如何构建AI产品感知力：用Cursor亲手拆解AI产品的工作方式

Lenny's Newsletter · 2026-02-03🎬 在 YouTube 观看原视频 →

秘诀在于把Cursor用于非技术性工作（附赠75天Cursor Pro免费试用！）

摘要

本文是 Lenny's Newsletter 上由 Tal Raviv 和 Aman Khan 联合撰写的深度实战指南，旨在帮助产品经理和非技术人员通过亲手使用 AI编程智能体（AI Coding Agent）——具体来说是 Cursor——来构建 AI产品感知力（AI Product Sense）：即准确预判什么对用户真正有价值、同时用AI也能实现的能力。

文章指出，大多数AI内容的设计目的是制造焦虑（FOMO），而非真正教学。作者发现，理解AI产品最深刻的转变发生在从消费级界面（ChatGPT、Granola、Lovable）迁移到编码智能体（Cursor、Claude Code）之后——因为编码智能体透明地展示其工作过程：你可以看到AI的推理（reasoning）、检查工具调用（tool calls）、观察上下文窗口（context window）如何被填满。

全文通过10个实操步骤，带领读者：①下载并熟悉Cursor；②通过一个迪士尼歌曲改编练习掌握基本编辑操作；③切换不同AI模型感受模型选择的产品决策；④检查智能体的工具调用理解Agent的工作机制；⑤构建一个轻量级个人操作系统（Personal OS）；⑥依次体验检索增强生成（RAG）、Agent记忆（memory）和上下文工程（context engineering）三个核心概念——不是阅读定义，而是亲身感受。文章附赠 Lenny's Newsletter 订阅者专属的$50 Cursor免费额度（相当于2.5个月的标准用量）。

核心洞见：前沿大语言模型（LLM）就那么几个，所有产品团队都能用——真正的创新在于我们如何应用它们。当你每天使用编码智能体时，你会开始感受到什么容易、什么困难、什么刚刚变得可行。

第一章：AI炒作工业复合体——为什么你学了三年还没真正理解AI

你坐在产品会议里，有人提到了"子智能体（Subagent）"、"上下文工程（Context Engineering）"或"Agent记忆（Agent Memory）"。你点点头，你知道这些词的意思……你只是暗暗祈祷没人会让你真的用它们造句。

你看过视频解说，收藏过信息图，用"氛围编程（Vibe Coding）"搭过几个应用，甚至上线过一个AI功能。那为什么你依然感觉离真正理解这些东西差得很远？

Tal 和 Aman 在为成千上万客户构建AI产品的过程中，反复经历过这种感受。问题不在你，问题在于"AI炒作工业复合体（AI Hype Industrial Complex）"。大多数AI内容的设计目的不是教学，而是制造焦虑：

"这个模型太炸裂了"的帖子
掩盖混乱现实的炫酷演示
把简单问题搞复杂的图表

作者发现，内化AI核心概念的唯一最具变革性的习惯，是从消费级界面（ChatGPT、Granola、Lovable）转向更强大的AI编码智能体（Cursor、Claude Code）。

什么是AI产品感知力？

AI产品感知力就是：看到客户支持工单上说AI"忘掉了"某些事实，你能认出这是上下文腐化（Context Rot）。或者看着用户在一个工作流中挣扎，你能自信地说"Agent记忆能解决这个问题"——并且知道该如何重构体验。

作者在过去三个月里，通过每天用Cursor做非技术任务，学到的关于AI产品实际运作的知识，比三年用ChatGPT学到的还要多。原因很简单：编码智能体透明地展示其工作过程。你可以：

阅读AI的推理过程
检查工具调用
观察上下文窗口逐渐被填满
碰到和工程师构建AI应用时一样的壁垒
自然地形成自己的解决方案
开始预判行业趋势和公告

两位作者现在每天用Cursor和Claude Code处理：战略规划、优先级排序、决策制定、数据分析和生产力管理。它们成了思考伙伴和个人操作系统。

本文学习路径

步骤1-4：设置并熟悉Cursor（用迪士尼歌曲改编练习）
步骤5-6：亲手体验选择AI模型和调用工具
步骤7-10：构建一个轻量级个人操作系统，然后用RAG、记忆和上下文工程改进它

