cursor用agent还是plan

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。

用 ctrl 的 时候，你是一个对话从头聊到尾，还是经常开心的。这个选择直接决定了 a 俊好不好用。 很多人一个对话聊几十轮，结果越到后面 agent 越不听话，因为对话太长，上下文噪音越积越多， agent 注意力就被分散了。 记住这个口诀，三开三流！先说该开新对话的三种情况，第一，切换任务， 你要做一个完全不同的功能了，果断开心的。第二， a 证犯傻，他反复犯同一个错误，说明上下文已经被污染了。第三，完成闭环，一个完整的功能做完了，干净收尾，下次轻装上阵 再说。该继续聊的三种情况还在迭代，同一个功能，需要之前的上下文，正在调试刚写的代码，这三种别断继续聊。还有一个高手技巧，开新对话的时候，用 at paschat， 引用之前的聊天记录， agent 会自动提取需要的上下文，比你复制粘贴高效十倍。 记住，三开三流，对话不乱，觉得有用就收藏起来，下次 a 阵犯傻的时候翻出来看看。关注我，每天一个单词实战技巧！

你是不是也遇到过这种崩溃，让 ai 写个用户登录接口，他上来就哐哐写一大坨代码，漏了参数校验没做异常处理，跑不通又乱改，最后你删了重写，比自己做还累。 top 上有一个七十二 k 星的神级项目，干了一件事，逼你的编码 ai， 先别写代码，先问清楚你要啥，出设计给你确认，再拆成可执行计划，最后才动手。结果就是， ai 能按流程自己跑一两小时，还不跑偏。这个项目叫 superpowers， 不 管你是用 cursor、 cloud code 还是别的编码 agent， 今天这条从安装到进阶，一次性讲透，建议、点赞、收藏，照着做，你的 ai 立刻从乱写怪变成有流程的工程师。 superpowers 是 开发者 jessie github 账号 obara 做的开源项目， 七十二 k 星还不算夸张，它单周涨了二点四 k 星，在 ai agent 工具里排第六。一句话概括，这是给编码 agent 用的技能框架加软件开发方法论。它解决的核心问题就一个， 大多数 ai 一 上来就写代码，没有需求澄清，没有设计确认，没有分布计划，所以容易写飞写肺。 superpowers 往你的 cursor 或 cloud code 里塞了一整套技能， 什么时候该先跟你聊需求，什么时候该出设计文档给你点头，什么时候该写可执行计划，什么时候才派子 agent 去写代码 做审查。而且这些技能是自动触发的，你不用每次手动选 agent， 自己会判断该用哪一步。官网介绍里有一句特别到位， it does just jump into trying to write code instead it steps back and asks you what you really trying to do？ 这句话说白了就是 ai 不 会上来就瞎写，反而会先退一步问清楚你到底想干嘛。 就这一句，已经把乱写和先想清楚再写的区别说透了。接下来从零到进阶，给你三层用法。第一层最简单，直接装，立刻用。如果你用 cursor， 在 agent 的 对话里输入 plug in add superpowers， 装好之后新开一个绘画，用 cloud code 的 话，先加插件市场 plug in marketplace， add obra superpowers marketplace。 在 plugging install superpowers fifa powers marketplace 装完之后，你不用背任何指令就正常说人话，比如帮我规划一下这个用户登录接口的实现。 ai 不 会直接写代码，会先问你要不要加验证码，要不要做密码加密，你答完它才出设计， agent 会自动触发 superpowers 里的对应技能， 该聊需求就聊需求，该出设计就出设计，该写计划就写计划。你只要在他问你的时候认真回答，该点头的时候点头，他就会按流程往下走， 这就是 level， 零零学习成本，装完即用。第二层是看懂它背后的流程，偷师方法论。其实这和我们之前聊的 system prompt 是 递进关系， system prompt 是 给 ai 定做事规则，而 superpowers 是 给 ai 定做事流程。规则管不能乱写 流程，管该怎么一步步写。 superpowers 把一次从想法到代码拆成了固定几步。