FoundraLab

一、Cursor

Cursor Agent 模式

Cursor 是在 IDE 中深度集成的 AI 编程助手，适合日常开发场景。

1.1 Modes：四种工作模式

模式	适用场景	能力	工具
Agent	复杂功能、重构	自主探索、多文件编辑	启用全部工具
Ask	学习、规划、提问	只读探索，无自动修改	仅启用搜索工具
Plan	需要规划的复杂功能	执行前创建详细计划	启用全部工具
Debug	棘手 Bug、回归问题	生成假设、日志埋点、运行时分析	全部工具 + 调试服务器

1.2 Rules：让 AI 真正理解你的项目

由于 LLM 在不同补全之间不会保留记忆，Rules 在提示级别提供持久、可重用的上下文。

四种规则类型：

类型	位置	作用范围	特点
项目规则	`.cursor/rules/`	当前代码库	受版本控制，可用 globs 限定范围
用户规则	Settings → Rules	全局所有项目	个人偏好，跨项目生效
团队规则	Cursor Dashboard	整个团队	Team/Enterprise 可强制执行
AGENTS.md	项目根目录	当前项目	简洁 Markdown，无复杂配置

项目规则示例（Linus Torvalds 风格）：

文件：.cursor/rules/codereview.mdc

---
alwaysApply: true
---

## 角色定义
你是 Linus Torvalds，Linux 内核创造者和首席架构师。

## 核心哲学
1. **好品味** - 消除边界情况优于增加条件判断
2. **Never break userspace** - 向后兼容性神圣不可侵犯
3. **实用主义** - 解决实际问题，不是假想威胁
4. **简洁执念** - 超过3层缩进就该重构

## Linus式问题分解（五层分析）
- **数据结构**：核心数据是什么？关系如何？
- **特殊情况**：找出 if/else，能否用数据结构消除？
- **复杂度审查**：功能本质是什么？概念能否减半？
- **破坏性分析**：会 break 什么？如何零破坏改进？
- **实用性验证**：生产环境真有问题吗？

## 代码审查输出
【品味评分】🟢 好品味 / 🟡 凑合 / 🔴 垃圾
【致命问题】[直接指出最糟糕的部分]
【改进方向】"把这个特殊情况消除掉"

最佳实践：

✅ 规则控制在 500 行以内，大规则拆分
✅ 用 @file.ts 引用文件而非复制内容
❌ 避免照搬风格指南（用 linter）
❌ 不记录常见命令（Agent 已了解 npm/git）

AGENTS.md 示例（简化版）：

文件：AGENTS.md（项目根目录）

# 灵播资金管理系统 - AI 编码指南

## 项目概述
Spring Boot 多模块 Maven 项目，管理会员资金、优惠券、积分、红包等业务。

技术栈：Java 11, Spring Boot 2.6, MyBatis Plus, 支付宝/微信支付 SDK

## 项目结构
lingbo-funds/
├── api/          # Feign 接口
├── bussiness/    # 业务逻辑（Service）
├── repository/   # 数据访问（DAO/Mapper）
└── web/          # Controller

## 关键规范

### 命名
- Controller: *Controller
- Service: *Service / *ServiceImpl
- DAO: *Dao / *DaoImpl
- Mapper: *MapperExt

### 注解（必须）
- @Slf4j - 日志
- @RequiredArgsConstructor - 构造器注入
- @Service / @RestController

### 日志
log.info("操作: {}, 参数: {}", operation, params);
// 不要字符串拼接

二、Claude Code / Codex

Claude Code 文档 | Codex 文档

Claude Code 终端界面

命令行环境下的 AI 助手，适合 SSH 服务器、批量处理、自动化脚本等无 GUI 场景。

2.1 常用技巧

命令	作用
`!bash <cmd>`	直接执行 shell 命令
`@file` / `#file`	引用文件，减少搜索
`/model <name>`	切换模型（sonnet/opus）
`/skills`	查看可用技能
`--plan`	只规划不执行
`-a` / `--apply`	自动确认改动

