1. 项目概述一个为AI编程助手量身定制的学习伴侣如果你和我一样日常开发已经离不开Cursor这类AI编程助手那你肯定也遇到过类似的困扰它很聪明能帮你生成代码、重构函数、甚至写注释但有时候它给出的建议就是“差那么点意思”。要么是对你项目的特定代码风格不熟悉要么是对你常用的工具库理解有偏差每次都要花时间去纠正和解释效率反而被拉低了。dcrebbin/cursor-learner这个项目就是为了解决这个痛点而生的。它本质上是一个专为Cursor以及其他兼容OpenAI API的AI编程工具设计的“个性化学习与知识注入”系统。简单来说它能把你的代码库、技术文档、甚至是你的个人编码习惯系统地“教”给AI助手让AI从一个“通才”变成更懂你、更懂你项目的“专才”。这个项目不是简单地扔几个文件给AI去读。它提供了一套完整的工具链包括从你的项目中提取关键信息、构建结构化的知识库、到最终将这些知识高效地注入AI对话上下文的完整流程。对于任何希望将AI编程助手深度集成到自身工作流并最大化其价值的开发者而言这都是一件值得深入研究的利器。它能显著提升AI生成代码的准确性、一致性以及对项目上下文的理解深度。2. 核心设计思路如何让AI真正“理解”你的项目2.1 从“通用对话”到“领域专家”的转变传统的AI编程助手交互依赖于用户在每次对话中提供的有限上下文通常是当前打开的几个文件。这种方式是临时的、片段化的。cursor-learner的核心思路是打破这种限制构建一个持久化、结构化的项目知识库。它的设计哲学基于一个关键认知要让AI提供精准帮助必须让它掌握项目的“全景图”。这包括架构知识项目的目录结构、模块划分、核心入口文件。代码模式团队约定的命名规范、常用的工具函数、自定义的Hooks或组件。业务逻辑领域实体如UserOrder的定义、核心业务流程的代码实现。外部依赖项目所使用的特定第三方库的版本、常用API及其配置方式。项目通过自动化脚本将这些分散的信息收集、清洗、组织起来形成一份AI易于“消化”的学习材料。这相当于为你的AI助手准备了一份详尽的“项目入职手册”。2.2 技术栈选型与工具链解析cursor-learner本身是一个轻量级的、以脚本为核心的工具集主要基于Node.js/Python生态这确保了其广泛的适用性。它的技术选型体现了“务实”和“可扩展”的原则。信息提取器项目提供了多种提取脚本的示例。对于前端项目可能会利用tree命令或find来扫描目录结构对于代码分析则可能集成像AST抽象语法树解析器这样的工具来提取函数签名、类定义、导出关系等这比简单的文本匹配要精准得多。知识格式化提取的原始信息是杂乱的。项目的一个关键步骤是将其格式化为结构化的文本通常是Markdown或纯文本并遵循一定的模板。例如为每个重要模块生成一个描述段落列出其职责和关键接口。格式化是为了优化AI的读取和理解效率。上下文管理这是与Cursor等编辑器集成的部分。项目需要提供一种方式将格式化后的知识库在适当的时机比如新建一个对话时或检测到用户正在编辑某个模块时自动地、智能地添加到AI对话的“系统提示”或“上下文窗口”中。这通常通过编辑器的插件机制或API来实现。注意cursor-learner本身更像是一个框架和最佳实践的集合它定义了流程和提供了示例但具体的提取规则、格式化模板需要你根据自己项目的实际情况进行定制。这是它灵活性的体现也意味着需要一定的配置成本。3. 核心细节解析与实操要点3.1 知识库的构成什么该学什么不该学不是所有代码都值得放进知识库。一股脑地把整个node_modules或编译产物塞给AI只会浪费宝贵的上下文令牌Token并引入噪音。cursor-learner倡导的是“精准投喂”。一个典型的知识库应包含以下几层信息项目元信息层README.md的核心部分项目简介、启动命令、环境要求。package.json/pyproject.toml/Cargo.toml中的关键信息项目名称、主要依赖及其版本、核心脚本命令。重要的配置文件摘要如.env.example中的关键环境变量、docker-compose.yml中的服务定义。架构与模式层目录结构说明用文字描述src/components/,src/hooks/,api/,models/等目录的职责。例如“src/hooks/目录存放所有自定义React Hooks其中useAuth.ts管理全局认证状态。”代码规范摘要提取自.eslintrc或团队文档。例如“组件命名采用PascalCase工具函数采用camelCase。使用axios实例进行所有HTTP请求实例配置位于lib/axios-client.ts。”设计模式与通用逻辑项目中反复出现的模式如“数据获取统一使用useSWR钩子”“表单处理使用react-hook-form配合zod进行验证”。