Cursor使用入门及连接服务器方法(更新中)

文章目录

1、背景

Cursor 是一款基于人工智能的 AI 驱动代码编辑器(Code Editor) ,在2022年首次亮相,后来逐渐出圈,直到2025年6月4日才正式发布1.0版本。它将大型语言模型(如 GPT-4、Claude 等)深度集成到开发环境中,旨在帮助开发者更高效地编写、理解、调试和重构代码。
我对于这款软件也是久闻大名,但迟迟未曾入手,如今正式开始尝试这款软件。本篇文章将记录Cursor的使用入门和注意事项,后续还会更新一些实例和使用技巧,希望能帮到想尝试这款软件的同学。
想了解详细功能和快捷键的同学推荐博客:Cursor详细使用教程(看完无敌版本)

2、安装与注册

Cursor官网下载安装包直接安装到本地即可,不在此赘述。
使用Cursor需要先登陆,可以用国内邮箱注册登陆。

3、创建项目

Cursor有三种运行方式:本地运行、克隆已有项目、远程连接服务器(SSH),如下所示。本地运行直接创建工作文件夹即可,克隆已有项目还没试过,此处主要记录第三种运行方式,即远程连接服务器。

3.1 下载插件

连接服务器需要下载名为“Remote - SSH”的插件;对网络有一定要求,搜索可能会比较慢,要有耐心;如果实在加载不出来或者下载失败,就需要科学上网

在这里插入图片描述


下载成功后能在INSTALLED中看到,插件界面也会显示Disable按钮。

在这里插入图片描述

3.2 用SSH连接服务器

  • 1、安装好插件后点击右侧"Connect via SSH";
  • 2、在上方输入username@serverIP,左下角会出现连接状态;
  • 3、根据提示在上方输入用户名及密码
在这里插入图片描述


耐心等待配置完成即可进入服务器的Terminal,此时三个选项已经改变,可以选择创建工作文件夹、克隆项目或打开新的Terminal:

在这里插入图片描述


注意: 连接服务器后,在这个Cursor界面打开新的Terminal会默认以当前的服务器账户创建Terminal;如果希望在本地打开新的项目或连接新的服务器,需要创建新的Cursor Window,如下:

在这里插入图片描述

3.3 创建工作目录

在服务器中,首先要做的也是给Cursor创建一个工作目录,例如:

mkdir /public/home/student0/workplace/cursor 

点击左侧的“Open Folder”,在上面输入工作目录的路径,确认后需要再次在上方提示栏输入密码

在这里插入图片描述


待配置完成后左侧显示空文件夹,右侧显示出Cursor的AI 对话栏,表明初始化设置成功:

在这里插入图片描述


补充:
在本地模式下(本人Win10),Cursor无法访问工作文件夹以外的路径,如果需要其处理文件需要将文件置入工作文件夹中。

4、基础使用

4.1 Chat的三种模式

在这里插入图片描述
  • Ask: 类似常用的大语言模型,只是回答问题,不会尝试运行;但是可以指定它读取服务器中的文件辅助回答问题。 可以在开始前先与AI进行交流并优化方案,再用其它模式实际操作。
  • Manual: 由用户主导,手动指定某部分代码让AI修改,可以实现精确的bug修复和代码优化;

Agent 由AI主导,全流程AI协同开发;AI可以自由地执行命令,包括但不限于:在工作目录中随意创建、修改文件,在命令行中执行命令等。
可以点击修改按钮进行详细设置:

在这里插入图片描述

Agent有两种运行模式:“Ask every time"和“Auto-run”;其中“Ask every time"模式需要用户手动确认是否执行命令行,而“Auto-run”模式下,AI将自动完成全过程。详细设置及其工作流程请参考官方文档,以下是这两个模式的例子:

在这里插入图片描述


1. “Ask every time”模式
我让Cursor将一个fasta文件标准化为60bp一行的格式,它执行的是:在工作目录下创建了一个python脚本,并希望我运行该脚本。

在这里插入图片描述


点击按钮即可运行,运行后,发现原先的脚本存在问题,Cursor会自动修改并申请再次运行,并会再次征求同意,再次运行后成功生成正确结果(和我手动运行seqtk seq -l 60 的结果完全一致):

在这里插入图片描述

2. “Auto-run”模式
我让Cursor使用Conda环境中的seqtk软件规范另一个fasta文件;
一开始它在工作目录创建了一个bash文件,通过运行bash来实现目标:

在这里插入图片描述


但我阻止它并让它在命令行直接运行:它不断进行尝试,过程中出现错误就会自动尝试纠正,最终完成目标:

在这里插入图片描述

4.2 Cursor 运行命令行的方式

Cursor在完成目标时,会尽量以“编写脚本让用户手动运行”的方式来完成,如上面的例子所示,但是它也有直接在终端执行命令的能力,且有以下几个特点:

  • 1、Cursor 每次使用bash时,往往会以工作文件夹为家目录开启新的终端,并不会继承用户使用的Terminal或它自身先前创建Terminal的状态。因此在给出命令时应该注意:最好指定目标文件路径以及使用的Conda环境
  • 2、Cursor在Terminal中执行命令行时,用户同样可以在其创建的Terminal中操作。例如:对于需要管理员密码的情况,Cursor会暂停行动,等待用户输入密码。

4.3 选择模型

在对话界面,可以自定义使用的AI模型,或让Cursor自动(Auto)选择合适的模型

在这里插入图片描述


可以在设置中的Models栏进行详细设置:

