Cursor实战教程：用AI从零搭建学生管理系统全流程

认识Cursor：AI时代的代码编辑器

Cursor 是目前最受关注的 AI 编程工具之一。它本质上是一个集成了强大 AI 能力的代码编辑器，界面与开发者熟悉的 VS Code 高度相似——左侧是项目目录，中间是代码展示区，两者的交互体验几乎一致。真正的差异在于右侧的 AI 对话面板，正是这块面板赋予了 Cursor 与传统编辑器完全不同的工作方式。

在传统开发中，左侧目录和中间代码需要开发者手动创建和编写。而在 Cursor 中，这些工作大部分可以通过右侧的 AI 对话来完成。换句话说，你只需要管理好与 AI 的对话，代码文件就会被自动生成到项目目录中。这种「以对话驱动开发」的模式，正在重塑程序员的工作流程。

需要注意的是，Cursor 是一款需要注册后才能使用的商业软件。使用前需先注册账号，然后打开一个文件夹作为工作区（例如新建一个名为 cursor-workspace 的目录），即可开始与 AI 协作。

三种对话模式：理解AI的介入程度

Cursor 提供了三种核心的对话模式，理解它们的区别是高效使用 Cursor 的关键。这三种模式代表了 AI 介入编程过程的不同深度。

Agent模式：让AI主动接管编码

Agent 模式是最激进也最强大的模式。在这个模式下，AI 会主动帮你完成整个编程过程——包括文件的生成、代码的编写、依赖的安装乃至错误的自动修复。如果你的目标是让 AI 从零开始搭建一个完整项目，Agent 模式就是首选。

Ask模式：针对性问答

Ask 模式更接近传统的 AI 助手。它会针对你提出的特定问题给出回答，但不会主动去创建大量文件或接管你的编码过程。当你只是想咨询技术方案、了解某个概念或获取建议时，选择 Ask 模式即可。

Manual模式：AI仅提供参考

Manual 模式将编码的控制权完全交还给开发者，AI 只提供参考性的提示。这种模式适合那些希望自己主导代码编写、只需要 AI 辅助的资深开发者。

模型选择：为什么推荐Claude

Cursor 集成了多个大语言模型，既有付费的高级模型，也有免费模型。对于一般的问答场景，你可以自由切换不同模型。但对于真正的代码生成任务，尤其是打算用于生产环境的项目，建议优先选择 Claude 系列模型（Claude Sonnet）。

原因很直接：Claude 目前是编码能力最强的模型之一。相较于一个要投入生产的项目而言，模型调用产生的费用几乎可以忽略不计。这也是许多专业开发者在实际工作中的共识——在关键的代码生成环节，模型质量直接决定了产出效率和代码可靠性。

Claude 是由 Anthropic 公司开发的大语言模型系列，目前主流版本包括 Claude 3.5 Sonnet 和 Claude 3 Opus 等。在多项编程基准测试中，Claude Sonnet 在代码生成准确率、长上下文理解和指令遵循方面表现突出，尤其擅长处理多文件项目结构和复杂的依赖关系推理。相比之下，GPT-4o 在通用对话上更均衡，但在需要精确生成可运行代码的场景中，开发者社区普遍反映 Claude 的「一次通过率」更高，即生成的代码无需大幅修改即可直接运行。这也是为什么 Cursor 将 Claude 作为代码生成任务的推荐首选——对于生产级项目，减少反复调试的次数比节省模型调用费用更有价值。

实战演练：从需求到运行的完整流程

为了展示 Cursor 的实际能力，下面以一个「纯小白」的视角，演示如何用 Python 开发一个学生管理系统的全过程。

第一步：用Ask模式做技术选型咨询

首先使用 Ask 模式，向 AI 提问：「我想用 Python 开发一个学生管理系统，帮我推荐技术栈。」Claude 迅速给出了推荐方案，并根据「小型项目」的定位推荐了轻量级框架（如 Flask）。这一步相当于让 AI 充当了架构顾问的角色。

第二步：切换Agent模式自动生成代码

确定技术方案后，切换到 Agent 模式，让 AI 直接生成代码。AI 会先规划项目结构，然后通过一系列命令逐步构建目录和文件。整个过程中一个值得关注的功能是**「自动运行」**——你可以设置是否让 AI 在每次执行命令时自动运行，还是每次都询问你确认。如果你愿意把控制权完全交给 AI，开启自动运行可以让整个流程无需人工干预地进行下去。

