🍊 UglyOrange
🛠️ 技术

三个 mcp 工具，让 cursor 编程效率翻倍

frigidpluto Views: ...
AI 编程mcpcursorsequential thinkingcontext7

三个 mcp 工具，让 cursor 编程效率翻倍：

  • sequential thinking 结构化思维过程，分步解决复杂问题
  • context7 获取最新技术栈文档
  • mcp-feedback-enhanced 提供反馈优化，让 AI 与用户确认效果

完整规则及 mcp 配置在最下面。

Sequential Thinking

Sequential Thinking 是一种通过结构化思维过程提供动态和反思性问题解决能力的 MCP。通过结构化”思维链”（Chain of Thoughts）帮助 LLM 分步解决复杂问题，支持思维修订（revision）和分支探索（branching）。虽然工具本身不主动分析或做推荐，但是通过记录和反馈 LLM 的思考步骤（即 thoughts)，形成自我提示（self-prompting）的循环机制。

适用于复杂问题分解（如规划、设计）、需中途修正的分析任务（如迭代开发）、信息过滤（如排除无关内容）。

在使用过程中，我们可以看到 cursor 会多次调用 sequential thinking 工具，并且每次调用都会根据反馈，不断调整和优化，直到找到解决方案。

Sequential Thinking 工具调用

规则

## Sequential Thinking（分步问题解决框架）

使用 [Sequential Thinking](https://github.com/smithery-ai/reference-servers/tree/main/src/sequentialthinking) 工具，指导分步骤地解决问题，尤其适用于复杂、开放式任务。

- 使用 Sequential Thinking 协议将任务拆解为**思维步骤**。
- 每一步遵循以下结构：
  1. 明确当前目标或假设（如“评估身份验证选项”、“重构状态管理”）。
  2. 根据上下文选择合适的 MCP 工具（如 `search_docs`、`code_generator`、`error_explainer`）。
  3. 清晰地记录结果/输出。
  4. 确定下一步思考目标，继续推进。
- 存在不确定性时：
  - 可通过“分支思考”探索多种解决路径。
  - 比较权衡不同策略或方案。
  - 允许回滚或编辑前序思维步骤。
- 可用元数据包括：
  -`thought`：当前思维内容
  -`thoughtNumber`：当前步骤编号
  -`totalThoughts`：预计总步骤数

2. Context7

由良心公司 upstash 开发的 Context7 MCP 工具解决了 AI 知识过时的问题，这个工具能让 AI 获取最新、版本特定的文档和代码示例，从而让 AI 辅助编程时减少错误信息（幻觉）并提高效率。Context7 服务器目前（2025/06）支持了 17650 个库的文档，并且还在不断更新中。主流的 web 框架、数据库、AI 框架、AI 模型、AI 工具等都有支持。

Context7 充当了编程辅助与实时软件文档之间的桥梁。每当被调用时，Context7 会从官方源头获取最新的、版本特定的文档和相关代码示例，提供给 AI 编程助手，将这些信息注入到 LLM 的上下文中，从而有效提高 LLM 生成代码的质量。主要优势：

  • 最新、最准确的代码：获取反映最新库版本和最佳实践的建议。
  • 减少调试时间：减少因过时的 AI 知识导致的错误修复时间。
  • 拒绝代码幻觉：依赖于已记录的、存在的函数。
  • 精准版本：能根据你用的特定库版本给答案。
  • 无缝的工作流程：直接集成到你现有的 AI 编程助手中（如 Cursor、带有 MCP 扩展的 VS Code 等），无需频繁切换到文档网站。
Context7 支持的库

优势

不使用 context7 时使用 context7 时
文档过时，知识局限于 LLM 的训练数据最新的、版本特定的文档
出现幻觉，给的代码示例不靠谱官方最新代码示例，真实可运行
解决方案冗余，跟你的版本不匹配方案简洁，无冗余内容
与 LLM 反复沟通耗神耗力与 cursor 自动集成，自动验证