核心业务实体与接口层关键数据结构主要的TypeScript接口/类型定义、Python的Pydantic模型、Go的Struct定义。特别是那些在多个模块间共享的核心实体。核心API路由列出主要的后端端点及其简要功能、请求/响应格式。重要函数/方法签名那些承担核心业务逻辑的函数的名称、参数和返回值说明。3.2 信息提取的粒度与策略如何自动化地提取上述信息这里有几个实操策略静态分析使用脚本解析代码文件。对于JavaScript/TypeScript可以编写一个简单的脚本使用babel/parser或ts-morph来遍历AST收集所有导出的函数、类、类型别名和接口。对于Python可以使用内置的ast模块。提取出的信息可以按模块归类。动态扫描使用glob或find命令模式匹配特定文件然后读取其内容。例如扫描所有*.dto.ts文件来获取数据传输对象定义或扫描所有*Context.tsx来获取React Context定义。模板化生成为每一类信息设计一个Markdown模板。例如一个“模块描述模板”可能包含## [模块名]、路径、职责、主要导出、依赖模块。提取脚本将数据填充到模板中生成统一格式的文档。一个简单的目录结构提取示例bash# 生成一个忽略掉 node_modules, .git, build 等目录的树状图 tree -I node_modules|.git|dist|build|coverage -L 3 --dirsfirst project_structure.txt然后你可以将这个project_structure.txt文件的内容加上一些解释性文字作为知识库的第一部分。4. 实操过程构建并集成你的第一个项目知识库4.1 环境准备与项目初始化假设我们有一个名为my-awesome-app的TypeScript全栈项目Next.js Prisma tRPC我们将为其构建知识库。首先克隆或参考cursor-learner的仓库获取灵感和基础脚本。我们会在自己项目的根目录下创建一个cursor-knowledge/目录来存放所有相关材料。# 在你的项目根目录 mkdir -p cursor-knowledge/sources mkdir -p cursor-knowledge/processedsources/存放原始提取出的数据文件如结构树、API列表。processed/存放格式化后的、准备喂给AI的最终知识文档。4.2 分步构建知识库文档步骤1提取项目骨架创建一个脚本cursor-knowledge/scripts/01-extract-structure.jsconst fs require(fs); const { execSync } require(child_process); // 生成精简的目录树 try { const structure execSync( tree -I node_modules|.next|.git|dist|build|coverage -L 4 --dirsfirst, { encoding: utf-8 } ); fs.writeFileSync(./cursor-knowledge/sources/project-structure.txt, structure); console.log(项目结构已导出。); } catch (error) { // 如果系统没有tree命令可以用find模拟一个简单版本 const fallbackStructure execSync(find . -type d -not -path ./node_modules* -not -path ./.next* -not -path ./.git* | head -30, { encoding: utf-8 }); fs.writeFileSync(./cursor-knowledge/sources/project-structure.txt, 目录结构简化:\n${fallbackStructure}); }步骤2提取核心类型定义我们的项目使用Prisma和TypeScript核心实体定义在prisma/schema.prisma和src/types/下。 创建脚本02-extract-types.jsconst fs require(fs); const path require(path); // 1. 读取Prisma Schema const prismaSchema fs.readFileSync(./prisma/schema.prisma, utf-8); // 简单提取model定义实际应用中可用正则或prisma解析器做得更好 const modelSection prismaSchema.split(//)[0]; // 简单演示取第一部分 fs.writeFileSync(./cursor-knowledge/sources/prisma-models.md, ## 数据库模型\n\\\prisma\n${modelSection}\n\\\); // 2. 