第一步， brainstorming， 通过提问把你的需求聊清楚，出设计文档分块给你确认。第二步， writing plans， 把工作拆成两到五分钟就能完成的小任务， 每个任务有具体文件、具体代码思路、具体验证方式。第三部， executing plans 或 subagent driven development， 要么按计划一步步执行并设检查点，要么 pad agent 按任务执行， 先过是否符合规格，再过代码质量的审查。里面还强制了 t d d， 也就是先写失败的测试，用力 再写功能实现。 java 你 不需要的别写 try， 别重复。所以你看到的不是一个会写代码的 ai， 而是一套先想清楚再动手，有红绿重构，有审查的工程习惯。学会这套流程以后，哪怕不用这个插件，你自己带人带 ai 做需求， 逻辑也会清晰一大截，这就是 level 一。 拆解流程，把方法论变成你的第三层，是给想深度玩，甚至想造自己工作流的人 抄他的技能架构，写你自己的技能。 superpowers 的 技能是写在仓库里的，比如 brainstorming， writing plans， test， driven development， systematic， debugging， using， github trees， requesting， code review 等等。仓库里还自带一个 writing skills 技能， 教你怎么按规范写新技能，怎么测试。你可以在它的框架上加只属于你团队的步骤，比如必须先跑某类检查，必须先更新某份文档，这样你的 cursor 或 cloud 就 不仅是会用 superpowers， 而是带着你自己定义的一套 superpowers 在 干活儿。 所以 level 二就是抄架，构造你自己的超级工作流，文档和技能都在 github 搜 obara superpowers 就能找到。最后说一句， ai 写代码强不强，很多时候不取决于单次提示词多聪明，而取决于有没有流程。先问清要什么，再设计，再计划再动手。 superpowers 就是 把这件事固化成了你的 agent 的 默认行为。你平时用 cursor 还是 cloud code 多一点？有没有被 ai 乱写代码坑到过？比如写接口漏了校验，写脚本没做异常处理。评论区聊聊， 我会挨个回。关注我，下期继续带你挖 get up 上能直接提升效率的开源神器，我们下期见。

二零二六年， ai 编程工具呢实在太多了， cloud、 cloud code、 coder 等等，哪一个更好？到底怎么选？今天呢，我们来做一期年终的盘点，把主流的这些工具呢全部聊一遍啊，它们分别的定位，价格是怎么样的？有什么使用特点？怎么来用更省钱？帮你呢？搞清楚到底该选哪一个？先说一个现实问题，这些工具呢，它都不便宜， 想日常写代码，如果只用免费版的体验一下呢，是可以真正干活完全不够。 carter 免费版的 agent 请求次数卡的非常死。 windowsurf 免费版每月二十五次，请求我实测呢，一两天用完了，所以想靠 ai 编程真正提效，订阅费跑不掉。我翻了一下自己的订阅记录，同时呢，开了这几个订阅 carter 呢，开了 pro 加六十美金， cloud code 订阅版二十美金。如果你像我一样手痒呢，再开个 windowsurf 啊 code 啊体验一下，每月呢轻松上一百美金，一年一千二百美元， 折后呢大概八千多元。而且要注意的是呢， cursor、 cloud code， windows app 都有额度的限制，超了额度呢，要买 credit。 如果你是重度用户，升到 cursor ultra， 每月两百美元，一年呢两千四百美元，快两万元了。所以这期视频帮大家理清楚 怎么选才不花冤枉钱。试命一下，没有任何广告，全是我自己掏钱实测的真实体验。正式盘点之前呢，先给大家一个选择框架。选 ai 编程工具，本质上是在功能、强度、价格上手体验三个维度之间做取舍。想要功能最全，模型最多，价格肯定贵。想要便宜，就得接受某些功能的缺失，三者 不可兼得。带着这个框架，我们再来逐个看。首先呢，先说行业的标杆， coder 的 ai 原声编辑器，目前功能是最全 的，最大优势就是模型选择多， cloud code gpt 随便切换。 a 键的模式呢，能跨文件编辑好终端命令，自动修 bug， 体验呢，非常完整。而且呢，可以指哪打哪，可以更精细化的控制要修改的文件或者具体的段落。