【AI编译器】Cursor高效实用可提高3倍编程效率

必须学会使用快捷键不得不承认 Cursor 确实称得上当前最强 AI 编程工具。但, 谁能想到，在与科技巨头的激烈竞争中脱颖而出的 Cursor，竟是一支仅有 12 人的小团队?打造一款让编程更轻松、愉悦、有趣的工具，助力全球开发者聚焦更宏大的问题。可以看得出来，他们满怀希望，干劲十足，用创新思维撬动了整个行业，一跃成为领跑者。除了工具本身，Cursor 团队的崛起更值得我们学习。这个只有 12

AI技术老狗（QA）

599人浏览 · 2024-12-25 19:02:11

AI技术老狗（QA） · 2024-12-25 19:02:11 发布

Cursor是一个编程IDE，旨在帮助开发人员使用生成式AI处理编程工作。主要有三个主要功能可以用来有效地使用Cursor：

1）代码自动完成

2）与你的代码库聊天

3）编辑和编写你的代码

如果能够利用上述所有功能，你就可以将编程工作的效率提高3倍，有的说能提高10倍，估计得因人而异。

关于如何下载安装，这里贴上下载地址，其他不在赘述，自行安装体验：

Cursor - The AI Code Editor

我们直接上手使用看看效果：

编写代码提示词：

generate code to read a CSV dataset, train the model based on the dataset, and evaluatethem.

快捷键：Command + k 打开输入提示词的输入框（windows是 ctrl）

点击Generate按钮，Cursor就会生成代码，代码如下：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

def load_and_prepare_data(csv_path):
    """Load and prepare the dataset"""
    # Read the CSV file
    df = pd.read_csv(csv_path)
    
    # Assuming the last column is the target variable
    X = df.iloc[:, :-1]  # Features
    y = df.iloc[:, -1]   # Target
    
    # Split the data into training and testing sets
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, random_state=42
    )
    
    # Scale the features
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)
    
    return X_train_scaled, X_test_scaled, y_train, y_test

def train_model(X_train, y_train):
    """Train the model"""
    # Initialize and train the model
    model = LogisticRegression(random_state=42)
    model.fit(X_train, y_train)
    return model

def evaluate_model(model, X_test, y_test):
    """Evaluate the model performance"""
    # Make predictions
    y_pred = model.predict(X_test)
    
    # Calculate accuracy
    accuracy = accuracy_score(y_test, y_pred)
    
    # Generate detailed classification report
    report = classification_report(y_test, y_pred)
    
    print(f"Model Accuracy: {accuracy:.2f}")
    print("\nClassification Report:")
    print(report)
    
    return accuracy

def main():
    # Specify your CSV file path
    csv_path = "your_dataset.csv"
    
    try:
        # Load and prepare the data
        X_train, X_test, y_train, y_test = load_and_prepare_data(csv_path)
        
        # Train the model
        model = train_model(X_train, y_train)
        
        # Evaluate the model
        evaluate_model(model, X_test, y_test)
        
    except Exception as e:
        print(f"An error occurred: {e}")

if __name__ == "__main__":
    main()

正如你在上图中看到，生成的代码立即可用。你可以选择接受代码、拒绝代码或者在代码中添加后续指令。

代码生成的另一个例子是使用现有代码并在此基础上加以改进。在下图中，我们将要求Cursor提供模型评估的进一步选项，Cursor会提供这些选项。