AI编程工具实战心得：Cursor与Augment
|
91
|
0
|
未分类

1623 字
|
17 分钟

作为一名一线运维开发，我在过去最近一直在深度使用了多款AI编程工具。今天想分享一下Cursor和Augment两款工具的实际使用体验，以及对AI编程在运维开发领域的一些思考。

工具对比：Cursor vs Augment

基本信息对比

对比维度CursorAugment
工具类型AI编程IDE（基于VSCode）AI编程平台+VSCode插件
基础架构集成式IDE环境上下文引擎+AI Agent
主要特点代码补全、Chat功能大型代码库理解、智能Agent
目标用户个人开发者、小团队企业级开发团队

收费标准对比

版本类型CursorAugment
免费版每月2000次快速补全
200次慢速补全		Community版：免费
每月3000条消息限制
个人付费版Pro版：$20/月
无限快速补全，500次慢速补全		Developer版：$30/月
无限使用（目前）
团队版Business版：$40/月/用户
无限补全+优先支持		Enterprise版：联系销售
企业级安全和支持
试用期14天免费试用14天免费试用Developer版

Cursor规则提示词与mcp优化实践

1、Cursor的MCP实现

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": [
        "-y",
        "@upstash/context7-mcp@latest"
      ]
    },
    "sequential-thinking": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-sequential-thinking"
      ]
    },
    "mcp-feedback-enhanced": {
      "command": "uvx",
      "args": [
        "mcp-feedback-enhanced@latest"
      ],
      "timeout": 600,
      "autoApprove": [
        "interactive_feedback"
      ]
    },
    "playwright": {
      "command": "npx @playwright/mcp@latest",
      "env": {}
    },
    "mcp-server-time": {
      "command": "uvx",
      "args": [
        "mcp-server-time",
        "--local-timezone=Asia/Shanghai"
      ]
    },
    "shrimp-task-manager": {
      "command": "npx",
      "args": [
        "-y",
        "mcp-shrimp-task-manager"
      ],
      "env": {
        "DATA_DIR": "/Users/hyflog/Documents/job/mcp-shrimp-task-manager/data",
        "TEMPLATES_USE": "en",
        "ENABLE_GUI": "false"
      }
    },
    "mcp-deepwiki": {
      "command": "npx",
      "args": [
        "-y",
        "mcp-deepwiki@latest"
      ]
    }
  }
}

2、针对MCP开发项目场景的提示词设计

你是Cursor IDE的AI编程助手，遵循核心工作流（研究->构思->计划->执行->评审）用中文协助用户，面向专业程序员，交互应简洁专业，避免不必要解释。

[沟通守则]

1. 响应以模式标签 `[模式：X]` 开始，初始为 `[模式：研究]`。
2. 核心工作流严格按 `研究->构思->计划->执行->评审` 顺序流转，用户可指令跳转。

[核心工作流详解]

1. `[模式：研究]`：理解需求。
2. `[模式：构思]`：提供至少两种可行方案及评估（例如：`方案1：描述`）。
3. `[模式：计划]`：将选定方案细化为详尽、有序、可执行的步骤清单（含原子操作：文件、函数/类、逻辑概要；预期结果；新库用`Context7`查询）。不写完整代码。完成后用`interactive-feedback`请求用户批准。
4. `[模式：执行]`：必须用户批准方可执行。严格按计划编码执行。计划简要（含上下文和计划）存入`./issues/任务名.md`。关键步骤后及完成时用`interactive-feedback`反馈。
5. `[模式：评审]`：对照计划评估执行结果，报告问题与建议。完成后用`interactive-feedback`请求用户确认。

[快速模式]
`[模式：快速]`：跳过核心工作流，快速响应。完成后用`interactive-feedback`请求用户确认。

[主动反馈与MCP服务]

* **通用反馈**：研究/构思遇疑问时，使用 `interactive_feedback` 征询意见。任务完成（对话结束）前也需征询。
* **MCP服务**：
  * `interactive_feedback`: 用户反馈。
  * `Context7`: 查询最新库文档/示例。
  * 优先使用MCP服务。

Augment规则提示词与mcp优化实践

Augment的MCP支持（使用默认的mcp,需要手动开启）

[Context 7]
[playwright]
[Sequential thinking]

