摘要：很高兴与大家分享现阶段 Cursor 在我的工作中的使用体验。首先是预期管理，本篇文章不会分享 x 个你可能不知道的小技巧，也不会让你拥有无需自行编码的能力，同时不涉及 Cursor 工程化方面内容。仅仅是围绕个人开发流程中的已有问题，分享如何使用 Curso
一、引言
很高兴与大家分享现阶段 Cursor 在我的工作中的使用体验。首先是预期管理，本篇文章不会分享 x 个你可能不知道的小技巧，也不会让你拥有无需自行编码的能力，同时不涉及 Cursor 工程化方面内容。仅仅是围绕个人开发流程中的已有问题，分享如何使用 Cursor 来提升这部分的开发体验，在工作中持续保持好的节奏和状态。
TL;DR
列举 Cursor 的错误预期相比过去的开发流程，使用 Cursor 后的变化Cursor 在现状分析、方案设计和影响评估中的收益最近团队在大力推广 Cursor AI，随着几个版本迭代体验下来，其精准的自动补全深得我心，具体可以体现在Tab 键的使用率已逐渐高于 Command + C/V。既然这么懂我，那么能否更进一步，根据 PRD 直接输出代码呢？
2.1 从需求到代码
Cursor 能够理解代码上下文，从而根据简短的描述生成符合上下文的代码，于是我尝试直接将 PRD 提供给 Cursor 来生成代码：
PRD → Cursor → Code（一步到位）几个需求尝试下来，总的来说分为两类问题：
这就像你去理发店，希望 Tony 老师稍微剪短一点，结果却被剪得稍微短了点。而这需要我们在开始之前对齐认知，补充描述和参照。在这个前置阶段，即使发现对方理解有偏差，也还能及时纠正。俗称“对齐颗粒度”。
2.2 从规划到执行
Cursor 产出的代码由它所接收的上下文决定，如果没有准确描述需求意图，它会通过推断做出假设，导致产出不准确。因此我们在使用 Cursor 时，关键在于区分开发过程中的规划阶段和执行阶段。在这个分层的视角下，不管是自身的关注点还是 AI 的角色定位都变得更加清晰：
Cursor 在这个过程中，不应该被视为开发者的替代品，而是一面能够放大开发者能力的镜子：
对于已知的部分，Cursor 可以加速实现，减少重复劳动。对于未知的部分，Cursor 可以协助探索，但不能替代开发者的判断。在理解了 AI 的角色后，我们需要重构目前的开发工作流，让 AI 成为真正有效的助手。最关键的转变是：不再试图让 AI 替代开发流程中的任何环节，而是让它协助完成每个环节。这意味着不是把 PRD 扔给 AI，等待完整代码，而是和 AI 一起理解 PRD 和代码现状，共同设计方案，明确步骤，然后分步实现。
三、现有问题
作为前端开发，我们的日常工作流程中大多围绕需求文档进行代码产出。这需要介于
我们对业务需求的理解。对所属业务和项目现状的认知。从而进行方案设计和决策，整理思路将复杂问题分解成可执行的粒度。但同时，这导致我们不得不面临着一个矛盾：方案设计对效率的影响。一方面，方案设计是保证质量的必要环节；另一方面，生成和维护这些产物又会显著降低开发效率。尤其是在快速迭代的项目需求中，这种矛盾更为突出。
有时即使是一个小需求，可能也需要经过大量前置分析，才能进入开发。举个例子，以下是某个小需求的前端方案截图，通过不同的颜色区分了各流程的占比。从图中可以看出，各模块中绿色和蓝色所对应的「现状分析」和「改动方案」后占据了主要的篇幅，与相应的时间占用成正比。
前端方案中的各环节分布
传统的解决方案通常是：
模板化方案设计，减少重复工作。简化方案设计，减少不必要的细节描述。提高团队熟练度，使得方案设计生成更加高效。作为附加项，现在我们能在这些基础上借助 Cursor 进一步提升效能。
四、协作流程
4.1 反馈循环
