10.2 全栈 CRUD 工程结构搭建:Cursor 4 步初始化 + 3 层目录规范

1. 工程结构不是模板,是上下文锚点:为什么 Cursor 初始化必须卡在第 4 步

大多数人用 Cursor 创建全栈项目时,第一反应是点「New Project」→ 选框架 → 等待生成 → 开始写代码。我试过三次——第一次用 Next.js + Prisma 模板,生成后 app/api/users/route.ts 里连基础的 GET 处理器都缺 revalidate: false;第二次用 Express + TypeScript 模板,package.json 里 dev 脚本居然没加 --watch;第三次干脆手动 npm init -y 后让 Cursor 补全整个结构,结果它把 src/client 和 src/server 全塞进同一个 tsconfig.json,类型检查直接报 27 个冲突。

这不是 Cursor 的 bug,是它默认把「工程结构」当成静态骨架来补全,而真实开发中,结构的本质是上下文锚点:每个目录名、每个配置文件路径、每个 export 关键字,都在向 AI 传递“你现在处在什么角色、能访问哪些依赖、该遵守哪套约束”。当结构模糊时,AI 就会退化成语法拼接器——它知道 res.json() 怎么写,但不知道该不该加 Content-Type: application/json,因为没人告诉它这个路由属于 RESTful API 层还是 GraphQL R

AI驱动全栈开发实战:基于Spec Coding与Codex的自动化代码生成 这次我们来看一个关于 AI 重构前端开发流程的项目。核心是 Codex 与 Spec Coding 的结合,目标是让一个开发者能独立完成从前端到后端的全栈开发任务,甚至替代一个小型团队的产出。这听起来很理想化,但关键在于它是否真的能用、怎么用、以及需要什么门槛。 对于前端和全栈开发者来说,最关心的是:这套工具链的启动成本高不高?是否需要复杂的本地环境?能否处理企业级的复杂需求?以及,生成的代码质量是否可靠,能否直接集成到现有项目中?本文将围绕这些实际问题展开,带你从环境准备、工具配置、实战演示到效果验证,走 阅读详情

相关推荐

六款AI编程助手全栈实测:最终留下Claude Code和Cursor

AI编程助手已从单文件代码补全迈向项目级交付,核心在于对跨文件上下文的理解与任务自动推进能力。全栈Web开发涉及前端、后端、数据库多端联动,工具能否保证接口契约与字段同步,直接决定交付效率。针对这一场景,本文以带用户认证的待办事项系统为任务,对六款主流AI编程助手进行横向实测,从功能完成度、人工干预次数、代码可维护性及成本等维度对比。结果显示,Claude Code凭借项目级上下文管理和自动验证机制,成为全栈交付最优选择;Cursor则在文件级精细修改上保持优势。最终留下两款工具并构建了Claude Cod

weixin_34195142的博客 297

Vibe Coding实战:3分钟AI生成SpringBoot CRUD服务

在软件开发领域,代码生成技术旨在通过自动化手段减少重复性编码工作,提升开发效率。其核心原理是基于预定义的模板或智能模型,将高级意图转换为可执行代码。这项技术的价值在于将开发者从繁琐的样板代码中解放出来,使其能更专注于核心业务逻辑与系统架构设计。它广泛应用于快速原型构建、标准化服务搭建以及技术栈学习等场景。本文聚焦于结合AI大模型的Vibe Coding范式,演示如何利用自然语言指令,快速生成包含实体、服务层和控制器的完整SpringBoot应用骨架,并集成H2数据库实现基础数据操作,为高效启动Java We

cuanjingyue4687的博客 420

AI全栈开发实战:基于Spec Coding与Codex的半小时重构方案

最近在重构一个老旧的内部管理系统,从纯前端项目升级为全栈应用。按照传统开发流程,我需要先设计数据库、搭建后端框架、编写接口,再重构前端页面,预估至少一个月。但这次我尝试了全新的开发模式:基于 Codex 和 Spec Coding 方法论,最终仅用半小时就完成了核心功能的重构与验证。这并非魔法,而是一套可复制的工程实践。 如果你也面临技术栈升级、老项目重构或全栈能力拓展的挑战,经常在前后端联调、接口设计上耗费大量时间,那么本文将为你提供一套完整的解决方案。我们将深入探讨如何将 AI 编码工具与规范化的开发流

weixin_32181267的博客 371

AI驱动Spec Coding:单人高效构建企业级全栈应用实战指南

最近在尝试用 AI 工具重构一个遗留的前端项目时,我深刻体会到了传统开发流程的瓶颈:需求评审、UI 设计、前后端联调、测试部署……每个环节都需要不同角色的成员参与,沟通成本高,迭代速度慢。有没有一种方法,能让一个开发者,甚至是一个刚入行的新手,就能独立、高效地完成从需求到上线的全流程呢? 答案是肯定的,这正是 AI 驱动的“Spec Coding” 模式与 Codex 这类智能编程工具结合所带来的变革。本文将为你完整拆解如何利用这套新范式,以“单人团队”的形式,高效完成一个企业级全栈应用(以前端为核心)的开

weixin_33924220的博客 337

AI驱动全栈开发实战:基于Spec Coding与Codex实现高效开发闭环

你是不是也遇到过这样的困境:一个全栈项目,前端要写 Vue/React 组件、调接口、处理状态,后端要搭 Spring Boot、写 Controller、连数据库,还要配 Nginx、搞部署。一个人干,分身乏术;一个团队干,沟通成本高,前后端联调更是“车祸现场”。 过去,我们总在讨论“全栈工程师”是神话还是现实。但现在,情况正在发生根本性的变化。问题的核心不再是“一个人能否掌握所有技术栈”,而是“一个人能否高效地驱动和完成整个开发流程”。AI 编程工具,特别是像 Codex 这样的模型,结合一种名为 Sp

