供稿来自:@李韬
一、序言
我们收集了大家在AI 编程中遇到了各类问题:
- 如何高效使用 Rules 和 MCP?当前使用门槛较高,是否有最佳实践?
- 如何让 AI 在处理复杂需求时表现更优?
- 面对架构复杂的老项目,AI 处理效果不佳,如何解决?
- 希望生成简单代码时,AI 输出却过于复杂,如何优化?
- ...
收集到的问题很多,但是核心问题我觉得可以被归为两类:
- AI编程不稳定,我们无法评估这个功能结合AI开发工期如何,这种“无法掌控的感觉”是在业务迭代中不能接受的。那么如何提升AI编程的稳定性,让流程可控是我们核心要解决的问题。
- AI编程有一定门槛,或者说用好AI编程有一定门槛,比如 MCP 配置、Rules 管理、Cursor 配置等等都比较繁琐
经过数月在业务场景中深度应用 AI 编程(覆盖全新项目开发、老项目代码重构及新模块扩展),以及团队对AI 工程化建设、MCP 工具开发等实践,我对上面两个问题有了答案。本文将从以下两部分展开:
- AI 编程配置:详解项目中 Rules、MCP 及自定义模式的配置实践。
- AI 开发流流程:剖析不同场景下(新项目 / 老项目)的完整开发流程,涵盖计划、编码、复盘核心环节,通过标准化流程释放 AI 编程效能。
- 优化提示词:介绍在AI编程场景下如何高效优化提示词
二、AI 编程基础配置
工欲善其事,必先利其器。我们先来介绍项目中必要的 rules、mcp、custom mode
配置,然后提供给大家一个更低门槛、更快速完成配置的方法。
Rules 配置
前置条件:确认项目已具备以下核心 Rules 文档:
- 项目架构(包含目录结构、技术栈、业务分层)
- 技术方案编写规范
- 代码开发规范(命名、注释、格式)
- 功能开发流程模板
- 代码提交与评审规范
文档价值:传统开发中,系统化文档可降低重复培训成本;而 AI 缺乏长期记忆,每次会话相当于 “新成员入职”,标准化文档是 AI 理解项目的核心依据
文档组织最佳实践
- 集中存储:将 Rules 统一存放于项目根目录
.cursor/rules
下,便于 Cursor 自动引用。 - 场景化分类:按开发阶段命名文件前缀,示例目录结构如下:
.
├── plan
│ └── p-design-tech-solution.mdc // 技术方案编写规范、模板
├── develop
│ ├── d-gen-data-center-crud-from-sql.mdc // d-gen 开头的是总结的某类功能的代码生成模版、开发流程。
│ ├── d-gen-cronjob.mdc // cronjob 开发流程、代码模板;
│ ├── d-gen-api.mdc // http api 开发流程、代码模板;
│ └── d-test-unit-test.mdc // 单元测试规范、模板
└── review
├── r-code-review.mdc // 代码评审规范
├── r-git-commit.mdc // commit message 规范
├── r-merge-request.mdc // 创建远程合并请求流程
└── r-summary-sop.mdc // 总结本次代码修改的标准流程生成 p-gen-xx 文件,供下次开发使用
├── g-code-spec.mdc // 项目代码规范
├── g-project-hotkey.mdc // 项目中的 hotkey 比如\`提示语中出现 cr 则参考 xxx.rules 执行\`
├── g-project-structure.mdc // 项目结构、技术架构、业务架构...
├── g-system.mdc // 项目 AI 聊天规范,比如强调多轮对话、引导补全...
根目录规则文件:作为项目默认规范,配置 RuleType 为 Always、Auto Attached、Auto Request
,在对话中自动携带。
子目录规则文件:仅在特定场景使用,配置 RuleType 为 Manul、Auto Request
。
Rules 编写技巧
- 老项目规则生成:结合
/Generate Cursor Rules
快捷命令生成部分规则。

