Cursor重磅上线Claude Max,工具调用一次0.05美元,充值实测一波

Claude 和 Cursor 哪个更适合初学者? Claude 和 Cursor 在对初学者的友好程度上各有特点,具体适合哪个取决于初学者的具体需求和偏好。Claude 和 Cursor 哪个更适合初学者? 阅读详情
👇我的小册 45章教程:(小白零基础用Python量化股票分析小册) ,原价299,限时特价2杯咖啡,满100人涨10元。

👇我的小册 AI工具100个实战小案例:(100个AI工具实战小案例) ,原价299,限时早鸟价29,满100人涨10元。

转自:机器之心

AI 编程神器 Cursor 新鲜出炉 Claude Max 模式(MAX 代表了最大智能)!这波操作有点猛。

其核心优势在于处理大规模代码和复杂逻辑时表现出色,适合硬核开发者和大型项目。

image.png

Claude Max 是 Claude 3.7 的一种更强大配置,它以 Claude 3.7 Thinking 模型为基础。具有超强的创造力,能在其他模型失灵时脱颖而出,解决更复杂、更精妙的任务。

其次,它的上下文窗口高达 200K,这意味着你可以尽可能多地将代码放入提示中。以前的模型在处理这类任务时表现不佳,但 Claude 3.7 是第一个在处理如此大的上下文窗口时表现更好的模型。

此外,Claude Max 将工具调用限制提高到了 200 次,这意味着它可以一次性进行大量编辑,并在整个代码库中收集上下文! 

最后,它可以一次性读取更大块的代码。

不过,想要尝试的小伙伴要悠着点了,可能一个不小心就榨干你的钱包,因为 Claude Max 收费不包含在标准 Pro 订阅中,每次请求和工具调用均需支付额外的费用:即采用按使用量计费的方式,每次请求(prompt)收费 0.05 美元,每次工具调用收费 0.05 美元;对于大多数用户来说,可能不值得花费这些钱。

如果不加以控制,Claude Max 在完成其可用的 200 次工具调用后,可能会花费你 10 美元。

只能说,复杂点的项目可以尝试一下,一般项目用其他模型应该就够用了。

现在,X 上已经有用户在晒使用体验了。

视频来源:https://x.com/MervinPraison/status/1901876045185159295

不过,很多人还是被它的高收费劝退了:谁能想到,以后编程也要氪金了。

image.png

「自己让 Claude Max 帮我改完代码后,xcode 出现了一万多个报错。」

image.png

还有网友抱怨一个任务跑下来,花费自己十几块钱。

image.png

「调用工具 0.05 美元 一次,有时候一轮下来至少调 20 次工具。真是用不起。」

image.png

效果到底咋样,机器之心上手体验了一番。

一手体验

要使用「黑科技」Claude 3.7 Max,首先需要安装它。目前直接从官网的界面中点击下载的版本(0.47.5)是找不到对应的 Max 模式的。

image.png

因此这里在安装它的时候需要从 Cursor 官网中的「ALL Downloads」列表中手动查找并下载最新版本,经测试版本为 0.47.8 的 Cursor 支持 Claude 3.7 Max。

image.png

在安装完对应版本的 Cursor 之后,便可进入到交互界面。

image.png

接下来我们来感受一下 Claude Max 的强大编程性能,我们先来通过一个小球碰撞测试,将 Claude Max 与其他模型进行对比,来测试一下小球碰撞的物理模拟效果。

提示词:编写一个 Python 程序,显示一个球在旋转的六边形内弹跳。球应该受到重力和摩擦力的影响,并且必须逼真地从旋转的墙壁上弹起。

为了验证 Claude Max 在物理模拟中的表现,我们运行了由其生成的代码,整个过程耗时约 20 多秒。

通过观察小球的运动轨迹,可以直观感受到 ChatGPT-4.0 和 Claude Max 对重力和摩擦力模拟的差距,这一对比结果从侧面反映出 Claude Max 在代码编程上有着出色的表现。

