cursor配置kimi code

你有没有感觉， cursor 在 处理复杂任务时就是不如 clod code？ 明明用的是同一个 clod 的 模型，为什么差距会这么大？这背后其实有三点重要的原因。 第一，上下文。 cursor 是 id 一， 它会把你所有打开的标签页、侧边栏，甚至历史记录都作为上下文塞给模型。这些看似贴心的信息，其实都是噪声，分散了模型的注意力。 而 cloud code 是 命令行工具，它只关心文件本身，上下文干净又精准。这不仅 send token， 更重要的是它让 agent 能聚焦在你给他的任务上。 第二，反馈闭环。在磕舍里， ai 改完代码报错或者其他负反馈，需要人工介入调教，但在 cloud code 里，它可以自动运行，保护报错、定位、文件修复，再跑测试，直到成功。这种负反馈闭环能力，磕舍暂时还不如 cloud code。 第三， 原厂调教哥 sir 要同时支持 cloud code、 gpt、 gemini 等好几个模型，就像一个餐厅同时做川菜、粤菜、西餐，哪道菜都很难做到极致。 而 cloud code 是 亲儿子，只为一个模型服务，他知道 cloud 的 脾气、习惯、擅长什么，能用最对的方式把模型的潜力全榨出来。所以科 sir 跑不过 cloud code。 不是 科 sir 不 行，而是它们的定位本来就不一样。 科室的优势恰恰在于它是 i d e， 支持多模型，界面友好，上手门槛低，无论你用 cloud 还是 g p t， 都能在一个地方搞定。 a cloud code 是 命令航空器，专为 cloud 模型深度定制。最后，大家日常开发习惯用科室还是 cloud code 评论区，一起聊聊。

哈喽，大家好，今天我们聊一聊我们程序员开发都是怎样去通过这个 ai 去辅助编程的，大家可以畅所欲言，在这个屏幕下面，我来谈谈我的一感受吧。我目前就是用的是 cos， 最近这个 cos 呢，就特别的智障，不知道大家有没有发现，更新完之后 老是出现这个凸浪，对吧？太长了，然后呢，就卡死，之后呢，你要用这个可乐扣的这个模型，我发现了， 之前的话应该是六千多万的一个透痕量，更新之后呢，他直接显示一个有一个 api 的 用量，那 api 用量呢？就是我们的这个 cc 的 用量，就可乐扣的用量， 这个用量呢，感觉已经被压缩到三四千万了，因为一般啊，六千多万桃根我一般是可以用两周的，有了这个更新之后呢，只能用 一周左右，最后就是 auto 加 composer， 据说 composer 的 底层用的是 kimi， 然后用起来真的是不太行，而且我要吐槽一下这个 c c 啊，在 qq 上面用的也是非常的不比我好，因为呢， 你开梯子也不行，其实你所在的区域不支持，然后呢，只能从 h t t p 二，然后切换成 h t p 一 点一，导致非常卡，提前晚上就跑。用 cos 二的话就是这样的一个情况，最近呢，然后再用这个 q， 这 q 的 话，你是新用户的话，送你五百 credits， 这个的话，我感觉五百啊， 我目前用了都已经有两周了，还没有用完。现在就是你的一轮绘画，如果是简单的任务，用零点二，零点四这样的一个 christmas， 如果是一个比较复杂的一个任务，你发给他之后，他给你去解锁很多 这个文件啊，那可能用的就多了，可能花一个啊，二点多的一个这样的 credits。 所以 啊， cost 这块的话我真的是不打算续费了，但是今天我看了一下，又被订阅了二十美豆，最后一个月后面就不再用了， 用这个 qq， 我 这块没有订阅的原因是因为我这块没有这个银行卡，后面就是搞一个电子虚拟的一个这样的一个信用卡，然后去进行支付，这是我的一个使用。大家平常都是怎么使用呢？可以评论一下。