生成的新文件和目录会以黄色、红色标记显示，询问你是否保存。你可以逐个同意，也可以等全部生成完毕后统一保存。

Flask 是 Python 生态中最流行的轻量级 Web 框架之一，以「微框架」著称——它只提供路由、请求处理等核心功能，其余功能（如数据库、用户认证）通过扩展库按需添加。与 Django 这类「全栈框架」相比，Flask 的学习曲线更平缓，项目结构也更灵活，因此非常适合小型项目和原型开发。AI 在为小型学生管理系统推荐 Flask 时，背后的逻辑正是「避免过度设计」——用最轻量的工具完成目标功能，而不是引入复杂的企业级框架。Flask 应用默认运行在本地的 5000 端口，即 127.0.0.1:5000，这也是演示中访问地址的来源。

第三步：AI自动修复错误与管理依赖

在实际运行过程中，Cursor 展现了它最令人印象深刻的能力：自动排错。当遇到依赖包的版本兼容性问题时，AI 会自动检测并重新安装合适版本的依赖。

这一点的价值不容小觑：版本兼容问题对于熟练的开发者可能要花半小时排查，对于不太熟悉的开发者甚至可能花两个小时都找不到原因。而 AI 几乎瞬间就定位并解决了问题。这正是 AI 编程工具在实际开发中真正节省时间的地方。

第四步：启动应用并验证功能

代码生成完毕后，AI 自动初始化数据库、启动 Flask 应用，服务运行在 127.0.0.1:5000。将地址复制到浏览器中，就能看到生成的登录界面。使用默认账号密码登录后，学生管理的增删改查功能——添加学生、修改信息、删除记录——都能正常工作。

理解AI编程的边界

在演示中，成绩记录等部分功能出现了 not found 报错。原因是这些功能属于「待实现」的部分。AI 在最初的规划中就明确列出了已实现和待实现的功能，本次演示只完整实现了「添加学生」这一核心功能，其余功能只是搭好了框架。

这其实揭示了 AI 编程的一个重要认知：AI 不是魔法，它按需交付。如果你希望所有功能都被实现，只需要在对话中明确提出完整需求，然后耐心等待 AI 逐一完成——可能需要半小时到一小时。演示中之所以没有全部实现，仅仅是为了控制时间。

别忽视环境：AI也依赖基础设施

最后一个容易被新手忽略的关键点是运行环境。整个项目的依赖安装、Flask 服务启动，都是建立在本地的 Python 环境之上的。Cursor 生成的代码再优秀，也需要在正确配置的环境中才能运行。

因此，如果你想复现类似功能，务必确保本地安装了对应的运行环境。比如项目使用的数据库若不是 SQLite 而是 MySQL，你就需要自行安装 MySQL 环境。AI 能帮你写代码、装依赖、修 bug，但底层的开发环境仍然需要开发者自己搭建到位。

Python 的包管理生态依赖 pip 工具和虚拟环境（virtualenv / venv）机制。所谓「依赖包的版本兼容性问题」，通常发生在不同库之间对同一底层包要求不同版本时——例如库 A 要求 requests>=2.28，而库 B 锁定了 requests==2.25，两者冲突会导致安装失败或运行报错。Cursor 的 Agent 模式能自动识别这类冲突并尝试重新解析依赖树，本质上是在调用 pip 的错误信息并让 AI 分析后重新生成安装命令。然而，这一能力的前提是本地已安装 Python 解释器和 pip 工具本身；如果基础环境缺失，AI 生成的任何安装命令都无从执行。

结语

Cursor + Claude 的组合，代表了当前 AI 辅助编程的一个成熟范式：通过自然语言对话，完成从技术选型、代码生成、错误修复到应用运行的全流程。对于程序员而言，它极大地压缩了搭建原型和排查问题的时间；对于初学者而言，它降低了从零构建一个完整应用的门槛。

但正如演示所揭示的，AI 编程工具并非「一句话交付完整产品」的银弹。它需要清晰的需求描述、正确的模型选择，以及对运行环境的基本理解。用好这些工具，本质上是在学习一种新的「与 AI 协作」的开发能力。