  • 开启/关闭某些models;
  • 设置模型的API keys;
  • 开启Max mode模式(按token额外收费,参考Price

4.4 查看账户

关于Cursor1.0 版本的重要更新,推荐大家查阅官方Changelog
在这里先给大家介绍下其中的账户页面,里面记录了“请求次数”和“消费记录”等重要信息:在设置的General一栏,可以看到管理账户的功能,点击Open会跳转到账户网站。登陆后就能看到本月的使用记录,此外还可以设置消费额度,避免额外收费项目悄悄给用户小惊喜。

在这里插入图片描述


在这里插入图片描述

5、其它内容

为了避免文章过长而影响实用性,其它相关内容链接如下,欢迎有需要的同学参考:

总的来说,Cursor是个复杂而强大的工具,其可塑性和灵活性能为不同用户提供定制性的服务,当然这需要用户持续不断的适应和优化,这是个长期的过程。本文旨在给刚入门这一领域且想尝试使用Cursor的同学提供一点点帮助和提醒,想要真正掌握这一工具需要大量尝试和调整,希望大家最终都能在这个AI的时代找到(培养)属于自己的助手!后续有更多基础内容还会在本文更新。

Read more

Java 大视界 -- Java+Spark MLlib 构建智能推荐系统:协同过滤算法实战与优化(441)

Java 大视界 -- Java+Spark MLlib 构建智能推荐系统:协同过滤算法实战与优化(441)

Java 大视界 -- Java+Spark MLlib 构建智能推荐系统:协同过滤算法实战与优化(441) * 引言: * 正文: * 一、 推荐系统整体架构设计:从业务场景出发,搭建高可用架构 * 1.1 架构设计核心原则:贴合业务,兼顾性能与可扩展性 * 1.2 全链路架构图:纵向布局,清晰呈现核心模块 * 1.3 核心模块职责:分工明确,形成闭环 * 1.3.1 数据采集层 * 1.3.2 数据处理层 * 1.3.3 模型层 * 1.3.4 推荐生成层 * 1.3.5 存储层

By Ne0inhk
【Linux系统编程】(四十)线程控制终极指南:从资源共享到实战操控,带你吃透线程全生命周期

【Linux系统编程】(四十)线程控制终极指南:从资源共享到实战操控,带你吃透线程全生命周期

前言         在 Linux 多线程开发中,“线程控制” 是贯穿始终的核心技能 —— 从线程的创建、终止,到等待、分离,每一步操作都直接影响程序的性能、稳定性和资源利用率。而要熟练掌握线程控制,首先必须理清一个关键问题:进程和线程究竟哪些资源共享、哪些资源独占?这是理解线程控制逻辑的底层基石。         很多开发者在编写多线程程序时,常会陷入这样的困境:明明调用了pthread_create却创建失败,线程退出后出现资源泄漏,用pthread_join等待线程却始终阻塞,甚至因误操作导致整个进程崩溃。这些问题的根源,往往是对线程与进程的资源关系理解不深,或是对 POSIX 线程库的控制接口使用不当。         本文将从 “进程与线程的资源划分” 入手,层层递进讲解 Linux 线程的完整控制流程 —— 包括 POSIX 线程库的使用、线程创建、终止、等待、分离等核心操作,全程结合实战代码和底层原理,用通俗的语言拆解复杂概念,让你不仅 “会用” 线程控制接口,更能 “懂原理”

By Ne0inhk
内网安全部署:Java + OpenClaw 本地大模型私有化方案

内网安全部署:Java + OpenClaw 本地大模型私有化方案

文章目录 * 前言 * 一、开篇:你的数据正在裸奔吗? * 二、技术栈选型:为什么选这三兄弟? * 2.1 本地大模型:Ollama是傻瓜相机 * 2.2 OpenClaw:AI界的机械臂 * 2.3 Java:老当益壮的底盘 * 三、架构设计:三层铁桶怎么搭? * 3.1 数据流向图(脑补版) * 3.2 安全边界划分 * 四、环境搭建:从0到1手摸手 * 4.1 本地模型部署(Ollama) * 4.2 OpenClaw安装与配置 * 4.3 Java项目准备 * 五、Java集成实战:代码说话 * 5.1 基础对话接口 * 5.

By Ne0inhk
Java 手写 AI Agent:ZenoAgent 实战笔记

Java 手写 AI Agent:ZenoAgent 实战笔记

摘要:作为一个长期使用 Java 的后端开发者,我对 AI Agent 的内部运作机制充满了好奇。为了深入理解 Agent 的工作原理,我决定动手写一个简单的 Agent 系统 —— ZenoAgent。本文记录了我在这个过程中的学习心得与技术实践,包括如何手写 ReAct 循环、在分布式环境下实现 Human-in-the-loop、尝试复刻类 o1 的流式思考以及探索错误处理机制。希望这些踩坑经验能给同样想探索 AI 的 Java 开发者一些参考。 👀 在线体验:项目已部署上线,欢迎试玩:线上部署地址 (注:受限于服务器资源,线上本地部署了 Qwen3:8B 模型(参见另一篇博文华为云服务器本地部署大模型实战),虽不如商业模型聪明,但足以演示 Agent 的核心能力) 💡 写在前面:我的学习初衷 市面上已经有了像 LangChain 和 AutoGen

By Ne0inhk