在 AI 编程工具引领潮流的当下，许多开发者仍在观望，疑惑这些“AI 辅助编码”工具究竟有多大实用价值，是否值得为高昂的订阅费用买单。本篇文章中，从事编程工作已有 36 年的开发者 Tom Yedwab 将以 Cursor 为例，分享他对这款工具的实际体验与见解，希望能为仍在犹豫的读者提供有价值的参考。
原文链接：https://www.arguingwithalgorithms.com/posts/cursor-review.html
在 AI 编程的论坛中，我经常会看到有软件开发人员提出一个常见的问题：有人从 Cursor 这样的工具中获得价值吗？为此付费订阅是否值得？
于是，在将 Cursor 作为我个人和工作项目中日常工具使用了几个月后，我有一些观点想和大家分享，以此来讨论这究竟是一个“必备”工具，还是仅仅昙花一现的流行产品。同时，我还会介绍一些快速获得最大化收益的策略，希望能帮助那些想尝试它的人。可能有些人试过 Cursor，觉得效果不尽人意，而这些建议也许能激励你再给它一个机会。
我没有受到 Cursor 的赞助，也不是产品评测者。我既不是要推崇它，也不是要贬低它，只是想分享我个人的使用体验。
我是谁？
首先，先向大家介绍一下我自己。我是有一名有着 36 年编程经验的开发者，熟练掌握多种语言，主要专注于 C 语言为主的游戏引擎开发，以及 Go、Python、JavaScript 的网页开发。我假设这篇文章的读者同样能够在大型代码库中自如地工作，能用自己擅长的语言编写和调试代码等。对于那些希望借助 AI 学习编程概念或想让 AI 替他们写超出自身水平的代码的初学者，我会提供完全不同的建议！
对我来说，AI 助手的吸引力在于帮我处理模板化和重复性的工作，这样我可以集中精力在每个问题的核心逻辑上。我对自动生成大量代码并不特别感兴趣，对“写了多少行代码”作为效率指标持高度怀疑态度。我更希望在花费更少时间写同样多代码的情况下，有更多时间去思考边界情况、可维护性等问题。
那么，言归正传：
什么是 Cursor？
Cursor 是基于 Visual Studio Code（VS Code）开发的一个分支版本，内置了大模型（LLM）支持的功能，集成在核心界面中。这是一个专有产品，开发商提供了免费和订阅两种方案；不过，价格表并没有明确说明订阅用户的具体权益，以及与其他竞品的区别。我会结合自己的理解，在后续功能介绍中尽量说明这一点，以下是简要总结：
Tab 补全：这是一组专有的微调模型，提供代码补全功能，并可以通过 Tab 键跳转到下一个推荐操作。该功能仅对订阅用户开放。
内联编辑（Inline editing）：这是一个基于聊天界面的编辑工具，可以对选定代码进行修改，并通过简单的差异视图显示更改，采用基础模型如 GPT 或 Claude。此功能对免费和付费用户均开放。
聊天侧边栏：同样是基于聊天的编辑界面，允许在侧边栏进行更大范围的修改，支持更长的讨论、多文件代码建议等，采用基础模型如 GPT 或 Claude。此功能对免费和付费用户均开放。
Composer：这是专门用于跨代码库大规模重构的聊天界面，生成多个文件的差异视图供用户逐一查看和批准，使用基础模型如 GPT 或 Claude。此功能对免费和付费用户均开放。
Tab 补全
虽然其他由 LLM 驱动的编码工具更侧重于聊天体验，但在我使用 Cursor 的过程中，Tab 补全功能才是最符合我日常编码习惯并能节省最多时间的功能。显然，这个功能背后投入了大量的思考和技术研究，因此它不仅可以建议一行、多行，甚至整个函数的代码补全，还可以建议下一个需要编辑的行。这样一来，只需不断按下 Tab 键，就能在整个文件中自动完成相关的修改。
使用它的一种用法是将它当作一个“增强版”代码重构工具。例如，假设我有一段代码块，其中的变量名是 under_score，而我希望将它们改为 camelCase。我只需重命名一个变量的一个实例，然后逐行按 Tab 键，就能更新所有需要更改的行，包括其他相关变量。许多繁琐、容易出错的任务都可以通过这种方式自动完成，而无需额外编写脚本：
有时 Tab 补全甚至会独立发现并提出修复 bug 的建议。很多时候，当我在 Python 或 Go 中添加依赖项时，它会自动建议导入相应的模块。如果我将字符串用引号给括起来，它会适当地转义内容。与其他工具类似，它还可以根据函数签名和可选的文档字符串生成整个函数代码：
总体而言，这个工具感觉就像在读我的心思，能预测我接下来的操作，让我能更少关注代码细节，而更多专注于构建的整体架构。
值得一提的是，补全速度极快，几乎是在我停止输入的瞬间，代码建议就弹出来了，完全没有等待的感觉。如果这个过程拖延太久，那对我来说肯定会是个大缺点。
那么，我对 Tab 补全的抱怨是什么呢？第一个问题比较小：有时候我没及时看到补全建议就继续输入了，结果建议消失了。而一旦消失，似乎没办法让它重新出现，只有重新输入一部分再试。
另一个问题刚好相反：有时补全的建议完全不合适，我会故意忽略它。然而，偶尔我选择了一个不同的补全，但之前忽略的建议却被悄悄应用了。这种情况虽然不多，但已经引发了一些难以察觉的 bug，因为我并未意识到不对的逻辑被误用。这虽然不至于影响 Tab 补全带来的效率提升，但确实稍微影响了体验。
内联编辑、聊天侧边栏和 Composer
据我所知，这些功能在与基础模型的交互上非常相似——我几乎只用 Claude 3.5 Sonnet——主要区别在于用户界面。
