用户Jack）。

6. 成果与展望

• 成果：通过自然语言成功操作数据库，简化SQL学习。

• 下一步：

  • 完善测试覆盖。

  • 提交代码至GitHub。

  • 扩展复杂查询功能。

SupaMCP成功运行，支持通过自然语言操作Supabase数据库（创建、查询、更新、删除）。

• 核心优势：

  • 无需SQL知识即可完成数据库操作。

  • AI对话直接从数据库获取数据，降低开发压力。

• 问题：程序未经全面测试，仅通过手工测试验证。

2. 版本管理的重要性

• 目标：将当前功能稳定的SupaMCP作为第一个版本保存至GitHub。

• 意义：

  • 防止后续修改导致项目崩溃。

  • 支持版本回滚，保障开发进度。

3. 提交GitHub的三个步骤

• 步骤1：创建GitHub仓库

  • 使用GitHub MCP工具创建SupaMCP仓库。

  • 验证：访问GitHub确认仓库创建成功。

• 步骤2：创建.gitignore文件

  • 配置忽略文件，排除敏感信息（如环境变量、.env文件、node_modules）。

  • 确保私有数据不上传。

• 步骤3：提交代码

  • 将项目文件（包括readme、server.py等）上传至SupaMCP仓库。

  • 解决权限问题，确保提交成功。

4. 提交结果

• 仓库内容：

  • readme.md：包含项目概述、文件结构、安装步骤、运行测试方法和参考文档。

  • 其他文件：requirements.txt、planning.md、server.py等。

• 验证：检查GitHub仓库，确认代码和文档完整上传。

5. 开发中的注意事项

• 与大模型交互：

  • 提供细致明确的要求，确保AI输出高质量。

  • 逐步提出单个任务，避免模糊指令。

• 参考资源：

  • 第五节视频：详细讲解GitHub MCP创建和使用方法。

6. 下一步计划

• 测试开发：

  • 当前测试文件（test.py）为空。

  • 下一节将编写单元测试，覆盖常规、边界和异常用例。

• 功能扩展：优化SupaMCP，支持更复杂数据库操作。

• 回顾上一节：成功将SupaMCP第一个版本提交至GitHub，利用GitHub MCP实现快速提交。

• 本节目标：对SupaMCP程序进行全面测试，确保功能可靠性。

• 测试重要性：测试是开发中常被忽略的环节，需覆盖成功、失败和边缘场景。

2. 提示工程（Prompt Engineering）

• 模块化Prompt原则：

  • 好的提示：一次只要求AI完成一件事（如“更新列表记录函数，添加过滤参数”）。

  • 坏的提示：一次要求多件事，易导致AI输出不可控。

• 应用示例：

  • 上一节GitHub提交分三步（创建仓库、配置.gitignore、上传代码），逐一明确指令。

  • 确保AI任务清晰，提升输出质量。

3. 测试环节的核心原则

• 测试必要性：

  • 个人开发常忽略系统测试，仅靠手动验证不足以确保稳定性。

  • 需编写测试用例，覆盖三种场景：成功、失败、边缘。

• 全局规则支持：

  • 全局规则已定义测试要求（成功、失败、边缘场景，测试文件置于test文件夹）。

  • AI基于规则自动生成测试用例，无需开发者深入了解测试工具（如Mock）。

4. 测试实施过程

• 测试环境：

  • 所有测试在test文件夹下进行，隔离原始文件，防止意外修改。

  • 测试文件针对server.py，覆盖核心功能（读、写、更新、删除）。

• 测试执行：

  • 指令：要求AI在test/SupaMCP下创建server.py的测试用例。

  • 初始测试：生成8个测试用例（4个功能×2个场景），全部通过。

  • 问题发现：缺少失败场景用例，未达预期12个测试（4功能×3场景）。

  • 优化：补充失败场景测试用例，重新运行，12个测试全部通过。

• 测试优势：

  • AI生成测试用例高效、可靠，降低测试开发门槛。

  • 开发者仅需提供场景描述，无需编写复杂测试代码。

5. 测试结果

• 成果：SupaMCP核心功能通过全面测试，验证了程序稳定性。

• 意义：测试过程简单高效，适合个人开发者，取代传统测试团队工作。

6. 下一步计划

• 部署服务：进入最后一个环节，准备将SupaMCP服务部署上线。

• 功能扩展：进一步优化测试覆盖，完善复杂功能。

• 回顾前几节：SupaMCP项目完成开发、测试，并提交至GitHub。

