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。



昨天去某厂做了场Cursor入门分享（由于他们本身也有相关业务，所以这里不方便公开名字），这场分享的核心观点总结起来就三点：

1、AI编程有很多局限，包括但不限于“抽盲盒”、“偏科”、“健忘症”、“消息滞后”；

2、几乎所有AI编程工具都是围绕着这些局限去打造功能；

3、用好Cursor的关键，就是善用Cursor的功能来削弱这些局限。

之所以单独整理这篇文章，一方面是作为自己的复盘，补充自己在分享中可能遗漏的一些内容，另一方面是把这场分享的一些观点分享给大家，希望对大家也有启发。

关于AI编程局限的观点，最初萌芽于我的这篇文章>>>AI编程的使用场景、局限，以及我们的应对（其实大家可以不看这篇文章，因为核心观点都在这里了）。

后来随着对Cursor更深度的使用，以及对AI编程更深入的了解，我对AI编程慢慢有了个初步的认知框架。

这次线下分享，是限定主题，要讲Cursor基础入门，要相对系统。由于我不想只是简单地把所有功能罗列一遍（这也太无趣了），我更希望帮助大家构建起对Cursor或者说对AI编程的整体认知，这样不论是当前已有的功能，还是未来推出的新功能，都可以基于这个认知框架去理解。

后面我想到了之前那篇文章，想起自己在小报童社群、在知识星球老说到的一些观点，然后很多以前飘着的零散的想法，一下子串联起来了。

1、AI编程的局限，很多时候是LLMs（大语言模型）的本身局限带来的，包括但不限于生成的随机性、上下文限制、训练数据有大众小众之分、训练数据有截止时间等。

2、LLMs的这些局限，有些在AI编程中是被放大的。

3、比如AI生成的随机性（大模型是根据概率在预测下一个token），这种随机性放在AI写作上（非法律、医学等行业）一般不会有太大问题，即使错了一两个字，我们一般也能快速理解作者要表达的意思。但放到AI编程里，这其实很致命，因为代码本身是非常结构化的，但凡少了个大括号，逗号，整段代码可能都没法运行，

4、又比如AI是“偏科”的。因为AI的表现能力是基于训练它的数据，对于一些大众的编程语言如Python、JavaScript，AI往往会表现的比较出色，但对于一些小众的编程语言，则可能不尽人意。就拿Claude和Gemini来说，虽然它们都是顶尖编程模型，但由于它们没有太多微信小程序的代码训练数据，在这类项目上的表现往往没那么出色。

5、再比如“消息滞后”。每个大模型的训练语料都是截至到某个时间点的，如果你不给模型接各种外部工具、数据，那么它能回答的消息是不会超过这个时间点。而在编程领域，一些技术、框架、语言版本的更新是非常迅速的，如果训练数据过时，AI可能会给你生成不兼容的代码，甚至是不安全、有漏洞的代码。

6、除了在AI编程中会被放大的局限，还有一些局限可能没被放大，但目前很难彻底解决，典型如上下文。

7、无论哪个大模型，目前都有上下文局限，区别在于这个上下文的大小。这个上下文局限其实和我们人类的健忘很像，比如你现在看到文章的第7点，可能已经忘记第1点说什么了，你待会看完文章，可能又会遗忘现在第7点的部分内容，这就是上下文局限。放到AI编程里，大家经常把这种情况调侃为工具的降智。之前分享过一篇关于Cursor降智的文章>>>Cursor降智？盘点4种可能原因及解决方法，其中有一点谈的就是上下文限制。

8、由于LLMs本身的这些局限无法彻底解决，所以目前Cursor、Trae、Cline等AI编程工具，都是围绕着这些局限去打造功能的。还有一些第三方工具，也在为克服上述的一个或多个局限推出相关产品。

9、对于代码生成的随机性，这些AI编程工具推出了Rules功能，通过给AI“立规范”来降低这种随机性。之前分享过多篇 Cursor Rules 的文章：

cursor教程 | 如何根据不同项目写好一份合格的cursorrules?

.cursorrules将被移除，大家现在就可以迁移使用Project Rules，控制代码更精准

Cursor Rules在实际开发中的三种层级&实际应用（附20个常用Rules）

10、为了进一步降低生成随机性，也为了更好地应对上下文局限，这些AI编程工具还提供了丰富的 Context（上下文）工具，以Cursor为例，它目前提供了10多种 Context 工具，包括但不限于@codebase、@file、@folder、@git 、@terminal、@web、@Cursor Rules（没错，Rules本身就是一种context）等。

11、在这些 Context 工具中，有一些是专门应对“消息滞后”局限的，比如@web 可以实现联网搜索，@docs 可以实现阅读外部文档，还有目前大火的MCP，理论上可以接入所有你可获取的外部工具/数据。关于MCP，可以看之前这篇文章>>>关于A2A、MCP、Agent、LLM的6条极简事实，比较简洁地介绍了MCP和目前LLMs、Agent的关系。

12、由于当前的 Context 工具并不能满足所有人的需求，一些第三方平台基于自己的洞察，结合自身业务，也推出了一些小工具来提升解决“消息滞后”问题的效率，比如之前分享的 Context7 以及它推出的MCP，可以自动获取最新的技术文档，而不需要我们手动复制粘贴。之前在这篇文章也介绍过Context7的用法>>>Cursor官方下场谈Cursor正确用法，以及我的实践解读

13、上述工具往往还可以组合起来使用，比如之前这篇文章>>>Windsurf v1.8.2最值得关注的更新：自定义工作流，介绍的是Windsurf怎么通过 Rules + Workflows + Memories 的方法让代码生成更可控。还有这篇文章>>>Cursor解决bug总在绕圈？可以尝试引入 Memory Bank，介绍的就是怎么通过Rules或自定义模式来建立Memory Bank，后续可以通过@file、@folder来快速理解项目，来克服AI的“健忘症”。

14、这让我想到最近很火的MCP项目——OpenMemory MCP，其实也是在做克服AI“健忘症”的事情，只不过解决的方向更加细分，是让不同工具之间（如Cursor、Claude Desktop、Windsurf、Cline）共享上下文信息。

15、可以预想到的是，接下来还会涌现出更多类似 Context7、OpenMemory 的实用工具，用于解决当前AI编程某个细分场景下的问题。Cursor、Trae、Cline这类AI编程工具也会继续围绕前面提到的局限去发力，推出更多新能力去降低这些局限带来的影响。

16、而作为工具使用的我们，只要知道“所有的AI编程工具都是围绕这些局限打造功能的”，那么无论使用哪一款AI编程工具，都可以快速上手。

以上就是我这次线下分享的核心内容以及延展补充，希望对大家有启发。