价格方面呢， pro 版呢，每月二十美元， pro 加是六十美元， 首款是两百美金。我自己用的是 pro 加，日常够用，但是跑大项目的时候呢，额度经常告急啊。 cost 的 坑在于什么？表面二十美元一个月，看着不贵，但是重度使用呢，你很难控制在 pro 的 档位，模型调用一频繁，实际花费呢，可能超预期啊，适合不差钱，追求极致功能的专业开发者。第二个， cloud code and safecake 自家出品。注意，这个工具呢，官方没有图形界面，全靠命令行操作。听起来呢，门槛高，但是效果确实强啊。两百可以 token 的 超大上下文窗口，整个项目直接塞进去，不用手动选文件。 价格呢，走 cloud code 订阅至 pro， 每个月二十美元。 max 有 一百美元和两百美元两档代码，质量在同类工具里面属于天花板级别。 在 s w e bench 好 分百分之七十二点五。根据 a c d i index 今年一月的调查，在 exotic coding 领域呢，使用率达到了百分之六十九，增长非常猛。但说实话， cloud code 呢，稍 token 是 真的快啊，因为它是 age 的 模式，运行每个任务呢，要自主规划执行，反思，调用次数远超普通的这种补 iso 官方数据，开发者日均消耗大概在六美元，团队每人每月一百到两百美元，如果不加控制的话，一个月 token 费呢，可能比订阅费贵好几倍。所以用 cloud code 呢，整 token 就是 个必修课，给大家分享几个实测有效的技巧啊。 第一个用 compact， 用 compact 的 命令定期压缩上下文，到百分之五十呢，就压一次，不要等满了再压。第二呢，不同任务用不同的窗口切换时呢，用 clear 清掉无关的上下文。第三个简单任务呢，手动切到 high cool 模型，不要什么活呢，都用 office 锁。 第四个配置 cloud excel 文件，把 load， modules， build 这些大目录呢排除掉，做好这一期呢，就能减少大量无效消耗。坑还有什么呢？纯终端交互习惯，图形界面的人呢，需要适应期，适合终端重度用户，追求代码质量且愿意花心思管理 token 的 人。第三个 server 桌板呢，每月只要十五美元，这是四个里面最便宜的 i d e 类工具。它的 a 键的模式呢，做多文件编辑很流畅。 u i 是 四个里面相对比较好看的，上手呢也最简单，两分钟安装就能用。但是呢，免费版二十五次请求基本当天就能消耗完。大型项目偶尔会卡， 模型选择呢，不如 curder 丰富。总的来说呢，适合预算有限项目呢，不算太大的个人开发者。最后一个可能很多人没有听说过，就是阿里做的 cooder。 这是四个里面最让我意外的。先看价格， pro 版每月只要两美元，之后呢，每月十美元。别的工具呢， pro 都是十五到二十美元 起步，它直接砍到一半 pro 加每月三十美元给两万的 credit， 对 比 curder 的 两百美元 roo 呢，差， 差距巨大。功能上呢，有几个独家的杀手锏啊，快速的模式呢，用自然语言描述需求， ai 自主完成从规划、编码到测试的全流程，支持十万文件级上下文解锁。 大项目呢，随便搜 rap wiki 呢，自动生成项目文档和架构图，测试自动生成，官方说覆盖率呢，能到百分之九十。 而且据说呢，它集成了多家的模型， cloud code， gmail 等混合使用，还能自动选最优模式。缺点呢，毕竟是个相对新的产品，社区生态跟 course 呢有差距，教程啊，插件资源偏少，稳定性还需要时间的检验。最后呢，帮大家总结一下， 追求最全功能不在于价格，能够精细化的控制，那么 course 呢，依然是最佳选择。终端重度用户，追求代码质量就用 cloud code， 如果把模型换成国产的质朴和 kimi， 可以 说 cloud code 目前性价比 也是很高的。预算有限的，想快速上手的，用 windows 五，每月十五美元，值得试一试，做大型项目或者想花最少的钱扣的呢，首月两美元几乎白嫖，强烈建 议试一试，不过这个赛道呢，真的卷得飞快。据统计呢，二零二六年初，已经有超过百分之八十五的开发者在用 ai 编程工具，百分之四十二的代码呢，由 ai 生成或者辅助。可能再过几个月呢，再给大家更新啊，你现在呢，在用哪个工具呢？还有哪些我没有提到的好用的工具，下面可以交流一下你的真实经验。