收集所有.ts文件中的导出类型/接口 // 这里简化处理实际需要递归遍历和AST解析 const typeExports // 来自 src/types/index.ts export interface User { id: string; email: string; name: string | null; } export type ApiResponseT { data: T; error: string | null; }; ; fs.writeFileSync(./cursor-knowledge/sources/core-types.md, ## 核心类型定义\n\\\typescript\n${typeExports}\n\\\);步骤3提取API路由信息对于tRPC项目路由定义在src/server/api/root.ts和src/server/api/routers/下。我们可以编写脚本读取这些文件并列出所有可用的过程procedure。// 03-extract-api.js - 概念性脚本 const apiSummary ## tRPC API 摘要 - **auth.**: 认证相关 - auth.login: 用户登录 (input: {email, password}) - auth.register: 用户注册 - **post.**: 文章管理 - post.create: 创建文章 (input: {title, content}) - post.list: 获取文章列表 (input: {limit, cursor}) - **user.**: 用户管理 - user.profile: 获取当前用户资料 ; fs.writeFileSync(./cursor-knowledge/sources/api-summary.md, apiSummary);步骤4格式化与合成最终知识库创建一个合成脚本04-generate-knowledge-base.js将前面生成的所有源文件按照一个清晰的逻辑顺序合并成一个主文档project-context.md。const fs require(fs); const path require(path); const knowledgeBaseParts [ { title: # 项目My Awesome App 知识库, file: null }, { title: ## 1. 项目概览与结构, file: ./sources/project-structure.txt }, { title: ## 2. 数据模型, file: ./sources/prisma-models.md }, { title: ## 3. 核心类型, file: ./sources/core-types.md }, { title: ## 4. API 接口, file: ./sources/api-summary.md }, { title: ## 5. 开发惯例, file: ./sources/conventions.md }, // 需要手动编写 ]; let finalContent ; knowledgeBaseParts.forEach(part { finalContent part.title \n\n; if (part.file fs.existsSync(part.file)) { finalContent fs.readFileSync(part.file, utf-8) \n\n; } }); fs.writeFileSync(./cursor-knowledge/processed/project-context.md, finalContent); console.log(知识库已生成: cursor-knowledge/processed/project-context.md);4.3 在Cursor中集成与使用生成project-context.md后最关键的一步是让Cursor在对话中使用它。有几种常见方式手动引用最直接开启一个新的Chat会话将整个project-context.md的内容粘贴到第一条消息中可以加上一句“以下是当前项目的上下文信息请在此基础之上回答我的问题。” 之后你的所有问题AI都会基于这个上下文来回答。缺点是每次新对话都需要粘贴且内容太长会占用大量Token。