Cursor Rules来了！四大原则让AI写代码又稳又快，效率UP！

经过以上一系列的优化和改进，在实际项目应用中，我发现仍然会遇到如下问题：

• 规则不生效：Rules 文件虽然配置正确，但代码生成时不按照要求执行

• 浪费 Token：每次请求时，Rules 文件会被加入到上下文中传递给大模型，文件过大会造成 Token 的浪费

• 规则文件维护困难：现在推行将 Rules 文件拆分细化，容易出现冗余或冲突，以及文件拆分不合理等问题

• 输出不稳定：相同的规则和类似的提示词，前后生成的代码却有较大差异

• 破坏现有项目风格：AI 生成大量代码时，代码风格迥异，导致经常需要 Reject All，然后重新编写提示词反复生成

接下来我将分享个人总结的 MSEC 理论，用于指导后续所有 Cursor Rules 的编写。

一、Cursor Rules 四大原则

使用一张图进行总结：

01 最小化原则（Minimization Principle）

短小而精悍，保持规则的简洁、专注、易理解。

这样做的主要原因有两点：

• 大而泛的规则，AI 不容易准确遵守，不要指望给它模糊的指令就能执行得很完美

• 每次请求都会被带入到输入当中，不仅不生效，还浪费 Token

具体操作建议：

• 规则文件尽量保持在 500 行以内

• 将大的规则拆分成多个可组合的小规则

• 保留必要的、可执行的规则，移除所有模棱两可、大而泛、抽象的、重复的规则

举个例子来进行对比：

将 general.mdc 简化成 core.mdc，移除重复的内容（如：技术栈）、大而泛不够具体的规则，只保留项目通用的、可具体执行的规则。

02 结构化原则（Structured Principle）

一份好的项目规则要结构清晰，具有层级和作用域，我们可以使用分层架构来结构化地管理规则上下文，明确职责边界。

通过上图的分层架构，可以将项目中涉及的核心规则进行很好的分类，有效避免规则的冗余、冲突、拆分不合理等问题，维护起来更加得心应手。这部分内容我已经发过好几篇文章进行详细讲解，这里简单描述一下。

通用规则：

• core.mdc：项目核心行为与风格通用规则

• tech-stack.mdc：项目技术栈定义和官方文档链接

• project-structure.mdc：项目结构和文件组织规范

• ...

语言规则：

• java.mdc：Java 编码规范和最佳实践

• python.mdc：Python 编码规范和最佳实践

• golang.mdc：Golang 编码规范和最佳实践

• typescript.mdc：Typescript 编码规范和最佳实践

• ......

框架规则：

• springboot.mdc：SpringBoot 3 编码规范和最佳实践

• django.mdc：Django 编码规范和最佳实践

• android.mdc：Android 框架开发规范和最佳实践

• ....

其他规则（可选）：

• git.mdc

• document.mdc

• api-integration.mdc

• security.mdc

• ddd.mdc

• ...

以上涉及的 mdc 源码可以在 GitHub 中找到（不保证当前版本是最新的，一般会在验证有效后再更新）。

源码地址：https://github.com/flyeric0212/cursor-rules [1]

03 精准引用原则（Explicitness Principle）

明确告诉模型\"看哪里\"、\"回答什么\"、\"基于哪个 source\"，这里既包含规则的引用、代码文件的引用，也包含具体的示例引用等。

先来了解一下 Cursor 控制规则引用的方式：

每个规则文件使用 MDC（.mdc）格式编写，该格式支持元数据和内容。通过类型下拉菜单控制规则的适用方式，该菜单会改变属性 description、globs、alwaysApply。

Rule Type 规则类型

Description 描述

始终包含在模型上下文中

当引用匹配 glob 模式的文件时，自动包含

可供 AI 使用，由 AI 决定是否包含，必须提供描述

仅在使用 @ruleName 明确提及时包含

结合 Cursor Rules 的分层架构，如何让 AI 更好地定位到我们编写的规则文件呢？

1）将通用规则都设置成 Always Apply，这些规则始终生效，为所有代码提供基础规范。

2）将语言规则设置成根据文件扩展名自动应用的语言特定规范（Apply to Specific Files），只包含语言本身的特性。

3）将框架规则设置成 AI Agent 自动判断或者根据文件扩展名自动应用（Apply to Specific Files 或者 Agent Intelligently）。

4）其他可选规则，按需设置即可。如：git.mdc 可以设置成 Apply Manual，使用时需要 @git.mdc 来调用。

此外，我们可以在规则中引入规则，以及模板代码。我列举两个例子：

1）当规则触发时，像 @service-template.ts 这样的模板代码文件会作为附加上下文被包含。

---description: RPC Service boilerplateglobs:alwaysApply: false---- Use our internal RPC pattern when defining services- Always use snake_case for service names.@service-template.ts

2）在 project-structure.mdc 中引入 ddd.mdc，可以在 ddd.mdc 中编写符合企业或个人的 DDD 详细理论知识和最佳实践。

在 AI Chat 中使用时，当你引入代码文件时，会自动显示使用了哪些 Rules。

⚠️注意：框架和语言往往容易被混淆在一起，如：SpringBoot 和 Java、Android 和 Kotlin、MiniProgram 和 Wxml、Wxss 等，建议分开管理。

04 一致性原则（Consistency Principle）

无论是代码风格、模块结构、命名方式、流程设计、交互行为，项目中都应该保持统一的一致性，并在所有地方遵循既定标准或最佳实践。

要让 AI 从上到下执行统一的代码风格并不容易，但设计一套好的规则，能够减少这种不一致性。建议从以下几个方面入手：

• 第一，在通用层中的 core.mdc 强制要求遵守现有的代码风格。如果你能够提前搭好项目架子，让 AI 直接遵守远比从零搭建要好得多

• 第二，在通用层中的 project-structure.mdc 设计不同端的项目组织架构，告诉 AI 你编写的代码应该放在哪个目录、哪个文件下面

• 第三，在语言和框架层中，定义代码风格、命名方式和最佳实践

最后，所有 rules 文件也应该尽量保持风格统一、结构统一，既利于维护，又利于 AI 的学习和引用。

二、最后

如果你想要在一个中大型项目中使用 AI 来辅助编写代码，什么最重要？

那就是可维护性和可读性。

AI 可以快速生成大量的代码，代码质量可以后续持续优化或人工修改，但是代码生成位置、结构、风格不对，就需要反复 Reject，重新生成。这样既浪费时间和 Token，又达不到预期的生成效果。

三、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在\"能用模型不会调优\"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

 这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

四、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】