前段时间，我看到了一篇博客介绍Cursor的，使得Cursor再次进入了我的视野。最近我有一个构建AI工具的想法，但由于对AI编程相关技术栈的局限，暂时搁置。因此，我重新安装了Cursor进行尝试，发现它已经进化成真正意义上的AI编程助手，于是决定利用Cursor实现之前的构想。

需求来源

相信业务常规运营（BAU）工作是所有团队都在处理的事情。对我而言，这些任务往往是“不想做，但又不得不做”的烦恼。尤其是当你已经总结出执行方案后，每次处理时都感觉自己只是一个无情的BAU处理机器，繁琐而乏味。在这种情况下，我想，是否可以每次只需执行最简单的命令，就能自动执行我期望的动作？而Python脚本正是一个很好的解决方案。因此，我列出了所有需要完成的任务，并通过Python脚本实现了这些功能。

通过这一过程，我成功实现了一键执行期望动作。下次再遇到相同的任务时，只需运行这个脚本，就能省去寻找资源和逐个文件分配权限的时间，效率瞬间从15分钟提升至1分钟。然而，这一解决方案仍然存在角色限制，仅限于技术性角色使用。那么，如何让非技术性角色也能使用这个解决方案呢？

这个问题一直萦绕在我的脑中，直到我想到最近学习的LLM（大型语言模型）编程。灵光一现，我意识到可以让非技术性角色通过自然语言描述，然后由大模型解析这些自然语言并翻译成需要执行的脚本，再进行自动执行。

调研

说干就干，晚上下班后，我开始寻找合适的大模型。我的期望是：

• 能在本地运行（方便调试）
• 我的机器能够支持（有一台常规配置的MacOS M1 16G物理机）
• 参数足够以进行文本到行为的转换

llama3.1_8_B_description.png

分析与任务规划

有了想法和大模型后，剩下的就是考虑如何实现。经过两周晚上的LLM编程入门课程学习，我了解到了Langchain这个框架，以及如何使用。有了Langchain，实现这一需求变得轻而易举。大致步骤如下：

• 在本地使用Ollama运行Llama3.1 8B模型。
• 构建脚本并放入合适的包中。
• 使用Langchain构建链，并对方法及Prompt进行封装。
• 调用封装好的方法进行自然语言分析，选择并执行需要的脚本。

还有个问题在于，如何让大模型知道有哪些可执行脚本及其作用。针对这一问题，有多种选择，比如：

• 使用提示模板
• 使用分类器
• 使用上下文管理

经过权衡优缺点、实现复杂度与当前需求，我决定采用提示模板作为解决方案。

万事俱备，“东风” - Cursor，也来了，直接开整。

实现步骤（Pair with Cursor）

任务1: 给定多个Python脚本，使用Ollama和大模型llama3.1，根据输入的一段话分析出需要执行哪个Python脚本，并执行。

execute_script_with_ollama.py

import subprocess
from langchain_community.llms import Ollama

def execute_script(script_name):
    try:
        result = subprocess.run(['python', script_name], capture_output=True, text=True)
        print(result.stdout)
    except Exception as e:
        print(f"Error executing script {script_name}: {e}")

def analyze_and_execute(input_text):
    llm = Ollama(model="llama3.1")
    prompt = f"根据以下输入选择一个Python脚本并执行：\n\n{input_text}\n\n可选脚本：\n1. assign_access_for_dataset.py\n2. generate_random_num_from_1_100.py\n3. sum_1_100.py\n\n请返回要执行的脚本文件名。"
    response = llm(prompt)
    
    script_name = response.strip()
    if script_name in ['assign_access_for_dataset.py', 'generate_random_num_from_1_100.py', 'sum_1_100.py']:
        execute_script(f'src/python_scripts/{script_name}')
    else:
        print("No matching script found or invalid response.")

if __name__ == "__main__":
    user_input = input("请输入一段话: ")
    analyze_and_execute(user_input)