weixin_30784501的博客 379

用Cursor开发Java+Vue全栈项目:完整实践与反思

前后端分离架构是现代Web开发的主流模式,它将界面展示与后端服务解耦,让团队协作和独立部署更灵活。AI编程工具的兴起,则让开发流程产生质变:以Cursor为代表的智能助手,能够基于代码库上下文生成多文件代码,并通过多轮对话快速定位报错,把开发者从重复性编码中解放出来,有效降低全栈项目上手门槛。在企业级应用中,Spring Boot与Vue.js仍是高频技术组合,搭配MySQL数据持久化,可以快速落地业务原型。一次真实的全栈项目实践,完整覆盖了从工程初始化、建表、后端接口开发,到前端联调与生产部署的链路,并客

weixin_33585822的博客 227

别再为reg2icg的setup违例头疼了!手把手教你用ICC2/Innovus这3招搞定(附实战数据对比)

本文详细介绍了在ICC2/Innovus中解决reg2icg的setup违例的三种高效方法,包括早期时钟树预估、精准控制时钟延迟与门控检查以及ICG专用优化选项组合。通过实战数据对比,展示了不同策略的效果差异,帮助工程师快速优化时序路径,提升芯片性能。

weixin_42569329的博客 412

RapidScada在windows下的安装(详细)

1.下载地址:RapidScada官网 2.版本说明 有Linux版本和Windows版本,看自己的需求下载,推荐下载最新稳定版本。 3.系统要求 4.安装前的准备(windows10) 首先打开Windows功能: 先关闭 Microsoft .NET Framework3.5的 Windows Communication Foundation 子组件。如下图: Microsoft .NET Framework配置按下图勾选: iis安装的功能: 5.安装 解压..

m0_51275803的博客 4270

解读文献(五)------基于阻抗控制

文章目录背景主动柔顺控制阻抗控制基于力的阻抗控制基于位置的阻抗控制力位混合控制 背景 主动柔顺控制 阻抗控制 基于力的阻抗控制 基于位置的阻抗控制 力位混合控制 ...

accumulation 1万+

科研神器: 用Gemini 3

Edge藏了个科研开挂神器!免TZ/免谷歌账号用Gemini 3,1分钟上手(附保姆级教程) 做科研查文献、理数据总卡壳?想蹭Gemini 3的AI能力,却被“谷歌账号+TZ+节点筛选”三连劝退? 现在不用折腾了!Edge浏览器里装个插件,直接把Gemini 3揣进口袋——**免翻墙、免谷歌账号、国内直接用**,分分钟让你的科研效率翻三倍,导师都得问你“偷偷开了啥挂”!

ZhangJiqun&191cm&85kg 1165

检索增强生成(RAG)、微调(Fine-tuning)与知识蒸馏(Knowledge Distillation):核心差异与技术选型指南

在自然语言处理(NLP)领域,大型预训练语言模型(如GPT、BERT系列)的崛起彻底改变了技术生态。面对实际业务场景中模型效果优化与资源效率平衡的永恒命题,开发者主要依赖三大技术路径:检索增强生成(Retrieval-Augmented Generation, RAG)、模型微调(Fine-tuning)和知识蒸馏(Knowledge Distillation)。本文将通过技术原理拆解、典型应用场景对比和实战选型策略三个维度,深入解析这三种技术的本质差异。

fudaihb的博客 1831

化工热力学软件:Aspen Plus二次开发_(9).过程控制与动态模拟v1

Aspen Plus 提供了丰富的过程控制工具和方法,可以用于静态和动态过程的模拟和控制策略的开发。通过控制回路设计、动态模拟、优化工具和数据交换接口,用户可以设计和优化各种复杂的控制策略,提高化工生产的稳定性和效率。此外,结合外部软件(如MATLAB、Simulink、LabVIEW等),可以实现更高级的控制策略,如自适应控制和模型预测控制,进一步提升过程控制的精度和灵活性。希望本文的内容能帮助用户更好地理解和应用Aspen Plus中的过程控制功能。

kkchenjj的博客 410

AI时代的软件质量保证新方法论

3.2.1 质量保证的方法论 质量保证(Quality Assurance, QA)是一种系统化的方法,用于确保产品或服务符合预定的质量标准。在AI时代,软件质量保证的方法论需要适应不断变化的AI技术和应用场景。 3.2.1.1 质量管理体系的构建 首先,构建一个完善

AI天才研究院 1357

【图像超分】论文复现:CVPR 2024 | 轻量化超分 | 窗口注意力改进 | CAMixerSR的Pytorch源码复现,跑通源码,获得指标和超分结果,计算复杂度,架构梳理拆解,逐行注释!

本文介绍了超分辨率重建方法CAMixerSR的代码实现与运行指南。文章亮点包括:完整跑通源码获取PSNR/SSIM指标和可视化结果;详细解析模型架构与关键代码注释,帮助快速复现基线模型。实验部分提供了测试配置文件和训练设置说明,支持2K/4K/8K大图像超分和x2/x4轻量化超分。环境依赖PyTorch和BasicSR框架,数据集包含DIV2K等常用基准。测试结果与论文指标一致,可视化输出保存至指定目录。训练配置可自定义数据集路径、GPU数量等参数。该实现突出了CAMixerSR在降低W-MSA复杂度方面的

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 444

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 全栈项目启动前必看:Cursor 在 10.1 技术选型阶段的 3 个关键配置要点
下一篇: NVIDIA NeMoClaw 安全增强栈落地实践:OpenClaw 权限管控的 4 层加固方案
单单必成
博客等级 码龄6年 1140粉丝 1475原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址