利用Cursor的“项目上下文”功能Cursor编辑器有内置的“引用代码”功能。你可以将project-context.md文件在编辑器中打开然后在Chat界面使用符号来引用这个文件。这样该文件的内容就会被作为上下文提供给AI。你可以将关键部分拆分成多个小的.md文件方便按需引用。自定义系统提示高级如果你使用Cursor的“自定义指令”Custom Instructions或类似允许设置系统级提示的功能可以将知识库的精简版例如只包含最重要的惯例和核心模型设置为全局系统提示。这样每个对话都会默认携带这些信息。注意系统提示有长度限制需要高度精炼。我的常用工作流我会维护一个精炼的“核心知识”文档约500-1000字放在自定义指令中。同时保留完整的project-context.md。当需要深入讨论某个模块如“如何给Post模型添加点赞功能”时我会在对话中引用完整的prisma-models.md和相关的API摘要文件。这种分层使用的策略平衡了上下文深度和Token消耗。5. 常见问题与排查技巧实录在实际使用cursor-learner理念构建知识库的过程中我踩过不少坑也总结了一些经验。5.1 信息过载与Token限制问题初次尝试时我把所有源码的摘要都放了进去导致知识库文档超过2万字。在Cursor中使用时不仅粘贴麻烦而且很快会耗尽模型的上下文窗口导致AI“忘记”较早的指令或者响应速度变慢。解决方案摘要的摘要不要直接贴代码。用自然语言描述模块的功能、输入输出和关键点。例如代替一个完整的函数代码写“utils/formatDate.ts: 提供formatRelativeTime(date)函数将Date对象转换为‘3分钟前’、‘昨天’等相对时间字符串。”分层设计如前面所述分为“全局核心提示”短和“模块详情文档”可较长按需引用。动态更新知识库不是一成不变的。当项目新增一个重要功能模块后运行脚本更新对应的部分即可无需全部重做。5.2 AI对知识库的“理解”偏差问题即使提供了详细的类型定义AI有时还是会生成类型不匹配的代码或者忽略你定义的代码规范。排查与解决检查知识表述的清晰度AI不是编译器它理解自然语言。确保你的描述无歧义。比如“使用axiosInstance进行请求”比“使用axios”更好。明确指出axiosInstance是在lib/axios-client.ts中配置过的。强化规则描述不要只说“组件用PascalCase”。提供一个正面例子和一个反面例子。好的描述“所有React组件文件使用PascalCase命名例如SubmitButton.tsx。工具函数文件使用camelCase例如formatCurrency.ts。避免使用button.tsx或FormatCurrency.ts这种命名。”在提问时明确约束即使知识库里有在关键问题上再次口头强调也很有效。例如“根据我们的项目规范组件使用PascalCase请创建一个用户头像组件UserAvatar.tsx。”5.3 维护成本与自动化问题随着项目迭代知识库如何保持同步手动维护太麻烦。实操心得将生成脚本集成到开发流程可以将知识库生成脚本添加到package.json的scripts中例如“gen:context”: “node cursor-knowledge/scripts/04-generate-knowledge-base.js”。在每次发布版本或完成重大重构后运行一下这个命令。聚焦于稳定部分优先将项目中最稳定、变化最慢的部分如核心数据模型、基础工具函数、架构原则自动化到知识库。对于频繁变动的业务逻辑代码可以只记录其位置和职责而不记录具体实现细节。使用Git Hook可以尝试在pre-commit或post-merge的Git钩子中轻量级地运行知识库更新脚本例如只更新最近修改文件的相关摘要但这需要更精细的脚本设计。5.4 效果评估与迭代如何知道知识库是否有效一个简单的测试方法是向集成了知识库的AI提问一些项目特定问题并与未集成时的回答对比。测试问题示例“我们项目里用户模型的字段有哪些”“如何创建一个新的tRPC路由”“lib/auth.ts里提供了哪些函数”期望的回答应该能直接、准确地引用知识库中的信息甚至给出符合项目约定的代码示例。迭代优化如果AI回答不准确或不符合预期回到知识库中检查对应部分的描述是否清晰、完整。可能需要补充例子或者调整表述方式。这个过程本身也是对你项目文档的一种极佳补充。最终cursor-learner代表的是一种思维转变将AI助手视为一个需要持续培训和引导的新团队成员。通过系统性地为其提供项目上下文你获得的将不再是一个偶尔会犯低级错误的“实习生”而是一个真正能理解项目脉络、大幅提升你编码效率的“资深搭档”。投入时间去搭建和维护这个系统长远来看回报会非常显著。
