Cursor与ChatGPT集成开发指南：从零搭建AI辅助编程环境

1次阅读

共计 3113 个字符，预计需要花费 8 分钟才能阅读完成。

传统 IDE 的智能提示往往基于静态代码分析，存在三个明显短板：

上下文感知弱：无法理解业务逻辑的连贯性，比如无法关联前后 API 调用的数据流
创造性建议缺失：当需要实现新功能时，只能提供语法补全而非解决方案
重构能力有限：复杂代码结构调整常需要手工逐行修改

相比 Copilot 等现成方案，Cursor+ChatGPT 组合的优势在于：

可定制 prompt 针对特定技术栈优化
能通过 API 细粒度控制生成参数
成本透明度高（按实际 token 用量计费）

# 官方推荐通过 npm 安装（需 Node.js >=16）npm install -g cursor

登录OpenAI 平台
在 View API keys 页面创建新密钥
本地创建 .env 文件存储密钥：

# .env 文件示例
OPENAI_API_KEY=sk-your_key_here

[安全提醒]
  ___________
 |           |
 | NEVER     |
 | commit    |
 | .env to   |
 | GitHub!   |
 |___________|
     \   ^__^
      \  (oo)\_______
         (__)\       )\/\
             ||----w |
             ||     ||

import openai
from tenacity import retry, stop_after_attempt, wait_exponential
import os
from dotenv import load_dotenv

load_dotenv()  # 加载.env 文件

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def ask_chatgpt(prompt, model="gpt-3.5-turbo"):
    try:
        response = openai.ChatCompletion.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            temperature=0.7  # 控制创造性（0- 2 范围）)
        return response.choices[0].message.content
    except Exception as e:
        print(f"API 调用失败: {str(e)}")
        raise

# 使用示例
code_review_prompt = """ 请检查以下 Python 代码的潜在问题：```python
def calculate_average(nums):
    return sum(nums)/len(nums)
```"""
print(ask_chatgpt(code_review_prompt))

/**
 * 生成 JSDoc 注释
 * @param {string} selectedCode - 当前选中的代码片段
 * @returns {Promise<string>} - 返回生成的注释
 */
async function generateDocstring(selectedCode) {const prompt = ` 请为以下代码生成规范的 JSDoc 注释：\n${selectedCode}`;

  const response = await fetch('https://api.openai.com/v1/chat/completions', {
    method: 'POST',
    headers: {
      'Content-Type': 'application/json',
      'Authorization': `Bearer ${process.env.OPENAI_API_KEY}`
    },
    body: JSON.stringify({
      model: "gpt-3.5-turbo",
      messages: [{role: "user", content: prompt}],
      temperature: 0.5
    })
  });

  const data = await response.json();
  return data.choices[0].message.content;
}

# 将多个独立请求合并为单个 API 调用
def batch_ask(prompts, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}
        for prompt in prompts
    ]

    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0.7
    )

    return [choice.message.content for choice in response.choices]

from functools import lru_cache
import hashlib

@lru_cache(maxsize=128)
def cached_ask(prompt):
    # 使用 SHA256 哈希作为缓存键
    cache_key = hashlib.sha256(prompt.encode()).hexdigest()
    return ask_chatgpt(prompt)  # 复用之前定义的函数

环境隔离：开发 / 测试 / 生产环境使用不同 API 密钥
访问控制：通过 AWS Secrets Manager 等工具动态获取密钥
输入过滤：检测并阻止包含 API 密钥的代码提交

# 敏感词检测示例
def contains_secrets(text):
    forbidden = ['api_key', 'secret', 'password']
    return any(word in text.lower() for word in forbidden)

静态检查：用 AST 解析验证生成代码的语法结构
测试驱动：要求 AI 先编写测试用例再实现功能
沙盒执行：在 Docker 容器中试运行生成代码

// 示例：测试驱动 prompt
const tddPrompt = `
请按照 TDD 流程开发：1. 先为一个 ${functionName}函数编写 Jest 测试用例
2. 再实现能通过测试的代码
`;

监控面板配置示例：

[Token 用量看板]
+----------------+-----------+
| 日期           | 消耗 token |
+----------------+-----------+
| 2023-08-01     | 12,345    |
| 2023-08-02     | 8,765     |
+----------------+-----------+
| 预估月费用     | $18.23    |
+----------------+-----------+

设置硬性限制：

# 在代码层面限制单次请求
def safe_ask(prompt, max_tokens=1000):
    if len(prompt.split()) > 500:  # 简单基于词数判断
        raise ValueError("提示过长，可能产生高费用")
    return ask_chatgpt(prompt)

将 AI 生成结果融入 CI/CD 时可考虑：