• 英文中，一个 Token 大约是一个单词或单词的一部分
• 中文里，一个汉字通常占 1~2 个 Token

• “Hello World” → 约 2 个 Token
• “你好世界” → 约 4~6 个 Token

• 输入 Token：你发给 AI 的内容（提示词、代码、文件）
• 输出 Token：AI 回给你的内容（回答、生成的代码）

• 训练（Training）：让 AI 从海量数据中学习的过程。这需要巨大的计算资源，一般由 AI 公司完成。绝大多数情况下，你直接用训练好的成品就行，不需要自己训练。
• 推理（Inference）：模型学完之后，用学到的知识来回答问题、生成内容。你每次和 ChatGPT 聊天、让 Cursor 写代码，本质上都是在进行推理。

❌ 不好的提示词：“做一个网站”✅ 好的提示词：“用 React 做一个记账网站，包含添加支出、查看列表、统计总额三个功能，界面用蓝色调”

• 系统提示词（System Prompt）：设置 AI 的角色和行为规则，对用户不可见
• 用户提示词（User Prompt）：你发送给 AI 的消息
• 助手提示词（Assistant Prompt）：AI 回复给你的消息

直接描述需求，不给任何示例。比如：“请把这段英文翻译成中文。”

请按以下格式翻译： 英文：Hello → 中文：你好 英文：Thank you → 中文：谢谢 英文：Good morning → 中文：

Markdown 是一种轻量级标记语言，用简单符号表示格式：# 表示标题，文字 表示加粗，- 表示列表。

• AI 的回复大多是 Markdown 格式
• 项目文档（README）用 Markdown 写
• 规则文件也是 Markdown 格式

• Vibe Coding：跟着感觉走，AI 吐代码，能跑就行。做小工具飞快，但项目一大容易翻车。
• Agentic Engineering：先想清楚要做什么、写好方案、拆好任务，再交给 AI 执行，完成后还要验收。

• 自动读取和分析多个文件
• 规划实现方案
• 执行代码修改
• 运行测试验证
• 自动修复问题

• 一个负责架构设计
• 一个写前端
• 一个写后端
• 一个做代码审查

• 并行处理多个独立任务，效率翻倍
• 主代理的上下文保持干净
• 每个子代理专注于自己的任务，结果更准确

1. 感知：获取当前环境信息（读取文件、查看错误）
2. 思考：分析情况，决定下一步
3. 行动：执行具体操作（写代码、运行命令）
4. 观察：检查行动结果
5. 循环：根据结果决定是否继续

• 先推理：思考当前情况，制定计划
• 再行动：执行具体操作
• 观察结果：看看效果如何
• 继续推理：根据结果调整策略

• 思维链提示：是一种提示词技巧，引导 AI 展示推理过程
• 深度思考：是模型内置的能力，AI 自动进行深度推理，不需要你在提示词里特别要求

• 读写文件
• 搜索网页
• 执行命令和脚本
• 调用 API
• 操作数据库

Anthropic 在 2025 年推出的开放标准。Skill 的本质是一个包含 SKILL.md 文件的文件夹，里面有提示词、代码脚本、资源文件。

• 代码生成后自动格式化
• 文件修改后自动执行测试
• 提交代码前自动检查规范

在对话框输入 / 触发的快捷指令。Cursor、Claude Code 等工具都支持。

• /help：查看可用命令
• /compact：压缩当前对话上下文
• /config：修改配置

你也可以自定义。比如创建一个 /commit-push-pr 命令，一次性完成提交、推送和创建 PR。自定义命令的本质就是一个 Markdown 文件——在 .cursor/commands/ 目录下创建 .md 文件，文件名就是命令名。

• Analyst Agent（分析师）：创建项目简报
• PM Agent（产品经理）：转化为产品需求文档
• Architect Agent（架构师）：设计技术方案

• 查看屏幕截图，理解界面元素
• 移动鼠标光标，点击按钮
• 使用键盘输入文字
• 执行命令行操作

• 当前对话的历史
• 你打开的代码文件
• 项目的结构和配置
• 你提供的参考资料

• 选择最相关的文件
• 提供必要的背景说明
• 使用规则文件定义项目规范
• 适时清理无关的对话历史

• Cursor：.cursor/rules/*.mdc（推荐）或旧版 .cursorrules
• Claude Code：CLAUDE.md
• GitHub Copilot：.github/copilot-instructions.md

• 构建和启动命令
• 测试运行方式
• 代码风格和规范
• 项目结构说明

1. Constitution：定义项目原则和规范
2. Specify：描述要做什么、为什么做
3. Clarify：让 AI 提问，明确边界
4. Plan：确定技术栈、架构、API
5. Tasks：拆解成可执行的任务列表
6. Implement：AI 按任务列表生成代码

向量数据库专门用来存储和查询向量（一串数字组成的数组，如 [0.1, 0.5, 0.3, 0.8]）。AI 可以把文字、图片、代码转换成向量，语义相似的内容转出来的向量也会很接近。

当你把代码或文档存入向量数据库后，AI 就能快速找到语义相似的内容——即使搜索词和原文不完全一样。比如搜“用户登录”，它能找到叫 handleAuth 的函数。

• 要求 AI 提供文档链接验证
• 自己查官方文档确认
• 换个模型试试
• 开新对话重新描述问题
• 用 RAG 让 AI 先检索真实数据

• 温度低（如 0.1）：输出更确定、更保守 → 适合写代码
• 温度高（如 1.0）：输出更随机、更有创意 → 适合头脑风暴

• 设置断点，逐步执行
• 查看变量值
• 阅读错误信息
• 添加日志输出

• 提取重复代码为函数
• 改进命名
• 简化复杂逻辑
• 拆分过长的文件

• Vercel：适合前端和全栈应用
• Netlify：适合静态网站和前端应用
• Railway、Render：适合后端服务

• HTML：页面结构
• CSS：样式和布局
• JavaScript：交互逻辑
• React/Vue/Next.js：现代前端框架

• Node.js/Python/Java：编程语言
• Express/FastAPI/Spring：Web 框架
• MySQL/PostgreSQL/MongoDB：数据库

• 关系型数据库（MySQL、PostgreSQL）：表格形式
• 文档数据库（MongoDB）：JSON 形式
• 键值数据库（Redis）：适合缓存和快速查找

• Supabase：开源的 Firebase 替代品
• Firebase：Google 的 BaaS 平台
• PlanetScale：托管的 MySQL 服务