AI编程助手个性化训练：构建项目知识库提升代码生成准确性
1. 项目概述一个为AI编程助手量身定制的学习伴侣如果你和我一样日常开发已经离不开Cursor这类AI编程助手那你肯定也遇到过类似的困扰它很聪明能帮你生成代码、重构函数、甚至写注释但有时候它给出的建议就是“差那么点意思”。要么是对你项目的特定代码风格不熟悉要么是对你常用的工具库理解有偏差每次都要花时间去纠正和解释效率反而被拉低了。dcrebbin/cursor-learner这个项目就是为了解决这个痛点而生的。它本质上是一个专为Cursor以及其他兼容OpenAI API的AI编程工具设计的“个性化学习与知识注入”系统。简单来说它能把你的代码库、技术文档、甚至是你的个人编码习惯系统地“教”给AI助手让AI从一个“通才”变成更懂你、更懂你项目的“专才”。这个项目不是简单地扔几个文件给AI去读。它提供了一套完整的工具链包括从你的项目中提取关键信息、构建结构化的知识库、到最终将这些知识高效地注入AI对话上下文的完整流程。对于任何希望将AI编程助手深度集成到自身工作流并最大化其价值的开发者而言这都是一件值得深入研究的利器。它能显著提升AI生成代码的准确性、一致性以及对项目上下文的理解深度。2. 核心设计思路如何让AI真正“理解”你的项目2.1 从“通用对话”到“领域专家”的转变传统的AI编程助手交互依赖于用户在每次对话中提供的有限上下文通常是当前打开的几个文件。这种方式是临时的、片段化的。cursor-learner的核心思路是打破这种限制构建一个持久化、结构化的项目知识库。它的设计哲学基于一个关键认知要让AI提供精准帮助必须让它掌握项目的“全景图”。这包括架构知识项目的目录结构、模块划分、核心入口文件。代码模式团队约定的命名规范、常用的工具函数、自定义的Hooks或组件。业务逻辑领域实体如UserOrder的定义、核心业务流程的代码实现。外部依赖项目所使用的特定第三方库的版本、常用API及其配置方式。项目通过自动化脚本将这些分散的信息收集、清洗、组织起来形成一份AI易于“消化”的学习材料。这相当于为你的AI助手准备了一份详尽的“项目入职手册”。2.2 技术栈选型与工具链解析cursor-learner本身是一个轻量级的、以脚本为核心的工具集主要基于Node.js/Python生态这确保了其广泛的适用性。它的技术选型体现了“务实”和“可扩展”的原则。信息提取器项目提供了多种提取脚本的示例。对于前端项目可能会利用tree命令或find来扫描目录结构对于代码分析则可能集成像AST抽象语法树解析器这样的工具来提取函数签名、类定义、导出关系等这比简单的文本匹配要精准得多。知识格式化提取的原始信息是杂乱的。项目的一个关键步骤是将其格式化为结构化的文本通常是Markdown或纯文本并遵循一定的模板。例如为每个重要模块生成一个描述段落列出其职责和关键接口。格式化是为了优化AI的读取和理解效率。上下文管理这是与Cursor等编辑器集成的部分。项目需要提供一种方式将格式化后的知识库在适当的时机比如新建一个对话时或检测到用户正在编辑某个模块时自动地、智能地添加到AI对话的“系统提示”或“上下文窗口”中。这通常通过编辑器的插件机制或API来实现。注意cursor-learner本身更像是一个框架和最佳实践的集合它定义了流程和提供了示例但具体的提取规则、格式化模板需要你根据自己项目的实际情况进行定制。这是它灵活性的体现也意味着需要一定的配置成本。3. 核心细节解析与实操要点3.1 知识库的构成什么该学什么不该学不是所有代码都值得放进知识库。一股脑地把整个node_modules或编译产物塞给AI只会浪费宝贵的上下文令牌Token并引入噪音。cursor-learner倡导的是“精准投喂”。一个典型的知识库应包含以下几层信息项目元信息层README.md的核心部分项目简介、启动命令、环境要求。package.json/pyproject.toml/Cargo.toml中的关键信息项目名称、主要依赖及其版本、核心脚本命令。重要的配置文件摘要如.env.example中的关键环境变量、docker-compose.yml中的服务定义。架构与模式层目录结构说明用文字描述src/components/,src/hooks/,api/,models/等目录的职责。例如“src/hooks/目录存放所有自定义React Hooks其中useAuth.ts管理全局认证状态。”代码规范摘要提取自.eslintrc或团队文档。例如“组件命名采用PascalCase工具函数采用camelCase。使用axios实例进行所有HTTP请求实例配置位于lib/axios-client.ts。”设计模式与通用逻辑项目中反复出现的模式如“数据获取统一使用useSWR钩子”“表单处理使用react-hook-form配合zod进行验证”。