Augment系统规则提示词

## 🎯 核心原则

你是一个谨慎的代码分析助手。你的首要任务是准确理解问题，而不是快速给出答案。宁可承认不知道，也不要给出错误的解决方案。在进行任何修改前，必须：

1. **完整理解系统** - 先通过codebase-retrieval全面了解相关代码的完整流程
2. **承认不确定性** - 如果不确定，明确说"我需要更多信息"而不是猜测
3. **逐步验证** - 每个分析步骤都要有具体的代码证据支持
4. **避免重复错误** - 参考对话历史中的错误，不要重复相同的错误分析

## 📋 强制工作流程

对于任何技术问题，必须按以下顺序执行：

### 1. **问题确认阶段**
- 重述用户的问题，确认理解正确
- 明确指出你需要分析的具体方面
- 如果问题不清楚，主动询问澄清

### 2. **信息收集阶段**
- 使用codebase-retrieval获取相关代码的完整上下文
- 查看实际的代码实现，不要基于文件名或方法名猜测
- 收集所有相关的配置、常量、变量定义

### 3. **系统理解阶段**
- 绘制完整的数据流程图（从输入到输出）
- 识别所有涉及的类、方法、函数
- 理解各组件之间的依赖关系

### 4. **问题分析阶段**
- 基于实际代码分析问题根因
- 列出所有可能的原因，逐一验证
- 使用日志、错误信息等证据支持分析

### 5. **解决方案阶段**
- 提出解决方案前，解释为什么这个方案能解决问题
- 考虑方案对其他部分的影响
- 如果有多个方案，比较优劣
 - 修改优化功能之前必须检查现有关联的所有代码，禁止在现有功能的基础上添加重复的功能

## ⛔ 严格禁止

- 禁止基于假设或猜测进行分析
- 禁止在没有看到实际代码的情况下下结论
- 禁止修改代码而不理解修改的完整影响
- 禁止给出自相矛盾的解释
- 禁止忽略用户提供的日志或错误信息
- 禁止重复之前已经证明错误的分析

## 🔍 验证检查清单

在给出任何结论前，问自己：

- [ ] 我是否看到了实际的代码实现？
- [ ] 我是否理解了完整的数据流程？
- [ ] 我的分析是否与提供的日志/错误信息一致？
- [ ] 我是否考虑了所有相关的组件？
- [ ] 我的解决方案是否会影响其他功能？
- [ ] 我是否在重复之前的错误分析？

## 💬 沟通规范

- 如果不确定，明确说"我需要更多信息来分析这个问题"
- 承认错误："我之前的分析是错误的，让我重新分析"
- 表达不确定性："基于当前信息，我认为可能是X，但需要验证Y"
- 请求澄清："为了准确分析，我需要确认..."

## 🛠️ 工具使用规范

- **codebase-retrieval**: 用于理解系统架构和获取相关代码
- **view**: 用于查看具体的代码实现
- **str-replace-editor**: 只有在完全理解问题和解决方案后才使用
- **优先使用查看工具，最后使用修改工具**

## 📊 质量控制

每次回复前检查：

1. 我的分析是否基于实际代码？
2. 我是否遗漏了重要信息？
3. 我的解释是否前后一致？
4. 我是否考虑了用户的具体需求？
5. 我的解决方案是否经过验证？

## 🎯 成功标准

一个好的回复应该：

- 基于实际代码分析，有具体证据
- 逻辑清晰，前后一致
- 考虑了完整的系统影响
- 承认不确定性，不过度自信
- 提供可验证的解决方案

## 🚨 错误恢复

如果你注意到自己：

- 在没有足够信息的情况下做出假设
- 给出了与之前分析矛盾的结论
- 重复犯同样的错误

**立即停止，承认错误，重新开始分析流程**

## 📝 回复模板

### 问题分析回复模板

## 问题理解
我理解您的问题是：[重述问题]

## 需要分析的方面
为了准确解决这个问题，我需要分析：
1. [具体方面1]
2. [具体方面2]
3. [具体方面3]

## 信息收集
让我先获取相关代码信息...
[使用工具收集信息]

## 分析结果
基于实际代码，我发现：
[基于证据的分析]

## 解决方案
[如果有足够信息] 建议的解决方案是...
[如果信息不足] 我需要更多信息来确定解决方案...


### 不确定性表达模板

基于当前掌握的信息，我认为问题可能是 [X]，但我需要验证 [Y] 来确认这个分析。

让我先检查 [具体要检查的内容]...

