鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

刚刚 Cursor2.0炸裂发布!这3大亮点必学

编程导航
编程导航
2025-10-31 18:05
阅读 1246
编程导航
2025-10-31 18:05
阅读 1246

大家好,我是程序员鱼皮。刚刚 Cursor 2.0 终于来了,绝对炸裂!

下面我带大家实操 Cursor 2.0 更新的几大核心功能,看看怎么用它大幅提高开发效率。

话不多说,点击收藏,我们开始吧!

本文对应视频版:https://bilibili.com/video/BV12SyaBLEhN

一、实用特性 & 重大更新

Multi-Agents 多智能体

先问个问题,你觉得现在最火的 AI 热词是什么?

应该是 Agent 智能体吧?

以前你只有一个 AI 程序员,而现在 Cursor 直接给你安排了 8 个 Agent 同时干活!

进入全新的 Agents 布局,我直接丢一个大需求过去:

▼
markdown
复制代码
帮我完整分析整个项目,并完成下列任务: 1. 补充前端代码注释 2. 补充后端代码注释 3. 优化前端网页样式 4. 增强后端代码安全性 5. 生成独立的前端文档 6. 生成独立的后端文档

然后你可以雇最多 8 个 AI 程序员同时帮你写代码,每个都在自己独立的工作区里干活,互不干扰。

你呢,就坐着等 8 个 AI 赛马,谁先干好用谁的、谁质量高用谁的。

需要注意,这个功能背后用的是 Git 的 worktrees 技术,相当于给每个 AI 都复制了一份代码库,分别在不同的代码分支干活。

完成后,你可以选其中一个最满意的方案,把代码改动合并到主分支。

还有个小细节,默认创建的 worktree 只有代码文件,没有 node_modules 等依赖。如果你的项目需要,可以配置一下初始化脚本,让每个 AI 工作区都自动装好依赖、配置好环境,而不只是光秃秃的代码。

这段大家直接看 官方文档 了解,不细说了。

怎么样,多智能体是不是很爽?

不过友情提示,雇 8 个 AI 程序员,价格也是 8 倍!所以还是按需使用吧……

后面我还会分享怎么自己写代码开发多智能体应用,大家可以关注一下。

Composer 自研模型

Cursor 这次还带来了自研的 AI 模型 Composer,据官方说,速度比同等水平的模型快 4 倍。

我一开始是怀疑的,但从刚刚那场赛马来看,Composer 模型是真的有点欺负老人家了~

除了速度之外,我们肯定还关注生成代码的质量。

不妨做个小测试,让它和 Claude 4.5 模型同时开发一个完整的前后端项目《AI 减压小能手》。

输入下列提示词:

▼
markdown
复制代码
你是一位专业的程序员,请帮我开发《减压小能手》网站,用户可以通过和专门帮人减压的 AI 聊天来缓解压力。 ## 开发要求 1. 需要包含完整的前端和后端,后端使用 Node.js 2. 使用 Vercel 的 AI Gateway 实现 AI 能力,需要先通过官方文档来获取尽可能多的用法:https://vercel.com/docs/ai-gateway/getting-started 3. 以完成核心功能为目标,确保项目可以正常运行,不用输出文档、也不要做任何多余的功能 4. 整体网站界面采用让人放松的浅色,响应式适配各种尺寸的设备

显然,Composer 输出速度更快,代码刷刷刷往外蹦,1 分钟出头就搞定了!而 Claude 花了 2 分多钟。

生成代码后,我手动填入了调用 AI 需要的 API Key 配置,然后运行网站看下效果。

左边是 Composer,右边是 Claude,二者都生成了能够正常使用的代码,效果也是旗鼓相当,这么看来 Composer 确实很香。

不过这只是个浅测,更深度的感受可能得等我日常开发用一段时间后再分享,大家也可以说说自己的使用感受。

Browser 浏览器

这是本次正式上线的功能,简单来说就是给 AI 提供一个浏览器,让它能够上网并操作浏览器。

我们人类能用浏览器做的事,现在很多都能交给 AI 来完成。

我试了几个场景:

1)可视化修改网页

直接在浏览器里点击某个元素,提出你的需求,AI 就能帮你改对应的代码。点哪儿改哪儿,不用再去代码里找、而且修改更精确。

2)网页截图

做完网站后,可以直接让 AI 给页面截个图,用来编写项目文档什么的不是美滋滋?