最终，你将具备预判技术而非追逐技术的自信，以及一个你每天都能用的AI个人操作系统。

第二章：进入Cursor世界——三层界面与第一次编辑

步骤1：下载Cursor

Cursor是作者心目中最快提升AI产品感知力的编码智能体。虽然Claude Code在委派长时间运行的独立任务方面表现出色（比如氛围编程），但Cursor依然是与AI配对编程（pairing）并直接观察智能体工作过程的最佳选择。

Cursor提供可视化的可点击交互体验，支持多种模型提供商（OpenAI、Anthropic等），这意味着你极有可能可以在工作中使用它。

立刻花两分钟下载并安装Cursor桌面版（注意：不是网页版）。

步骤2：创建新项目

打开Cursor，注册账号，完成引导流程，点击"Open project"→"New Folder"→命名为"Build AI Product Sense"→"Create"→最后点击"Open"（是的，打开一个空文件夹确实有点奇怪，但照做就是）。

步骤3：Cursor其实没那么吓人

Cursor看起来像《黑客帝国》风格的极客工具，但它本质上就是三个我们都很熟悉的工具揉在了一起：

ChatGPT：聊天界面
文本编辑器：像Mac的TextEdit或Windows的Notepad
文件浏览器：像Finder或File Explorer

一位销售学员说得最好：Cursor就是"一个可以碰我电脑上任何文件的AI。"

三个面板速览

① 智能体（Agents）

"Agents"就是一个花哨的术语，本质上就是"聊天"。左侧面板存放你的聊天历史，点击"new agent"开始第一个对话（agent = 聊天线程）：

Ask模式：就像经典ChatGPT，用于聊天、头脑风暴、提问，不修改任何文件。
Agent模式：让Cursor修改项目文件，本文大部分操作都使用此模式。

② 编辑器（Editor）

用来查看和手动编辑文本文件。和TextEdit/Notepad一样。你可能需要新建一个文件或双击已有文件才能看到编辑器面板。

③ 文件浏览器（File Explorer）

显示项目中的所有文件和文件夹。它可能在左边，也可能在右边（取决于Cursor版本）。可以用 Ctrl+B（Windows）或 Cmd+B（Mac）展开。

即使Cursor一开始让人望而却步，其核心概念与你已用过的任何大语言模型相同——它只是多了一些可配置性、选项和可玩的东西。这就是你构建直觉的游乐场。

你为什么值得从ChatGPT切换到Cursor

如果你已经在ChatGPT或Claude中创建了AI思考伙伴，你可能在纠结是否值得折腾切换。作者现在绝大部分时间都在编码智能体中处理非技术任务。

两个看似微小的形态差异改变了一切：

选择性上下文：你可以把特定文件/文件夹拖放到每个聊天中
可塑知识（Malleable Knowledge）：AI直接编辑你的文件

这创造了一个紧密的循环：每轮聊天自动改进你的项目知识（但只有在你命令智能体时才保存）。在ChatGPT中，历史记录和输出存在于漫长的聊天里，你需要手动把内容复制回项目知识。在Cursor中，输出存在于文档中，聊天变得可丢弃——因为价值储存在文档里，而非对话历史中。

核心收获：你的知识库会覆盖更多内容，更新更频繁，因为你每天都在用个人操作系统构建和编辑上下文。

步骤4：用一首迪士尼歌曲改编练习Cursor基础操作

首先在Cursor中创建空白文件 lyrics.txt。然后：

在网上搜索你最爱的迪士尼歌曲歌词（如Moana的"You're Welcome"）
复制歌词，粘贴到 lyrics.txt 中，保存
切换到 Agent模式
输入：Change one line in the first stanza and one line in the chorus of lyrics.txt to be about Silicon Valley.