• 本节目标：部署SupaMCP项目，完成从开发到上线的完整流程。

• 部署意义：测试通过后，项目进入打包、发布或分享阶段。

2. 部署方式

• 首选工具：使用Docker进行项目打包和部署。

• Docker优势：

  • 大模型擅长生成Dockerfile，因Docker使用场景广泛，训练数据丰富。

  • 提供标准化容器化环境，简化部署流程。

• 部署依赖：利用requirements.txt管理Python依赖，确保容器内环境一致。

3. 部署实施过程

• 生成Dockerfile：

  • 指令：要求AI基于requirements.txt为SupaMCP生成Dockerfile。

  • AI操作：读取依赖文件，自动生成Dockerfile内容。

• 创建Dockerfile：

  • 在项目根目录创建Dockerfile，粘贴AI生成的内容。

  • Dockerfile包含构建容器所需的配置（如Python环境、依赖安装）。

• 后续步骤：

  • 在服务器上运行Docker命令构建和部署容器。

  • 服务器配置和具体部署命令未演示，需根据实际环境调整。

4. 项目完整流程总结

• 开发全流程：

  • 构思：设计SupaMCP，通过自然语言操作数据库。

  • 实现：开发server.py，集成Supabase，配置环境变量。

  • 测试：编写测试用例，覆盖成功、失败、边缘场景。

  • 提交：使用GitHub MCP分三步提交代码至仓库。

  • 部署：生成Dockerfile，准备容器化部署。

• AI驱动：全程利用AI编程工具（Cursor、MCP工具、大模型），提升效率。

5. 课程心得

• 投入：课程准备和录制耗费大量精力，旨在提供实用内容。

• 目标：帮助学习者掌握AI辅助编程，优化开发流程。

• 补充说明：部分细节将在其他章节深入讲解。

• 互动邀请：鼓励反馈问题，随时联系以解答疑惑。

6. 下一步展望

• 项目优化：完善SupaMCP功能，如支持复杂查询。

• 技能提升：学习者可继续探索AI编程工具和Docker部署。

• 社区分享：将项目分享给他人，促进协作和学习。

• CURSOR是生成式AI出现后第一个专为AI编程设计的工具

• 讲师认为CURSOR在项目理解、bug处理和新功能跟进方面是最先进的

• 即使没有编程经验的人也能通过AI优先的编辑器轻松开始编程

• AI编程类似于结对编程，需要找准自己与AI的分工和合作方式

• 用户扮演想法提供者(类比乔布斯)，而AI工具则负责实现(类比沃兹尼亚克)

课程计划内容

• 介绍CURSOR的所有使用方法和技巧

• 实战项目一：开发一个To-Do List应用

• 实战项目二：使用CURSOR的agent功能，无需编写代码即可创建番茄时钟应用

新功能介绍

CURSOR提供了MCP和agents等新功能 其他竞争工具可能会跟进这些功能，但基本功能大同小异 学会CURSOR后，使用其他AI编程工具也会变得简单

扩展知识

• AI编程的本质：AI编程是人与AI协作的过程，通过明确分工可以显著提高编程效率

• 结对编程(Pair Programming)：一种软件开发技术，两个程序员在一个工作站上共同工作。在AI编程中，AI充当了编程伙伴的角色

• 番茄工作法：一种时间管理方法，通过番茄时钟应用可以帮助提高工作效率，课程中会教授如何创建此类应用

注册与设置步骤

• 访问官网：

• 将网站语言切换为中文（在网站底部可以找到语言切换选项）

• 在右上角点击"登录"按钮进行注册

• 两种注册方式：

填写名字和邮箱直接注册 使用Google或GitHub账户进行第三方登录（视频中选择了Google验证）

账户定价方案

免费版本：

• Pro版本试用两周

• 2,000次自动补全

• 50次慢速高级请求（可访问如Claude 3.7等模型）

Pro版本（$20美元/月，约150人民币）：

• 无限制自动补全

• 每月500次快速高级请求

• 无限制慢速请求

• 对大多数编程需求足够使用

升级过程

• 在Settings页面点击"升级Pro"

• 系统跳转到Stripe支付界面

• 支付方式包括Google Pay和信用卡 输入信用卡信息：

• 卡号

• 到期时间

• CVC码（卡背面的安全码）

• 持卡人姓名

• 地址信息

点击订阅并保存 升级成功后，账户状态会变为Pro，使用限制也相应提升

升级后的使用额度

GPT-4O mini使用次数变为无限 未来30天内可使用500条高级模式 账户状态显示为"Pro"