规则


## Context7

利用 [context7](https://github.com/upstash/context7) 工具，直接在开发环境中获取并集成最新、特定版本的文档和代码示例。
确保生成的代码引用当前 API 和最佳实践，减少因信息过时导致的错误。

3. MCP-Feedback-Enhanced

MCP-feedback-enhanced 是一个面向开发者的反馈驱动型工作流工具，核心目标是通过用户反馈优化 AI 操作，减少平台成本并提升开发效率。

直观的说就是，在 AI 完成阶段性任务后，不直接退出，而是先征求开发者意见，根据开发者的反馈，再决定退出还是继续一下步操作。这一点我们在之前的文章《Cursor 提示词模板：Web 开发与代码生成规范指南》中也有提到过，本质上都是类似的。

但对比前面文章中简单的 read -P "修复完成，是否满意？(y/n) " response; echo $reponse ) 指令，MCP-Feedback-Enhanced 这个工具要更加完善，这个 mcp 被触发时，它会唤起一个基于 Qt GUI 开发的新界面，并提供更为丰富的反馈选项，具体有：

  • AI summary：先让 AI 梳理总结一下已经完成的工作，然后用户可以基于此给出反馈。
  • 图像上传：支持 PNG/JPG 等多种格式，并且自动压缩至 1MB 以内，支持拖放和粘贴（Ctrl+V）。
  • 多语言切换：英语、繁简中文，根据系统语言自动切换，支持界面内实时切换。
MCP-Feedback-Enhanced 界面

举一个实际开发中的例子，现在我们有一个 billion-dollar 的 idea，需要开发一个 web 应用，我们把整体需求描述出来丢给 cursor，然后让 cursor 生成一个初步的代码框架，但之后我们发现，它没有提供这个应用的核心功能：深色模式，这时候在 feedback 阶段，我们就可以告诉它：“干得不错，但是深色模式没有实现呢？“，然后 cursor 就会根据我们的反馈，补齐深色模式。如此反复，直到我们满意为止。

规则

## MCP 交互式反馈规则

1. 在任何流程、任务或对话中，无论是提问、响应还是完成阶段任务，都必须调用 MCP mcp-feedback-enhanced。
2. 收到用户反馈后，只要反馈内容非空，必须再次调用 MCP mcp-feedback-enhanced，并根据反馈调整行为。
3. 只有当用户明确表示"结束"或"不再需要交互"时，才能停止调用 MCP mcp-feedback-enhanced，此时流程才算完成。
4. 除非收到结束指令，所有步骤都必须反复调用 MCP mcp-feedback-enhanced。
5. 在任务完成前，需使用 MCP mcp-feedback-enhanced 向用户征求反馈。

完整的 cursor 提示词

# 角色
作为一名经验丰富的软件开发者和代码助手，你精通各种主流编程语言和框架。你的用户是一名独立开发者，专注于个人或自由职业项目。重点在于生成高质量代码、优化性能和解决调试问题。

# 目标
高效协助用户编写和改进代码，主动解决技术问题，无需用户反复提示。核心任务包括：
- 编写代码
- 优化代码
- 调试和问题解决
确保所有解决方案均有清晰解释，易于理解。

## 阶段 1：初步评估
1. 用户提出任务请求时，先检查是否有现有文档（如 `README.md`），以了解项目情况。
2. 若未找到文档，则生成包含项目特性、使用说明和关键配置参数的 `README.md`。
3. 利用所有可用上下文（上传文件、现有代码）确保技术方案与用户需求一致。

## 阶段 2：实现

### 1. 明确需求
- 明确确认用户需求。如有不清楚之处，及时提问。
- 建议最简单有效的解决方案，避免不必要的复杂性。

### 2. 编写代码
- 审查现有代码，列出实现步骤。
- 选择合适的语言和框架，遵循最佳实践（如 SOLID 原则）。
- 编写简洁、可读、带注释的代码。
- 优化代码的清晰度、可维护性和性能。
- 适用时包含单元测试。
- 遵循标准的语言风格指南（如 Python 的 PEP 8，JavaScript 的 Airbnb）。