如何快速上手编程？编程学习这一块，那么这里今天给带来大家带来几个编辑 idea 的 应用场景。好，一个是 pillow， pillow 这里大家看到用到的是 cloud 四点五，然后我们另外一个是 caution， cortex 的 话现在用到的是 auto 模型，在运行。开发好，我们先把 winsole 打开另外一个编辑器，当然还有 vscode， 在 cortex 右边这个对话栏里面是用到的 cortex 插件。 好，我们使用五点五 g b d 五六模型，那么这个是 windows 啊，这几个编辑器的话都是比较主流的一个编辑器，除了国产的讲确 q order 啊这些 e 这几个编辑器是用的比较多的啊，选择性比较多的， 大家看到好， kilo 已经在运行，那么这边好选择软件上 quarter， kilo 和 coser 这几个都是能够使用的，那么我们把 主要是就是一个日常如何持续的进行开发的一个问题，持续运行，大家如果是有更好的推荐途径，或者说有需要获取到更多的一些 教学内容，可以关注我啊，关注主播意见善联。

截至二零二六年五月十五日，国内各家厂商的 coding plan 套餐。 coding plan 简单来说就是花一笔固定月费就能在 cursor、 cloud code 这些工具里大量调用 ai 编程模型。 今天我就来帮大家把八家平台一次性对比清楚。先说质谱， glm codein 旗下旗舰模型 glm 五点一，括定能力，开源 sota 能可靠交付。生产级代码套餐分三档， like 四十九元， pro 一 百四十九元， max 四百六十九元。不过智普是限量抢购，手慢无 再说火山引擎方舟这个是模型聚合平台，豆包二点零 code deepseek v 三点二、 g l m 五点一、 k m k 二点六、 mini max 二点七，全都能用，还有 auto 模式自动帮你选模型。 like 四十元 pro 两百元月额度九万次，购买容易。阿里云现在是 token plan， 主推 q one 三点六 plus， 支持图片理解，还集成了 kimi k 二点五、 g l m 五、 mini max m 二点五， 不过目前还不支持 kimi k 二点六和 g l m 五点一 pro 套餐两百元一个月，月额度九万次，限量抢购 腾讯云独家的会员模型 h v 二点零，加上 g l m 五 kimi k 二点五、 mini max m 二点五。 light 四十元 pro 两百元额度和其他家一样，也是限量抢购。 百度千帆文星系列模型加上 g l m 五 kimi k 二点五、 mini max m 二点五 deep six v 三点二 套餐同样是 light 四十元 pro 两百元，购买容易，不用抢。 kimi code 月租四十九元起，主打 kimi 最新旗舰模型，输出速度最高，每秒一百个 token， 适合复杂项目分析和 ai agent 场景， 不过月额度相对少，一千到一万两千次， mini max 起步价最低二十九元每月起 旗舰模型 m 二点七，而且不止编程，还支持语音视频图片音乐全模态，一站式 包年更便宜。最后是小米咪某，三十九元每月起，咪某系列八款模型可选。总结一下，同档位额度总体差不多，各家自家模型都是最新的支持的，其他家模型会稍微晚点 四十到两百元这个区间。 pro 档基本都在九万次月额度，买不上的可以考虑火山引擎和百度千帆购买门槛最低。好，这就是目前国内 ai 抠订方案的全景图，只对比不推荐大家按需选择。