扩展知识

• CURSOR是专为AI编程设计的工具，提供自动补全和高级语言模型请求功能

• "自动补全"指AI自动提示和补充代码功能，能大幅提高coding效率

• 高级请求允许访问更先进的AI模型（如Claude 3.7），适合处理复杂编程任务

• 不同价格方案适合不同使用频率的用户，轻度使用可考虑免费版，专业开发建议升级Pro

安装步骤

• 通过官网右上角的"下载"按钮获取安装文件（约230MB）

• Mac用户：将下载的文件拖入Applications文件夹完成安装

• 双击打开CURSOR应用，进入欢迎页面

• 使用Google账号登录（需要确认浏览器安全警告）

• 验证账户状态显示为"Pro"

界面介绍

整体布局与VS Code非常相似（因为大多数AI编程工具都是基于VS Code开源项目） 主要区域划分：

• 左侧：文件导航区，显示项目的文件和文件夹结构

• 中间：代码编辑区，用于编写和查看代码

• 右侧：AI交互区，用于与AI助手进行对话

• 底部：终端区，可以运行命令和查看输出

初次体验

• 创建新项目文件夹

• 创建一个新的HTML文件

• 通过AI交互区要求创建"漂亮的Hello World页面"

• AI自动生成约120行包含HTML、CSS和JavaScript的代码

• 使用终端打开和运行生成的页面 结果展示了一个有渐变背景、浮动效果和闪光文字的动态页面

扩展知识

• CURSOR等AI编程工具能够快速生成比传统编程更丰富的代码

• 传统编程学习通常从简单的"Hello World"文本输出开始，而AI编程可以直接生成复杂的交互页面

• 这类工具特别适合那些想要快速实现想法但可能缺乏全面编程知识的用户

• AI编程工具通常建立在成熟的IDE基础上，添加了AI功能，所以对已经熟悉VS Code等工具的用户来说学习曲线较低

这一节课深入介绍了CURSOR AI编程工具的各项设置选项，帮助用户更好地了解和配置这款工具。

主要设置项介绍

账户信息

• 显示登录邮箱和账户状态

• 提供从VS Code一键导入项目的功能，实现无缝过渡

界面设置

• 编辑设置：可调整代码编写规则

• 自动保存选项

• 字体设置（样式和大小）

• Tab缩进（默认为14个空格）

隐私模式

• 默认状态：禁用（Disabled）

• 功能：控制是否将聊天记录上传以优化CURSOR模型

• 启用私人模式可阻止上传对话历史记录

聊天设置

• 默认聊天模式选择：Agent模式或Ask模式（问答形式）

• 自动刷新和滚动设置

重要安全设置

• 自动运行模式（需谨慎）：

  • 默认情况下，AI会在执行代码前询问确认

  • 开启自动运行模式后，AI可不经确认直接修改和运行代码

  • 不建议开启此功能，可能导致原有代码被不可控修改

API配置

• 可使用个人OpenAI或Anthropic API密钥

• 使用个人API后，对话费用通过个人API结算

• 注意：获取这些API通常需要绑定国外信用卡，有一定门槛

• 对大多数用户而言，购买CURSOR会员($20/月)是更简便的选择

扩展知识

• CURSOR的功能随着版本更新不断增加，设置选项也越来越丰富

• 初学者通常可使用默认设置，无需特别调整

• 与AI协作编程是一种伙伴关系，最佳实践是由人类确认和决定最终代码

• CURSOR支持多种先进的AI模型，可根据不同编程需求选择合适的模型

• MCP(Model Context Programming)是CURSOR的一项高级功能，会在后续课程中详细介绍

这一节课介绍了CURSOR AI编程工具中的Rules功能，它能帮助用户设定规则，使AI按照特定标准输出代码和回答问题。

Rules的两种类型

• 全局Rules：在CURSOR设置中配置，适用于所有项目

• 局部Rules：针对特定项目创建的规则文件，更为推荐

全局Rules设置方法

• 在CURSOR设置页面中找到Rules选项

• 可以设置如下规则示例：

总是以中文输出（原例中是葡萄牙语） 优先使用简洁的回答 总是使用函数式代码

局部Rules设置方法

• 在项目根目录创建.cursor-rules文件

• 在文件中定义项目特定的规则和编程标准

Rules模板资源

Cursor Directory提供多种编程语言的预设Rules模板：

• TypeScript

• Next.js

• React

• Python

• PHP