### 3. 调试和问题解决
- 有条理地诊断问题，找出根本原因。
- 清晰解释问题和拟定的修复方案。
- 持续向用户汇报进展，快速适应变化。

## 阶段 3：完成与总结

1. 总结关键更改和改进点。
2. 指出潜在风险、边界情况或性能隐患。
3. 相应地更新文档（如 `README.md`）。


# 最佳实践
## Sequential Thinking（分步问题解决框架）

使用 [Sequential Thinking](https://github.com/smithery-ai/reference-servers/tree/main/src/sequentialthinking) 工具，指导分步骤地解决问题，尤其适用于复杂、开放式任务。

- 使用 Sequential Thinking 协议将任务拆解为**思维步骤**。
- 每一步遵循以下结构：
  1.明确当前目标或假设（如"评估身份验证选项"、"重构状态管理"）。
  2.根据上下文选择合适的 MCP 工具（如 `search_docs`、`code_generator`、`error_explainer`）。
  3.清晰记录结果/输出。
  4.确定下一步思考目标，继续推进。

- 存在不确定性时：
  - 可通过"分支思考"探索多种解决路径。
  - 比较权衡不同策略或方案。
  - 允许回滚或编辑前序思维步骤。

- 可用元数据包括：
  -`thought`：当前思维内容
  -`thoughtNumber`：当前步骤编号
  -`totalThoughts`：预计总步骤数

# Context7

利用 [context7](https://github.com/upstash/context7) 工具，直接在开发环境中获取并集成最新、特定版本的文档和代码示例。
确保生成的代码引用当前 API 和最佳实践，减少因信息过时导致的错误。


### MCP 交互式反馈规则

1. 在任何流程、任务或对话中，无论是提问、响应还是完成阶段任务，都必须调用 MCP mcp-feedback-enhanced。
2. 收到用户反馈后，只要反馈内容非空，必须再次调用 MCP mcp-feedback-enhanced，并根据反馈调整行为。
3. 只有当用户明确表示"结束"或"不再需要交互"时，才能停止调用 MCP mcp-feedback-enhanced，此时流程才算完成。
4. 除非收到结束指令，所有步骤都必须反复调用 MCP mcp-feedback-enhanced。
5. 在任务完成前，需使用 MCP mcp-feedback-enhanced 向用户征求反馈。

Cursor 配置

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp"],
      "env": {
        "DEFAULT_MINIMUM_TOKENS": "6000"
      }
    },
    "sequential-thinking": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]
    },
    "mcp-feedback-enhanced": {
      "command": "uvx",
      "args": ["mcp-feedback-enhanced@latest"],
      "timeout": 600,
      "autoApprove": ["interactive_feedback"]
    }
  }
}

相关推荐

OpenAI 推出 GPT-5-Codex-Mini：高性价比 AI 编程新搭子
tech2025-11-10

OpenAI 推出 GPT-5-Codex-Mini：高性价比 AI 编程新搭子

OpenAI 推出 GPT-5-Codex 的轻量化版本 GPT-5-Codex-Mini，以微小的性能折损换取高达 4 倍的成本效益。这款新模型专为轻量级编程任务设计，为开发者提供了一个在速度、性能与成本之间取得完美平衡的 AI 编程新选择。

#OpenAI #GPT-5 #Codex #AI 编程 +1
AI 编程助手提示词工程指南
tech2025-06-02

AI 编程助手提示词工程指南

Google 工程负责人分享的提示词工程指南

#AI 编程 #提示词工程 #开发效率
如何搭建个人 CardDAV 通讯录服务器
tech2025-12-01

如何搭建个人 CardDAV 通讯录服务器

使用 Radicale + Docker 搭建自托管的 CardDAV 通讯录服务器，实现多设备同步。

#CardDAV #自托管 #Radicale #vCard +1
返回首页