使用上下文
如何在 Cursor 中使用上下文
首先，什麼是上下文視窗？它與使用 Cursor 進行有效編程有什麼關係？
讓我們先放大視野來看，大型語言模型（LLM）是一種人工智慧模型，通過從大量資料集中學習模式來預測和生成文本。它透過理解您的輸入並根據之前見過的內容建議程式碼或文本，為 Cursor 等工具提供動力。
Token 是這些模型的輸入和輸出。它們是文本的片段，通常是單詞的一個片段，LLM 會逐一處理。模型不會一次讀取整個句子；它們會根據之前的 token 來預測下一個 token。
要查看某些文本如何進行 token 化，您可以使用像這個這樣的 tokenizer。
什麼是上下文？
當我們在 Cursor 中生成程式碼建議時，「上下文」指的是提供給模型的資訊（以「輸入標記」的形式），模型接著使用這些資訊來預測後續的資訊（以「輸出標記」的形式）。 上下文有兩種類型：- 意圖上下文定義了使用者希望從模型中獲得什麼。例如，系統提示通常作為使用者希望模型如何行為的高層級指令。在 Cursor 中進行的大部分「提示」都是意圖上下文。「將那個按鈕從藍色改為綠色」是陳述意圖的一個例子；它是規範性的。
- 狀態上下文描述當前世界的狀態。向 Cursor 提供錯誤訊息、控制台日誌、圖片和程式碼片段都是與狀態相關的上下文例子。它是描述性的，而非規範性的。
在 Cursor 中提供上下文
您能提供給模型的相關上下文越多，它就越有用。如果在 Cursor 中提供的上下文不足，模型會嘗試在沒有相關資訊的情況下解決問題。這通常會導致：- 幻覺，模型會嘗試進行模式匹配（當沒有模式時）造成意外的結果。這在像
claude-3.5-sonnet這樣的模型沒有獲得足夠上下文時經常發生。 - Agent 會嘗試透過搜尋程式碼庫、讀取檔案和呼叫工具來自行收集上下文。強大的思考模型（如
claude-3.7-sonnet）可以透過這種策略走得很遠，而提供正確的初始上下文將決定發展軌跡。
@-符號
提供明確上下文最簡單的方式是使用 @-符號。當您明確知道要包含哪個檔案、資料夾、網站或其他上下文片段時，這些符號非常有用。您越具體，效果越好。以下是如何更精確地使用上下文的詳細說明：| 符號 | 範例 | 使用情境 | 缺點 |
|---|---|---|---|
@code | @LRUCachedFunction | 您知道哪個函數、常數或符號與您要產生的輸出相關 | 需要對程式碼庫有大量了解 |
@file | cache.ts | 您知道應該讀取或編輯哪個檔案，但不確定檔案中的確切位置 | 根據檔案大小，可能會包含許多與當前任務無關的上下文 |
@folder | utils/ | 資料夾中的所有檔案或大部分檔案都相關 | 可能會包含許多與當前任務無關的上下文 |
規則
您應該將規則視為您或團隊其他成員希望能夠存取的長期記憶。捕捉特定領域的上下文，包括工作流程、格式化和其他慣例，是撰寫規則的絕佳起點。 規則也可以透過使用/Generate Cursor Rules 從現有對話中產生。如果您已經進行了大量來回對話和提示，其中可能包含一些有用的指令或通用規則，您可能希望稍後重複使用。
MCP
Model Context Protocol 是一個擴展層，您可以透過它為 Cursor 提供執行操作和引入外部上下文的能力。 根據您的開發設置，您可能想要利用不同類型的伺服器，但我們發現特別有用的兩個類別是：- 內部文檔：例如 Notion、Confluence、Google Docs
- 專案管理：例如 Linear、Jira
自我收集上下文
許多用戶正在採用的一個強大模式是讓 Agent 編寫短期工具，然後運行這些工具來收集更多上下文。這在人機協作工作流程中特別有效，您可以在代碼執行前先檢查代碼。 例如，在您的代碼中添加調試語句，運行它，然後讓模型檢查輸出，這樣可以讓它訪問無法靜態推斷的動態上下文。 在 Python 中，您可以通過提示 Agent 來做到這一點：- 在代碼的相關部分添加 print(“debugging: …”) 語句
- 使用終端運行代碼或測試
重點摘要
- 上下文是有效 AI 編程的基礎，由意圖（你想要什麼）和狀態（現有什麼）組成。提供這兩者有助於 Cursor 做出準確的預測。
- 使用 @-符號（@code、@file、@folder）進行精準的上下文定位來精確引導 Cursor，而不是僅依賴自動上下文收集。
- 將可重複使用的知識捕獲到規則中以供團隊廣泛重用，並透過 Model Context Protocol 擴展 Cursor 的功能來連接外部系統。
- 上下文不足會導致幻覺或效率低下，而過多不相關的上下文會稀釋信號。找到適當的平衡點以獲得最佳結果。