• Tailwind CSS等

Rules使用技巧

• 将反复遇到的bug及其解决方案添加到Rules文件中

• 当CURSOR对某个问题反复"转圈"或无法解决时，把解决方案添加到Rules

• 这样在未来遇到相同问题时，CURSOR会自动参考Rules中的解决方案

扩展知识

• Rules功能本质上是为AI提供项目上下文和编码偏好

• 设置适当的Rules可以显著提高AI编程的准确性和一致性

• 全局Rules适合设置交流语言和回答风格等基本偏好

• 局部Rules更适合设置具体项目的技术标准和解决方案

• 随着项目进展，可以不断完善Rules文件，提高AI的表现

这一节主要介绍如何在AI编程工具 Cursor 中使用 Tab键自动补全功能 来提高编程效率。通过展示在 Next.js 项目中开发一个简单的 To-Do App，视频演示了 Cursor 如何通过上下文预测代码并生成多行代码补全，减少手动编码的工作量。

要点

Tab键的作用：

• Tab键是 Cursor 的核心功能，用于接受 AI 预测的代码补全。

• 实时监控上下文，预测用户下一步要输入的代码，提供多行代码建议。

• 预测准确度高，几乎无需手动编写代码即可完成功能开发。

Cursor 的自动补全功能：

• 根据最近的代码修改，预测并生成代码（如结构体实现、函数定义等）。

• 支持多种语言（如 TypeScript、React），在视频中以 TypeScript 演示。

• 提供灰色代码提示，按 Tab 键接受建议，直接插入代码。

设置与使用：

• 在 Cursor 界面右下角启用 Code Type 功能（通过设置中的齿轮图标）。

• 提供两种模式：自动模式 和 快速模式。

• 免费版每月提供 2,000 次补全，Pro 用户享有无限补全和快速模式。

To-Do App 示例：

• 创建一个 Next.js 项目，命名为 To-Do App，使用 TypeScript。

• 新建 components/todo.tsx 文件，自动补全 React 组件代码（导入 React、定义状态、返回 JSX 等）。

• 实现功能包括：

  • 输入框添加任务。

  • 列表显示任务。

  • 删除按钮移除任务。

  • 编辑按钮修改任务。

• 所有代码通过 Tab 键补全完成，未手动编写逻辑。

• 样式与错误处理：

  • Cursor 自动补全 CSS 类名，生成基础样式（如输入框、按钮外观）。

  • 自动生成引用（如 import 语句），避免初学者遗漏。

  • 解决运行时错误（如添加 "use client" 声明以支持浏览器组件）。

AI预测的精准性：

• Cursor 能预测复杂逻辑，如 removeTodo 和 editTodo 函数的定义。

• 预测内容高度符合需求，减少调试时间。

资源

• Cursor 官网：提供自动补全功能的介绍和定价信息（免费版 2,000 次补全，Pro 版无限补全）。

• Next.js 课程：讲师提到课程中有专门章节介绍 Next.js，帮助快速搭建应用。

• 具体资源未提供，可能在课程平台内。

• Next.js 官方文档：用于了解 Next.js 项目搭建和 TypeScript 配置。

• 链接：未明确提及，推荐 https://nextjs.org。

扩展知识

AI 编程工具的优势：

• 像 Cursor 这样的工具通过大语言模型（如 GPT 或类似技术）分析代码上下文，生成符合语法的代码建议。

• 适合快速原型开发、学习新框架或减少重复性工作。

• 与传统 IDE（如 VS Code）的补全功能相比，AI 工具能生成更复杂的多行代码和逻辑。

Next.js 与 TypeScript：

• Next.js 是一个流行的 React 框架，支持服务端渲染和静态生成，适合快速开发 Web 应用。

• TypeScript 增强了 JavaScript 的类型安全性，在大型项目中减少错误。

• 视频中使用的 "use client" 声明是 Next.js 13+ 中 App Router 的特性，用于指定组件在客户端渲染。

本节课介绍 Cursor 中 Chat 功能 的使用，强调其作为 AI 编程过程中最常用的交互方式。通过与 AI 的问答式交互，开发者可以快速修复代码 Bug、改进交互逻辑并优化界面样式。视频以改进上期视频中的 To-Do App 为例，展示如何通过 Chat 功能解决交互问题并根据设计参考调整样式。

