مروری بر Cursor و Agent در کدنویسی

Overview

• جلسه درباره Cursor و برنامه‌نویسی Agentic-AI؛ تاریخچه ابزارها، تفاوت‌ها، شیوه استفاده مؤثر، و دموی کدنویسی عملی.
• تمرکز بر مدیریت کانتکست، نقش ایجنت‌ها، تنظیمات، هزینه‌ها، الگوهای کارآمد، و توصیه‌های مهارتی برای جونیورها و سینیورها.

تاریخچه ابزارها و تکامل برنامه‌نویسی با AI

• شروع از ویرایشگرها و Auto-complete ساده؛ Kite AI نمونه اولیه (تا حدود 2021).
• ظهور LLMها (ChatGPT در نوامبر 2022) و جهش کیفیت پیشنهادهای کد.
• VS Code با Copilot پیشگام شد اما کند در ادغام LLMهای عمیق.
• Cursor فورک VS Code با ادغام سریع LLM و Agent؛ رشد پذیرش و درآمد سریع.

تفاوت Auto-complete، LLM و Agent

• Auto-complete: ادامه متن و الگوهای کوتاه؛ بدون درک عمیق یا اقدام.
• LLM (Ask): پاسخ متنی، جست‌وجو وب در صورت افزودن افزونه؛ بدون تغییر فایل‌ها.
• Agent: LLM با Function Calling؛ می‌خواند، ویرایش می‌کند، فایل می‌سازد/جابجا می‌کند، اسکریپت اجرا می‌کند.

راه‌اندازی و محیط Cursor

• Cursor فورک VS Code است؛ منحنی یادگیری تقریباً صفر؛ تنظیمات VS Code قابل استفاده.
• شورتکات‌ها: Command+B پنل کناری، Command+J ترمینال، Command+L مد Ask، Command+I مد Agent، تب‌های چندگانه برای جریان‌های جدا.
• Context: افزودن فایل/بازه خطوط/ترمینال به کانتکست با Add Context؛ گزینش دقیق برای جلوگیری از آشفتگی.

انتخاب مدل‌ها و هزینه‌ها

• انتخاب مدل از داخل Cursor؛ Auto برای انتخاب خودکار یا Max برای کیفیت بالاتر.
• پلن پایه 20 دلار محدودیت دارد؛ استفاده سنگین می‌تواند هزینه ماهانه را زیاد کند.
• امکان افزودن API Key شخصی (مثلاً OpenAI/OpenRouter) برای بیلینگ جدا از Cursor.

MCP و ایندکسینگ

• MCP: Model Context Protocol؛ استانداردسازی تعریف/دسترسی ابزارها روی سرور برای ایجنت‌ها.
• ایندکسینگ: فهرست‌سازی فایل‌ها برای جست‌وجوی کارآمد؛ فایل‌های حجیم/دیتاست‌ها معمولاً نادیده گرفته می‌شوند؛ نقش کلیدی در کارایی Agent.

مدیریت کانتکست و قواعد (Rules)

• کانتکست کوچک و دقیق نگه دارید؛ از اضافه‌بار جلوگیری کنید.
• افزودن Rules سراسری/پروژه‌ای: Keep it simple، Don’t add unnecessary code، اجتناب از trailing spaces، Newline انتهای فایل.
• Disable/Enable مدل‌ها، افزودن کلیدهای API، سفارشی‌سازی رفتار Agent.

الگوی کار با Ask و Agent

• Ask: پرسش مفهومی، توضیح کد ناآشنا، بررسی معماری و تصمیم‌ها.
• Agent: اعمال تغییرات، ساخت فایل‌ها/پروژه، ریفکتور و اجرای اسکریپت‌ها.
• جابه‌جایی آگاهانه بین مودها؛ تب جدید برای مراحل تازه؛ پرهیز از هدردادن توکن با تاریخچه گیج‌کننده.

بازبینی تغییرات و کنترل نسخه داخلی Cursor

• نمایش Diff فایل‌های تغییر یافته؛ Accept/Reject تکی یا مرحله‌ای.
• Review Next File برای مرور دنباله‌دار در پروژه‌های بزرگ.
• Undo (Ctrl+Z) برای بازگشت؛ Restore Checkpoint و Revert برای مدیریت مسیر تغییرات.

بهترین شیوه‌های پرامپت و تعامل با Agent

• شروع با دستور شفاف، جامع، و ساده؛ اگر انحراف رخ داد، از ابتدا با پرامپت بهتر.
• نپرسیدن سؤالات لید‌کننده؛ درخواست مزایا/معایب و ارزیابی بی‌طرفانه.
• Open-ended بگذارید تا ایده‌های بهتر بیاید؛ سپس ارزیابی و پالایش.
• افزودن نمونه قواعد: use loguru for logging، follow best practices.

