前言

很多刚接触 AI 辅助编程的小伙伴应该都听说过 Cursor 的强大，对初学者而言，免费版Cursor的免费额度也足够让大家体验它的强悍能力。

可是在实际应用过程中，从我的实际经验，如果只是把它当作一个沟通对象，像和人沟通那样来完成开发任务，却会浪费大量时间在纠正它的理解偏差，而且极大概率在某一次对话后，把原来的成果改得面目全非，大量努力付诸东流。

Cursor的12条军规

其实 Cursor 是否能更有效地发挥作用，跟它的使用方式有很大关系。Cursor的首席设计师 Ryo Lu 早前曾在 X 上给出善用 Cursor 的12条军规：

1. 明确项目规则： 在项目开始前，设置5-10条清晰的项目规则，让Cursor了解你的代码结构和约束。对于现有代码库，可以尝试使用/generate rules命令来生成规则。
2. 具体化提示： 在提示中要非常具体，详细说明技术栈、期望行为和限制，就像编写一个迷你规范。
3. 按文件操作： 每次处理一小部分，生成、测试并审查，保持专注。
4. 测试先行： 优先编写测试，锁定测试用例，然后生成代码直到所有测试通过。
5. 严格审查与修正： 始终审查AI的输出，并手动修复任何错误，然后将这些修正作为示例告知Cursor。
6. 限定作用域： 使用@ file, @ folders, @ git等命令来将Cursor的注意力限制在代码库的特定部分。
7. 提供完整上下文： 将设计文档和清单保存在.cursor/目录下，以便Cursor代理能够充分理解下一步需要做什么。
8. 直接修改错误代码： 如果生成的代码有误，直接手动修改。Cursor从编辑中学习的速度比从解释中学习更快。
9. 利用聊天历史： 使用聊天历史来迭代旧的提示，而无需从头开始。
10. 明智选择模型： 根据需求有目的地选择模型。例如，Gemini适用于追求精确性，而Claude适用于需要更广泛知识的场景。
11. 处理新栈或不熟悉栈： 在处理新或不熟悉的技术栈时，粘贴相关文档链接。让Cursor逐行解释所有错误和修复方法。
12. 优化大型项目性能： 对于大型项目，让其在夜间进行索引，并限制上下文范围以保持性能的流畅性。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

Using Cursor well = fast, clean code.
Using it wrong = AI spaghetti you’ll be cleaning up all week.
Here’s how to actually use it right:
1. Set 5-10 clear project rules upfront so Cursor knows your structure and constraints. Try /generate rules for existing codebases.
2. Be specific in prompts. Spell out tech stack, behavior, and constraints like a mini spec.
3. Work file by file; generate, test, and review in small, focused chunks.
4. Write tests first, lock them, and generate code until all tests pass.
5. Always review AI output and hard‑fix anything that breaks, then tell Cursor to use them as examples.
6. Use @ file, @ folders, @ git to scope Cursor’s attention to the right parts of your codebase.
7. Keep design docs and checklists in .cursor/ so the agent has full context on what to do next.
8. If code is wrong, just write it yourself. Cursor learns faster from edits than explanations.
9. Use chat history to iterate on old prompts without starting over.
10. Choose models intentionally. Gemini for precision, Claude for breadth.
11. In new or unfamiliar stacks, paste in link to documentation. Make Cursor explain all errors and fixes line by line.
12.Let big projects index overnight and limit context scope to keep performance snappy.
Structure and control wins (for now)
Treat Cursor agent like a powerful junior — it can go far, fast, if you show it the way.

测试开发如何善用Cursor?

而作为一个测试开发或自动化测试工程师，我们在编写相关测试脚本或工具时，如何善用 Cursor 更好帮助我们提升效率和产出呢？本文我们参照以上 12 条规则，总结相关的实践指南。

初始化与上下文构建——将Cursor训练成“测试领域专家”

在项目启动或介入初期，首要任务是让Cursor充分理解当前测试环境的规范与约束。高质量的上下文输入，是高质量代码输出的前提。

明确项目测试规则与约定 (规则1)

在自动化测试项目中，代码规范、框架选型和设计模式的统一至关重要。基于规则1：明确项目规则 ，我们可以利用.cursor/rules.md文件，将这些隐性的团队知识显性化，为Cursor提供一份清晰的行动纲领 。而对于存量项目，还可先使用/generate rules命令初步提炼规则，再进行人工增补。

实践案例：在一个基于Python Flask的Web项目中，测试技术栈为Pytest与Selenium。可以在.cursor/rules.md中定义如下规则：

1
2
3
4
5
6
7
8

# .cursor/rules.md
- [cite_start]所有单元测试文件命名为 `test_*.py` 
- UI测试文件命名为 `ui_test_*.py` 
- [cite_start]测试函数必须以 `test_` 开头 
- [cite_start]使用Pytest fixture进行测试环境的设置与销毁（setup and teardown） 
- [cite_start]UI测试遵循Page Object模式，页面对象进行封装 
- [cite_start]避免使用硬编码等待，优先采用WebDriver的显式等待机制 
- [cite_start]测试报告统一使用Allure框架生成 

提供详尽的指令以模拟“测试场景” (规则2)