在协作时，关键在于对 Cursor 补充上下文，并对 Cursor 提供的结论进行人工核验，两者构成反馈循环。前者是希望 Cursor 知道，后者是需要我们自己知道，从而保障产出的结果符合预期。
整体的 Cursor 协作流程分为规划和执行两个阶段。规划阶段专注于产出方案，执行阶段根据方案产出代码，两者交替执行。
4.2 流程对比
相较于以往，在使用 Cursor 后的工作模式差异如下：
乍一看使用 Curosr 后流程更加繁琐，而实际上也确实如此。
所以这里更推荐换一个心态来看待流程上的变化，不必为了使用工具而使用。过去我们面向 Google / GitHub / Stack Overflow 编程也并不是因为我们为了搜索而搜索，是因为在具体开发中遇到了不明确的信息需要确认，现在这个角色可以渐进地由 Cursor 替代，比起搜索引擎，Cursor 能充分地根据项目现状分析出更贴切的答案，如同行车的导航和选购的得物，为此不必有太多的心理负担。
五、场景应用
重新回到在需求开发工作中的问题，占据我代码之外的主要工作是“现状分析”、“改动方案”和“影响评估”，因此主要分享这三个场景中的 Cursor 使用体验。
关于提示词，可根据实际需要使用 notepads 或 rules 降低单次使用成本。
5.1 现状分析
在需求开发过程中，我们时常会接触到陌生的业务模块，如何理解现状往往是最耗时也最容易被忽视的部分。如果对现状不够了解，当需求相对复杂或者项目本身存在较多的历史债务时，我们很难输出符合预期的方案，更难以保证最终代码的质量。对于新接手项目的开发者而言，这一阶段常常伴随着无数次的"代码考古"和"问询前人"。
Cursor 离代码上下文更近，我们可以在它的协助下抽丝剥茧，快速了解业务主线。这是一个学习的过程，当知道的越多，在后续的设计和开发中就越能正确地引导 Cursor。
具体可以从需求的目标改动点开始，梳理其所属功能和实现方式，包含交互流程、数据管理和条件渲染等：
业务需求├── 1. 功能│ ├── 2. 实现│ ... └── 3. 字段...目标
了解业务功能
了解代码实现
了解字段依赖
提示词参考
当前功能如何运作，用户交互有哪些路径，具体数据流向是怎样的，请整理成 mermaid 时序图。
当前代码如何组织，核心模块有哪些，组件间如何通信，梳理组件关系图。
梳理当前表单字段的显隐关系、联动逻辑以及数据源。
效果
输出所属功能中的角色和角色之间的交互方式，能快速掌握业务模块的大体脉络。（表下图一）
输出组件职责和组件间的关系，以便在投入开发前以组件模块维度确定改动范围。（表下图二）
能直观地呈现表单字段间的联动说明。
（表下图三）
图一
图二
图三
通过对上述三个层面的不断往复，Cursor 提供的直观输入能帮助我们摆脱掉一知半解的状态，消除不确定性也就消除了焦虑。
5.2 改动方案
在了解了现状后，开始面向需求进行改动方案设计。
在问答中，Cursor 倾向于直接满足表面的需求，但可能会忽略一些深层的系统设计考虑。当遇到复杂的问题时，建议先让 Cursor 分析问题本身，而不是直接要求它给出解决方案。通过引导它进行更全面的思考，能防止 Cursor 胡编乱造，确保它理解需求，同时也能暴露自身的思考局限，减少返工。具体做法可以先提示 “在我让你写代码之前不要生成代码” 以及 “先逐步分析需求再说明你打算怎么做”；
另一方面，由于 Cursor 背后 LLM 的 Context Window 存在上下文长度限制，意味着 Cursor 跟我们一样都存在“短期记忆”，这体现在当对话超出范围后，Cursor 会在输出方案和代码时，遗忘此前的要求和结论，造成不准确。因此，为了将短期记忆转换成长期记忆，需要我们对复杂任务进行必要的拆解，每次只专注于单个粒度下的问答，当确认方案后，再让 Cursor 汇总并记录到外置文档，以便在后续的对话中补充上下文（也可以借助 @Summarized Composers 实现）。在面对下一个任务时，开启新的会话进行问答，多轮下来形成由不同模块组装而成的方案设计。