核心业务实体与接口层关键数据结构主要的TypeScript接口/类型定义、Python的Pydantic模型、Go的Struct定义。特别是那些在多个模块间共享的核心实体。核心API路由列出主要的后端端点及其简要功能、请求/响应格式。重要函数/方法签名那些承担核心业务逻辑的函数的名称、参数和返回值说明。3.2 信息提取的粒度与策略如何自动化地提取上述信息这里有几个实操策略静态分析使用脚本解析代码文件。对于JavaScript/TypeScript可以编写一个简单的脚本使用babel/parser或ts-morph来遍历AST收集所有导出的函数、类、类型别名和接口。对于Python可以使用内置的ast模块。提取出的信息可以按模块归类。动态扫描使用glob或find命令模式匹配特定文件然后读取其内容。例如扫描所有*.dto.ts文件来获取数据传输对象定义或扫描所有*Context.tsx来获取React Context定义。模板化生成为每一类信息设计一个Markdown模板。例如一个“模块描述模板”可能包含## [模块名]、路径、职责、主要导出、依赖模块。提取脚本将数据填充到模板中生成统一格式的文档。一个简单的目录结构提取示例bash# 生成一个忽略掉 node_modules, .git, build 等目录的树状图 tree -I node_modules|.git|dist|build|coverage -L 3 --dirsfirst project_structure.txt然后你可以将这个project_structure.txt文件的内容加上一些解释性文字作为知识库的第一部分。4. 实操过程构建并集成你的第一个项目知识库4.1 环境准备与项目初始化假设我们有一个名为my-awesome-app的TypeScript全栈项目Next.js Prisma tRPC我们将为其构建知识库。首先克隆或参考cursor-learner的仓库获取灵感和基础脚本。我们会在自己项目的根目录下创建一个cursor-knowledge/目录来存放所有相关材料。# 在你的项目根目录 mkdir -p cursor-knowledge/sources mkdir -p cursor-knowledge/processedsources/存放原始提取出的数据文件如结构树、API列表。processed/存放格式化后的、准备喂给AI的最终知识文档。4.2 分步构建知识库文档步骤1提取项目骨架创建一个脚本cursor-knowledge/scripts/01-extract-structure.jsconst fs require(fs); const { execSync } require(child_process); // 生成精简的目录树 try { const structure execSync( tree -I node_modules|.next|.git|dist|build|coverage -L 4 --dirsfirst, { encoding: utf-8 } ); fs.writeFileSync(./cursor-knowledge/sources/project-structure.txt, structure); console.log(项目结构已导出。); } catch (error) { // 如果系统没有tree命令可以用find模拟一个简单版本 const fallbackStructure execSync(find . -type d -not -path ./node_modules* -not -path ./.next* -not -path ./.git* | head -30, { encoding: utf-8 }); fs.writeFileSync(./cursor-knowledge/sources/project-structure.txt, 目录结构简化:\n${fallbackStructure}); }步骤2提取核心类型定义我们的项目使用Prisma和TypeScript核心实体定义在prisma/schema.prisma和src/types/下。 创建脚本02-extract-types.jsconst fs require(fs); const path require(path); // 1. 