نکات فنی و سبک کدنویسی

• اجتناب از کد اضافی؛ ساده‌سازی تدریجی؛ حذف try/except غیرضروری برای اسکریپت‌های ساده.
• رعایت سبک: بدون trailing spaces؛ newline انتهای فایل؛ ساختاردهی پوشه‌ها و ماژول‌ها.
• استفاده از اکستنشن‌های کاربردی (مثلاً نمایش trailing spaces).

دمو: اسکریپت خواندن فایل

• تعریف هدف: خواندن فایل myfile.txt با اسکریپت پایتونی.
• Agent: ساخت فولدر scripts، تولید read_file.py، ارائه مثال اجرا.
• بازبینی کد، ساده‌سازی، حذف بخش‌های غیرضروری، آزمون در ترمینال.

دمو: ایجاد پروژه FastAPI تولیدی

• هدف: دو اندپوینت health check و query llm؛ داشتن requirements و تولید آماده.
• Agent: ایجاد ساختار app، routers، schemas، config، LLM client؛ به‌روزکردن README و ساختار پروژه.
• تمیزکاری: ادغام main.py، استفاده از Routers، ریفکتور برای کد تمیز.
• اجرا: pip install -r requirements.txt، تنظیم .env و OpenRouter API Key، uvicorn main:app --reload.
• تست: /docs، اندپوینت /health و /query؛ تعیین مدل OpenRouter (مثلاً gpt-4o-mini).

سنجش کیفیت و یادگیری

• کدهای AI اغلب مستندسازی خوب دارند؛ مرور دقیق و فهم بخش‌به‌بخش ضروری است.
• پروژه‌های بزرگ: افزودن فولدرها به کانتکست، مشخص‌سازی ناحیه تغییر، ارزیابی گام‌به‌گام.
• کیفیت مدل‌ها در پایتون بالاست؛ در زبان‌های کمتر رایج، دقت پایین‌تر.

توصیه‌های استفاده حرفه‌ای و استخدام

• در مصاحبه‌ها: استفاده از LLM مجاز/مطلوب؛ نحوه استفاده و بازبینی کد اهمیت دارد.
• پرهیز از Accept سریع و اجرای بی‌مرور؛ نشانه هشدار در ارزیابی.
• مستندسازی خودکار (README، ساختار پروژه) مزیت بزرگ در کار تیمی.

رشد فردی: جونیور تا سینیور

• جونیورها: بیشتر کار کنید تا مسیر اسمارت را کشف کنید؛ صرفاً Work smarter شعار کافی نیست.
• تمرین مدیریت کانتکست، بازبینی دقیق، پرسش‌گری در مود Ask؛ یادگیری معماری با تکرار.
• سینیورها: تعادل کیفیت/بهره‌وری، کنترل پرامپت، ساده‌سازی، و هدایت Agent.

خطاهای رایج و راه‌حل‌ها

• کانتکست بزرگ و مبهم: از ابتدا جمع‌بندی روشن بدهید یا تب جدید آغاز کنید.
• بهینه‌سازی زودهنگام/کد اضافه: Ruleهای سادگی و حذف افزوده‌ها را فعال کنید.
• تمایل Agent به تغییرات بزرگ: درخواست حل بخش کوچک، ارزیابی، سپس گسترش.

جدول شورتکات‌ها و مودها

جدول گام‌های ایجاد پروژه FastAPI

نکات هزینه و بهینگی

• مود Max کیفیت بالا ولی پرهزینه؛ فقط برای تسک‌های حساس.
• استفاده از کلیدهای شخصی برای کاهش هزینه Cursor.
• پرهیز از ران‌های متعدد بی‌هدف؛ ارزیابی پاسخ و تکرار معنادار.

Action Items / Next Steps

• تنظیم Rules پروژه: سادگی، حذف کد اضافی، سبک قالب‌بندی (newline، no trailing spaces).
• تمرین گردش کار Ask/Agent با تب‌های مجزا؛ شروع از پرامپت جامع.
• افزودن کلیدهای API (OpenRouter/OpenAI) و انتخاب مدل مناسب.
• مدیریت کانتکست: افزودن خطوط/فایل‌های مرتبط، حذف موارد غیرلازم.
• مرور Diffها و مستندات؛ پذیرش مرحله‌ای تغییرات پس از ارزیابی.