先给 AI 设定开发规则，确保生成的代码符合 Vue 3 最佳实践，无需反复调整格式。

给 AI 设定「固定规则」，让其在所有项目中遵循统一的编码规范、技术栈偏好、输出格式，避免重复沟通，生成的代码直接符合你的需求。「代码库索引 + 外部文档知识库」解决 “AI 不懂你的项目 / 业务”；「AI 审查重构 + 自定义 Rules」解决 “代码质量低、不规范”；「隐私模式」解决 “敏感代码不敢用 AI”；「模型选择」解决 “不同场景适配不同 AI 能力”；「MCP 服务器」解决 “AI

给 AI 设定「固定规则」，让其在所有项目中遵循统一的编码规范、技术栈偏好、输出格式，避免重复沟通，生成的代码直接符合你的需求。「代码库索引 + 外部文档知识库」解决 “AI 不懂你的项目 / 业务”；「AI 审查重构 + 自定义 Rules」解决 “代码质量低、不规范”；「隐私模式」解决 “敏感代码不敢用 AI”；「模型选择」解决 “不同场景适配不同 AI 能力”；「MCP 服务器」解决 “AI

AI 帮你写代码，MCP 保障本地资源访问，终端直接测试明确数据库类型 + 需求（用自然语言描述）；让 AI 生成 “连接 + 建表 + CRUD” 代码；用 Cursor 终端运行测试；报错时让 AI 排查修复。提示词越具体，生成的代码越精准，比如明确 “数据库类型、连接参数、字段约束、操作逻辑”，AI 能直接生成可运行的代码，无需二次修改。

AI 帮你写代码，MCP 保障本地资源访问，终端直接测试明确数据库类型 + 需求（用自然语言描述）；让 AI 生成 “连接 + 建表 + CRUD” 代码；用 Cursor 终端运行测试；报错时让 AI 排查修复。提示词越具体，生成的代码越精准，比如明确 “数据库类型、连接参数、字段约束、操作逻辑”，AI 能直接生成可运行的代码，无需二次修改。

让 AI 生成数据库操作封装（db_core.py让 AI 生成对话交互脚本（db_chat.py运行脚本，直接用自然语言输入需求，自动执行。关键优势：无需懂 SQL、无需写代码，非技术人员也能操作本地数据库；借助 Cursor 的 MCP 协议，所有操作都在本地完成，数据安全无泄露；AI 自动适配需求，支持从简单增删改查到复杂统计查询。

让 AI 生成数据库操作封装（db_core.py让 AI 生成对话交互脚本（db_chat.py运行脚本，直接用自然语言输入需求，自动执行。关键优势：无需懂 SQL、无需写代码，非技术人员也能操作本地数据库；借助 Cursor 的 MCP 协议，所有操作都在本地完成，数据安全无泄露；AI 自动适配需求，支持从简单增删改查到复杂统计查询。

场景：长期做某类开发（如 Django 后端、React 前端），需要 AI 遵循固定规范（如代码风格、命名规则、项目结构）。操作：打开 AI 侧边栏，点击 “Settings”→“Custom Prompts”，添加自定义提示词模板。示例（Django 开发规范）：“后续生成 Django 代码时，遵循以下规则：1. 模型类名使用 PascalCase，字段名使用 snake_case；2. 视

RAG 是 Retrieval-Augmented Generation 的缩写，本质是 “检索 + 生成” 的协同架构。核心逻辑：大模型生成答案前，先从外部知识库中检索与问题相关的精准信息，再基于这些信息生成最终回复。核心价值：解决大模型 “知识固定（训练数据截止到某一时间）”“无法访问私有数据”“易产生幻觉” 三大痛点。这套方案从零到一落地 RAG 仅需 3 步，无需复杂部署，适合快速验证场景

RAG 是 Retrieval-Augmented Generation 的缩写，本质是 “检索 + 生成” 的协同架构。核心逻辑：大模型生成答案前，先从外部知识库中检索与问题相关的精准信息，再基于这些信息生成最终回复。核心价值：解决大模型 “知识固定（训练数据截止到某一时间）”“无法访问私有数据”“易产生幻觉” 三大痛点。这套方案从零到一落地 RAG 仅需 3 步，无需复杂部署，适合快速验证场景