使用上下文
如何在 Cursor 中使用上下文
首先，什么是上下文窗口？它与使用 Cursor 进行高效编程有什么关系？
让我们先从宏观角度来看，大型语言模型（LLM）是一种人工智能模型，通过从大量数据集中学习模式来训练预测和生成文本。它通过理解您的输入并基于之前见过的内容建议代码或文本来为 Cursor 等工具提供支持。
Token 是这些模型的输入和输出。它们是文本块，通常是单词的片段，LLM 逐个处理这些 token。模型不会一次性读取整个句子；它们基于之前的 token 来预测下一个 token。
要查看某些文本如何被分词，您可以使用像这个这样的分词器。
什么是上下文？
当我们在 Cursor 中生成代码建议时，“上下文”指的是提供给模型的信息（以”输入令牌”的形式），模型随后使用这些信息来预测后续信息（以”输出令牌”的形式）。 有两种类型的上下文：- 意图上下文定义了用户希望从模型中获得什么。例如，系统提示通常作为用户希望模型如何行为的高级指令。在 Cursor 中完成的大部分”提示”都是意图上下文。“将那个按钮从蓝色改为绿色”是一个明确意图的例子；它是规定性的。
- 状态上下文描述当前世界的状态。向 Cursor 提供错误消息、控制台日志、图像和代码块都是与状态相关的上下文示例。它是描述性的，而不是规定性的。
在 Cursor 中提供上下文
你能为模型提供的相关上下文越多，它就越有用。如果在 Cursor 中提供的上下文不足，模型将尝试在没有相关信息的情况下解决问题。这通常会导致：- 幻觉，即模型尝试进行模式匹配（当没有模式时）导致意外结果。对于像
claude-3.5-sonnet这样的模型，当没有给予足够上下文时，这种情况可能经常发生。 - Agent 尝试通过搜索代码库、读取文件和调用工具来自行收集上下文。强大的思考模型（如
claude-3.7-sonnet）可以通过这种策略走得很远，而提供正确的初始上下文将决定其发展轨迹。
@-符号
提供明确上下文最简单的方法是使用@-符号。当你明确知道想要包含哪个文件、文件夹、网站或其他上下文片段时，这些符号非常有用。你越具体，效果越好。以下是如何更精确地使用上下文的详细说明：| 符号 | 示例 | 使用场景 | 缺点 |
|---|---|---|---|
@code | @LRUCachedFunction | 你知道哪个函数、常量或符号与你要生成的输出相关 | 需要对代码库有很多了解 |
@file | cache.ts | 你知道应该读取或编辑哪个文件，但不确定文件中的具体位置 | 根据文件大小，可能会包含很多与当前任务无关的上下文 |
@folder | utils/ | 文件夹中的所有文件或大部分文件都相关 | 可能会包含很多与当前任务无关的上下文 |
规则
你应该将规则视为长期记忆，供你或团队其他成员访问。捕获特定领域的上下文，包括工作流程、格式化和其他约定，是编写规则的绝佳起点。 规则也可以通过使用/Generate Cursor Rules 从现有对话中生成。如果你已经进行了大量的来回对话和提示，那么可能有一些有用的指令或通用规则，你可能希望以后重复使用。
MCP
Model Context Protocol 是一个扩展层，您可以通过它为 Cursor 提供执行操作和获取外部上下文的能力。 根据您的开发设置，您可能希望利用不同类型的服务器，但我们发现特别有用的两个类别是：- 内部文档：例如 Notion、Confluence、Google Docs
- 项目管理：例如 Linear、Jira
自收集上下文
许多用户正在采用的一个强大模式是让 Agent 编写短期工具，然后运行这些工具来收集更多上下文。这在人工参与的工作流程中特别有效，您可以在代码执行前审查代码。 例如，在代码中添加调试语句，运行代码，然后让模型检查输出，这样可以让它访问静态分析无法推断的动态上下文。 在 Python 中，您可以通过提示 Agent 来实现：- 在代码的相关部分添加 print(“debugging: …”) 语句
- 使用终端运行代码或测试
要点总结
- 上下文是有效AI编程的基础，由意图（你想要什么）和状态（现有什么）组成。提供这两者有助于Cursor做出准确的预测。
- 使用@符号进行精准上下文定位（@code、@file、@folder）来精确引导Cursor，而不是仅仅依赖自动上下文收集。
- 将可重复使用的知识捕获到规则中以供团队范围内重用，并通过Model Context Protocol扩展Cursor的功能来连接外部系统。
- 上下文不足会导致幻觉或效率低下，而过多无关的上下文会稀释信号。找到合适的平衡点以获得最佳结果。