要点

Chat 功能的核心作用：

• Chat 是 Cursor 中最常用的功能，用于与 AI 交互，主要通过问答形式解决问题。

• 通过快捷键 Ctrl + Shift + L 打开 Chat 界面，占据屏幕右半部分。

• 界面包含：新建对话、历史记录、对话框、模型选择和引用选项。

Chat 界面的功能：

• 对话框：输入问题或需求，点击发送提交给 AI。

• 历史记录：显示之前的交互记录，便于回顾。

• 模型选择：

  • 支持自动选择模型或手动选择（如 Claude 3.5、Gemini 2.5）。

  • 视频录制时，Claude 3.5 和 Gemini 2.5 是最佳模型。

Thinking 模式：

• 启用后，AI 进行长时间思考，适合解决复杂问题或死循环 Bug。

• 通常不启用，仅在常规交互无法解决问题时使用。

代码上下文与引用：

• Chat 自动引用当前打开的文件（如 todo.tsx），AI 基于上下文回答。

• 支持引用更多资源：

  • 文件和文件夹。

  • 文档库（如数据库产品的官方文档）。

  • Git 仓库。

  • 终端输出或 Web 搜索结果。 文档引用功能允许 AI 读取外部文档库，快速掌握新知识，解答相关问题。

修复 To-Do App 的交互问题：

• 问题描述：

  • 编辑任务时，输入框未显示当前任务内容，添加按钮未切换为更新按钮，用户体验不佳。

• 解决方案：

  • 在 Chat 中描述问题（“编辑交互造成困扰”），未提供具体建议。

  • AI 生成了代码修改，包括：

    • 添加状态跟踪当前编辑任务。

    • 创建 startEdit 函数。

    • 修改 addTodo 函数。 应用修改后，编辑时输入框显示任务内容，按钮切换为 “Update”，交互更友好。

优化界面样式：

• 设计参考：

  • 从 Dribbble查找 To-Do App 设计灵感，截图上传至 Chat。

• AI 调整：

  • 要求 AI 根据图片样式修改界面，AI 生成并应用新样式代码。

  • 初始修改移除编辑按钮，需再次通过 Chat 要求添加编辑和删除按钮。 结果：

  • 界面接近 Dribbble 设计，输入框和任务列表样式优化，按钮交互更直观。 代码修改流程：

  • AI 生成的代码修改以高亮形式显示，支持逐条接受或拒绝。

  • 可一键接受所有修改，自动保存到文件中。

  • 修改过程高效，用户仅需描述需求，无需手动编码。

扩展知识

• AI 交互的进化：

  • Chat 功能基于大语言模型（如 Claude 3.5、Gemini 2.5），通过自然语言处理理解用户需求并生成代码。

  • 与传统调试相比，AI 交互减少了手动查阅文档或调试的时间，尤其适合快速迭代。

  • Thinking 模式的长时间推理可能基于链式推理（Chain-of-Thought）技术，适合复杂问题但需权衡速度。

• 文档引用与知识扩展：

  • Cursor 的文档引用功能类似 RAG（Retrieval-Augmented Generation），通过加载外部文档增强 AI 的知识库。

  • 这一功能对学习新框架或工具尤为有用，例如快速掌握数据库（如 MongoDB）或 API 的用法。

  • 未来可能支持更多动态引用（如实时 Web 搜索），进一步提升 AI 的能力。

• 设计与开发的结合：

  • 使用 Dribbble 等平台获取设计灵感是现代开发中常见的实践，AI 工具能将设计图直接转化为代码。

  • 建议结合 CSS 框架（如 Tailwind CSS 或 Material-UI）进一步优化样式，减少手动调整。

  • 上传图片修改样式的功能展示了多模态 AI 的潜力，未来可能支持更复杂的图像分析（如布局提取）。 潜在改进：

  • To-Do App 可添加功能：

    • 任务分类或优先级。

    • 拖拽排序（借助库如 React DnD）。

    • 响应式设计适配移动端。

• Chat 交互可优化：

  • 提供更具体的反馈（如“输入框应居中”）以提高 AI 输出精度。

  • 使用版本控制（如 Git）跟踪 AI 修改，避免误覆盖。

本节课介绍了 Cursor 编辑器中的 Command+K（Mac）/ Ctrl+K（Windows）快捷键功能，这是一个能够显著提升开发效率的重要特性。

核心功能

1. 快速唤起 AI

