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

扒了下 Cursor 的提示词,被狠狠惊艳到了!

编程导航
编程导航
2025-10-31 18:16
阅读 5352
编程导航
2025-10-31 18:16
阅读 5352

如果让你开发一个 AI 编程工具(比如 Cursor),你觉得最大的难点是什么?

是前端技术、后端技术、UI 设计、还是别的?

我觉得是提示词。

我之前手把手带大家做过一个 开源的 AI 代码生成平台,也能生成完整的应用,但无论是生成速度还是效果都不如 Cursor 要好。

要想让 AI 生成的效果好,不仅需要能力强的大模型,还需要精心编写的提示词。

Cursor 在提示词和工程化这点做的就很好,于是我从 开源项目 中获取到了 Cursor 的提示词,写的非常好,真的是惊艳到我了。所以本期我要带大家学习其中的精髓,很多技巧对我们自己开发 AI 应用会有很大的帮助。

⭐️ 推荐观看视频版:https://bilibili.com/video/BV1bBaBzXEae/

Cursor 提示词总览

Cursor 有很多套提示词,每套提示词适用于不同的场景。比如:

  • Agent 模式提示词:让 AI 能够自主地分析、规划并执行编码任务,直到问题被彻底解决。
  • CLI 命令行提示词:适用于可交互命令行环境
  • Chat 对话提示词:适用于以对话问答为主的场景,能快速响应用户的问题。
  • Memory 对话记忆提示词:评估 AI 的长期记忆,保证 AI 能够从历史交互中学习并沉淀高质量的通用偏好记忆。

其中,最值得学习的是 Agent 模式提示词,足足有 500 多行。建议大家用 Markdown 阅读器或代码编辑器打开,比如我用 VSCode,可以一边阅读一边让 AI 给我解释。

不得不吐槽一句,这么长的提示词,token 消耗快不是没有原因的!有时我随便说一句话 AI 都得给我搞个长篇大论。

英文原版和中文版提示词我都发在 代码小抄 上了,方便大家阅读。

Agent 提示词拆解

接下来我们以 Agent 提示词为例,拆解一下 Cursor 提示词的写法。

跟阅读开源项目一样,先整体再局部分析。

整体结构分析

整体来看,这个提示词分为三大模块:角色定义、操作约束、和支持的工具。

就跟我们塑造一个游戏角色一样,先知道你是谁、你能做什么、你要做什么;再开始给角色点技能、教他怎么做;最后给角色持续买装备、教他怎么用,越来越强。

💡 我们写提示词也可以按照这个思路,让 AI 先从宏观上理解它的身份和目标,再到微观上遵循每一步的行动规范。

下面我们依次分析每个模块。

1、角色定义

提示词:

这段提示词上来就定义了:

  • 你是谁?编程助手
  • 你在做什么?和用户结对编程
  • 你的任务是什么?解决编程问题

💡 这也是典型的提示词编写技巧,通过明确角色、背景和目的,确保 AI 生成的内容聚焦于某个具体的领域和场景,提升输出的有效性。

接着往下看:

“你必须一直运行到完全解决用户的问题” 这里进一步明确了 AI 的角色,并且赋予 AI Agent 的持续运行模式,让 AI 有能力处理复杂、多步骤的任务。

💡 不知道大家有没有注意到,这段内容的表达有点冗余,多次重复了 “继续工作”、“解决查询”。这也是写 Prompt 常用的一种手段,我们知道,AI 跟人一样,在接受信息比较多的情况下,很可能会忘记一部分内容、或者忽略掉一些重点。通过从不同的角度 反复强调 同一个事情,能够强化 AI 的理解、保证这段内容的权重,也能在一定程度上消除 AI 理解 Prompt 时的歧义。

比如鱼皮说一遍 “记得点赞三连”,你可能不以为然,所以这里我要说第二遍 “求你点赞三连”,但你可能还是没有被打动,所以我要说第三遍 “在你没有点赞三连之前,请你先点赞三连”。

💡 还有个类似的技巧叫 Re-Reading 重读,又称 Re2。其实就是复读机,通过让模型重新阅读一遍问题来提高推理能力,有 文献 印证了它的效果。

2、操作约束

接下来的提示词就是在教 AI 做事。

分为 6 个部分,每个部分都是用一组对称的 HTML 标签括了起来,结构非常清晰。

communication

见名知意,这里就是在告诉 AI “怎么说话”,便于用户理解。

规定了 AI 的响应要使用 Markdown 格式,以及如何格式化文件名、函数名,如何使用定界符来展示数学公式。

💡 统一输出格式不仅能帮助用户阅读,而且也有利于后续对输出文本的处理。

鱼皮之前带大家做的 AI 零代码应用生成平台项目 中,提示词内也约定了输出格式:

tool_calling

这是整个提示词中非常关键的约束部分,是 AI 使用工具时必须要遵守的原则。

比如:

  • 禁止 AI 在和用户交流时直接提及工具名称。
  • 鼓励 AI 优先通过调用工具获取信息,而不是直接向用户提问,避免一些无意义的交互影响用户的体验。
  • 一旦制定计划,应立即执行,无需等待用户确认。这也是 AI 经常出现的情况,制定计划之后总是会结束会话并询问用户是否执行。
  • 在不确定代码库结构或文件内容时,必须使用工具读取信息,禁止猜测。

💡 这一段提示词中,我们能学到几个技巧:

  • 通过设定负面指令(大写的 NEVER)和正面指令(大写的 ALWAYS),强化了对 AI 的行为约束。
  • 通过 “切勿调用未明确提供的工具”、“仅使用标准的工具调用格式和可用的工具”、“读取文件而不是猜测或编造答案” 尽可能地消除 AI 的幻觉。
  • 在合适的场景给 AI 放权,不用让它频繁找用户确认。

我印象很深刻,刚开始用 AI Agent 的时候,有一次我睡觉前让 AI 跑个大任务,结果第二天发现 AI 在等我确认需不需要安装依赖。。。合着卡了一晚上啥都没干!

maximize_context_understanding

这部分的作用是告诉 AI 如何进行思考和信息收集、最大限度地理解上下文,核心原则是 全面 和 深入:

  • 在回答前,必须通过工具或提问确保掌握了完整的上下文。
  • 要追溯每个符号的定义和用法,确保完全理解。
  • 强制 AI 使用多种不同措辞进行多次搜索,确保信息的完备性。

💡 其中,最后一点是我认为非常值得学习的,就跟我们程序员遇到 Bug 时一样,一个关键词可能无法搜索到我们想要的答案,就要多尝试几组关键词,得到足够多的信息后问题才更容易解决。

💡 这部分内容也是 **思维链 CoT(Chain-of-Thought)**和 **ReAct(推理执行)**的体现,给 AI 规划了一套具体、可执行的信息收集分析流程,让 AI 先尽可能思考、获取到足够的信息之后,再具体执行。

making_code_changes

这个模块的作用是 规范 AI 修改代码的行为:

  • 禁止直接在聊天中输出代码,必须通过代码编辑工具来实现更改。这样做就避免了对话框的空间被大量的代码块占据。
  • 强调生成的代码必须是 可立即运行的,要求 AI 自动处理好依赖、导入等所有前置条件。否则生成一堆没法用的代码的话,体验就很差了。不过这里也只是一个约束罢了,毕竟谁能保证一次性写出的代码 100% 能运行呢?
  • 为 AI 设定了处理错误的循环机制,尝试修复最多3次,如果失败就向用户求助。

💡 对于 AI 编程工具来说,这段提示词非常重要。想象一下,如果已经生成了一个 5000 行代码的文件,结果用户只需要修改文件中的某一行代码,难道要重新把这 5000 行代码输出一遍么?更高效的方式肯定是提供给 AI 一个支持 “字符串替换” 的代码编辑工具,可以让 AI 只修改部分代码,不仅输出效率更高、修改更精准可控,还有利于对比修改前后的代码。

summarization

这部分比较简短,只添加了一个约束 —— AI 应该处理最重要的查询。

这其实是强行调整 AI 的注意力焦点。随着对话进行,用户可能会提出新的、更优先的需求,有了这段提示词,AI 可以转移任务重心,优先处理用户的核心诉求。

就好比我正在处理一个工作,老板突然说:“别干了,出去团建去!”,那我不可能还继续干之前的工作对吧。

memories

这段提示词虽然很长,但核心的功能是为了让 AI 正确使用 Cursor 的对话记忆功能,了解一下就好。

3、支持的工具

Tools 模块的内容非常长,占了整个提示词的 80%,但其实很好理解,就是给 AI 提供各种各样的工具,并且将每个工具的作用、用法、注意事项给 AI 描述清楚。

由于工具较多,在最外层将工具通过 namespace 命名空间进行分类,包括 functions 和 multi_tool_use,为 AI 提供了一个清晰的工具层级。

命名空间下有很多工具,比如代码库搜索工具:

💡 从这个模块中,我们能学到一些小技巧。

1)工具的定义内部通过 ### 标题语法来创建逻辑分段,让文档内容层次分明,便于解析和理解。

2)工具提供了使用示例,并用一段简短的推理来评估使用方式是否正确。这其实是写提示词的经典技巧 Few-shot,通过手把手举例教学的方式,帮助 AI 理解工具的正确使用方法,能很大程度提高 AI 输出的准确度。

至此,我们就把 Cursor 的 Agent Prompt 拆解完了。大家感兴趣的话可以看看其他 Prompt,比如记忆模块的 Prompt 定义了一套过滤评估机制,指导 AI 判断哪些信息值得长期记忆,哪些应当舍弃,避免无用、错误内容干扰记忆质量。文本评估也是 AI 典型的应用场景之一了。

总结

最后,通过本期对 Cursor 提示词的拆解,我们可以提炼出一些提示词编写原则:

  • 明确角色和目标
  • 不要只告诉 AI 做什么,还要指导它怎么做,最好给出详细的流程
  • 零散的指令很容易被忽略,所以 Prompt 需要模块化、格式化,还可以通过重复、强调等方法强化
  • 如果 AI 需要使用工具,为每个工具提供详尽的说明、场景和范例
  • 如果 AI 的输出需要被其他程序消费,那么一定要在提示词中严格定义输出格式,保证输出内容的结构化

还有更多提示词编写技巧、AI 知识、AI 工具等等,大家可以在我 开源的 AI 知识库 中获取。

如果本期内容让你有所收获,记得点赞三连,这个操作其实挺简单的,把手按在手机上,或者敲两下就可以了,你学会了么?

更多

💻 编程学习交流:编程导航:https://www.codefather.cn/
📃 简历快速制作:老鱼简历:https://laoyujianli.com
✏️ 面试刷题神器:面试鸭:https://mianshiya.com
📖 AI 学习指南:AI知识库:https://ai.codefather.cn/

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