Cursor + Claude 高效开发：我的 AI 辅助编程工作流
Efficient Development with Cursor and Claude: My AI-Assisted Programming Workflow
| Alex Chen | 2026-08-10T13:44:46
用了半年 AI 辅助编程工具，效率提升了多少？这篇分享我的真实工作流和最佳实践。
After six months of AI-assisted programming, sharing my real workflow and best practices with Cursor and Claude.
## 半年使用感受 从今年 3 月开始全面使用 Cursor + Claude 进行日常开发，到现在半年了。说实话，回不去了。 不是说 AI 能替代程序员，而是它改变了我的工作节奏。以前写代码的时间分配大概是：30% 写代码 + 40% 读文档/查资料 + 30% 调试。现在变成了：50% 写代码 + 15% 查资料 + 25% 调试 + 10% review AI 生成的代码。 ## 我的工作流 ### 场景一：新功能开发 1. **先写需求描述**，不是给 AI 的 prompt，是给自己看的。用 Markdown 写清楚要做什么、为什么做、边界条件是什么 2. **让 AI 生成骨架代码**：把需求丢给 Claude，让它生成整体结构。这一步我通常会指定技术栈和架构风格 3. **逐模块细化**：不要一次让 AI 生成整个功能，分模块来。每个模块生成后立刻 review 和修改 4. **自己写核心逻辑**：业务核心逻辑、算法、数据库查询这些我自己写，AI 生成的不够放心 5. **让 AI 写测试**：测试代码是 AI 最擅长的，覆盖率通常能到 80%+ ### 场景二：Bug 修复 这是 AI 帮助最大的场景： 1. 把错误日志和相关代码贴给 Claude 2. 它通常能准确定位问题原因 3. 生成修复方案，我确认后应用 之前可能要花一两个小时排查的问题，现在 10 分钟搞定。 ### 场景三：代码重构 ``` 我：这个 UserService 太臃肿了，500 行，帮我拆分一下 Claude：[分析依赖关系，建议拆成 UserQueryService、UserCommandService、UserValidationService] 我：UserValidationService 不需要，验证逻辑放在 Command 里就行 Claude：[调整方案，生成拆分后的代码] ``` 关键是要和 AI **对话式地重构**，不要一次性让它重构完。 ## 最佳实践 ### 1. Prompt 要具体 ``` ❌ "帮我写个用户管理模块" ✅ "用 Spring Boot 3 + MyBatis-Plus 写一个用户管理模块，包含： - 用户 CRUD（分页查询用 PageResult 封装） - 密码用 BCrypt 加密 - Entity 放 module/user/ 下 - 参考现有的 NewsService 的代码风格" ``` ### 2. 给上下文 在 Cursor 里用 `@file` 引用相关文件，让 AI 理解项目的代码风格和架构。上下文越多，生成的代码越贴合项目。 ### 3. 不要盲信 AI 生成的代码**必须 review**。我遇到过的典型问题： - 用了项目里没有的依赖 - SQL 注入风险（AI 有时候会拼接 SQL） - 逻辑看起来对但边界条件没处理 - 性能问题（比如循环里查数据库） ### 4. 用 AI 做 Code Review 把 PR 的 diff 贴给 Claude，让它帮忙 review。它特别擅长发现： - 遗漏的空指针检查 - 不一致的错误处理 - 可能的并发问题 ## 效率数据 | 指标 | AI 辅助前 | AI 辅助后 | |------|-----------|-----------| | 日均代码行数 | ~200 行 | ~450 行 | | PR 合并周期 | 2-3 天 | 1-1.5 天 | | Bug 修复时间 | 平均 2 小时 | 平均 40 分钟 | | 测试覆盖率 | 45% | 78% | 代码行数翻倍不是目标，目标是把省下来的时间花在设计和思考上。 ## 什么时候不用 AI - **架构设计**：AI 不了解你的业务全貌和团队约束 - **性能优化**：需要实际 profiling，AI 只能给通用建议 - **安全敏感代码**：加密、认证这些宁可自己写，review 三遍
After six months using Cursor + Claude for daily development, sharing real workflow patterns: requirement-first approach, modular code generation, AI-written tests (80%+ coverage), and interactive refactoring. Key practices: specific prompts with project context, mandatory review of AI output, and using AI for code review. Results: 2.25x code output, 50% shorter PR cycles, 67% faster bug fixes.