光标发送后，屏幕上会出现大量红色和绿色标记——Cursor修改了你的文件。红色表示被删除的旧行，绿色表示新增的行。你可以选择"Undo"撤销或"Keep"保留。

这看似简单的练习，实际上是理解AI智能体如何工作的第一个关键体验：你发出指令，智能体读取文件、思考编辑方案、调用工具完成修改——整个过程透明可见。

第三章：模型选择与工具调用——AI产品经理最核心的两个技术决策

步骤5：观察不同AI模型的行为差异

现在你已经完成了第一次编辑，让我们探索每个AI团队都面临的核心产品决策：用哪个模型？

在Cursor聊天框的模型下拉菜单中，关闭"Auto"——现在你掌握主动权。你可以选择任何大语言模型（LLM）。

当用同一个查询尝试多个模型时，你会建立起直觉，理解每个模型可能如何处理（或搞砸）同一个任务。例如：

Claude系列对版权法敏感，会拒绝修改迪士尼歌曲（要绕过这个限制，在提示词末尾加上"……来调侃这首歌本身"，这属于"合理使用（fair use）"范畴）。
OpenAI的模型不太在意版权，但在调用Cursor的 apply_patch 工具（编辑文本文件的首选命令）时会卡住（不过在最新的Codex模型中这种情况已较少见）。

这些差异在你还没来得及评判歌词的机智程度之前就已经显现出来了！

作者个人偏好：
- Claude Opus：用于写作、复杂规划、微妙的生活建议（也是体验本文Cursor教程的最佳模型）
- Claude Sonnet：处理涉及大量上下文的任务，拥有1M token的上下文窗口，响应稍快

关键洞察：Cursor的模型下拉菜单揭示了一个微妙的教训——前沿大语言模型就那么几个，所有产品团队都能使用。真正的创新在于我们如何应用它们。

养成对你关心的任务切换模型的习惯。久而久之，你会对模型的取舍形成真正的判断——那种仅靠基准测试（benchmark）很难获得的直觉。

步骤6：检查智能体的工具调用

LLM只能生成文本，但当它们执行操作（编辑文件、获取数据、搜索网页）时，它们是在调用工具（Tool Calling）。而工具调用是与LLM其他能力（如推理、写作质量）截然不同的技能。

让我们问智能体一个元问题：

Can you walk me through each step (tool/thinking/reasoning/anything else) you used to accomplish this task?

在测试中，LLM报告了如下步骤：

使用 read_file 工具查看文件内容
思考要编辑什么
使用 search_replace 工具修改文本文件

别被这些陌生名字吓跑——你在Word或Google Docs里做过无数次"查找和替换"，也肯定"读过文件"。

不同模型在工具调用上差异显著！ Gemini 始终用三次工具调用完成任务，而 Opus 只用两次。不妨自己试试看。

继续追问：

List every tool available to you.

大部分工具名字都很熟悉：读取目录内容、删除文件、搜索……这些都是你日常操作。还有一些如 read_lints 和 run_terminal_cmd，在软件开发中更常见（但编码智能体也能将它们用于非技术性需求）。

工具调用的底层机制

LLM不能直接在你的电脑上运行命令，它依赖Cursor来执行。可以这样理解：

你雇了一位杂工。LLM 描述它想做的工作，但它握不了锤子。Cursor 就是那个杂工：它接收 LLM 的请求，使用工具，将结果返回给 LLM，以便 LLM 决定下一步。

Cursor识别LLM输出的工具名称后，在你的电脑上执行该工具。工具执行完毕后，Cursor将结果（成功或错误信息）返回给 LLM，LLM 据此决定下一步。如果你听过"MCP客户端"或"智能体座架（Agent Harness）"这些术语，它们描述的就是 Cursor 在这里扮演的角色。

