这位用户用一套系统化的实践方法让 Cursor 效率提升了10倍，值得深度借鉴：

• 先用 Claude 制定清晰详尽的 Markdown 计划，通过多轮提问和自我批判迭代，生成 instructions.md 供 Cursor 频繁参考。

- ChatGPT 参与二次规划，提供另一层次的方案设计，避免问题循环卡死。

- 实际案例中，从头开始让 ChatGPT 写明晰指令，解决了长期未解的 Cursor 问题。

• 利用 .cursorrules 设定广泛规则（如先写测试，再写代码，反复运行直到测试通过），确保 AI 代码生成流程规范且高效。

• 采用“小步快跑”的 Edit-Test 循环模式：

- 拆解任务为小增量

- 先写失败的测试用例

- 让 AI 生成代码使测试通过

- 运行测试，失败则分析修复，循环迭代

- 测试通过后由开发者复核

• 鼓励在提示中使用 Chain of Thought 思维链，提升 AI 理解和推理能力。

• 遇到问题时，让 Cursor 输出包含所有文件及问题描述的报告，结合 Claude/ChatGPT 诊断修复建议。

• 使用 git 和 gititnest.com 管理版本和脚本配置，保证代码可追溯、结构清晰。

• 频繁同步索引代码，排除无关文件（用 .cursorignore），保持上下文简洁且精准。

• 推荐结合开放编辑器快速添加上下文，利用记事本类提示管理碎片信息。

• 可选开启 YOLO 模式自动生成多种测试（vitest、npm test、nr test 等），支持基础构建命令。

• 在 Cursor 设置中启用“Rules for AI”系统提示，要求回答简洁、直奔主题，避免冗余解释，优先技术细节和替代方案。

这套方法核心在于：

1. 通过多层规划+分步迭代，降低复杂度与认知负担

2. 强调测试驱动开发，保障代码质量

3. 善用工具链和上下文管理，实现高效协作

4. 明确 AI 使用规则，提升生成内容的针对性和实用性

人工智能 代码生成 测试驱动开发 AI协作 软件开发