2.2 安全红线

⚠️ 危险操作（rm、DROP TABLE）必须二次确认
⚠️ 敏感文件（.env、密钥）加入忽略列表
⚠️ 不在生产环境直接 auto-edit

2.3 Commands：快捷指令

把常用操作流程封装成 /command-name 一键执行。

示例：创建合并请求

~/.claude/commands/yunxiao/merge-to-develop.md：

---
allowed-tools: Bash(git status:*), MCP(get_current_user)
description: 创建代码合并请求到 develop 分支
---

帮我在 yunxiao 中基于当前分支创建 MR 到 develop

使用：/merge-to-develop

2.4 Skills：能力扩展包

把特定领域的工具、知识打包成可复用模块。

目录结构：

my-skill/
├── SKILL.md          # 核心定义：描述、约束、用法
├── scripts/          # 可执行脚本
└── references/       # 参考资料（schema、文档）

示例：SQL Expert Skill

SKILL.md：定义允许查询的表、参数化规范、脱敏规则
scripts/query.py：封装数据库连接，内置只读限制
references/schema.md：表结构文档

使用：直接说「查浦江区的租户」，AI 自动查 schema → 生成 SQL → 执行 → 脱敏返回。

Command vs Skill：

	Command	Skill
定位	快捷指令	能力模块
触发	`/name` 主动调用	AI 根据上下文判断
场景	固定流程	需要专业知识的任务
本质	快捷方式	工具箱

2.5 Agent：自主执行任务的智能体

什么是 Agent
Agent 是能够自主规划和执行任务的 AI 实体。与单次对话不同，Agent 可以：

拆解复杂任务为多个步骤
自主调用 Tools/Skills 完成子任务
根据执行反馈调整策略
持续运行直到目标达成

典型 Agent 工作流：

1
2
3

用户目标 → Agent 规划 → 步骤1 → 步骤2 → 步骤3 → 结果验证 → 完成
                ↑         ↓       ↓       ↓
                └──── 遇到异常时调整策略 ──┘

示例：自动化数据分析 Agent

目标：分析本月销售数据并生成报告

执行过程：
1. 连接数据库（调用 SQL Skill）
2. 提取销售数据（执行查询脚本）
3. 数据清洗和处理（调用 Python Tool）
4. 生成图表（调用可视化 Tool）
5. 撰写分析报告（LLM 生成）
6. 发送邮件（调用邮件 Tool）

2.6 SubAgent：分而治之的协作模式

什么是 SubAgent
当任务过于复杂时，主 Agent 可以创建多个 SubAgent 并行处理子任务，最后整合结果。

使用场景：

大型代码库重构（按模块分配）
多源数据分析（各 SubAgent 处理不同数据源）
批量任务处理（并行加速）

工作模式：

主 Agent（协调者）
    ├─ SubAgent A → 处理模块 A → 返回结果
    ├─ SubAgent B → 处理模块 B → 返回结果
    └─ SubAgent C → 处理模块 C → 返回结果
         ↓
    整合所有结果 → 最终输出

能力对比：

能力	Command	Skill	Agent	SubAgent
触发方式	手动 `/cmd`	AI 判断	目标驱动	主 Agent 分配
复杂度	单步操作	领域任务	多步骤任务	并行子任务
自主性	无	低	高	分布式
典型场景	快捷操作	工具调用	端到端任务	大规模处理

三、N8N

官方文档

N8N Workflow 编辑器

Workflow：把重复劳动固化（总结、通知、发布）
结构化：输入输出字段化，避免自由文本猜意图
Chat：把 workflow 包装成一句话入口

四、Kiro

Kiro 官方文档

Kiro IDE 界面

Kiro 是专为 AI 编程设计的 IDE，核心是两个互补的工作模式。

4.1 VibeCoding 模式

定位：快速原型、灵感验证、小工具开发

特点是「边想边做」，适合：

验证一个想法是否可行
写一次性脚本或内部工具
探索性编程，不确定最终形态

流程：描述需求 → AI 生成代码 → 试运行 → 调整描述 → 迭代

4.2 Spec 模式（SDD）

定位：复杂功能、团队协作、需要长期维护的代码

Spec-Driven Development（规格驱动开发）：先写清楚「做什么」，再让 AI 生成「怎么做」。

SDD 流程：

graph LR
    A[需求描述] --> B[编写 Spec]
    B --> C{Spec 评审}
    C -->|不通过| B
    C -->|通过| D[AI 生成实现]
    D --> E[测试验证]
    E -->|失败| F[调整 Spec]
    F --> B
    E -->|通过| G[代码入库]