任务2: 将Prompt进行封装，使得提示更容易扩展，并放到新的文件中。

prompt_generator.py

class PromptGenerator:
    def __init__(self, scripts):
        self.scripts = scripts

    def generate_prompt(self, input_text):
        script_list = "\n".join([f"{i+1}. {script}" for i, script in enumerate(self.scripts)])
        prompt = f"根据以下输入选择一个Python脚本并执行：\n\n{input_text}\n\n可选脚本：\n{script_list}\n\n请返回要执行的脚本文件名。"
        return prompt

execute_script_with_ollama.py

import subprocess
from langchain_community.llms import Ollama
from prompt_generator import PromptGenerator

def execute_script(script_name):
    try:
        result = subprocess.run(['python', script_name], capture_output=True, text=True)
        print(result.stdout)
    except Exception as e:
        print(f"Error executing script {script_name}: {e}")

def analyze_and_execute(input_text):
    scripts = [
        'assign_access_for_dataset.py',
        'generate_random_num_from_1_100.py',
        'sum_1_100.py'
    ]
    
    prompt_generator = PromptGenerator(scripts)
    llm = Ollama(model="llama3.1")
    prompt = prompt_generator.generate_prompt(input_text)
    response = llm(prompt)
    
    script_name = response.strip()
    if script_name in scripts:
        execute_script(f'src/python_scripts/{script_name}')
    else:
        print("No matching script found or invalid response.")

if __name__ == "__main__":
    user_input = input("请输入一段话: ")
    analyze_and_execute(user_input)

任务3: 在配置文件中维护脚本列表，以便管理多种类型的PromptGenerator。尝试使用工厂模式。

config.py

#配置文件，用于维护脚本列表
SCRIPTS = [
    'assign_access_for_dataset.py',
    'generate_random_num_from_1_100.py',
    'sum_1_100.py'
]

prompt_generator.py

from config import SCRIPTS

class PromptGenerator:
    def __init__(self):
        self.scripts = SCRIPTS

    def generate_prompt(self, input_text):
        script_list = "\n".join([f"{i+1}. {script}" for i, script in enumerate(self.scripts)])
        prompt = f"根据以下输入选择一个Python脚本并执行：\n\n{input_text}\n\n可选脚本：\n{script_list}\n\n请返回要执行的脚本文件名。"
        return prompt

class AdvancedPromptGenerator(PromptGenerator):
    def generate_prompt(self, input_text):
        script_list = "\n".join([f"{i+1}. {script}" for i, script in enumerate(self.scripts)])
        prompt = f"高级模式：根据以下输入选择一个Python脚本并执行：\n\n{input_text}\n\n可选脚本：\n{script_list}\n\n请返回要执行的脚本文件名。"
        return prompt

execute_script_with_ollama.py

import subprocess
from langchain_community.llms import Ollama
from prompt_generator_factory import PromptGeneratorFactory
from config import SCRIPTS

def execute_script(script_name):
    try:
        result = subprocess.run(['python', script_name], capture_output=True, text=True)
        print(result.stdout)
    except Exception as e:
        print(f"Error executing script {script_name}: {e}")

def analyze_and_execute(input_text, generator_type="default"):
    prompt_generator = PromptGeneratorFactory.get_prompt_generator(generator_type)
    llm = Ollama(model="llama3.1")
    prompt = prompt_generator.generate_prompt(input_text)
    response = llm(prompt)
    
    script_name = response.strip()
    if script_name in SCRIPTS:
        execute_script(f'src/python_scripts/{script_name}')
    else:
        print("No matching script found or invalid response.")

if __name__ == "__main__":
    user_input = input("请输入一段话: ")
    generator_type = input("请输入生成器类型（default或advanced）: ")
    analyze_and_execute(user_input, generator_type)