LLM与工具交互的方式，与它和人类交互的方式惊人地相似。 如果把"经典ChatGPT"看作LLM和人类之间的一对一私信，那么AI智能体就是LLM、人类和工具之间的三人小组聊天。

此后，当有人问"我们的智能体能做X吗？"时，你会本能地想："它需要什么工具？我们的模型调用这些工具的能力如何？"这也反过来影响模型选择——不是"最聪明的模型赢"，工具调用是独立于推理或写作质量的独立行为维度。

那"MCP"是什么？

对于大多数组织而言，最有价值的数据不在本地文本文件中，而在外部SaaS服务中。要让LLM与Linear、Figma、Notion、Snowflake、BigQuery、Amplitude或Mixpanel交互，这些服务需要为LLM提供自定义工具。

正常情况下，每个SaaS公司都要为每个LLM集成一个单独的工具。为了避免这种混乱，行业采用了一个名为模型上下文协议（Model Context Protocol, MCP）的标准。这样每个SaaS公司只需构建一个连接器，就能在所有地方工作。

MCP就像AI世界的USB或蓝牙。 简单来说，MCP只是智能体可用的另一种工具，只是带有标准化接口。

第四章：构建你的个人操作系统——成为你自己AI产品的产品经理

步骤7：将一切付诸实践

现在我们理解了智能体的一般工作原理，让我们创建一个个性化的AI智能体，亲身体验Cursor各组件如何协同工作。

我们要构建一个极简的个人生产力系统，用来组织生活中的联系人、笔记、转录记录、非结构化思绪，以及待办任务。这让我们暂时忽略分发（distribution）和定价等商业问题，专注于技术上的可行性。

完成后，你将能要求Cursor根据你提供的知识和目标，从积压事项中创建任务并启动执行。在这个过程中，我们将依次体验RAG、记忆和上下文工程——并构建AI产品感知力的关键环节。

将以下提示词复制粘贴到Cursor中（确保在Agent模式下）：

Create a minimal personal productivity system:

## Structure
├── Knowledge/ # Notes, research, thinking
├── Tasks/ # Action items as Markdown files
├── GOALS.md # Goals and priorities
└── AGENTS.md # AI assistant instructions

## AGENTS.md should instruct the AI to:
- Be a productivity assistant for goals and tasks
- Never write code — only Markdown
- Keep tasks tied to goals
- Suggest max. 3 daily priorities when asked
- Be direct and concise

## After creating:
1. Say: "Created your workspace with Knowledge/, Tasks/, GOALS.md, and AGENTS.md"
2. Ask: "What are your current goals? Once you share them, I'll add them to GOALS.md"
3. Ask: "What tasks are you working on? I'll create initial task files in Tasks/ linked to your goals"
4. Populate GOALS.md and Tasks/ from answers

Cursor应该会创建两个目录（Tasks和Knowledge），一个 GOALS.md 文件，以及一个 AGENTS.md 文件。随后Cursor会问你几个后续问题来填充上下文，比如"你的目标是什么？""你在做什么？"

恭喜！你现在是自己AI产品的产品经理了。 在接下来的章节中，我们将用它亲身体验RAG、Agent记忆和上下文工程——不同的是，这次你会感受到它们，而不只是读到它们。

第五章：RAG与Agent记忆——别再怪模型了，先问它有没有拿到正确的信息

步骤8：用你的个人操作系统体验检索增强生成（RAG）

当AI产品给出错误答案时，人的本能是责怪模型。在你想换更大的模型或昂贵的微调之前，先问：智能体到底有没有拿到正确的信息？

让我们在Cursor中问：

What's in this repo? Explain it to me as a product manager.

