Cursor + MCP + 微调模型：在你的代码编辑器中使用领域 AI

Cursor 是大多数 vibecoder 每天使用的 AI 原生代码编辑器。它支持 MCP 服务器——这意味着你可以将微调模型连接到 Cursor，直接从编码环境中调用领域特定的 AI 能力，无需切换上下文。

使用场景：基于你代码库风格训练的代码文档模型、基于你模式训练的领域特定代码生成器、用你产品的声音写作的内容模型，全部可作为 Cursor 工具使用。

为什么领域模型在 Cursor 中胜过通用模型

Cursor 内置的 AI（Claude Sonnet、GPT-4o）在通用编码任务上表现出色。但在以下方面表现不佳：

你代码库的特定模式： 通用 AI 不了解你团队的命名规范、架构决策或你选择标准化的库。它会生成语法正确但不符合你代码库风格的代码。

你的文档风格： 通用 AI 写出通用文档。而在你现有文档上训练的模型写出的文档听起来与你其余文档一致。

领域特定逻辑： 如果你的应用处理复杂的业务逻辑（税务计算、医疗工作流程、法律文档处理），通用 AI 只能做出有根据的猜测。而在你领域逻辑上训练的模型能生成正确的业务逻辑。

在你代码库和领域上训练的微调模型产生的输出，你团队的资深开发者会认为是合适的。

为 Cursor 设置 MCP 服务器

Cursor 从 ~/.cursor/mcp.json（或项目级 .cursor/mcp.json）读取 MCP 配置。

第一步：构建以代码为中心的 MCP 服务器

// 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);

第二步：添加到 Cursor MCP 配置

创建或编辑 ~/.cursor/mcp.json：

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

重启 Cursor。工具将出现在 Cursor 聊天面板中。

为 Cursor 集成训练合适的模型

用于代码生成： 训练数据应该是你自己代码库中的（任务描述，正确实现）对。从你的 git 历史中提取：提交消息 + diff = （任务，实现）对。

用于文档： 训练数据：已有文档的函数——（代码块，对应的文档字符串/README 部分）对。

用于领域知识： 训练数据：内部 wiki、架构决策记录、领域术语表、Slack 或 Confluence 中的现有问答。转换为（问题，答案）格式。

在 Cursor 聊天中使用模型

在 Cursor 的聊天面板（Cmd+L / Ctrl+L）中，你可以调用你的工具：

"使用 codebase-assistant 为 [描述] 生成一个新的 API 端点"

或者让 Cursor 在识别到模式匹配你的工具描述时自动调用。你的工具描述越具体，Cursor 将请求路由到它而非内置模型的准确性就越高。

独立开发者的实际工作流程：

1. 打开 Cursor 聊天
2. 粘贴你想要实现的签名/接口
3. Cursor 调用 generate_code 工具 → 你的微调模型以你的风格生成实现
4. Cursor 显示生成的代码并解释
5. 应用到文件

该模型不会取代 Cursor 的内置智能——它用你特定代码库的知识来增强它。

---

延伸阅读

• MCP + 微调本地模型 — 架构概述
• Claude Desktop 本地模型设置 — Claude Desktop 中的相同模式
• Windsurf + 微调模型设置 — Windsurf IDE + 本地模型
• 用于代理客户工作流程的 MCP 工具 — 代理使用场景