读取Prisma Schema const prismaSchema fs.readFileSync(./prisma/schema.prisma, utf-8); // 简单提取model定义实际应用中可用正则或prisma解析器做得更好 const modelSection prismaSchema.split(//)[0]; // 简单演示取第一部分 fs.writeFileSync(./cursor-knowledge/sources/prisma-models.md, ## 数据库模型\n\\\prisma\n${modelSection}\n\\\); // 2. 收集所有.ts文件中的导出类型/接口 // 这里简化处理实际需要递归遍历和AST解析 const typeExports // 来自 src/types/index.ts export interface User { id: string; email: string; name: string | null; } export type ApiResponseT { data: T; error: string | null; }; ; fs.writeFileSync(./cursor-knowledge/sources/core-types.md, ## 核心类型定义\n\\\typescript\n${typeExports}\n\\\);步骤3提取API路由信息对于tRPC项目路由定义在src/server/api/root.ts和src/server/api/routers/下。我们可以编写脚本读取这些文件并列出所有可用的过程procedure。// 03-extract-api.js - 概念性脚本 const apiSummary ## tRPC API 摘要 - **auth.**: 认证相关 - auth.login: 用户登录 (input: {email, password}) - auth.register: 用户注册 - **post.**: 文章管理 - post.create: 创建文章 (input: {title, content}) - post.list: 获取文章列表 (input: {limit, cursor}) - **user.**: 用户管理 - user.profile: 获取当前用户资料 ; fs.writeFileSync(./cursor-knowledge/sources/api-summary.md, apiSummary);步骤4格式化与合成最终知识库创建一个合成脚本04-generate-knowledge-base.js将前面生成的所有源文件按照一个清晰的逻辑顺序合并成一个主文档project-context.md。const fs require(fs); const path require(path); const knowledgeBaseParts [ { title: # 项目My Awesome App 知识库, file: null }, { title: ## 1. 项目概览与结构, file: ./sources/project-structure.txt }, { title: ## 2. 数据模型, file: ./sources/prisma-models.md }, { title: ## 3. 核心类型, file: ./sources/core-types.md }, { title: ## 4. API 接口, file: ./sources/api-summary.md }, { title: ## 5. 开发惯例, file: ./sources/conventions.md }, // 需要手动编写 ]; let finalContent ; knowledgeBaseParts.forEach(part { finalContent part.title \n\n; if (part.file fs.existsSync(part.file)) { finalContent fs.readFileSync(part.file, utf-8) \n\n; } }); fs.writeFileSync(./cursor-knowledge/processed/project-context.md, finalContent); console.log(知识库已生成: cursor-knowledge/processed/project-context.md);4.3 在Cursor中集成与使用生成project-context.md后最关键的一步是让Cursor在对话中使用它。有几种常见方式手动引用最直接开启一个新的Chat会话将整个project-context.md的内容粘贴到第一条消息中可以加上一句“以下是当前项目的上下文信息请在此基础之上回答我的问题。” 之后你的所有问题AI都会基于这个上下文来回答。缺点是每次新对话都需要粘贴且内容太长会占用大量Token。