程序员到底该如何进化？科 sir 创始人刚刚发布重磅思考，直接预言了整个行业的终局。他宣布， ai 软件开发的第三个时代已经杀到信息量极大。核心就一句话，程序员的核心工作将从写代码彻底转向管理一座 ai 驱动的软件工厂。 我给大家整理下他的重磅思考，他开篇就划出了 ai 编程三个时代的眼界路径。第一个太不补全时代自动化低伤的重复工作持续了近两年。 第二个是同步智能体时代，开发者通过与智能体实时对话来指挥编码，但这可能连一年都维持不了。第三是云智能体工厂时代核心是智能体能在云端独立处理长期复杂任务，所需人工干预极少。你的角色从程序员变成了工厂厂长，这就是新编程的终局，指挥起来就完事了。

这期视频带你用 cursor 入门 web coding， 从 cursor 的 安装配置到生成你第一个个人主页，手把手带你了解如何进行 web coding。 在 cursor 的 官网就可以直接下载我们对应电脑版本的软件，完成安装以后打开应用，接下来登录 cursor 的 账号就可以进入应用了。 我们先选择 new project， 这里设置一会我们写代码用到的文件夹，我这里就新建了一个 cursor test。 右上角这里的设置按钮可以设置。软件整体的布局有 agent 和 editor， 我 这边选择的就是传统的 editor。 左边这里可以查看文件夹的内容，相当于是文件浏览器。右边这里可以和 ai 对 话，中间可以查看和编辑代码文件 setting 这里有更详细的配置，比如说通用的配置， agents 的 配置和模型的选择。我们现在使用的是免费版，所以模型这里只能选择 auto， 下面这些具体的模型是选不了的， auto 会自动选择模型来平衡他输出的质量和速度。如果后面你有更高的开发要求，或者 auto 模式经常限速，可以考虑选择科四的会员。我们现在就可以在对话框这里输入我们的需求，比如可以试着做一个网页作为个人主页，刚开始可以简单描述一下，然后慢慢优化细节， 那这就是 ctrl 生成的代码文件，还包括了一个 macdunk 格式的说明书，讲解了我们的网页还要配置哪些内容。这些文件可以看到就创建在了我们刚才设置的工程文件夹中，可以直接查看文件中的代码内容，那打开 index html 就 可以看到网页的效果了， 整体看起来更像是一个个人简历。如果你觉得有哪些地方需要修改，就可以在对话框中继续告诉 cursor， 比如把右上角的卡片去掉，等 cursor 修好以后，就可以刷新一下页面，看下新的效果，基本上还是达到了我们的目的的。 那通过 cursor 进行 web coding 大 致就是这么一个流程，后面我也会分享一些更加具体的 web coding 的 技巧。最后我还想分享一下我对 web coding 的 一些看法，我觉得它非常适合我们，将自己一些有意思的想法和创意变成现实，让每个人都拥有创造的权利，那这在 ai 编程以前是很难做到的事情。 对， web 扣定不是一定要做出可以商业化的项目去赚钱，或者 ai 编程去替代程序员制作一个更适合自己的小工具也同样很有意义。那以上就是从 curser 入门 web 扣定的全部内容，如果觉得对你有那么一点帮助，欢迎点赞关注，后面我也会分享实用的 ai 小 技巧和好玩的数码产品，那我们下期视频再见吧！

哈喽，大家好，这里是七号。前几期视频我们提到过，当上下文越长的时候，模型就越难记住之前的信息， ai 回答的质量反而会出现越来越差的情况。所以我们现在破解需要一种机制，让 ai 的 上下文始终包含的是有效的信息。 这期我想用几分钟讲清楚 coco 博克里一个很关键的设计，动态上下文，发现它的核心做法很简单，就是让 ai 在 需要的时候自己把信息找出来。接下来我会拆解 coco 的 五个实践，告诉你动态上下文应该怎么落地。 在我的理解里，上下文就是你在和 a 站的交互的时候，模型能看到的一切信息。它包括系统提示、对话历史、你打开的代码、文件、工具的定义以及工具运行后的结果等等。 但关键的点在这里，上下文不是无限的，它本质上是一个有限的窗口，比如常见的一百二十八 k to， 所以 问题就变成了这么多信息，哪些应该立刻放进窗口里面，哪些应该等需要的时候再拿出来。很多系统的做法是绘画一开始就把能想到的东西全部塞进去，这就是静态上下文。它看起来很贴心，但我们会遇到几个很现实的后果， 包括上下文膨胀、关键细节丢失、托管的浪费、换小和中途等等。最后你可能会说，既然上下文膨胀，那我就进行一个摘要，但摘要的本质上就是有损压缩细节，丢了就是丢了， 所以我更喜欢另外一条路，按需加载。