- 开发后总结:代码提交阶段,让 AI 结合代码变更和聊天记录总结生成功能开发规范。
- 参考 Rules:Cursor.directory/rules
自定义模式配置
很多人会分不清自定义模式下的系统提示词
和 Cursor Rules
分别应该存放什么内容,觉得功能比较重复。我是这样理解的:Cursor Rules
下存放的是原子的、独立的规则, 自定义模式的系统提示词
会编排这些 Cursor Rules
形成工作流。
应该有的模式

在开发不同阶段配置不同自定义模式,模式的名称可与规则子目录一致,分为 plan、develop
如何配置
1. 模式开启Cursor Settings → Features → 勾选 Custom modes
。
2. 模式定义
plan
模式(规划阶段)- 模型
gemini-2.5-pro
,具备深度思考,对长上下文解析能力更好的 - MCP
feishu、filesystem
,打通需求文档访问 - 系统提示词,如下:
你是一个资深架构师,擅长需求分析、技术方案设计、任务规划。
## 1. 需求分析阶段
本阶段的目的:同用户一起熟悉并确认需求,梳理需求逻辑
在开始本阶段工作前,请再次确认并充分理解 `p-story-analysis.mdc` rules 规则中的指导原则。
结合规则,一步步帮助用户熟悉需求。此阶段分析的成果(如核心流程、关键实体、伪代码)将作为技术方案设计的重要输入。
注意:对于复杂逻辑,请引导用户或协助用户使用伪代码的形式对其核心逻辑进行描述。伪代码应能清晰反映主要步骤、关键判断和循环,同时兼顾边界条件。在技术评审前,可以先输出一个侧重核心逻辑、简化错误处理的伪代码版本。生成的伪代码初版可供用户评审,AI 应根据用户反馈进行迭代优化,直至满足技术评审要求。
## 2. 技术方案设计阶段
在开始本阶段工作前,请再次确认并充分理解 `p-design-tech-solution.mdc` rules 规则中的指导原则。
### 2.1 首先进行可行性分析,主要是对针对第三方接口。通过 TDD 测试驱动开发的方式编写测试用例和对应第三方接口请求实现,等待用户进行测试验收。
### 2.2 可行性确认完毕后,结合规则编写输出:《技术文档.md》 文件初版,并辅助用户完善文档。该文档应力求包含[架构图、模块划分、接口设计、数据模型、关键技术选型、风险评估等关键要素]。完善后的《技术文档.md》将是任务拆分的主要依据。
在技术方案中,如果涉及到关键算法或复杂流程,请引导用户或协助用户使用伪代码的形式对其核心逻辑进行描述。伪代码应能清晰反映主要步骤、关键判断和循环,同时兼顾边界条件。
《技术文档.md》初版已生成后,请用户审阅并提供修改意见。AI 应根据用户反馈进行迭代优化,直至满足技术评审要求。
在本阶段工作中,请持续关注并识别潜在的技术风险、业务风险、外部依赖,并及时与用户沟通。
## 3. 任务拆分阶段
在开始本阶段工作前,请再次确认并充分理解 `p-task-splitting.mdc` rules 规则中的指导原则。
完成技术方案设计后,结合规则及完善后的 `技术文档.md` 输出 `开发任务.md` 文件初版,并辅助用户完善文档。该文档应包含[任务列表、优先级、预估工时(可选)等]。
在本阶段工作中,请持续关注并识别潜在的技术风险、业务风险、外部依赖,并及时与用户沟通。
3. develop
模式(开发阶段)
- 模型
claude-3.5
,较强的代码能力,生成速度较快 - MCP
mysql, gitlab, codeup
等,打通数据库,代码仓库 - 系统提示词,如下:
你是一个资深开发,擅长各种语言、设计模式、算法,你对代码的质量有极高的要求。
# 开发阶段流程规范
## 任务维护
1. 详细阅读 `技术文档.md`,`开发任务.md`,明确任务目标、功能需求和技术要求
2. 每完成一个子任务,立即更新 `开发任务.md` 中的对应任务状态
## 开发执行
1. 按照`开发任务.md`逐步进行代码实现,每完成一个任务后,简要说明完成情况和主要改动点,提交给用户进行 review 确认
2. 确保代码符合项目架构和设计模式,如无必要尽量保持简单实现
3. 对核心功能,可根据 `d-test-unit-test.mdc` 规则编写单元测试,保证代码质量和功能正确性
# 代码提交阶段流程规范
## 代码审查
1. 提交代码前,必须参考 rules `r-code-review.mdc` 中的规则进行全面的代码审查
2. 确保所有问题都得到解决后,方可进入下一步
## 代码提交&推送远端
MCP 配置(面向公司内部)
企业内部MCP
目前最常用的是需求平台和代码平台打通的 MCP 工具,主要提供搜索未完成需求、查询需求文档内容、提交合并请求
等 tools。你可以使用 DevOpsCTL 工具去获取配置,如下:

企业外部MCP
你可以去网站寻找开源工具:

如何快速完成项目配置
- 对于改动较为频繁的
rules
, 我们将它单独维护在 https://codeup.aliyun.com/qimao/public/cursor-rules 项目中,你可以提交自己团队的rules
. 然后可以通过devopsctl rules install
命令安装团队的 rules 到项目中 - 对于修改低频的
mode、mcp
我们将配置内置在了 devopsctl,你可以 通过devopsctl mode genconfig
,devopsctl mcp genconfig
获取配置
三、AI 编程流程
AI编程流程的固化是为了提升AI编程的稳定性,如何设计这个流程呢?
其实现实中的敏捷迭代流程已经给了我们答案,为了保证流程、工期可控,整个迭代流程被拆分成了 需求分析、需求澄清、技术方案设计、任务拆分、开发... 等等阶段。我们无需去创新工作流,只需考虑如何在原有的迭代流程加上AI辅助提效即可。
在研发视角下,开发流程可被大致划分为下面三个阶段,在此过程中编码体检和效率应不断提升。

简单解释一下几个阶段的作用和目的:
- 计划阶段:对应需求迭代的 需求分析、需求澄清、技术方案设计、任务拆分 等前置工作,是保证开发质量的重要因素
- 编码阶段:参考计划阶段输出的文档进行开发
- 复盘阶段:CodeReview、Rules 生成(代码模版、某类功能的开发流程)..., 保证后续计划阶段、编码阶段的质量、效率
下面我们通过不同的研发场景进行详细解释。
场景一:新项目或新模块开发
✏️ 计划阶段
好了完成了前置配置工作,终于可以开始愉快的开发工作了。第一步我们需要进行 需求分析、方案设计、任务拆分,与AI达成共识,最终产出技术文档,并通过该文档指导AI后续编码工作。
切换到 plan 模式后,输入需求链接或需求文档链接+实现要求,AI 会根据 p-design-tech-solution.mdc
中的需求分析要求和技术文档模版进行技术文档编写

其中最核心的规则是强调三点:
- 避免主观臆断的功能实现,需要确认沟通
- 需求任务复杂情况下,拆分分析任务,多轮对话,增强质量把控
- 提供技术文档模版,保证内容质量和格式在这些规则要求下,AI会先生成一份大纲,比如:包含核心流程、数据库设计、API设计,核心功能伪代码等,但是每一部分内容比较简略,AI会与我们多轮沟通逐渐完善每一个部分。
如下是一个实际功能开发的plan流程:【暂不支持视频】

最终我们会得到两份文档:技术文档.md
、开发任务.md
(简单功能可能会合成一份)、基础代码(三方接口的验证测试用例,核心代码框架),用户可以在后续编码阶段使用。
这里强调一点,技术文档和开发任务
都要尽量具体,比如标明涉及的文件(我们AI没有生成出来,我们自己补充上),比如:
- 图1中,是一个是比较简单的功能,AI帮我们梳理出来了涉及文件。
- 图2中,是一个复杂的任务,我给缺少相关文件的任务进行了补充。


⌨️ 编码阶段切
换到 develop 模式后,结合开发任务.md
+技术文档.md
我们让AI进行开发。同时如果有同类功能开发的模版或SOP Rules,可以提供AI参考,提示词如下:

接着,我们需要不断对AI完成的任务做出反馈, 或者直接动手修改,完成后再进入下一个任务。下面是develop流程的部分录屏:【暂不支持视频】

开发完成后我们可以通过两种方式进行代码提交:
- 手动提交
通过Cursor中的Git插件进行 commit message
生成很好用,就是格式不易控制,可能需要自己微调一下(调整后 Cursor 也能学习到)。

- Agent
提交我们通过 develop 自定义模式 触发提交,可以看到 Agent 执行了 代码评审并将修改划分成两个Commit提交,甚至贴心的帮我把一些不该提交的文件添加了 .gitignore
🧠 复盘阶段
在复盘阶段我会选择性的执行如下三个流程:
- 生成代码模版:如果你已经知道某个场景可以总结为反复利用的代码模版,那么直接手动触发,生成 Rules。
- 总结某类功能开发的SOP:当某次功能开发涉及到一个较完整的模块时,我会让 Agent 根据当前分支和主分支的差异生成开发某个模块的标准流程,提示词如下:

生成结果如下, 可以看到内容包含了开发这类功能应该新增|修改哪些文件,并整理了代码依赖关系,这个文档既可以给人参考,也可以帮助AI更高效的生成代码!
场景二:老项目逻辑调整
在复杂的老项目对某个模块进行修改时,我们用 AI辅助分析+Tab辅助编码 的形式的AI编码模式。因为我们要让AI全面理解项目的时间较长、难度较大,并且代码本来也不会特别多,所以这样更省时间。
✏️ 计划阶段
对老项目的改动我们求稳,让AI根据需求生成技术文档.md
和开发任务.md
时着重强调找到相关代码并确认改动点和风险点,这对刚接手项目的人也是一个快速了解项目的方式。

⌨️ 编码阶段
结合上一步的生成的 技术文档.md
和开发任务.md
,我们找到对应的改动点进行手动编码,Cursor 中的Tab模型在 0.5.0 后,使用体验上有质的飞跃,可以跨文件提示非常智能。
🧠 复盘阶段
同场景一
四、优化提示词
在涉及到AI的场景,提示词就是核心,它决定了我们AI编程的效果。所以在新加入 Custom mode
或 Rules
时我们要慎重,需要保证它的质量。
我们可以分两个阶段进行优化:
- 结构优化 这一点,任何的AI平台都可以做,我们可以直接在Cursor里让它参考
RICE框架
优化提示词结构,输出格式为 xml 或者 markdown - 内容优化内容优化涉及到相关代码库、业务知识,所以我们在Cursor里进行调优效果更好。
AI编程场景,我们无法获取Cursor最终拼接的Prompt是什么,Cursor会在服务端进行相关代码配置、提示词修改最终给到大模型去回复,所以在其他平台进行提示词优化无法到达最好的效果。
我通过 Cursor-Agent 的方式搭建了一个提示词优化工作流,主要流程为:填入提示词 v1-> 填入测试用例 -> 生成回复 -> 人工提供反馈 -> 生成优化提示词V2;文章篇幅有限,不在这里展开说了,详细内容可以参考:Prompt 调优Agent。
五、总结通过
标准化的 Rules 配置、场景化的模式设计及全流程的工具链打通,AI 编程从 “实验性工具” 转变为 “可落地的生产力”。
我觉得AI在编程领域一个很大的价值在于:可以将团队的研发流程快速统一。在以前这些经验只能通过文档分享的方式让团队成员吸收,效率很低。而现在,通过AI,我们可以快速将我们宝贵的经验以工作流 prompt 的形式分享并落地。
这里总结一下本文的核心要点:
- 文档先行:用结构化 Rules 降低 AI 理解成本。
- 流程驱动:分阶段(计划→开发→复盘)规范操作,通过每个阶段对应的自定义模式让研发流程更规范、可控,也降低了使用门槛。
- 人机协同:复杂分析与简单编码交给 AI,关键逻辑由人工把控。
- 注重提示词质量:提示词需要维护,我们要及时的更新、优化