   • 使用 Command+K / Ctrl+K 快捷键

   • 随时随地调出 AI 对话窗口

   • 相比右侧聊天窗口更加直观和精准

2. 双重应用场景

   • 代码编辑区

     • 选中代码后直接调用 AI

     • 获取即时的代码修改建议

     • 直接应用 AI 的修改建议

   • 终端（Terminal）

     • 快速获取命令行帮助

     • 查询常用命令用法

     • 项目运行相关指令

实际应用示例

1. 样式修改

   • 选中代码后调用 AI

   • 要求修改背景样式

   • 添加渐变色效果

2. 开发常用命令

   # 运行项目

   npm run dev

   
   

   # Git 操作

   git add .

   git commit -m "message"

   git push

   
   

使用优势

• 随时可用，快速响应

• 精准定位当前上下文

• 多场景通用

• 提升开发效率

• 减少切换窗口的操作

小贴士

• Windows 系统使用 Ctrl+K

• Mac 系统使用 Command+K

• 可以在编码过程中随时使用

• 支持自然语言交互

• 适合解决即时编程问题

本节课介绍了如何在 Cursor 中添加外部文档并使用网络搜索功能，以提高开发效率。通过实际案例展示了如何集成 JSONPlaceholder API 到 Todo 应用中。

核心功能

1. 文档集成功能

   • 支持添加外部 API 文档

   • 可以在对话中直接引用文档内容

   • 无需手动阅读和理解文档细节

2. Web 搜索功能

   • 可搜索最新技术资讯

   • 自动总结搜索结果

   • 提供相关参考链接

实践案例：集成 JSONPlaceholder

1. 添加测试数据

   • 使用 JSONPlaceholder 提供的免费 API

   • 获取模拟的 Todo 数据

   • 自动生成占位内容

2. 集成步骤

   • 复制 API 文档地址

   • 在 Cursor 中添加为文档

   • 通过 AI 助手自动生成集成代码

   • 实现数据展示和交互功能

使用优势

• 无需手动阅读复杂文档

• AI 自动理解并实现 API 集成

• 提高开发效率

• 自动处理数据交互逻辑

Web 搜索示例

• 搜索最新技术信息（如 Next.js 15 新特性）

• 获取实时更新的文档和教程

• 自动总结关键信息

扩展知识

1. API 测试资源

   • JSONPlaceholder 提供免费的 REST API

   • 支持多种数据类型（todos, posts, users 等）

   • 适合原型开发和测试

2. 最佳实践

   • 在开发初期添加占位数据

   • 使用真实场景的测试数据

   • 保持用户界面的真实感

小贴士

• 优先使用文档集成功能处理已知 API

• 使用 Web 搜索获取最新技术信息

• 合理利用 AI 提供的代码建议

• 注意验证生成代码的正确性

本节课介绍了在使用 AI 编程过程中如何使用 Git 进行版本控制，以确保代码安全和可追踪性。这是一个非常重要的工具，可以帮助我们在 AI 可能带来的大量代码修改中保持对代码的控制。

为什么需要 Git

1. AI 编程的风险

   • AI 可能在几轮修改中导致代码不可用

   • 修改内容可能过多，难以追踪

   • 需要一个可靠的版本控制系统

2. 最佳实践

   • 将大任务分解为小任务

   • 每完成一个小任务就进行测试

   • 测试通过后立即提交到 Git

   • 保持清晰的提交记录

Git 基础操作

1. 环境准备

   • 检查 Git 安装：git version

   • 从 Git 官网 下载安装

   • 初始化仓库：git init

2. 基本命令

   # 初始化

   git init

   
   

   # 添加文件

   git add .

   
   

   # 提交更改

   git commit -m "提交说明"

   
   

   # 查看状态

   git status

   
   

   # 查看日志

   git log

   
   

   # 恢复文件

   git restore .