哈喽，大家好，我是贤，很开心呢，在这来给大家分享。作为一个连续充了两年的一个科室用户，作为小白呢做了一个 web coding 的 一个应用 app， 并上架了 app store 的 市场，整个数据的话还是非常可观的。今天呢，我就带大家用 cursor 去安装 cloud code， 去做一下你人生的第一个 skill。 话不多说，现在就开始我是用 cursor 来安装的 cloud code 和 c c switch， 然后在 c c switch 里边去关联我想去用的一些模型。所以首先第一步呢，我们先打开 cursor， 在科室里面呢创建一个项目文件夹，在输入框里面可以这样去输入这个内容，让科室儿帮你去安装。之后呢，它整个程序就可以跑起来了，快的给你安装好。然后这个界面呢就是它安装好以后的一 cloud code， 整个图形 logo 出现的时候呢，就是安装成功了，也可以直接去告诉他帮我安装 c c switch， 那么整个的这个程序它就可以给你跑起来了，跑完之后呢，在你的整个的应用的桌面里面就能看到这个 c c 四位置这个图标，点击这个图标，然后就可以启动了，你就可以进行这个模型的一个添加和 skill 的 添加，可以去接现在主流的，那么如果没有可选的呢，就选择自定义配置， 那么有两个方式，一个方式呢就是 a p i 的 一个接入获取的话，一个是它官方渠道的，第二个呢是需要这个 a p i 的 一个服务商有这几个推荐的。然后第二个呢，你可以使用国内的一个模型，比如说 deepsea， 智普啊， mini max 等等，这里呢我给大家来操作一下 mini max 工商名称和官网链接和 api k， 充完之后呢，你就可以去创建你自己的这个 api k， 整个这个 api k 呢它的密钥呢是非常长的一些字母和数字组成的，点开这个复制之后呢，去到刚才我们打开的这个 c c switch 里面选好的 mini max api k 这个位置，我们去把它粘过来。现在大家看到的就是这个添加好的这个 mini max， 点起用以后，它就能够显示当前的这个模型，是 max api 的 一个模型。分享一下我现在的一个工作的一个区域的划分。首先左边这个呢是一个虾子，让龙虾去做一个 clr 的 一个自动化的一个部署，如果有 clr 你 都可以去在这个地方让 虾子去给你对接一下，然后中间这块就是我的 id 的 一个工具，右边这一块就常用的一个 ai chat 的 一个对话框，和 ai 工具的一个分区。然后推荐给大家 想看的 cursor 里面 cloud code 交互页面，作为小白的话，安装 cloud code 插件这个应用扩展这个地方去搜索官方已经放好的这个插件，安装好之后它不会立马的显现出来，在它的应用扩展这个地方有一个箭头下拉下来有一个 cloud code， 点开以后和交互的这个页面就打开了，下面呢它有这个输入框，在这个地方进行一个对话，也可以去打开你的电脑的终端，有什么需求，然后我要做什么 可以直接在这个地方说。接着给大家去演示一下在 ctrl 它这个交互界面里面的一些原则。右下角这个 black mode 非常重要的一个功能，它会给你反馈一些你现在要做的这个需求的场景 的一些问题，进行一个头脑风暴的一个对接啊。制作一个 skill， 只用 notebook lm 里面的一个笔记，然后我希望你能够抓取我笔记本里面的一个数据，给我生成一个 skill。 这个地方再给大家推荐一下我用的这个 template， 我 觉得特别好，它非常有帮我制作一个 skill， 然后是骨骼产品里面的 lm， 然后 有许多我之前用过的一些笔记，然后你帮我进行一个 skill 的 一个输出，抓取这个 skill 里面的数据，然后给我生成一个 skill 并封装这个 skill。 现在呢，把它给发送它前面呢，其实是对我整个 skill 的 结构做了充分的一个了解， 然后在规划之前呢，它可能需要有些问题是需要问我的，那么这个弹窗呢，里面是一个获取的一个数据获取的方式，那么数据获取的方式呢？他就问我整个这一块 i m 里面是没有公开 api 的， 无法直接程序化地抓取数据。我希望用哪个方式去让他去了解我笔记的内容？会给我的 ai， 然后呢，让他去帮我分析一下这几个选项。制作好了之后呢，我可以直接去给 cloud code 说帮我去总结笔记，那么就会调用刚才我让他去生成的整个这个 skill。 这时候又弹窗笔记主题，你的 notebook lm 笔记主要是关于什么领域的？ 将帮助我设计合适的一个 skill 的 结构和出发的一个条件。它这个地方呢，是希望我能够帮助他理解我整个设计的这个 skill 的 结构和出发的一个条件，可以就是把整个这个输入啊，处理啊，输出啊， prom 的 这个模板啊，自动化流程 给我打包成一个 skill， 然后非常的偏向于 agent 的 一个行为安装位置，这里非常重要，就是你的 skill 希望安装在哪里，那么肯定是选第一个全局的，这样的话呢，你就是在做接下来的一些 ai 工具和一些做一些 ai 项目的时候，都能够反复地去调用你现在生成的这个 skill 灵魂真的是在线了。选了这个 plan mode， 相当于 ai 和你一起去思考 skill 我 应该怎么写，然后去引导的你。中间的过程中的话，你还可以思考一些问题丢给你的 ai， 然后去把你这个 skill 做得更完善一些，关键问题都有了一些答案了， 那么它就会把你这个答案和问题给你总结出来，然后一步一步的去给你去实现和规划。然后第一步需要我配合的是什么？要把我的这个笔记本选择这个相关的内容， 然后全选复制粘贴到这个对话框里面，多次的去粘贴这个笔记的内容，内容越多越完整，生成这个 skill 的 质量就会越多。 做的你做 skill 的 一个流程，一个方式，它哪些场景，具体的你都怎么操作的，完完全全都输入给它，它就会给你生成这个非常结构化的这个 skill， 它告诉你可以多次去粘贴这个笔记的内容，然后内容越多呢，你生成这个 skill 的 质量就会越高， 我并不知道要粘贴哪里，那么这个时候我可以把截图截给他，整个笔记的页面内容是这些，我需要把哪些内容去复制粘贴到你这个对话框里呢？然后呢，我们根据它的这些提示呢，然后把它 需要的这个内容呢，你给它粘过来就可以了。设置完之后，它就会问你整个的 skill 是 否要放在你电脑的这个文件夹下面，这个时候选 yes 正在生成的 skill 的 这个主文件图标里一个选中的一个状态， 然后呢，下面再生成整个这个详细模式的一个参考文件 c q 的 一个样式，然后就出来了啊，两大核心的原则，策略，用户输入的文本策略， 防止幻觉呀啊，检查假设法呀。其实这公式的本质是迭代的一个过程啊，它先生成一个组的文件，下面呢再去生成这个详细模式的一个参考文件，它已经写完了，整个 c q 的 已经生成完毕了，它的文件结构是一个组的 c q。 然后两大原则，七大策略，应用场景， 去打开一个新的 cloud code。 然后呢去说帮我写一个房子幻觉的题词，看看是否有些变化，因为这个 skill 已经写到你的从句里，只要能够提到这个梯子词，刚才说的梯子词幻觉， prompt 等等这些关键词的时候，它都能够触发刚才我去封装的这个 skill。 嗯，结果出来了一个通用的防幻觉的题词模板，基于文档和知识库的一个问答的场景防幻觉。然后他写好了，我去规则一二三说出一个格式，引用回答和执行度使用说明是在这个场景里面啊，做法核心的原则， ok， 搞定，下期呢，继续给大家一起来探讨一下，在做项目上有没有其他更巧妙的一些方法，谢谢大家的收看，然后我们下期再见。