💡 这个提示词威力巨大，适用于你用Cursor或Claude Code打开的几乎任何仓库或文件夹。作者建议在打开任何新代码库时都从这里开始。

检索增强生成（Retrieval-Augmented Generation, RAG） 是一个花哨的术语，翻译成人话就是："在我开始说话之前，我得先把所有东西查一遍、读一遍。"尽管名字很技术，但你这辈子一直在做这件事——在回答难题之前先查资料。智能体也一样。

在我们的例子中，智能体会在你的文件和文件夹上进行搜索，为LLM提供上下文。LLM在代码库中搜索文件的方式有很多种，甚至可以从互联网上拉取数据用于回答。归根结底，无论是Perplexity、Google AI模式、Claude Code、Cursor，还是其他任何你见过带有"RAG"标签的产品，它都是某种拉取文档并以这些文档作为聊天开端的机制。

你还可以在Cursor中使用 @ 符号标记特定文件，让智能体引用特定的上下文。

RAG用当前任务所需的信息填充上下文窗口。但有些上下文（你是谁、你喜欢如何工作）应该每次都出现。这就是记忆（memory）的用武之地。

步骤9：用AGENTS.md添加Agent记忆

LLM是无状态（stateless）的。作者喜欢把它们比作门萨级别的天才，但拥有仓鼠般的短期记忆。每一轮新聊天都是一张白纸——如果你想获得连续性，你必须自己工程设计。作为产品经理，我们要问：什么应该持久化，以及如何持久化？

你可能听过与AI智能体相关的"记忆"这个概念。记忆可能包括关于我们的事实，也包括关于LLM该如何与我们互动和行为的偏好。我们可能还希望对AI记忆的管理更加刻意和主动。

当今所有编码智能体都遵循一个名为 AGENTS.md 的约定。 这是一个Markdown文件，如果在任何目录中被发现，就会自动被追加到每个聊天线程的顶部。

快速区分： AGENTS.md 不是"子智能体（subagent）"。子智能体是指一个聊天线程生成另一个聊天线程来处理子任务。AGENTS.md 只是指令——它不生成任何东西。把AGENTS.md想象成"每场对话上的便利贴"，把子智能体想象成"把任务委托给同事"。

请停下来，好好消化这一点：记忆就是一个被前置到每次对话中的文本文件。 这里面没有任何魔法。但这意味着记忆是有成本的——你放进AGENTS.md的任何内容，在每一次聊天中都会占用上下文窗口空间。太多记忆，留给其他内容的余地就更少。这就是为什么你需要刻意选择什么放进记忆（持久、始终相关），什么通过RAG按需检索（任务特定）。

思考伙伴的 AGENTS.md 中可能包含的内容：

我是谁，这个思考伙伴在帮我做什么（如"我是Acme Inc.平台团队的产品经理"）
我想怎样一起工作（如"向我提问以获取更多上下文，补充遗漏的重要信息，挑战我的假设"）
运用的价值观（如"行动导向，在信息不完整时做决策"）
输出格式偏好（如"极其简洁，扁平层级，不用加粗或斜体，不用em dash"）

通过精心管理自己的AGENTS.md，你会开始感受到什么真正有用、什么是噪音。而这正是你为用户设计记忆功能时所需要的直觉。

第六章：上下文工程——有限窗口内的无限可能

步骤10：为你的个人操作系统做上下文工程

每当你做以下操作时，你其实都在做上下文工程（Context Engineering）：

往ChatGPT里拖了一个文件
说了些成为它记忆的东西
用深度研究开启了一段对话
创建了一个带有特殊指令和知识的项目

虽然你现在用的是Cursor而非ChatGPT，你仍然会在开启每个线程时间自己："这个对话需要什么上下文？"例如，写一份产品需求文档（PRD）时，你可能会将以下任意内容拖入Cursor窗口：

一文件夹用户研究转录
一个现有的营销着陆页或销售演示文档
一篇学术研究论文或技术文档
连接到你的分析服务商的MCP工具
一组你想应用的已保存指令
要求搜索其他相关信息
产品代码库的一部分

自己动手试试： 将你正在处理的几个PDF、Markdown文件或Word文档拖入Cursor的Knowledge文件夹，然后让Cursor扩展其中某个主题，或在开始工作前先向你提问。

一个完整的Cursor聊天线程启动方式可能是：

I want you to expand on this @file (replace with your actual file). I want you to be a partner for me and ask me one question at a time as we are converging on how to approach this. I would love it if you could search for anything else that's relevant to this document. You can also create some follow-up ideas for me to explore and turn those into tasks.md files in the Tasks folder, based on our discussion.