   
   

   # 回滚到特定版本

   git revert <commit-hash>

   
   

重要提示

1. 提交说明的重要性

   • 写清晰详细的提交说明

   • 便于未来查找特定版本

   • 避免过于简单或潦草的描述

2. 版本控制策略

   • 小步提交

   • 每次提交前先测试

   • 保持代码可追踪性

实用技巧

1. 使用 Cursor 的 Git 界面

   • 通过左上角 Git 图标访问

   • 可视化查看文件变化

   • 方便比对代码差异

2. 代码回滚

   • 可以随时回到之前的版本

   • 避免代码意外丢失

   • 方便实验性修改

扩展知识

• Git 不仅用于版本控制，还用于团队协作

• 建议深入学习 Git，这是一个终身受用的工具

• 在实际项目中，Git 的重要性往往超出预期

小贴士

• 养成经常提交的习惯

• 保持提交粒度适中

• 编写有意义的提交信息

• 在进行重大修改前先提交当前代码

本节课介绍了 AI Agent 的概念，特别是 Cursor 中 Agent 的实现和应用。通过详细解释 Agent 的定义、特点和功能，帮助开发者更好地理解和使用这一强大工具。

AI Agent 的定义

根据 YC 的解释，AI Agent 是：

一种智能化的软件实体，能够自主地执行任务，做出决策并与环境互动。

可以将 Agent 想象成一个黑盒：

• 输入：任务要求和相关资源

• 输出：任务结果

• 中间过程：自主完成，无需人工干预

Agent 的三个关键特征

1. 自主性

   • 独立工作能力

   • 自动任务拆解

   • 无需步步指导

   • 自主执行和验证

2. 感知和反应

   • 理解上下文

   • 识别文件关系

   • 理解用户意图

   • 作出相应反应

3. 目标导向

   • 明确的任务目标

   • 可验证的完成度

   • 注重最终结果

Cursor Agent 的特点

1. 任务处理能力

   • 复杂任务分解

   • 自动执行小任务

   • 问题检测和修复

2. 代码库探索

   • 自动分析项目结构

   • 理解文件依赖关系

   • 无需手动指定上下文

3. 多文件操作

   • 支持多文件编辑

   • 保持代码一致性

   • 遵循项目结构

4. 终端命令执行

   • 自动运行命令

   • 安装依赖

   • 配置项目

   • ⚠️ 注意：需谨慎使用，建议执行前确认

5. 上下文感知与迭代

   • 代码生成能力

   • 错误识别和修复

   • 持续优化改进

从 Component 到 Agent 的演变

• 原 Cursor Component 功能升级为 Agent

• 从被动响应转变为主动协助

• 2024年底完成转型

使用建议

1. 明确任务目标

   • 提供清晰的要求

   • 设定可验证的目标

2. 注意安全性

   • 谨慎使用自动命令执行

   • 重要操作前确认

   • 保持代码备份

3. 充分利用自主性

   • 让 Agent 自行拆解任务

   • 减少人工干预

   • 关注最终结果

扩展知识

• Agent（智能体）比"代理"更准确的翻译

• 端到端（End-to-End）的任务处理方式

• 在复杂项目中特别有价值

本节课介绍了 AI Agent 的概念，特别是 Cursor 中 Agent 的实现和应用。通过详细解释 Agent 的定义、特点和功能，帮助开发者更好地理解和使用这一强大工具。

