cursor 文档笔记

1:AI-LLM
工作原理，输入后概率性输出。与传统软件的肯定性输出不同。
2:幻觉
源于概率性输出，AI对于不知道的某件事，并不会总回答”我不知道“。
3:token与定价
输入和输出都用token来定价，一般输出token大概是输入token的2-4倍。”tokens“是LLM的内部语言。
4:上下文
与LLM协作的本质在于管理你的上下文。上下文目前是被限制的。
5:工具调用
内置工具的调用，因为工具可能需要完整的上下文。 超越内部工具的调用（mcp），模型上下文协议，用于工具连接到LLM的标准，可以在不同的应用和场景中，mcp可以按顺序执行任务，会让token用量暴增。
6:Agent
基于以上LLM可以调用工具来扩展能力，agent的本质就是工具在循环任务中运行。agent在目标明晰，模式成熟的任务上表现出色，是一种全新的构建目标的方式。
7:与agents协作
agent工作框架：说明，引导行为的系统提示词和规则。工具：编辑，代码，搜索，终端执行等能力。模型：为你的任务选择LLM。”工作框架的理由，是因为agent在无工作框架的情况下，都是自己猜。
管理上下文：对话累计上下文，消息，工具调用，文件内容等等，都是agent的有限工作记忆。当agent出错，绕圈子时，理应引用旧对话来开启一堆新的对话。“常见失败模式--来源于不断的需求膨胀“
8:agentic搜索，语义搜索。
理解你的代码库，提出好问题，扩展子agent（与父agent独立），架构图（视觉化你不熟悉的代码库）。
9：开发功能
计划 - 何时该从来 -让agent测试驱动开发（写测试，确认失败，提交测试，让agent写代码，提交代码） 人工审查输出，符合预期交付。
10:找bug
最难部分，源于客户的输入。
1:创建可靠复现 2:最小复现用例3:隔离变量4:具体假设5:代码监测6:用测试防止回归。
11:审查
自我评审-智能体评审-可验证的目标
12:综合应用
端到端示例 复用继续构建