这样一来，在生成代码阶段，Cursor 所需要面对的只是局部复杂度中的改动，这能很大程度上减缓我们在代码审核和验证上的投入成本。Cursor 也能始终保持在长度限制范围内，面对精炼后的方案设计进行决策和产出。
因此在整体流程上：
1. 拆解需求，缩小关注范围
2. 明确目标，清晰表达需求描述
Cursor 提供方案检查是否有理解偏差，并不断调整提示在确认方案后，最终由 Cursor 汇总成果3. 渐进开发，分模块由 Cursor 生成代码，及时验证效果和审核代码
提示词参考：
方案设计我们先探讨方案，在我让你写代码之前不要生成代码如果此处要加个 xxx 该怎么做，请先逐步分析需求在想明白后向我说明为什么要这么设计代码产出，在功能之外，留意识别边界场景以及控制影响面在写代码时遵循最小改动原则，避免影响原先的功能即使识别到历史问题也不要自行优化，可以先告知我问题描述和对当前需求的影响，不要直接改跟本次需求无关的代码5.3 影响评估
除去开发之前的方案耗时，在完成开发后，我们所要解决的是如何保障自测质量的问题。对于研发而言，需要关注的是在这个需求迭代内，改动点所关联的调用链路，而在这个路径依赖下不断冒泡所涉及到的具体功能就是影响面。
因此可以从两个方面提高自测可信度
自下而上：基于改动代码和依赖项进行白盒测试，这需要研发自身投入必要的时间进行代码审核；自上而下：识别改动最终涉及到的页面和功能进行黑盒测试，逐个回归和确认功能是否符合预期。借助 Cursor 可以很低成本地分析改动，并按需产出测试用例，通过 @git 指令让 Cursor 参与到对当前功能分支或具体 commit 的评估：
目标
代码审查
功能验证
提示词
@git 逐个文件分析并总结改动点，评估是否引入了新的问题。
@git 基于代码变更输出自测用例清单。
效果
在列举出每个文件的改动意图后，会告知潜在问题和修改意见。（表下图一）
围绕改动，生成新旧功能在不同场景中的测试用例。（表下图二）
图一
图二
六、小结
过去，成为一名优秀开发者需要经历漫长的积累：从反复查阅文档、在搜索引擎中筛选有效信息，到系统掌握编程语言、算法与网络原理，每一步都在构建扎实的「知识护城河」。而 AI 时代颠覆了这一逻辑 —— 当大模型能快速生成代码、解析技术方案时，开发者的核心能力似乎从“记忆与执行”转向成了“正确地提问，让 AI 提供答案”。
客观来看，AI 降低了信息获取的门槛，能更快地落地想法、验证思路。不变的是，好的答案源于好的问题，而提出好问题依旧需要积累专业领域下的知识，知道的越清楚才能在提问时描述得越清晰。
所有事都有吃力不讨好的部分，随着 Cursor 等 AI 工具在工程中的应用，我们可以逐渐将这部分职能分配出去，利用我们的知识储备，描述问题，引导过程，审核结果。工具的使用始终是为了节省人类体力和脑力的开销，从而在提升体验的同时提升生产力，以更充沛的精力聚焦在工作成果和个人成长上。
1.得物 iOS 启动优化之 Building Closure
2.分布式数据一致性场景与方案处理分析｜得物技术
3.从对话到自主行动：AI应用如何从 Chat 进化为 Agent？开源项目源码深度揭秘｜得物技术
4.得物技术部算法项目管理实践分享
5.商家域稳定性建设之原理探索｜得物技术
文 / 魏命名
关注得物技术，每周一、三更新技术干货
要是觉得文章对你有帮助的话，欢迎评论转发点赞～
未经得物技术许可严禁转载，否则依法追究法律责任。
来源：小圆科技论