这里就是动态上下文要解决的事情。剩下一题，刚才做过 ab 测试，这种思路可以让托管的消耗减少百分之四十六点九， 这个数字我会在后面再次提到。那接下来我们通过科室的五个实践，一条条来讲清楚科室是如何通过文件系统来实现动态上下文管理的。首先科室做的第一个实践就是把超长的工具输出变成文件。 我们经常遇见一个场景，终端一跑，输出的日期文件就有几千行，如果直接把这几千行塞进上下文窗口，立刻被撑大，而且还有可能会被截断。 查找的算法更倾向于先存档再缩影。当工具的输出太长的时候，就直接写入临时文件，同时把文件的路径返回给 agent， agent 在 需要的时候，再通过这个文件的路径去寻找到对应的文件，然后先读取文件的末尾，然后再决定要不要扩大范围，继续去搜索文件的剩余内容，这样既不丢数据，又能控制成本。再来第二个时间是摘要的时候保留可以解锁的完整历史。 当我们和 ai 的 对话很长的时候，很多系统就会把对话历史压缩成一段摘药，但我们最怕的就是摘药这个操作，把关键的约束抹掉了。比如当我们明确提出不要使用某某某方法的时候，结果 ai 的 生成的胶囊并没有这条约束，那后面就很容易翻车， 咳嗽的程度就是两条腿走路。他在新的窗口里面放精简的摘药，同时又把完整的对话历史单独保存为文件。接着当 ai 觉得缺少细节的时候，就可以去这个历史文件里面 grip 一下，把那一轮对话的原话找出来， 这就把记忆从脆弱的摘要变成了可靠的可解锁文档。第三个实践就是用 agent skills 做开放的能力扩展。我们都知道，最近的 agent skills 很 大程度上拓展了 ai 的 能力边界。 agent skills 本质上就是通过这种渐进式批注的方式，把新能力增量地引入到模型当中。 关键的地方在于，对话启动的时候，它不会把 skill 的 全文都塞进上下文，它只是放了一个很清亮的列表，比如这里视力当中的 name 和 description。 等到对话真的涉及到这部分任务的时候， agent 再去读取 skill 文件当中的完整内容，按照里面的流程进行执行。 这样做的好处就是扩展能力非常的简单，同时也不让上下文被一堆用不到的说明文字给拖垮。第四个时间和 agent skills 的 原理也是类似的，也就是让 mcp 也进行按需加载， 服务器上可能有几十上百个 m c p 工具，如果每个工具都带着长描述，一次性全加载，拓客很快就会爆掉。那可傻的做法就是把工具描述同步到本地文件夹里面进在上下文里面只保留工具的名称。 当 agent 真的 是要创建某个 issue 的 时候，再去对应的目录读取那部分的工具文档，拿到参数和说明，然后再进行调用。 在 cos 的 案例里面，这种策略在 a b 测试里面带来一个明确的结果，图控的消耗减少了百分之四十六点九。我很喜欢这一点，因为它不是理论更优，而是实际测出来更深。最后一个实践非常贴近我们开发的日常， 当我们的终端日制很长的时候，手动复制给 agent 又慢又容易漏，有时候直接把终端输出的日制信息同步到文件系统当中。所以当你遇到问题问 ai 为什么启动失败的时候， ai 不是 等你填日制，而是自己去日制文件里面搜 error、 field 这类关键词，以此来修复 bug。 这道题的本质就是把需要人肉搬运的文本变成可以被 agent 直接解锁的外部记忆。最后让我们来简单总结一下今天的内容，我会用一句话来说，为，文件系统是一种简单强大且面向未来的抽象结 构，动态上下文发现不是在减少信息，而是在改变信息进入上下文的时机。我们要做的其实就是先清量引导，让 ai 按需读取，让 agent 在 任务过程中自己找到最相关的证据。 这也解释了为什么魔性越强。我们应该越少做静态的赛马，去多做动态的发现。好了，那么今天的视频就到这里，我们下期视频再见！拜拜！

开源 ai 编程 agent 开始贴脸抢 cursor 和 cloud code 了。今天最值得看的不是新 ide， 可是 open code 这条线，它开源，不把模型终端桌面 ide 都能跑，还能并行开多个绘画。再看价格，科室官方现在是二十六十两百美元三档， cloud pro 二十美元 max 从一百起。 opencode 的 软件本身免费，模型你自己选，所以它真正讲的是控制权。你可以继续买币源一体化体验，也可以转向开源 agent， 自由换模型，自由配工作流，你更想要稳定省心，还是开源可控和低成本？