大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



近期收到许多同事和朋友的反馈，他们在 AI 编程中遇到了各类问题：

• 如何高效使用 Rules 和 MCP？当前使用门槛较高，是否有**实践？
• 如何让 AI 在处理复杂需求时表现更优？
• 面对架构复杂的老项目，AI 处理效果不佳，如何解决？
• 希望生成简单代码时，AI 输出却过于复杂，如何优化？

经过数月在业务场景中深度应用 AI 编程（覆盖全新项目开发、老项目代码重构及新模块扩展），我深刻体会到 AI 的优势与局限。经过团队对AI 工程化建设、MCP 工具开发等实践，探索出一套低门槛、高质量的 AI 编程落地方案。本文将从以下两部分展开：

• AI 编程基础配置：详解项目中 Rules、MCP 及自定义模式的配置实践。
• AI 开发全流程：剖析不同场景下（新项目 / 老项目）的完整开发流程，涵盖计划、编码、复盘核心环节，通过标准化流程释放 AI 编程效能。

相信看完这篇文章对上面的问题会有答案并将AI编程更好的落地业务开发。

1. Rules 配置;

前置条件：确认项目已具备以下核心 Rules 文档：

• 项目架构（包含目录结构、技术栈、业务分层）
• 技术方案编写规范
• 代码开发规范（命名、注释、格式）
• 功能开发流程模板
• 代码提交与评审规范

文档价值： 传统开发中，系统化文档可降低重复培训成本；而 AI 缺乏长期记忆，每次会话相当于 “新成员入职”，标准化文档是 AI 理解项目的核心依据

文档组织**实践

• 集中存储：将 Rules 统一存放于项目根目录 下，便于 Cursor 自动引用。
• 场景化分类：按开发阶段命名文件前缀，示例目录结构如下：

根目录规则文件：作为项目默认规范，配置 RuleType 为，在对话中自动携带。

子目录规则文件：仅在特定场景使用，配置 RuleType 为 。

rules 统一整理到了

Rules 维护技巧

• 老项目规则生成：结合 快捷命令生成部分规则。
• 开发后总结：代码提交阶段，让 AI 结合代码变更和聊天记录总结生成功能开发规范。

优质 Rules 参考：Cursor.directory/rules

2.自定义模式配置

在开发不同阶段配置不同自定义模式，模式的名称可与规则子目录一致，分为

最开始还有一个 review 模式，用于等，但是使用一段时间发现经常会忘记切换模式。分析了一下原因，主要是因为以前等操作，这是为了更好的AI编程效果而无中生有的步骤，大多数人没有这个使用习惯。所以最终还是让这些步骤统一在 下进行。

如何配置

1. 模式开启Cursor Settings → Features → 勾选 。
2. 模式定义

• 模式（规划阶段）
• • 模型 ，具备深度思考，对长上下文解析能力更好的
  • MCP ，打通需求文档访问
  • 系统提示词，如下：

• 模式（开发阶段）
• • 模型 ，较强的代码能力，生成速度较快
  • MCP 等，打通数据库，代码仓库
  • 系统提示词，如下：

很多人会分不清自定义模式下的和 分别应该存放什么内容，觉得功能比较重复。 我是这样理解的： 下存放的是原子的、独立的规则, 自定义模式的会编排这些 形成工作流。

3.MCP 配置

配置需求平台和代码平台打通的 MCP 工具。 我们公司内部使用的是飞书项目、飞书文档来管理需求，Codeup 进行代码托管，主要提供等 tools，你可以根据公司内部的实际情况去使用或开发MCP工具。 你可以先在如下网站寻找开源工具：

4.如何维护配置？

相信你也看出来了，配置一个项目还是比较繁琐的，如果有多个项目建议将 Rules 和 MCP 配置模版放在统一的代码仓库中统一维护，然后通过一个命令行工具可以快速拉取相关配置到项目中，大概效果如下：

功能实现可划分为三个阶段，在此过程中编码体检和效率应不断提升。

场景一：新项目或新模块开发

✏️ 计划阶段

好了完成了前置配置工作，终于可以开始愉快的开发工作了。第一步我们需要进行需求分析、方案设计、任务拆分，与AI达成共识，最终产出技术文档，并通过该文档指导AI后续编码工作。

切换到 plan 模式后，输入需求链接或需求文档链接+实现要求，AI 会根据 中的需求分析要求和技术文档模版进行技术文档编写其中最核心的规则是强调三点：

1. 避免主观臆断的功能实现，需要确认沟通
2. 需求任务复杂情况下，拆分分析任务，多轮对话，增强质量把控
3. 提供技术文档模版，保证内容质量和格式

在这些规则要求下，AI会先生成一份大纲，比如：包含核心流程、数据库设计、API设计，核心功能伪代码等，但是每一部分内容比较简略，AI会与我们多轮沟通逐渐完善每一个部分。

最终我们会得到两份文档：、，用户可以在后续编码阶段使用。(若部门存在技术评审协作方面的要求，例如采用飞书文档来开展评审工作，这样便于大家进行评论。此时，可通过调用飞书 MCP，将 转化生成一份飞书文档)

⌨️ 编码阶段

切换到 模式后，结合+我们让AI进行开发。同时如果有同类功能开发的模版或SOP Rules，可以提供AI参考，提示词如下：

接着，我们需要不断对AI完成的任务做出评审反馈，完成后再进入下一个任务。

⚠️ 这里分享一个经验：如果超过2轮生成不符合要求，就可以去手动修改了，Cursor从代码修改中学习的速度比从解释中学习更快。

🧠 复盘阶段

如果你按照上面的前置配置部分内容进行了自定义模式配置，那么你可以通过类似 的关键词触发 的流程，如下：

在实际的开发中，我并不会每次提交都触发这个流程。大多数时候仍然是通过命令行或者Cursor中的Git插件提交并推送代码，这样效率更高。只有在代码开发接近尾声时会进行一次该流程，通过对比当前分支和主分支的差异进行完整分析。

ps: 通过Cursor中的Git插件进行 生成很好用,就是格式不易控制，需要自己微调一下。

场景二：老项目逻辑调整

在复杂的老项目对某个模块进行修改时，我们用 AI辅助分析+Tab辅助编码的形式的AI编码模式。因为我们要让AI全面理解项目的时间较长、难度较大，并且代码本来也不会特别多，所以这样更省时间。

✏️ 计划阶段

对老项目的改动我们求稳，让AI根据需求生成和时着重强调找到相关代码并确认改动点和风险点，这对刚接手项目的人也是一个快速了解项目的方式。

⌨️ 编码阶段

结合上一步的生成的 和，我们找到对应的改动点进行手动编码，Cursor 中的Tab模型在 0.5.0 后，使用体验上有质的飞跃，可以跨文件提示非常智能。

🧠 复盘阶段

同场景一

通过标准化的 Rules 配置、场景化的模式设计及全流程的工具链打通，AI 编程已从 “实验性工具” 转变为 “可落地的生产力”。核心经验可总结为：

1. 文档先行：用结构化 Rules 降低 AI 理解成本。
2. 流程驱动：分阶段（计划→开发→复盘）规范操作，通过每个阶段对应的自定义模式让研发流程更规范、可控，也降低了使用门槛。
3. 人机协同：复杂分析与简单编码交给 AI，关键逻辑由人工把控。

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】