在脚本和自动化工作流中使用 Cursor CLI进行代码分析、生成和重构。工作原理将 print 模式-p, --print用于非交互式脚本和自动化。在脚本中修改文件在脚本中将--print与--force或--yolo结合使用来修改文件# 在打印模式下启用文件修改agent -p --force Refactor this code to use modern ES6 syntax# 不使用 --force 时,仅提议更改而不应用agent -p Add JSDoc comments to this file # 不会修改文件# 批量处理并实际修改文件find src/ -name *.js | while read file; do agent -p --force Add comprehensive JSDoc comments to $filedone--force标志允许代理在无需确认的情况下直接修改文件设置完整的设置说明请参阅 安装 和 身份验证。# Install Cursor CLI (macOS, Linux, WSL)curl https://cursor.com/install -fsS | bash# 安装 Cursor 命令行界面(Windows PowerShell)irm https://cursor.com/install?win32true | iex# Set API key for scriptsexport CURSOR_API_KEYyour_api_key_hereagent -p Analyze this code示例脚本可根据不同脚本需求选择不同的输出格式。详情参见 输出格式。搜索代码库默认情况下--print使用text格式返回仅包含最终答案的简洁输出#!/bin/bash# 简单的代码库问题 - 默认使用文本格式agent -p What does this codebase do?自动化代码审查使用--output-format json进行结构化分析#!/bin/bash# simple-code-review.sh - 基础代码审查脚本echo 开始代码审查...# 审查最近的更改agent -p --force --output-format text \ 审查最近的代码更改并提供以下反馈 - 代码质量和可读性 - 潜在的 bug 或问题 - 安全性考虑 - 最佳实践合规性 提供具体的改进建议并写入 review.txtif [ $? -eq 0 ]; then echo ✅ 代码审查已完成else echo ❌ 代码审查失败 exit 1fi实时进度跟踪使用--output-format stream-json进行消息级别进度跟踪或添加--stream-partial-output以增量流式传输变更内容#!/bin/bash# stream-progress.sh - 实时跟踪进度echo 开始流式处理...# 实时跟踪进度accumulated_texttool_count0start_time$(date %s)agent -p --force --output-format stream-json --stream-partial-output \ 分析项目结构并在 analysis.txt 中生成摘要报告 | \ while IFS read -r line; do type$(echo $line | jq -r .type // empty) subtype$(echo $line | jq -r .subtype // empty) case $type in system) if [ $subtype init ]; then model$(echo $line | jq -r .model // unknown) echo 使用模型: $model fi ;; assistant) # 仅处理流式增量(存在 timestamp_ms 且无 model_call_id)。 # 跳过工具调用前及轮次结束时的缓冲刷新。 has_ts$(echo $line | jq has(timestamp_ms)) has_mc$(echo $line | jq has(model_call_id)) if [ $has_ts true ] [ $has_mc false ]; then content$(echo $line | jq -r .message.content[0].text // empty) accumulated_text$accumulated_text$content printf \r 生成中: %d 字符 ${#accumulated_text} fi ;; tool_call) if [ $subtype started ]; then tool_count$((tool_count 1)) # 提取工具信息 if echo $line | jq -e .tool_call.writeToolCall /dev/null 21; then path$(echo $line | jq -r .tool_call.writeToolCall.args.path // unknown) echo -e \n 工具 #$tool_count: 创建 $path elif echo $line | jq -e .tool_call.readToolCall /dev/null 21; then path$(echo $line | jq -r .tool_call.readToolCall.args.path // unknown) echo -e \n 工具 #$tool_count: 读取 $path fi elif [ $subtype completed ]; then # 提取并显示工具结果 if echo $line | jq -e .tool_call.writeToolCall.result.success /dev/null 21; then lines$(echo $line | jq -r .tool_call.writeToolCall.result.success.linesCreated // 0) size$(echo $line | jq -r .tool_call.writeToolCall.result.success.fileSize // 0) echo ✅ 已创建 $lines 行 ($size 字节) elif echo $line | jq -e .tool_call.readToolCall.result.success /dev/null 21; then lines$(echo $line | jq -r .tool_call.readToolCall.result.success.totalLines // 0) echo ✅ 已读取 $lines 行 fi fi ;; result) duration$(echo $line | jq -r .duration_ms // 0) end_time$(date %s) total_time$((end_time - start_time)) echo -e \n\n 完成,耗时 ${duration}ms (总计 ${total_time}s) echo 最终统计: $tool_count 个工具,生成 ${#accumulated_text} 字符 ;; esac done处理图像要向 agent 发送图像、媒体文件或其他二进制数据请在提示词中包含文件路径。agent 可以通过工具调用读取任意文件包括图像、视频等各种格式。在提示中包含文件路径只需在你的提示中引用文件路径。Agent 会在需要时自动读取这些文件# Analyze an imageagent -p Analyze this image and describe what you see: ./screenshot.png# Process multiple media filesagent -p Compare these two images and identify differences: ./before.png ./after.png# 结合文件路径与文本指令agent -p 查看 src/app.ts 中的代码和 designs/homepage.png 中的设计稿提出改进建议以匹配设计。工作原理当你在提示中包含文件路径时Agent 会接收包含这些文件路径引用的提示Agent 通过工具调用自动读取这些文件图像会被自动处理你可以使用相对路径或绝对路径来引用文件示例图像分析脚本#!/bin/bash# analyze-image.sh - 使用无头 CLI 分析图像IMAGE_PATH./screenshots/ui-mockup.pngagent -p --output-format json \ 分析此图像并提供详细说明: $IMAGE_PATH | \ jq -r .result示例批量处理媒体#!/bin/bash# process-media.sh - 批量处理媒体文件for image in images/*.png; do echo 正在处理 $image... agent -p --output-format text \ 描述图像内容: $image ${image%.png}.description.txtdone文件路径可以是相对于当前工作目录的相对路径也可以是绝对路径。 Agent 会通过工具调用来读取文件因此请确保这些文件存在 并且可以在你运行命令的位置访问到它们。《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。