利用Cursor的“项目上下文”功能Cursor编辑器有内置的“引用代码”功能。你可以将project-context.md文件在编辑器中打开然后在Chat界面使用符号来引用这个文件。这样该文件的内容就会被作为上下文提供给AI。你可以将关键部分拆分成多个小的.md文件方便按需引用。自定义系统提示高级如果你使用Cursor的“自定义指令”Custom Instructions或类似允许设置系统级提示的功能可以将知识库的精简版例如只包含最重要的惯例和核心模型设置为全局系统提示。这样每个对话都会默认携带这些信息。注意系统提示有长度限制需要高度精炼。我的常用工作流我会维护一个精炼的“核心知识”文档约500-1000字放在自定义指令中。同时保留完整的project-context.md。当需要深入讨论某个模块如“如何给Post模型添加点赞功能”时我会在对话中引用完整的prisma-models.md和相关的API摘要文件。这种分层使用的策略平衡了上下文深度和Token消耗。5. 常见问题与排查技巧实录在实际使用cursor-learner理念构建知识库的过程中我踩过不少坑也总结了一些经验。5.1 信息过载与Token限制问题初次尝试时我把所有源码的摘要都放了进去导致知识库文档超过2万字。在Cursor中使用时不仅粘贴麻烦而且很快会耗尽模型的上下文窗口导致AI“忘记”较早的指令或者响应速度变慢。解决方案摘要的摘要不要直接贴代码。用自然语言描述模块的功能、输入输出和关键点。例如代替一个完整的函数代码写“utils/formatDate.ts: 提供formatRelativeTime(date)函数将Date对象转换为‘3分钟前’、‘昨天’等相对时间字符串。”分层设计如前面所述分为“全局核心提示”短和“模块详情文档”可较长按需引用。动态更新知识库不是一成不变的。当项目新增一个重要功能模块后运行脚本更新对应的部分即可无需全部重做。5.2 AI对知识库的“理解”偏差问题即使提供了详细的类型定义AI有时还是会生成类型不匹配的代码或者忽略你定义的代码规范。排查与解决检查知识表述的清晰度AI不是编译器它理解自然语言。确保你的描述无歧义。比如“使用axiosInstance进行请求”比“使用axios”更好。明确指出axiosInstance是在lib/axios-client.ts中配置过的。强化规则描述不要只说“组件用PascalCase”。提供一个正面例子和一个反面例子。好的描述“所有React组件文件使用PascalCase命名例如SubmitButton.tsx。工具函数文件使用camelCase例如formatCurrency.ts。避免使用button.tsx或FormatCurrency.ts这种命名。”在提问时明确约束即使知识库里有在关键问题上再次口头强调也很有效。例如“根据我们的项目规范组件使用PascalCase请创建一个用户头像组件UserAvatar.tsx。”5.3 维护成本与自动化问题随着项目迭代知识库如何保持同步手动维护太麻烦。实操心得将生成脚本集成到开发流程可以将知识库生成脚本添加到package.json的scripts中例如“gen:context”: “node cursor-knowledge/scripts/04-generate-knowledge-base.js”。在每次发布版本或完成重大重构后运行一下这个命令。聚焦于稳定部分优先将项目中最稳定、变化最慢的部分如核心数据模型、基础工具函数、架构原则自动化到知识库。对于频繁变动的业务逻辑代码可以只记录其位置和职责而不记录具体实现细节。使用Git Hook可以尝试在pre-commit或post-merge的Git钩子中轻量级地运行知识库更新脚本例如只更新最近修改文件的相关摘要但这需要更精细的脚本设计。5.4 效果评估与迭代如何知道知识库是否有效一个简单的测试方法是向集成了知识库的AI提问一些项目特定问题并与未集成时的回答对比。测试问题示例“我们项目里用户模型的字段有哪些”“如何创建一个新的tRPC路由”“lib/auth.ts里提供了哪些函数”期望的回答应该能直接、准确地引用知识库中的信息甚至给出符合项目约定的代码示例。迭代优化如果AI回答不准确或不符合预期回到知识库中检查对应部分的描述是否清晰、完整。可能需要补充例子或者调整表述方式。这个过程本身也是对你项目文档的一种极佳补充。最终cursor-learner代表的是一种思维转变将AI助手视为一个需要持续培训和引导的新团队成员。通过系统性地为其提供项目上下文你获得的将不再是一个偶尔会犯低级错误的“实习生”而是一个真正能理解项目脉络、大幅提升你编码效率的“资深搭档”。投入时间去搭建和维护这个系统长远来看回报会非常显著。