与AI的交互质量直接决定输出代码的质量。自动化测试的指令尤其需要精确性，因为它必须完整描述被测功能、输入数据、预期行为乃至异常路径。

实践案例：为用户登录功能编写集成测试。

• 效果不佳的指令：写一个登录测试。
• 结构清晰的指令：

1
2
3
4

请使用Pytest框架，为Flask应用的用户登录功能（端点为POST /api/login，接收username和password）编写集成测试。需要覆盖以下三个场景：
1. 成功登录 (使用admin/password123)；
2. 密码错误 (使用admin/wrongpass)；
3. 用户不存在 (使用nonexistent/anypass)。对于成功场景，断言HTTP状态码为200且响应中包含非空的token。对于失败场景，断言状态码为401。

迭代式开发与修正——实现“测试代码的持续集成”

将复杂的测试任务分解，通过“生成-验证-修正”的敏捷循环进行开发，是确保代码质量和项目进度的有效策略。

小步快跑，增量验证 (规则3)

应规避一次性生成整个复杂模块所有测试的诱惑。

正确的做法是将任务分解为最小可验证单元，逐个击破。

例如，在为一组RESTful API编写测试时，应按“创建用户 -> 获取用户 -> 更新用户 -> 删除用户”的逻辑顺序，逐一生成和验证测试代码

这种方式有助于快速定位问题，避免错误的累积。

测试驱动开发（TDD）的应用 (规则4)

测试驱动开发是保障代码质量的经典模式，Cursor可以成为该模式的强大加速器。工程师先定义函数的预期行为（即编写测试用例），再让AI生成满足这些测试的实现代码。

实践案例：实现一个折扣计算函数calculate_discount(price, discount_rate)。

1. 定义测试: 首先要求Cursor：生成一个Pytest测试用例，用于测试calculate_discount函数。当price=100, discount_rate=0.1时，预期返回值为90；当discount_rate为负数时，应抛出ValueError异常。
2. 生成实现: 在测试代码test_calculate_discount.py生成后，运行它（此时会失败），然后对Cursor发出新指令：请根据刚才生成的测试用例，实现calculate_discount函数的功能。
3. 验证闭环: Cursor生成函数实现后，再次运行测试，直至全部通过。

主动纠正，教学相长 (规则5)

需要注意的是，AI生成的代码并非永远正确，而工程师的审查和修正是最后一道防线。直接在代码中修正错误，是训练Cursor最有效的方式，远胜于用自然语言向其解释。

实践案例： 比如Cursor在生成的UI测试中，使用了一个不稳定且错误的XPath定位器//button[@id='submit']。在测试运行失败后，我们可以直接手动将其修改为正确的定位器，例如 //input[@value='Login']。修正后，可以在聊天中备注一句以强化其学习：“我已修正登录按钮的定位器，新的定位器更准确。请在后续任务中参考此模式。” 。

精细化管理——实现“测试资源的智能调度”

在大型项目中，如何让Cursor聚焦于正确的信息，是决定其效率和相关性的关键。

精准限定上下文范围 (规则6)

在庞大的代码库中，测试任务往往只与特定模块或服务相关。通过使用@folders或@file命令，可以显著缩小Cursor的分析范围，让其专注于必要的上下文。

实践案例： 当为user_service微服务编写API测试时，所有相关代码位于services/user_service/目录。此时，应在提问前先输入@folders services/user_service/，然后再描述具体的测试需求。

沉淀项目知识以辅助决策 (规则7)

可以将测试策略、UI定位器优先级、数据模拟规范等关键信息沉淀为文档，并存放于.cursor/目录中。这相当于为Cursor提供了一套“项目级知识库”。

实践案例： 创建.cursor/ui_locators_priority.md文件，内容为：“UI元素定位优先顺序：ID > Name > CSS Selector > XPath”。在提问时便可引用：请参考.cursor/ui_locators_priority.md中的策略，为注册页面的‘提交’按钮生成Selenium定位代码。。

问题解决与效率优化——化身“测试效率加速器”

掌握高级用法，能进一步将Cursor从日常助手，转变为解决复杂问题和加速学习的利器。

智能选择AI模型 (规则10)

不同的AI模型具有不同的能力侧重。根据测试任务的特性选择合适的模型，可以事半功倍。

• Gemini (精度优先)：适用于生成语法要求严格的单元测试、算法校验、或使用特定框架（如React Testing Library）的精细化测试代码。
• Claude (广度优先)：更适合需要理解大量上下文的场景，如根据API文档生成全面的集成测试、设计端到端（E2E）测试场景，或在不熟悉的代码库中探索和建议测试点。

利用文档快速掌握新技术 (规则11)

当团队引入新的测试框架（如Playwright）时，工程师可以利用Cursor快速跨越学习曲线。

实践案例： 直接向Cursor提供Playwright官方文档链接，并要求其生成示例代码。当生成的代码运行出错时，可以粘贴错误信息并提问：“这是运行Playwright脚本时出现的错误，请根据官方文档逐行解释错误原因，并提供修复建议。”。

限制上下文范围 (规则12)

当项目代码量比较大时，通过过夜索引，并限制上下文范围。

实践案例：

在处理大型测试项目时，允许Cursor在后台处理索引，到第二天再进行具体的代码生成，从而保持性能流畅。

1
2
3
4

# 优先索引核心模块
@folder tests/unit
# 延迟加载集成测试
@defer tests/integration

总结

对于我们实际工作而言，成功运用Cursor的本质，是一个从“指令下达者”转变为“智能协作者”和“知识引导者”的过程。着眼点在于突出其 智能协作、知识沉淀和效率提升 的系统性作用。