Spec 包含什么：

## 功能名称

### 输入
- 参数1：类型，约束条件
- 参数2：类型，约束条件

### 输出
- 返回值：类型
- 错误情况：错误码 + 说明

### 边界情况
1. 空输入如何处理
2. 超大输入如何处理
3. 并发场景如何处理

### 验收标准
- [ ] 单元测试覆盖率 > 80%
- [ ] 边界情况都有测试用例
- [ ] 性能指标满足 XXX

4.3 两种模式对比

维度	VibeCoding	Spec 模式
适用场景	原型、探索、小工具	复杂功能、团队协作
前置工作	一句话描述	详细的 Spec 文档
代码质量	能用就行	可维护、可测试
迭代方式	边做边改	Spec 评审后再实现
适合谁	个人快速验证	正式项目开发

建议：用 VibeCoding 探索思路，确定可行后切换到 Spec 模式落地。

五、Clawdbot / OpenClaw

官方文档

5.1 解决了什么问题

现有 AI 工具大多是「黑盒」或「单机版」：

ChatGPT/Claude：网页对话，无法连接你的系统
Cursor/Codex：个人开发工具，不能服务团队
N8N： Workflow 工具，但 AI 能力弱

Clawdbot 定位：可配置的智能体框架，让你自建 AI 助手：

多渠道接入：同时连接 Telegram、Slack、钉钉、飞书等，一处配置多端可用
Tools 生态：Skills 模块化，按需加载（数据库查询、文件操作、API 调用等）
Cron 定时：自动执行定时任务（日报、监控、提醒）
权限边界：细粒度控制谁可以用什么功能

5.2 核心架构

WhatsApp / Telegram / Discord / iMessage (+ plugins)
 │
 ▼
┌───────────────────────────┐
│         Gateway           │  ws://127.0.0.1:18789
│      (single source)      │
│                           │  http://host:18793/__claw__/canvas/
└───────────┬───────────────┘
            │
            ├─ Agent (RPC)
            ├─ CLI (claw …)
            ├─ WebChat UI
            ├─ macOS app
            ├─ iOS/Android node (WebSocket + pairing)
            └─ Cron 定时任务

架构特点：

Gateway 为核心：单一长连接进程管理所有渠道和 WebSocket 控制面
多渠道接入：WhatsApp、Telegram、Discord、iMessage 等统一处理
多终端支持：Web、桌面、移动端均可接入
本地优先：默认监听 ws://127.0.0.1:18789，支持 Tailscale 远程访问

5.3 适用场景

团队内部助手：部署在公司服务器，连接内部系统（Git、DB、监控）
客户服务机器人：接入钉钉/飞书/Slack，自动回答常见问题
自动化运维：定时检查服务状态，异常时告警
个人知识库：私有化部署，连接本地文件和笔记

总结：没有最好，只有最顺手

上面列的这些工具，没有绝对的优劣之分。每个人的工作流不同，适合的也不一样：

有人离不开 Cursor 的沉浸式编码体验
有人更喜欢 Claude Code 的终端快感
有人用 N8N 搭了个自动化全家桶
也有人自己折腾 Clawdbot 搞私有化部署

建议：

先挑一个最顺眼的试试，用顺手了再考虑其他的
不要贪多，工具越多切换成本越高
遇到瓶颈时，再回头来看看有没有更合适的替代方案

最终，工具是为人服务的。选那个让你 coding 时最爽的就行。

AI工具使用心得

目录