百分之四十一、百分之十一、百分之三。一个 cloud 点 m d 文件，把 ai 写代码的错误率打下来了。 一月， carparty 吐槽 ai 写代码的四大毛病，瞎猜、过度设计、乱改代码、没有目标。开发者 forrest chong 把吐槽变成了四条规则。 github 首日近六千 star， 加上这四条，错误率就从百分之四十一降到百分之十一。 但问题来了，百分之十一的错误率，剩下的百分之六十失败模式是 car party 那 四条管不了的，多部 agent、 hook 吉连跨代码库协助，这些一月根本不存在。 四条规则，不是错了，是不够了。五月九号，开发者 amnilex 发布了十二条规则完整版， 在 karlty 四条基础上新增八条，六周三十个代码库实测，关键发现合规律几乎没变，百分之七十八到百分之七十六，但错误率又砍了八个百分点，降到百分之三，哪几条最值？第五条模型只做判断，不做决策， 让 cloud 判断五零三，要不要重试？他读了请求体，当上下文重试策略变成随机的路由，重试状态码，这种确定性逻辑就该用代码写。第六条硬性 token 预算， 没有预算的 cloud 点 m d 就是 空白，支票循环一开就往五万 token 充，模型不会自己踩刹车。 这两条，一个是认知边界，一个是资源边界。最重要的心智模型来了， cloud 点 md， 不是 许愿清单，是行为合约。每条规则只回答一个问题，它防止什么错误？ 有人在四百九十二个公开 cloud 点 md 上跑评分中位数只有三分，百分之九十八缺，先读后写，百分之九十一缺，显性失败， 不是大家不想写好，是不知道该写什么。十二条规则复制粘贴到你的 cloud 点 m d 今晚就能用， cloud code、 cursor、 winsole 都通用。想看完整规则文件，关注我，下一条发出来。

我在用 cut 和卡布扣的做一款换装小游戏，现在框架已经搭好了，初步效果也能看到了，给你们看一眼他现在的样子。这里我点击打开衣橱，然后点击换一个上衣，然后拖到模特人才的地方，然后点一条裤子，也拖到模特人才的地方， 然后先选择这两件基础的，单 看这里就是最终生成的搭配效果图片。当然这个产品目前还非常粗糙，我给自己定了个目标，这个月底前完成游戏的开发和上线，到时候再来跟大家分享完整的开发过程和踩过的一些坑。如果你也在用 ai 做产品，欢迎随时交流。