上下文工程在Cursor中以两种方式发生：（1）每次启动聊天时你选择包含什么（拖拽文件、启用工具）；（2）每次自动包含什么（如AGENTS.md、MCP、工具）。上下文是稀缺资源。

上下文窗口：像看汽车的油表

LLM有一个关于它能处理的文本量（即token数）的硬性上限，这就是上下文窗口（Context Window）。

在对话式LLM聊天机器人（如ChatGPT或Claude）中，上下文随着每轮对话递增——LLM的上一次回复成为下一轮输入的一部分。如果你曾收到过"已达到聊天长度上限"的通知，那大概率就是撞上了上下文窗口。

编码智能体在上下文窗口使用上极其透明。 在Cursor中，将鼠标悬停在聊天框下方的小饼图（你可能需要拉宽聊天面板才能看到它）。作者把它当作汽车油表来盯。这帮助我们直观地理解一个200K token或1M token的上下文窗口实际感觉是怎样的，以及它多久会用完。理解一辆特定汽车的油耗，最好的方式就是开那辆车。

在一个智能体LLM应用中，上下文窗口可能包含的内容远比简单对话丰富得多：系统提示词、工具定义、RAG检索到的文档、记忆、对话历史、当前任务指令、中间推理步骤……

当所有这些——工具定义、RAG、记忆、目标——都争夺同一个有限的上下文窗口时，你如何填充这个窗口决定了你的智能体表现如何。 这正是每个AI工程团队在构建生产级应用时面临的权衡——不同的是，现在你正在亲身感受这个问题。

没有完美的公式。 放什么取决于任务、模型和你试图实现的目标。你通过试错（以及定期使用你的个人操作系统）来培养直觉。

Andrej Karpathy 和 Shopify CEO Tobi Lütke 都公开表示：更喜欢"上下文工程"而非"提示词工程（Prompt Engineering）"——这个词更好地描述了核心技能：为任务提供所有上下文，使其能被LLM合理地解决。

警惕"上下文腐化"

随着你使用越来越多的上下文，你会注意到——远在你接近上下文窗口上限之前——你的聊天线程可能开始变得更笨、更健忘。这个现象叫做上下文腐化（Context Rot）。

上下文腐化是一个模糊的现象，其影响程度取决于手头的任务以及特定模型的训练。你会在创意头脑风暴等用例中较少感受到上下文腐化（和性能下降），而在精确的金融、编程或数据分析任务中更强烈地感受到它。

感受上下文腐化的最好方式，就是用LLM做你真正在乎的任务。 盯着Cursor的token计数器，当它越来越满时，注意输出质量的变化：线程中上下文越多，智能体是变好了还是变差了？如果开一个新线程呢？作者发现这成了一种有趣且上瘾的游戏，有点像开混合动力汽车时注意到它什么时候从电池切换到汽油。在这个过程中，你建立的直觉远超任何学术图表。

上下文工程的进阶策略

AI工程师们为了避免把一切塞进上下文窗口，设计出了各种创造性解决方案：

渐进式揭示（Progressive Disclosure）：在需要时才引入框架、工具或指令，而非一开始就全部加载。可以手动进行（如在对话中途拖入一个文件），也可以让LLM自动决定。Claude Skills 就是一个很好的例子。
子智能体（Subagent）：打开一个新聊天线程，提示它处理子任务，然后只将"底线性"结果发回原始聊天线程。这样上下文窗口能保持相对干净。这类似于工具调用，只不过完成工作的是另一个LLM。
压缩MCP工具：将多个MCP工具合并成一个，或给智能体自由选择（并组合）工具的能力。
上下文修剪（Pruning）或摘要化（Summarizing）：在接近上下文窗口上限时修剪或总结内容。如果你曾在聊天线程中空间不足时，要求LLM总结以便开一个新线程——你已经在做这件事了。