到此为止，基本上就可以运行了。我还进行了多轮任务，包括让它帮助优化、重构、生成前端页面等，但不一一列举了。有兴趣的人可以下载完整代码库进行体验。

成果展示

我准备了两类脚本任务进行测试：常规类和任务分配类。期望的结果是能够根据输入的自然语言，正确分析应该使用哪个提示生成器，并使用该提示模板构建Prompt，让大模型根据Prompt做出正确的脚本选择，并执行。

• 常规类
  • 生成1到100之间的随机数
  • 计算1到100的和
  • 获取当前日期和时间
• 任务分配类
  • 为数据集分配访问权限
  • 为Dashboard分配访问权限

场景一：让助手给我执行获取当天日期的脚本

前端执行：

Frontend_1.png

Backend_1.png

场景二：让助手给我执行 Dataset 权限分配的脚本

前端执行：

Frontend_2.png

Backend_2.png

相关环境

• Python 3.10
• Ollama
• Llama 3.1 8B
• Cursor试用版本，2周试用期
• Cursor大模型使用情况：claude-3.5-sonnet与gpt-4o切换使用
• AI编程的预备知识可以通过LLM编程入门课程来学习。即使是零基础的学习者也能理解课程内容，从中掌握一些基本的AI编程概念和框架，但要深入了解仍需自行探索。

Cursor的体验感受

• 易用性：整个过程，没写一行代码，扮演“嘴强王者”，让Cursor成为你的码仔，它能无怨无求的按照要求写出代码。通过自然语言输入，用户可以轻松生成代码或执行复杂任务，这种无缝集成大大降低了技术门槛。
• 高效的代码生成：生成的代码通常处于可用状态，只需进行少量修改即可满足具体需求。
• 智能化的上下文理解：Cursor升级了模型后，支持超长上下文(200k)，使得它能够理解项目背景、代码结构及编码风格。这种能力不仅提升了生成代码的相关性和准确性，还使得模型能够根据历史交互进行智能响应，提供更为精准的建议和解决方案。能按照生成的既有风格进行演进。
• 知识储备与效能提升：你的技术知识储备越丰富，那么Cursor帮你提升的效率会越高。比如，如果方法论知识丰富，它能帮忙快速的提升代码的可读性、可维护性和扩展性，在重构方面表现尤为突出。

当然现在的边界情况是简单产品，其实进入到深水区后，依然会遇到很多卡点，不过没关系，迈出的这一步很重要。

最后的最后

附上一些使用Cursor的技巧

• 表述需求时的注意事项：在表述需求时，务必做到明确而谨慎。清晰的需求能够帮助 Cursor 精确理解并执行，而不必要的信息可能会增加实现的复杂性。例如，当我错误地提到使用Ollama3.1时，实际上在编写代码时，Cursor是将Ollama3.1作为模型引用的，但正确的模型应该是Llama3.1。同时，过度简化需求可能会导致 Cursor 自由发挥，产生不必要的偏差。例如，我最开始并没有提到使用大模型来满足需求，只是简单描述了需求。在最初的代码版本中，就并未采用大模型框架来实现。
• README.md 文档的重要性：让 Cursor 从项目一开始就写 README.md 文档，记录清楚产品功能、实现技术栈等，并且让它在完成关键节点后及时更新。
• 中间版本的救命工具：用 Git 做版本管理，在关键成功节点提交时写好说明内容，给自己复原的机会。否则，等一段时间后，你想要回退到某一节点的时候，那个节点就已经找不到了。
• 使用 Composer 和 Chat 功能的建议：使用 Composer 和 Chat 功能时，尽量多 @codebase，否则 Cursor 常有幻觉，不知道项目内容是什么。
• 文档链接的整合：常用的文档链接可以加入 Docs 中，比如你习惯使用的 AI API 调用文档，方便在使用时随时 @。（太好用了）
• 隐私选项：如果用于项目，请记得勾上Privacy Mode，这个选项能够保证你的代码不被第三方或者Cursor官方保存。（明面上是这么说的）

到此，我们的讨论就告一段落了。感谢大家的阅读和关注!