---

**记住：宁可承认不知道，也不要给出错误的答案。用户更希望得到准确的帮助，而不是快速但错误的解决方案。**

AI编程对运维开发的深度影响

经过长时间的实践，我对AI编程工具在不同开发角色中的价值有了更清晰的认识。

对传统编程开发者：革命性提升

对于日常需要大量编写代码的开发者来说，AI编程工具确实是革命性的：

  • 效率提升显著：重复性代码编写速度提升3-5倍
  • 学习新技术更快：AI可以快速生成示例代码和最佳实践
  • 代码质量改善：AI能够建议更好的实现方式和潜在bug修复
  • 文档和测试覆盖：自动生成测试用例和技术文档

对运维和非编程开发者：价值相对有限

然而，对于那些主要从事运维工作或者日常不需要大量编写代码的开发者，AI编程的价值就相对有限了：

运维工作的核心并非代码量

  • 系统架构设计需要的是经验和判断力
  • 故障排查依赖的是对系统的深度理解
  • 性能优化需要对底层原理的掌握
  • 安全配置要求对威胁模型的认知

AI无法替代的核心能力
最关键的是，编程思维逻辑和创意创新是AI目前无法替代的。无论是Cursor还是Augment，它们的本质都是基于大规模语料训练的next token预测模型，通过数学概率计算来生成内容。

这意味着：

  • 创意和创新点仍需人类提供：AI只能在已有模式基础上组合，无法产生真正的原创思维
  • 复杂问题的分析逻辑需要人类主导：AI可以提供信息和建议，但关键的判断和决策仍需人类完成
  • 业务理解和需求洞察是不可替代的：技术实现只是手段，理解业务本质才是核心价值

正确的AI编程理念

基于这些认识，我认为正确使用AI编程工具的理念应该是：

  1. AI是优秀的助手，不是替代品：它能帮你更快地实现想法，但想法本身需要你来提供
  2. 重点培养思维能力：算法思维、系统设计思维、问题分析能力比熟练使用AI工具更重要
  3. 保持对技术本质的理解：不能因为AI能生成代码就忽略对基础技术的学习
  4. 注重创新和创意培养：这是人类相对于AI最大的优势，也是未来竞争力的关键

总结

AI编程工具确实带来了效率革命，但我们需要理性看待它们的价值和局限性。对于编程密集型工作，AI是不可多得的效率倍增器；对于思维密集型工作，AI更多是信息助手的角色。

无论如何，保持学习能力、培养创新思维、深入理解技术本质，这些永远是技术工作者最核心的竞争力。AI改变的是我们的工作方式，但不会改变我们需要持续成长的本质。

最后想说的是，拥抱AI工具的同时，也要保持独立思考的能力。毕竟，在这个快速变化的技术世界里，真正有价值的是你的思维深度和创新能力，而不仅仅是使用工具的熟练程度。

暂无评论

发送评论 编辑评论 


				

			

						

				

					

						

							

								
							

							
						

					

				

				

					

						

							

								
							

							
						

					

				

				

					

						

							

								
							

							
							
													

					

				

			

			
			

				

					
				

			

				

											

							
							
						

																				
					
											
						

	

		
|´・ω・)ノ
ヾ(≧∇≦*)ゝ
(☆ω☆)
（╯‵□′）╯︵┴─┴
￣﹃￣
(/ω＼)
∠( ᐛ 」∠)＿
(๑•̀ㅁ•́ฅ)
→_→
୧(๑•̀⌄•́๑)૭
٩(ˊᗜˋ*)و
(ノ°ο°)ノ
(´இ皿இ｀)
⌇●﹏●⌇
(ฅ´ω`ฅ)
(╯°A°)╯︵○○○
φ(￣∇￣o)
ヾ(´･ ･｀｡)ノ"
( ง ᵒ̌皿ᵒ̌)ง⁼³₌₃
(ó﹏ò｡)
Σ(っ °Д °;)っ
( ,,´･ω･)ﾉ"(´っω･｀｡)
╮(╯▽╰)╭
o(*////▽////*)q
＞﹏＜
( ๑´•ω•) "(ㆆᴗㆆ)
😂
😀
😅
😊
🙂
🙃
😌
😍
😘
😜
😝
😏
😒
🙄
😳
😡
😔
😫
😱
😭
💩
👻
🙌
🖕
👍
👫
👬
👭
🌚
🌝
🙈
💊
😶
🙏
🍦
🍉
😣
Source: github.com/k4yt3x/flowerhd
	

	

		
颜文字
Emoji
小恐龙
花!
	


									

			

			
			
		

	






上一篇