内联编辑可以通过选中代码并按下 Ctrl-K/Cmd-K 启动。我输入想要的更改后，文件里会显示一个清晰的差异视图，让我选择接受或拒绝。我主要用它来添加小段代码或做些小范围的重构。
一个典型的用法是，当我有一个任务循环并想把它并行化时，就可以用这个功能来处理：
然后，你可以通过 Ctrl+L/Cmd+L 来打开聊天侧边栏，它为多轮对话提供了更大的操作空间。不过，我对当前测试过的 LLM 模型有个小抱怨：它们总是先返回代码，而不是在遇到歧义时先询问澄清。建议的代码会有一个“应用”按钮，点击后可以在当前选中的文件中生成差异视图。这对于单文件的大规模重构，或基于当前打开的文件创建新文件非常有用。如果涉及其他文件，它们可以手动添加到上下文中，不过 Cursor 会根据查询和后台生成的索引来猜测相关文件。
这里有一个示例：将应用程序的数据库 API 转换为 REST API，并提供参数验证和正确的 HTTP 状态码，然后再编写一个客户端库来访问这个 REST API：
另一个示例是将这个客户端库从 Python 转换为 Go 语言，注意松散类型的 Python 代码如何被转换为结构明确的结构体类型，且符合 Go 惯用的错误处理风格！这并非简单的 1:1 重写。
最后，Composer 专门用于跨文件的重构，这是我最少使用的功能，但它提供了一次性查看多个文件差异的良好体验。
.cursorrules 文件
我最初并不知道这个功能的存在，直到在（我认为过于简略的）文档中偶然发现它，那时我看到各种聊天模式始终会包含位于工作区根目录的 .cursorrules 文件的内容，以提供额外的上下文。我目前在尝试利用它来告知 LLM 有关代码库的编码规范、常用包和其他文档信息。
这个功能可能有助于解决我在使用 Cursor 时遇到的一个大难题：它无法遵循代码风格和模式，除非这些风格已经存在于你正在编辑的文件中。例如，在 Khan Academy，我们使用一个专有的 Go 库来在函数间传递上下文，用于日志记录、HTTP 请求等场景，所以 LLM 需要能够使用这个库。过去这一直很困难，但或许一个写得好的 .cursorrules 文件可以作为改进的第一步。
目前的限制是每个工作区只能有一个 .cursorrules 文件，因此像我们这样包含多种语言代码的 monorepo 将比包含一个小型代码库（代码风格一致）要复杂得多且更难设置。
另外，文档提到 .cursorrules 文件仅在聊天模式中使用，而不适用于 Tab 补全。不过，我尝试将该文件固定在工作区的一个标签页中，确认可以让它至少部分参与到 Tab 补全的上下文中。
对我的工作流程的改变
像 Cursor 这样的工具最令人兴奋的地方并不是我可以更快地编写代码，毕竟写代码本身并不是瓶颈；事实上，我常常需要放慢速度，以免过分关注代码本身而忽视要解决的高层次问题。真正的价值在于它改变了我的编码方式。
虽然这种技术还处于早期阶段，但到目前为止，我的工作方式已经发生了以下变化，我也期待在不久的将来看到更多改变：
我现在在编码时不太倾向于引入新的库或框架。并不是说我自己会去写加密库，而是对于小型工具而言，直接让 LLM 按我的需求生成定制代码比引入一个通用库更简单。这些通用库通常在刚推出时小巧且轻便，但因为是开放的并且被越来越多的人使用，所以它们慢慢会积累我不需要的功能和选项。
很多库存在的意义只是为了减少样板代码，过去我会觉得这很值，因为有了这些库可以帮我省下了写和维护代码的时间。可现在，LLM 可以帮我完成这些重复性的工作，所以我觉得使用库的成本就显得有些不划算了。而且，这个成本可能更高——你试过让一个写了一年甚至更久的 Node.js 项目重新跑起来吗？不过借助 LLM 干脆从头再写一遍。
我也不再担心在自己的代码中是否遵循 DRY（不要重复自己）。过早地定义抽象会导致后期的技术债增加，因此能够参考其他代码快速生成相似代码，而不将其抽象为函数或类，为我提供了更大的灵活性。如果需要在未来将重复的逻辑重构出来，LLM 也能提供帮助。
我对不熟悉的语言或框架的接受度也更高了。例如，多年来我一直在使用 R 语言，尤其是将它用于数据可视化。但说实话，我对它并不熟练，我对 dplyr 的理解不深，总觉得有很多不同的方法可以完成同样的任务。现在我只需描述想要的可视化效果，LLM 就会自动生成相应的数据操作和 ggplot 可视化。以前花一小时的任务，现在五分钟就能完成，所以我更不容易放弃转而用 Python 来做了。
也许有一天我甚至会用 Rust 写点什么。或许吧。
我现在会先对一些小模块做快速调整，然后再把它们整合到大项目里面。这样做的部分原因是因为 LLM 处理大项目有些吃力，另一方面也让我发现了一些以前没想到的工作方法。比如，我可以先用 Python 这种灵活的语言来做原型，解决好技术细节后，再迅速转成类型严格的 Go 代码，直接在 Web 应用中。我还可以让 LLM 自动生成测试数据，或者模拟一个后端来对前端进行开发。既然一个想法还没完全确定下来，为什么要一下子投入在成熟的大项目里付出高昂的成本呢？
总结
我不确定几年后我是否还会继续使用 Cursor，亦或者转向其他工具。但可以肯定的是，在我撰写本文时，我觉得 Cursor 是 LLM 编程助手的最佳工具。如果你想探索这类工具可能带来的价值，我建议你试试 Cursor。