一行命令直接让你暴省几万块！ apple coding 的 时候， top 是 不是烧的飞起？于是聪明的你给小龙虾丢了这样一个命令，紧接着你会发现， a 证的工具调用直接砍掉了百分之九十六， top 直接省了九成！你省的不是数字，而是实打实的饭钱！ 而且不管你用的是 tree 还是 coser 还是 cloud， code 还是 code 叉，它全都能用！装一次可以持续帮你省钱！这波格局直接拉满！记得点赞收藏评论区扣一看，看你的 ai 能帮你省多少钱！

上期讲了 cursor sdk 能做什么，有人问能不能直接看代码，今天就直接拆 api， 结合两个真实场景，看它怎么用代码能直接抄改改就能在自己项目里跑 三个核心 api， cursor agent 传任务就跑， sandbox 是 隔离 vm， 跑完销毁 hux， 在 关键节点叉你的逻辑。三个 api 组合起来就是一条可编程的 ai 流水线。你定义规则， agent 按规则跑，不需要每次人工盯着 第一个场景，每次有新 pr 自动跑一遍。代码审查用 ci 触发，把 def 传给 agent， 让它检查命名规范，有没有裸 c， 有 没有遗漏的错误处理。 关键是 hooks 里的 uncomplete agent 审查完之后把结果格式化成 pr， comment 自动发出去，不需要人工转 述。重构一个大模块，拆成三个子任务并行，一个改实现，一个补测试，一个更新文档共享同一个 sandbox 主 agent 合并结果， 这里用到 agent spawn， 从主 agent 里动态生成子 agent， 子 agent 完成后只返回粘药，不会把整个上下文塞回来。 cursor agent 加 sandbox 加 hooks， 三个 api 组合起来，重复的 ai 任务就能变成一条跑得动的流水线。

ai 圈刚刚发生的一个小事件，但其实信息量特别大， ai 模型刚发布就被识别出 dna。 嗨，大家好， ai 编程工具 curser 想必大家都不陌生，它刚刚发布了一个新模型，叫做 compressor 二， 官方宣传非常直接，更强，更便宜，甚至在部分测试里超过主流模型。听起来非常猛， 但发布没多久，开发者就发现了一个细节，在模型的 id 里出现了 kimi k two point five 的 标识。同时就有人对比了这个 tokenizer， 发现行为模式跟 kimi 高度一致。 在 ai 圈，这基本等于一个信号，这个模型很可能不是丛林训练的。很快，科瑟的联合创始人就发文确认了，他们测试了很多底座模型，发现这个 kimi k two point five 是 表现最强的一个。 而 composer two 是 在这个基础上啊，做了持续的预训练，又进行了高算力的强化学习， 规模扩大了四倍。也就是说，这不是直接调用模型，而是基于墙底座的二次训练。这里简单的说一下 kimi， 他 来自中国公司温氏的 ai， 特点也非常的明确，他有这个超强的这个超长上下文的理解能力， 然后它的推理成本相对来说比较低，所以在业内，它经常被当做底座模型。有点像不是自己种菜，而是先买到最好的食材，再做一道更复杂的菜。 更有意思的来了 kimi 的 官方账号，随后也转发祝贺，直接表示很高兴看到 kimi 成为 composer two 的 foundation。 这基本说明这是一次公开的技术合作。那为什么还是引发争议？其实问题并不在技术，而在表达方式。如果一开始科 sir 就 说，哎，我们基于某某型做增强，呃，我觉得行业完全可以接受， 但如果用户理解成是完全自研的，这个预期就会完全不同。而真正值得注意的是背后的行业变化。因为现在 ai 的 产品竞争已经越来越少的公司是从零开始训练模型的， 大家比的是谁选的底座更好，谁训练的更聪明，谁把产品体验做到极致。换句话说，未来拼的可能不是谁造出了最聪明的大脑，而是谁会利用聪明的大脑。 所以这件事的核心其实不是有没有用 timi， 而是一个现实，未来很多 ai 产品可能都建立在同一批模型之上。那问题来了，你觉得这种二次开发算不算真正的技术能力？