Cursor 对话的 5 个坏习惯

每个坏习惯我都踩过坑，有些坑花了我半天才发现

坏习惯一：一次要求太多

最常犯的错。一句话里塞了 3 个需求："帮我加个用户注册接口，要邮箱验证，还要微信登录。"

结果：AI 生成的代码把邮箱验证和微信登录的逻辑混在一起，注册接口的参数校验也不完整。改起来比从头写还麻烦。

正确做法

一次只提一个需求。先让 AI 写注册接口 + 基础校验，review 通过后再加邮箱验证，最后加微信登录。每一步都能确认正确性，而不是最后面对一团乱麻。

这和驱动 AI 干活的技巧里说的一样——任务拆解是第一位的。你不会让一个实习生同时做三件事，AI 也一样。

坏习惯二：不提供上下文

"帮我写个分页查询"——然后 AI 给你生成了一个用 Django ORM 的分页，但你的项目用的是 SQLAlchemy 2.0 async。

我踩过最典型的一次：让 Cursor 写 FinBuddy 的数据源适配器，没告诉它项目用了 DatabaseMiddleware 模式（所有 DB 操作必须通过中间件），结果 AI 直接在适配器里 from sqlalchemy import create_engine，绕过了中间件。部署后才发现数据没走统一的连接池管理。

正确做法

对话开头先交代三件事：1）项目技术栈（FastAPI + SQLAlchemy 2.0 async + MySQL）；2）架构约束（DB 操作必须通过 DatabaseMiddleware）；3）相关文件路径（@db_middleware.py）。这三行字能省掉 80% 的返工。

坏习惯三：盲目接受建议

Cursor 给出的代码看起来能跑，你就直接 Accept All。这是最危险的坏习惯。

真实案例：FinBuddy_Web 的 LLM 代理服务，Cursor 建议在流式响应结束后更新用户余额。代码逻辑看起来没问题，但它在 async for chunk 循环外面做 DB 更新——如果客户端中途断开连接，循环异常退出，余额就不更新了，用户白用了 token。

# Cursor 建议的版本（有 bug）
async for chunk in llm_stream:
    yield chunk
# 如果客户端断开，这里不会执行
await billing.deduct_balance(user.id, tokens_used)

# 修正：用 try/finally 确保扣费
try:
    async for chunk in llm_stream:
        yield chunk
        tokens_used += count_tokens(chunk)
finally:
    await billing.deduct_balance(user.id, tokens_used)

注意

AI 生成的代码 80% 能跑，但那 20% 的边界情况——客户端断开、网络超时、并发冲突——才是真正出问题的地方。这些场景 AI 不会主动考虑，因为它的训练数据里 happy path 占绝大多数。

坏习惯四：不迭代直接用

AI 给了第一版代码，看起来差不多，就直接用到项目里了。然后发现不对，又让 AI 重写，重写后又有新问题……来回 5 轮，比一开始自己写还慢。

我的经验：AI 的第一版几乎一定不完美，但第二版通常比第一版好很多。关键是你要给具体的反馈，而不是说"不对，重写"。

差的反馈	好的反馈
不对，重写	意图解析的路由逻辑漏了 SKILL_INVOKE 和 EXPERT_INVOKE 两种模式的互斥关系
这个不好用	fetch_daily_kline 的 open 字段读的是 close_df，应该读 open_df
性能太差	每条记录都创建新的 KlineResult 对象，改成批量创建或复用对象

反馈越具体，AI 修正的效率越高。这和管理实习生一个道理——你说"做得不好"，他不知道哪里不好；你说"第三行的变量名和第七行的类型不匹配"，他马上能改。

坏习惯五：忽略错误信息

代码跑报错了，直接把报错信息扔给 AI："这个报错怎么修？"——AI 给了个修法，你照做了，报错没了，但根本原因没解决。

典型案例：FinBuddy 启动时报 ImportError: cannot import name 'SwarmEngine'。AI 建议加个 __init__.py 的 import。报错确实没了，但真正的问题是循环导入——SwarmEngine import 了 IntentParser，IntentParser 又 import 了 SwarmEngine。加 import 只是绕过了报错，循环依赖还在，只是变成了运行时的 AttributeError，更难排查。

这其实是确认偏误的一种表现——你看到报错没了就以为问题解决了，大脑自动忽略"根因可能没找到"这个信号。投资里也一样：回测跑出年化 40% 就以为策略有效，不去检查有没有过拟合。我在投资日志里详细记录过这个教训。

正确做法

报错信息是线索，不是答案。先自己读报错，理解根因，再让 AI 帮你修。如果自己看不懂报错，让 AI 解释报错原因，而不是直接让它修。理解了根因，你才能判断 AI 的修法对不对。

一句话总结

把 AI 当成一个聪明但粗心的实习生——它干活快，但你需要明确需求、提供上下文、检查输出、迭代反馈、理解报错。你越认真对待这个过程，AI 的产出质量越高。

更多关于怎么驱动 AI 干活的方法论，看我的驱动 AI 干活的技巧。关于怎么 review AI 生成的代码，看 AI 生成的代码怎么 review。