Cursor智能体开发：技能概述
技能是一组可复用的指令，用于教会 Agent 如何处理特定任务。它们比规则更详细，专为多步骤工作流而设计。
什么是技能？
技能是一些 Markdown 文件，用于教会 Agent 专门的工作流。例如，将应用部署到预发布环境，或对你的依赖项执行安全审计。它们可在不同对话间复用，也可在团队内共享。
如何创建技能？
在聊天中输入/create-skill，然后描述你想要的技能。Cursor 内置了一个技能，会引导你完成新技能的命名、组织结构和保存。
如需手动创建，请在.cursor/skills/your-skill-name/中添加一个SKILL.md文件：
# Deploy to staging1. Run the test suite2. Build the production bundle3. Deploy to the staging environment4. Verify the deployment health check你还可以将技能组织到子文件夹中，例如.cursor/skills/shipping/deploy-staging/SKILL.md。Cursor 会递归遍历技能根目录，因此分类文件夹可用于归组相关技能。技能的名称来自包含SKILL.md的文件夹，而不是它上一级的分类文件夹。
技能会自动从.agents/skills/、.cursor/skills/、~/.agents/skills/(全局) 和~/.cursor/skills/(全局) 中加载，包括 monorepo 中诸如apps/web/.cursor/skills/这样的嵌套项目子目录。嵌套项目目录中的技能会自动限定到该目录内的文件——例如，apps/web/.cursor/skills/下的技能仅会在智能体处理apps/web/中的文件时显示，这与 paths frontmatter 字段 类似。为确保兼容性，Cursor 还会从 Claude 和 Codex 目录中加载技能：.claude/skills/、.codex/skills/、~/.claude/skills/和~/.codex/skills/。
如何将技能限定为仅作用于特定文件？
在该技能的 frontmatter 中添加paths字段。只有当智能体处理的文件与以下路径匹配时，该技能才会生效：
---name: react-component-patternsdescription: Conventions for writing React components.paths: - "**/*.tsx"---# React component patterns...paths接受列表或由以逗号分隔的 glob 模式组成的字符串。若某项技能无论打开了哪些文件都应可用，则不要设置此项。完整的 frontmatter schema 请参阅 技能参考。
如何使用技能？
在聊天中输入/加上技能名称即可运行 (例如/write-tests) ；或者输入@并选中该技能，将其作为上下文附加。Agent 会读取技能文件并按其中的说明执行。
什么时候应该使用技能而不是规则？
| 规则 | 技能 | |
|---|---|---|
| 用途 | 简短的编码规范和约束 | 多步骤工作流和操作流程 |
| 长度 | 几行到几百行 | 通常更长，包含详细的分步说明 |
| 应用方式 | 作为上下文包含在每次 (或匹配的) 对话中 | 按需通过/skill-name或@skill-name调用 |
| 示例 | “所有新文件都使用 TypeScript” | “部署到预发布环境：运行测试、构建、部署、验证” |
当简短指令就足够时，使用规则；当 Agent 需要遵循详细且可重复的流程时，使用技能。
如何将规则转换为技能？
- 在聊天中输入
/create-skill，并让 Agent 将你的规则转换为新技能 (例如：“将@my-rule转换为技能”) - 检查生成的技能文件
- 如果不再需要原始规则文件，请将其删除
如何将命令迁移为技能？
在 Agent 聊天中输入/migrate-to-skills。这个内置技能 (Cursor 2.4+ 可用) 会识别符合条件的规则和命令，并自动将它们转换为技能。
它会转换：
- 动态规则：
alwaysApply: false(或未定义) 且没有globs模式的规则。 - 斜杠命令：包括用户级和工作区级命令，并保留其显式调用行为。
带有alwaysApply: true或特定globs模式的规则不会被迁移，因为它们有明确的触发条件，与技能的行为不同。用户规则也不会被迁移，因为它们不存储在文件系统中。
《动手学PyTorch建模与应用:从深度学习到大模型》是一本从零基础上手深度学习和大模型的PyTorch实战指南。全书共11章，前6章涵盖深度学习基础，包括张量运算、神经网络原理、数据预处理及卷积神经网络等；后5章进阶探讨图像、文本、音频建模技术，并结合Transformer架构解析大语言模型的开发实践。书中通过房价预测、图像分类等案例讲解模型构建方法，每章附有动手练习题，帮助读者巩固实战能力。内容兼顾数学原理与工程实现，适配PyTorch框架最新技术发展趋势。