Documentation Index
Fetch the complete documentation index at: https://base.bangwu.me/llms.txt
Use this file to discover all available pages before exploring further.
Cursor
go-cursor-helpCursor 3：用户真正想要什么
基于 431 条社区反馈（2026年4月），核心结论：用户不只是要”AI 写代码”，而是要一个稳定、可控的 AI 开发工作台。优先级排序：- Agent 与 IDE 无缝融合 — Agent Window 有潜力，但必须保留完整 IDE 能力（LSP、调试、任务运行、扩展、快捷键、代码导航、diff 接受/拒绝）。用户不应该为了一个小操作就切回旧 IDE。
- Worktree / Git / PR 工作流产品化 — 开发者想要低摩擦、可审计的 Git 控制台，而不是用自然语言让 Agent 帮你做 Git 操作。核心需求：分支切换、PR 检测、选择性 staging、多仓库 diff、submodule 支持、CI 状态、review 集成。
- 稳定性优先于新功能 — 启动速度、内存占用、上下文丢失、LSP 失效、大仓库索引慢，这些是信任杀手。基础不稳，用户会转向其他工具。
- 模型成本透明 — 用户想知道”这个任务用哪个模型最划算”，而不是仅仅多几个模型选项。好的方向：Cursor 建议”这里用便宜模型，那里升级到强模型”。
- 键盘优先 — 整个产品必须不用鼠标也能操作。自定义快捷键、快速面板切换、继承 VS Code 肌肉记忆，是重度用户的底线。
- 任务记忆系统 — Agent 工作变多后，“聊天记录列表”必须升级为”任务记忆系统”：自动重命名 chat、pin 消息、fork session、跨项目引用上下文。
综合自 Eric Zakariasson 的 Cursor 3 反馈帖 — 431 条社区回复，2026年4月。
研究陌生大模型时的工作流
如果你不是单纯写业务代码，而是想借助 AI IDE 搞清楚一个开源大模型的结构，可以按下面的顺序来：- 先读官方技术报告
- 先弄清模型想解决什么问题、属于什么家族、有哪些官方命名。
- 论文和技术报告通常能给出总体设计，但细节经常不够完整。
- 再看 Hugging Face 配置文件
- 重点关注层数、隐藏维度、注意力头数、RoPE 参数、MoE 配置、KV 头设置等关键字段。
- 这些配置比二手解读更接近真实实现。
- 再看参考实现代码
- 如果模型已被
transformers或官方仓库支持，优先看对应实现。 - 可运行代码往往比论文描述更诚实，尤其适合确认模块顺序、残差连接和张量形状。
- 如果模型已被
- 最后再自己画结构图或让 AI 帮你总结
- 先自己建立一版理解，再让 AI IDE 辅助整理图示、对比相似模型或解释局部模块。
- 这样更不容易被”看起来很对”的总结误导。
这个方法什么时候最有效
- 适合 open-weight 模型
- 适合已经公开配置和参考实现的模型
- 不太适合只公开营销材料、没有权重和代码的闭源模型
参考
GitHub Copilot：按用量计费（2026年6月）
从 2026年6月1日 起，GitHub Copilot 从”高级请求次数”转向 AI Credits（积分），按 token 消耗计费。这反映了 Copilot 从代码补全助手进化为能跑长任务 Agent 平台的变化。不变的部分
- 基础价格不变 — Pro 39/月、Business 39/人/月
- 代码补全和 Next Edit 建议 — 仍然包含在订阅内，不消耗 AI Credits
- 月度积分等于订阅价 — Pro 获得 39 积分
变化的部分
- 高级请求次数 → AI Credits — 按 input、output、cached token 消耗计算，费率与各模型 API 价格挂钩
- 不再有降级兜底 — 以前高级请求用完还能降级到便宜模型，现在积分花完就是花完
- Copilot Code Review — 同时消耗 AI Credits 和 GitHub Actions 运行时长
- 企业积分池化 — Business/Enterprise 的积分可以在团队间共享，不再浪费
过渡缓冲（6月–8月）
| 计划 | 正常月度积分 | 过渡期积分（6–8月） |
|---|---|---|
| Business | $19/人 | $30/人 |
| Enterprise | $39/人 | $70/人 |
实际影响
- 轻度用户 — 几乎不受影响，补全仍然免费
- 重度 Agent 用户 — 6月后注意账单，长时间自主编程任务消耗积分很快
- 年付用户 — 年付到期前仍按旧 PRU 计费，到期后转为月付积分制
- 5月初 — 上线账单预览功能，正式切换前可以看到预估费用
Coding Agent 安全治理：OpenAI 如何管住 Codex
当 coding agent 能读写仓库、运行命令、调用开发工具时，你需要同时保证效率和可控性。OpenAI 给 Codex 设计了四层框架：沙箱 + 审批 + 网络策略 + 身份治理。指导原则：低风险日常操作零摩擦，高风险操作必须停下来等审查。1. 沙箱 + 审批
- 沙箱定义技术执行边界：能写哪里、能不能联网、哪些路径只读
- 审批策略定义什么时候必须停下来问人——通常在越界沙箱时触发
- Auto-review 模式：一个独立子代理审阅 Codex 的待执行动作和上下文，对低风险请求自动放行，仅在风险升高时才打断用户。这是”AI 审 AI”——把审批本身做成智能层
2. 网络访问
默认拒绝、显式允许模型：- 允许已知合规目的地
- 拉黑明确不希望的域名（如 pastebin.com——典型数据外泄渠道）
- 未知域名要求审批
3. 身份与凭证
- CLI 和 MCP 的 OAuth 凭证强制存入 OS keyring（macOS Keychain）
- 强制通过 ChatGPT 登录——不可绕过
- 锁定到指定企业工作区 UUID
4. 命令规则
按语义风险分级：- 只读命令（
gh pr view、kubectl get）→ 自动放行 - 危险命令 → 显式拦截或要求审批
5. 配置分发
三层分发保证全公司基线一致：- 云端 managed requirements + macOS 托管偏好 + 本地 requirements 文件
requirements是管理员强制项——用户无法覆盖
Agent-Native Telemetry
传统 EDR 和审计日志只能告诉你”发生了什么”——但面对 AI Agent，安全团队真正缺的是**“为什么”**：- 用户原始 prompt
- Agent 推理路径
- 审批决策
- 工具调用链
- MCP 服务器使用
- 网络代理放行/拒绝事件
- 预期内的 agent 行为
- 良性失误
- 真正需要升级的事件
- OpenAI: Running Codex Safely — 官方博客
- 宝玉中文摘要 — 四层框架详细翻译