cursor 工具配合编程总结

一、/init 初始化
先让 AI 认识项目
• 使用步骤：输入 /init
• 作用与输出：手动初始化或重建项目画像，会在当前项目目录生成 read.md
• 包含：项目概览、技术栈、工程约束等信息

二、/start

需求理解与方案设计
输入 /start，提供需求编号（如 SV-01），并补充需求文档或原型资料。

生成文件
docs/design/需求编号/需求编号-tech-design.md

文档内容包括
任务契约、需求边界、方案对比
表结构设计、代码生成范围
业务流程、异常处理、测试验收
待确认问题与前置假设

【/start 环节开发人员动作】

/start 阶段重点 Review
AI 对需求的理解是否准确
方案设计是否合理，设计依据是什么
表结构设计是否合理，字段是否符合业务
是否存在遗漏场景、边界情况或潜在风险
该步骤最为重要。讨论效果决定后续代码生成质量，需要开发人员对需求有充分理解和技术把关。

三、/code 编码

按技术方案生成实现
输入：/code 需求编号 @docs/design/需求编号/需求编号-tech-design.md

A辅助研发实践建议与经验
1.关注点从「写代码」转向「做决策」
AI能够快速完成编码工作，开发人员应将更多精力投入到需求理解、方案设计、风险识别和结果验证中。未来开发人员的核心价值将更多体
现在技术判断能力而非编码速度上。
2.AI时代，需求分析能力比编码能力更重要
AI输出质量高度依赖输入质量。业务背景、规则边界、异常场景和验收标准描述得越清晰，AI生成结果越准确。很多返工问题本质上不是
代码问题，而是需求理解问题。
3.学会与AI协同完成技术设计
不要把AI仅当作代码生成工具，更要把它当作架构师、评审专家和技术顾问。在编码前，充分利用AI进行方案讨论、风险分析和设计评
审，往往比直接生成代码价值更高
4.持续提升人与AI协作能力
未来研发效率的差距，将越来越多地体现在人与AI协作能力的差距上，而非单纯的编码能力差距。善于提出问题、引导AI思考、验证AI
结果，将成为研发人员的重要竞争力。