Cursor + MCP + 微調模型：代碼編輯器內的領域 AI

Cursor 是大多數 vibe coder 每天使用的 AI 原生代碼編輯器。它支持 MCP 伺服器——這意味著您可以將微調的模型連接到 Cursor，直接從您的編碼環境調用領域特定的 AI 能力，無需切換上下文。

用途：在您的代碼庫風格上訓練的代碼文檔模型、在您的模式上訓練的領域特定代碼生成器、以您產品聲音書寫的內容模型，這一切都可作為 Cursor 工具訪問。

為什麼領域模型在 Cursor 中優於通用模型

Cursor 的內建 AI（Claude Sonnet、GPT-4o）在一般編碼任務上表現出色。它在以下方面存在困難：

您代碼庫的特定模式： 通用 AI 不知道您團隊的命名慣例、架構決策或您選擇標準化的庫。它會生成語法正確但不符合您代碼庫的代碼。

您的文檔風格： 通用 AI 寫通用文檔。在您現有文檔上訓練的模型，寫出聽起來像您其他文檔的文檔。

領域特定邏輯： 如果您的應用程式處理複雜的業務邏輯（稅務計算、醫療保健工作流、法律文件處理），通用 AI 做出有根據的猜測。在您的領域邏輯上訓練的模型生成正確的業務邏輯。

在您的代碼庫和領域上微調的模型，產生您團隊中的資深開發人員認為合適的輸出。

為 Cursor 設置 MCP 伺服器

Cursor 從 ~/.cursor/mcp.json（或項目級別的 .cursor/mcp.json）讀取 MCP 配置。

步驟 1：構建以代碼為重心的 MCP 伺服器

// cursor-domain-mcp/server.mjs
import { Server } from '@modelcontextprotocol/sdk/server/index.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { CallToolRequestSchema, ListToolsRequestSchema } from '@modelcontextprotocol/sdk/types.js';

const OLLAMA_URL = 'http://localhost:11434/api/chat';
const MODEL = 'my-codebase-model';

const server = new Server(
  { name: 'codebase-assistant', version: '1.0.0' },
  { capabilities: { tools: {} } }
);

server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: [
    {
      name: 'generate_code',
      description: 'Generate code following the project\'s specific patterns, naming conventions, and library choices. Use for creating new functions, components, or modules that should match existing code style.',
      inputSchema: {
        type: 'object',
        properties: {
          description: { type: 'string', description: 'What code to generate' },
          file_context: { type: 'string', description: 'Relevant existing code from the codebase for context' },
          language: { type: 'string', description: 'Programming language or framework' }
        },
        required: ['description']
      }
    },
    {
      name: 'write_documentation',
      description: 'Write documentation in the project\'s established style — same format, same level of detail, same terminology. Use for JSDoc, README sections, or inline comments.',
      inputSchema: {
        type: 'object',
        properties: {
          code: { type: 'string', description: 'The code to document' },
          doc_type: { type: 'string', description: 'jsdoc, readme, comment, or api-reference' }
        },
        required: ['code']
      }
    },
    {
      name: 'domain_query',
      description: 'Answer domain-specific questions about the business logic, industry rules, or specialized requirements that the codebase implements.',
      inputSchema: {
        type: 'object',
        properties: {
          question: { type: 'string', description: 'The domain question to answer' }
        },
        required: ['question']
      }
    }
  ]
}));

server.setRequestHandler(CallToolRequestSchema, async (request) => {
  const { name, arguments: args } = request.params;

  let prompt;
  if (name === 'generate_code') {
    prompt = `Generate code for: ${args.description}
${args.file_context ? `\nExisting code context:\n${args.file_context}` : ''}
${args.language ? `\nLanguage/Framework: ${args.language}` : ''}`;
  } else if (name === 'write_documentation') {
    prompt = `Write ${args.doc_type || 'documentation'} for this code:\n\n${args.code}`;
  } else if (name === 'domain_query') {
    prompt = args.question;
  } else {
    throw new Error(`Unknown tool: ${name}`);
  }

  const response = await fetch(OLLAMA_URL, {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
      model: MODEL,
      messages: [{ role: 'user', content: prompt }],
      stream: false
    })
  });

  const data = await response.json();
  return { content: [{ type: 'text', text: data.message.content }] };
});

const transport = new StdioServerTransport();
await server.connect(transport);

步驟 2：添加到 Cursor MCP 配置

創建或編輯 ~/.cursor/mcp.json：

{
  "mcpServers": {
    "codebase-assistant": {
      "command": "node",
      "args": ["/absolute/path/to/cursor-domain-mcp/server.mjs"]
    }
  }
}

重新啟動 Cursor。工具出現在 Cursor 聊天面板中。

訓練適合 Cursor 集成的正確模型

對於代碼生成： 訓練資料應是來自您自己代碼庫的（任務描述，正確實現）對。從您的 git 歷史中提取：提交消息 + diff = （任務，實現）對。

對於文檔： 訓練資料：現有的已記錄函數——（代碼塊，對應的文檔字符串/README 部分）對。

對於領域知識： 訓練資料：內部 Wiki、架構決策記錄、領域詞彙表、來自 Slack 或 Confluence 的現有問答。轉換為（問題，答案）格式。

在 Cursor Chat 中使用模型

在 Cursor 的聊天面板（Cmd+L / Ctrl+L）中，您可以調用您的工具：

「使用 codebase-assistant 為 [描述] 生成一個新的 API 端點」

或讓 Cursor 在識別到模式匹配您工具描述時自動調用它。您的工具描述越具體，Cursor 就越能準確地將其路由到您的工具而不是其內建模型。

獨立開發者的實際工作流：

1. 打開 Cursor Chat
2. 粘貼您想要實現的簽名/界面
3. Cursor 調用 generate_code 工具 → 您的微調模型以您的風格生成實現
4. Cursor 顯示生成的代碼並解釋它
5. 應用到文件

模型不替代 Cursor 的內建智能——它用您特定代碼庫的知識增強它。

---

延伸閱讀

• MCP + 微調本地模型 — 架構概述
• Claude Desktop 本地模型設置 — Claude Desktop 中的相同模式
• Windsurf + 微調模型設置 — Windsurf IDE + 本地模型
• 代理商客戶工作流程的 MCP 工具 — 代理商用例