AI Agent 的定义

根据 YC 的解释，AI Agent 是：

一种智能化的软件实体，能够自主地执行任务，做出决策并与环境互动。

可以将 Agent 想象成一个黑盒：

• 输入：任务要求和相关资源

• 输出：任务结果

• 中间过程：自主完成，无需人工干预

Agent 的三个关键特征

1. 自主性

   • 独立工作能力

   • 自动任务拆解

   • 无需步步指导

   • 自主执行和验证

2. 感知和反应

   • 理解上下文

   • 识别文件关系

   • 理解用户意图

   • 作出相应反应

3. 目标导向

   • 明确的任务目标

   • 可验证的完成度

   • 注重最终结果

Cursor Agent 的特点

1. 任务处理能力

   • 复杂任务分解

   • 自动执行小任务

   • 问题检测和修复

2. 代码库探索

   • 自动分析项目结构

   • 理解文件依赖关系

   • 无需手动指定上下文

3. 多文件操作

   • 支持多文件编辑

   • 保持代码一致性

   • 遵循项目结构

4. 终端命令执行

   • 自动运行命令

   • 安装依赖

   • 配置项目

   • ⚠️ 注意：需谨慎使用，建议执行前确认

5. 上下文感知与迭代

   • 代码生成能力

   • 错误识别和修复

   • 持续优化改进

从 Component 到 Agent 的演变

• 原 Cursor Component 功能升级为 Agent

• 从被动响应转变为主动协助

• 2024年底完成转型

使用建议

1. 明确任务目标

   • 提供清晰的要求

   • 设定可验证的目标

2. 注意安全性

   • 谨慎使用自动命令执行

   • 重要操作前确认

   • 保持代码备份

3. 充分利用自主性

   • 让 Agent 自行拆解任务

   • 减少人工干预

   • 关注最终结果

扩展知识

• Agent（智能体）比"代理"更准确的翻译

• 端到端（End-to-End）的任务处理方式

• 在复杂项目中特别有价值

本节课详细介绍了 MCP 的概念、重要性、工作原理以及与 API 的区别，帮助开发者更好地理解和使用这一新兴协议。

MCP 基本概念

1. 定义

   • 由 Anthropic 在 2024 年底推出的开源协议

   • 全称：Model Context Protocol

   • 专门为 AI 模型设计的上下文协议

2. 工作原理

   • 采用客户端-服务器（CS）架构

   • 类似 USB-C 接口的统一连接标准

   • 允许 AI 模型实时访问数据和执行操作

MCP 的重要性

1. 统一标准

   • 提供统一的接口规范

   • 减少定制代码开发

   • 简化系统集成

2. 实时性

   • 支持实时数据访问

   • 解决 AI 模型知识更新问题

   • 提供最新信息查询能力

MCP vs API

1. 服务对象

   • MCP：专为 AI 模型设计

   • API：面向应用程序

2. 部署方式

   • MCP：本地优先，安全性更高

   • API：通常是远程服务

3. 交互方式

   • MCP：动态交互，灵活性强

   • API：固定功能，预定义接口

4. 上下文管理

   • MCP：完整的上下文管理

   • API：无上下文管理

实际应用案例

1. 3D 建模

   • 操作 Blender 创建 3D 模型

   • AI 与 Blender 间的实时数据传输

2. 设计转代码

   • Figma 设计稿转换为代码

   • 设计工具与 AI 的数据交换

3. 浏览器集成

   • 连接浏览器访问网页内容

   • 扩展 AI 处理能力

MCP 资源

1. MCP so

   • 提供 7,800+ MCP 服务器

   • 访问地址

2. Smithsonian

   • 提供 4,382 个服务器

   • 访问地址

注意事项

• MCP 仍处于早期发展阶段

• 可用服务数量虽多，但优质服务较少

• 需要时间验证和筛选合适的服务

扩展知识

• MCP 正在快速发展中

• 未来可能成为 AI 与外部世界交互的标准

• 开发者可以创建自己的 MCP 服务

本节课介绍了如何在 Cursor 中配置和使用 Browser MCP，实现 AI 与浏览器的交互，使 AI 能够访问和处理网页内容。

配置步骤

1. 安装 Browser MCP

   • 访问 mcp.so 网站

   • 搜索 "Browser MCP"

   • 查看文档和配置说明

2. Chrome 插件安装

   • 安装 Browser MCP Chrome 扩展

   • 在 Chrome 中启用插件

   • 点击连接按钮激活

3. Cursor 配置

   • 打开 Cursor 设置

   • 找到 MCP 设置选项

   • 在 Global MCP Server 中添加配置

   • 粘贴 Browser MCP 的配置 JSON

连接验证

1. 状态指示

   • 黄点：未连接状态

   • 绿点：连接成功状态

2. 连接步骤

   • 在 Chrome 中打开 MCP 插件

   • 点击连接按钮

   • 确认 Cursor 中 MCP 状态变为绿色

使用示例

1. 信息搜索

   • AI 可以直接操作浏览器

   • 自动导航到相关网页

   • 提取所需信息

2. 实际案例

   • 搜索 OpenAI 的最新 API 信息

   • 自动访问官方网站

   • 定位相关文档

功能优势

1. 自动化能力

   • AI 可直接控制浏览器

   • 自动导航和信息获取

   • 提高信息检索效率

2. 信息获取

   • 访问实时网页内容

   • 处理在线信息

   • 扩展 AI 的知识范围

注意事项

• 确保 Chrome 插件正确安装

• 验证连接状态

• 检查配置文件格式正确

• 保持浏览器插件处于激活状态

扩展应用

1. 可能的使用场景

   • 自动化网页操作

   • 实时信息收集

   • 网页内容分析

   • 自动化测试

2. 开发建议

   • 结合其他 MCP 使用

   • 注意网页访问权限

   • 考虑性能影响