这些策略让AI应用能够突破上下文限制的零和游戏，让智能体在复杂任务上尽可能长时间地自主运行。这就是AI工程变得有趣且有创意的地方。最好的一点是：没有人完全弄明白了这个问题，各种想法在不断演化。

结语：每天都活在未来

对作者而言，真正理解AI产品的转变发生在日复一日观察智能体工作之后。 Cursor让他们得以观察AI模型蜿蜒穿行于任务之中：读取我们的上下文，运行RAG，尝试一个工具调用，碰上一个错误，推理，再尝试另一个工具……

那一刻豁然开朗：Cursor和其他AI产品一样，也是由文本、工具和不断回流为更多文本的结果组成的——只不过Cursor在我们本地电脑上运行，所以我们可以观察它工作并从中学习。

一旦你能将任何AI产品分解为这些相同的构建模块，你的AI产品感知力就会自然到来。现在你读完了这篇文章，你也可以做到。

当某个令人印象深刻的产品发布时，你现在可以深吸一口气，将其拆解：

一个能玩《卡坦岛》75分钟的智能体
Granola 那令人毛骨悚然的个性化年度回顾
一个能完全控制你电脑的龙虾主题Claude Code

你只需问自己：我如何用Cursor复现它？如果我必须在电脑上"绿野仙踪（Wizard of Oz）"式地模拟它，我应该组装哪些熟悉的部件？魔法依然令人愉悦，只是不再有神秘感和焦虑。

最好的想法，发生在对人的直觉和对技术的直觉共存于同一个大脑中时。 当你每天使用编码智能体，你会开始感受到什么容易、什么困难、什么刚刚变得可行。用Paul Buchheit的话说：当你真正理解AI产品时，你将"活在未来（Live in the Future）"。

关键术语表

英文术语	中文译名	简要解释
AI Product Sense	AI产品感知力	准确预判什么对用户真正有价值且用AI也能实现的能力
AI Coding Agent	AI编码智能体	能读写文件、执行工具、透明展示工作过程的AI（如Cursor、Claude Code）
Cursor	Cursor（工具名）	一款AI编码智能体，可视化的桌面应用，支持多种LLM
RAG (Retrieval-Augmented Generation)	检索增强生成	在回答问题前先检索相关文档并将文档内容作为上下文提供给LLM
Agent Memory	Agent记忆	跨聊天对话持久化的上下文信息（通过AGENTS.md实现）
Context Engineering	上下文工程	精心选择和管理填充LLM上下文窗口内容的艺术与科学
Context Window	上下文窗口	LLM一次能处理的最大文本量（以token计）
Context Rot	上下文腐化	上下文窗口内容越多，模型性能越下降的现象
Tool Calling	工具调用	LLM通过调用外部工具执行操作的能力（如读写文件、搜索网页）
MCP (Model Context Protocol)	模型上下文协议	一种标准化的接口协议，让LLM与SaaS服务交互，类似USB/蓝牙
Subagent	子智能体	一个聊天线程生成另一个聊天线程处理子任务
Progressive Disclosure	渐进式揭示	按需而非一次性全部加载上下文信息的策略
Vibe Coding	氛围编程	用自然语言描述需求，让AI生成代码的非技术性编程方式
Fair Use	合理使用	版权法中对有限度使用受版权保护内容的豁免
AGENTS.md	AGENTS.md（文件名）	编码智能体约定：项目根目录下的指令文件，自动前置到每次对话

原文：Tal Raviv & Aman Khan for Lenny's Newsletter
精译：AI 精译 | 2026-02-03
原文链接：https://www.lennysnewsletter.com/p/how-to-build-ai-product-sense