Cursor 新手保姆级教程：三种对话模式与 AI 自动编程实战

Cursor 是什么：AI 原生的代码编辑器

Cursor 是一款以 AI 为核心的代码编辑器，整体操作逻辑与 VS Code 高度相似，但在右侧集成了一个 AI 对话面板，让“写代码”这件事从手动敲击变成了与模型协作。对于想用 AI 做自动化编程的开发者来说，它把编辑器、模型、文件生成三者打通，不需要在聊天窗口和 IDE 之间反复复制粘贴。

下载方式很简单：在搜索引擎中搜索 Cursor，进入官网即可获取对应系统的安装包。需要注意的是，这个工具必须注册账号后才能正常使用。安装完成后，打开一个本地文件夹作为工作区（例如新建一个 Cursor Workspace 目录），就可以开始使用。

进入界面后会看到三个主要区域：左侧是项目目录，中间是代码展示区（与 VS Code、同类工具的布局一致），右侧则是 Cursor 区别于传统 IDE 的关键——AI 对话面板。左侧文件和中间代码，几乎都可以通过右侧的 AI 对话来生成，所以掌握好这块对话逻辑，代码自然会被“写”出来。

三种对话模式：Agent、Ask 与 Manual

Cursor 的对话面板提供三种模式，分别对应不同的协作深度，这是新手最需要理解的核心概念。

Agent 模式：让 AI 主动接管编程

第一种是 Agent 模式（视频中口述为 Urgent）。在这个模式下，AI 会主动帮你完成编程工作——创建文件、编写代码、执行命令，整个流程由模型接管。如果你的目标是让 AI 直接把项目生成出来，就选这个模式。

Agent 模式在技术层面的含义是：AI 模型不仅生成文本，还能调用工具（Tool Use）——包括读写文件系统、执行终端命令、搜索代码库等。这与普通聊天 AI 的本质区别在于"有没有手"：普通对话模型只能输出文字，而 Agent 模式下的模型可以直接操作你的项目目录。这种能力来源于 LLM 的 Function Calling / Tool Use 接口，Cursor 在其基础上封装了文件操作、终端执行等具体工具，并将执行结果反馈给模型，让模型根据结果决定下一步动作，形成"思考→执行→观察→再思考"的循环，也就是常说的 ReAct（Reasoning + Acting）范式。正因如此，Agent 模式消耗的 Token 远多于 Ask 模式，对模型的逻辑推理能力要求也更高，这也是作者建议在此模式下优先选用 Claude Sonnet 的原因之一。

Ask 模式：只提问、只回答

第二种是 Ask 模式。它针对你提出的特定问题给出回答，而不会主动去创建一堆文件或接管你的编码过程。当你只是想咨询技术方案、了解某段代码的含义时，用 Ask 更合适。

Manual 模式：开发者主导

第三种是 Manual 模式，它把编码的控制权完全交给开发者，AI 只提供参考性的提示。适合希望自己掌控每一行代码、只需要 AI 从旁辅助的场景。

关于模型选择，右侧面板中既有免费模型，也有付费的高级模型。原视频给出的建议很直接：如果项目要用于生产环境，生成代码时无脑选择 Claude（Claude Sonnet 系列），作者认为它是目前写代码最强的模型，相较于一个真正要上线的项目，这点模型花费“不值一提”。而在 Ask 这类非代码生成场景下，可以自由切换其他模型。

实战演示：用 Python 搭建学生管理系统

作者用一个完整案例演示了从技术选型到项目运行的全过程。

第一步是在 Ask 模式下咨询技术栈：输入“用 Python 开发一个学生管理系统，帮我推荐技术栈”。Claude 很快给出框架建议，并根据“小型项目”的需求收敛了方案。这一步相当于先和 AI 对齐方向，再动手。

第二步切换到 Agent 模式，让 AI 生成代码。此时 Cursor 会先规划项目结构，再通过命令逐步构建。这里有两个新手必须注意的交互细节：

• 自动运行开关：当 AI 需要执行命令（如安装依赖、运行脚本）时，可以选择每次都询问你，或全部自动运行。如果你愿意把流程完全交给 AI，开启自动运行后它就不会频繁打断你。
• 变更确认：生成的新文件、新改动会以黄色/红色高亮显示，询问你是否保存。可以逐个同意，也可以等全部生成完毕后统一“同意保存”。

整个过程中，AI 自动完成了目录结构创建、页面编写、启动脚本和说明文档的生成。遇到依赖版本兼容性问题时，它也自动排查并重装了合适版本的依赖包。作者特别指出：这类版本兼容问题，熟练开发者可能要找半小时、不熟的人甚至两小时，而 AI 几乎瞬间定位解决。

运行结果与功能完善度

项目构建完成后，AI 启动了 Flask 应用，服务地址为 127.0.0.1:5000。把地址复制到浏览器，就能看到可用的登录界面，使用生成的账号密码（如 admin / admin123）即可登录。

进入系统后，“添加学生”功能可以正常使用——填写学号、姓名、性别、出生日期、电话、邮箱、地址后成功提交，修改、删除、查看也都正常工作。过程中出现了两个真实的小插曲：一是学号有 3–20 字符的长度校验，提示信息是英文，可以进一步让 AI 改成中文；二是“成绩记录”等功能报了 Not Found 错误，原因是这些功能尚未实现。

作者解释得很清楚：AI 在生成前就列出了“已实现”和“待实现”功能，演示中只完整实现了学生管理这一块，其余功能并非做不出来，而是全部写完耗时太长，演示阶段先跳过。实际使用时，只要把完整需求提给 AI，等它半小时到一小时，就能把所有规定功能补齐。

使用前提：环境准备不能省

一个容易被新手忽略的关键点是运行环境。本次演示的依赖安装、Flask 服务启动，全部基于已配置好的 Python 环境。如果你想复现相同功能，必须先安装对应的开发环境，包括数据库环境——用的是 SQLite 还是 MySQL，就要装相应的组件。

换句话说，Cursor 能帮你写代码、调代码、修 bug，但它运行代码所依赖的本地环境仍需你自己准备妥当。理解这一点，才能避免“代码生成了却跑不起来”的困惑。

SQLite 和 MySQL 是两种常见的关系型数据库，适用场景差异显著。SQLite 是一个无需独立服务进程的嵌入式数据库，整个数据库就是本地的一个 .db 文件，Python 标准库内置了对它的支持，无需额外安装，非常适合小型项目、原型开发和演示场景。MySQL 则是需要单独安装并启动服务的客户端-服务器架构数据库，适合多并发、数据量大的生产环境。对于本文演示的学生管理系统这类小型项目，SQLite 是更轻量的默认选择——这也是 Flask 生态中 SQLAlchemy ORM 的常见配置方式。如果你在本机复现时遇到数据库连接报错，通常只需确认 Python 版本在 3.x 以上（已内置 sqlite3 模块）即可，无需额外安装数据库服务。

小结

Cursor 的价值在于把 AI 从“问答助手”升级为“能动手的协作者”。对新手而言，掌握 Agent / Ask / Manual 三种模式的适用场景，用好自动运行与变更确认机制，再加上基础的本地环境配置，就能快速从零搭建出一个可运行的项目。它不会取代开发者对需求和环境的理解，但确实能把繁琐的编码、调试、依赖排查压缩到极短的时间。