3)发现网页报错

有些前端网页的报错信息是输出在浏览器控制台中的,现在 AI 能直接看浏览器控制台,获取到报错信息并帮你分析原因,提高了改 Bug 的效率和准确度。

4)搜寻内容

比如我让 AI 帮我从面试鸭刷题网站上找到 Java 面试题,并且生成截图。提示词如下:

▼
text
复制代码
帮我寻找鱼皮面试鸭刷题网站上的 Java 面试题,并截图

以前 AI 只能利用工具从网络搜索,有些内容可能获取不到。现在 AI 可以自己打开网站,用鼠标点击探索,找到对应内容,再截图汇报给我,非常方便。

此外,你还可以利用 Browser Use 能力自动整理网页内容、自动化测试、抓取数据、甚至是直接抄某个成熟网站的样式风格并生成代码,玩法很多。

二、可能有用的特性

Voice Mode 语音模式

这个功能并不新鲜了,用语音控制 AI 写代码。

你可以在设置界面中配置触发 AI 执行的关键词,比如 “开始你的表演”:

额,好像不支持中文配置……

然后我来试一试,直接说出需求 “我想做个鱼皮编程导航那样的网站”。

识别结果:

说实话,效果一般,对中文支持不太行,感觉还没我自己产品的语音识别效果好……

而且日常开发我还是更喜欢打字,张个嘴搁那叭叭叭叭叭口遁代码不会很奇怪么?

Sandboxed Terminals 沙盒终端

这个功能是为了提高安全性。让 AI 执行的命令都在沙盒里跑,能读写你的工作区,但默认不能访问网络,也不能动工作区外的文件。

这样就算 AI 发疯了,最多也就把你项目搞乱,不会把你整个电脑都删了。

对于企业用户,管理员还能统一配置沙盒策略,控制哪些命令能跑、哪些不能跑。

Team Commands 团队命令

如果你在团队协作,这个功能就很有用。可以在 Cursor 仪表板里给整个团队定义统一的编码规范、常用命令和项目约定。

配置好后自动同步到所有成员,不用每个人手动设置了。

可惜我没有企业版账号,就不演示这个功能啦~

三、其他优化

此外,还有一堆性能和界面的优化:

  1. 代码审查改进:现在能跨多个文件统一查看 AI 的所有修改,不用一个个文件跳了,类似 GitHub 的 PR diff 视图。
  2. 性能大幅提升:LSP(语言服务器)加载更快了,大项目不卡了,特别是 Python 和 TypeScript 项目。
  3. 提示界面优化:UI 更简洁了,很多手动指定的东西(@Definitions、@Web 这些)都去掉了,AI 现在会自己判断需要什么上下文。
  4. 智能体框架升级:底层架构优化,所有 AI 模型表现都更好了。
  5. 云端 Agent 改进:提供 99.9% 的可靠性(一年停机不到 9 小时),启动速度更快。
  6. 企业功能:比如管理员能统一控制沙盒的安全策略、自定义 Hooks 脚本可以从后台一键分发给全公司、所有管理操作都有记录。

简单来说就是更快、更美、更稳,希望不会更贵…… 我这个月已经在 Cursor 上花了几千元了!

最后

从 1.0 到 2.0 其实只有几个月的时间,Cursor 的进化速度真的很快。对我来说,这波更新最实用的功能是多智能体和浏览器使用。虽然价格确实比较贵,而且存在一些限制,但不得不说,Cursor 在功能上还是很能打的。

以上就是本次分享,文字版内容我会同步到 AI 导航网站,大家可以随时查看更多 AI 资讯和干货。我也会继续为大家带来最新实用的 AI 和编程教程,感谢关注~

更多

💻 编程学习交流:编程导航
📃 简历快速制作:老鱼简历
✏️ 面试刷题神器:面试鸭
📖 AI 学习指南:AI 知识库

站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题