接下来,我将测试场景转向了更为复杂的 3D 模拟赛车游戏,同样基于 Claude Max 版本进行,以下是该测试的结果输出展示。

提示词:为我构建一款 3D 模拟赛车,让我在场景中感受驾驶。

此次生成过程大约持续了 3 - 5 分钟,现在就让我们一同来检验一下生成的效果如何吧。

虽然生成过程有点长,但令人意外的是,生成的 3D 模拟赛车游戏具备同时切换多种视角的功能。

事实上,Claude 系列带给我们的惊喜远不止于此。前几天就有网友借助 Claude 成功打造出一款简单又好玩的 3D 赛车游戏。

Claude 3.7 Max 的另一大优势是强大的应用开发能力,这为我们提供了无限的想象空间。例如,我们可以让 Claude 3.7 Max 生成一个 AI 记账 App,用的是 Agent 模式,以下是输出结果展示。

提示词:请帮我从 0-1 编写一个记账 App。

整个过程耗时 8 分钟左右,以上动图有适当加速。

image.png

而且生成过程中会有中断,我们需要通过提示词继续让 Claude Max 进行输出才能生成完整的代码文件。值得一提的是,在测试过程中曾遇到报错,经过个人调试后才成功实现了如上图所示的结果。

总体而言,这次体验基本顺利,Claude Max 的表现有令人惊喜之处。它不仅能够辅助程序员进行应用开发,还能优化个人的财务规划。然而,距离完全智能化仍有改进空间,期待未来的进一步优化与提升。

图片

最后推荐一下我们团队写的量化小册的内容,45篇内容!从Python安装,入门,数据分析,爬取股票基金的历史+实时数据,以及如何写一个简单量化策略,策略回测,如何看资金曲线统统都有介绍!非常超值!

欢迎订阅:原价299 早鸟价2杯咖啡钱,即可永久阅读。满400人又要涨价了,现在的价格非常非常低,只要2杯奶茶,就可以终身订阅+课程源码,还有永久陪伴群。48小时无理由退款,放心食用!

图片

往期推荐
量化: 如何用Python爬取创业板历史+实时股票数据!|实战股票分析篇利用Pandas 9招挖掘五粮液股价!|实战股票数据分析篇 Pandas滚动操作 |量化股票第一步,用Python画股票K线,双均线图,可视化你的股票数据!|如何用Python爬取全部800多只ETF基金数据!|如何用Python写一个双均线策略 |如何用Python开发一个多策略机器人!上篇!|Python量化系列-用布林策略买五粮液能赚多少钱?|只要4秒钟!用Python 获取上证指数34年的历史日线数据!
Cursor从入门到精通实战指南(二):Cursor+Claude3.7快速生成零工市场APP原型 本文分享了使用AI工具开发零工市场APP原型的实战经验。作者通过Cursor编辑器结合Claude3.7模型,采用模块化分解、多轮迭代和增量优化的方法,从需求分析到代码实现全流程生成高保真HTML原型。 阅读详情

相关推荐

“Cursor + Claude 3.7”是一种结合了 Cursor 编程工具和 Anthropic 公司发布的 Claude 3.7 模型的组合

打开 Cursor,进入设置中的“AI”选项,在“模型”中选择“Claude 3.7 Sonnet”,如果是免费试用,会有约 150-200 次提示词的使用额度,持续使用需要订阅 Cursor Pro 计划。:按用量付费,每次请求和工具调用均为 0.05 美元,使用几小时可能会花费 50 美元以上,成本较高,适合预算充足且需要深度代码理解和复杂编辑的高级用户。:使用 codeguide.dev 创建全面的项目规范,添加详细的架构文档,使用项目规则定义项目范围的上下文、编码标准和架构指南,设置。

zzlyx99的专栏 1885

Cursor 0.50 深度解析:Max 模式火力全开,后台代理解放你的双手

Cursor0.50更新后,更懂程序员了

4218

AI编程工具:Claude Code 还是 Cursor,我试了三个月!!!

这两个工具都在快速迭代。Cursor 上个月刚更新了 Cloud Agents,Claude Code 也在加新功能。用不同的工具做不同的事。就像你不能指望一个员工既能写代码又能做销售又能管财务——AI 工具也一样,术业有专攻。好用爱用!时间就是金钱,记住自己,程序员一定要记得不要以为自己什么都能干就什么都自己干。节约自己的时间!青楼的小姐,做到最好也只是头牌,不会成为老鸨。AI 工具同理——你得组合起来用,才能真正提效。觉得有用的话,点个关注不过分吧?我后面还有王炸。

帅哥威的博客 494

Cursor 和 Claude(免费)详细的使用教程

无需高昂订阅,你同样可以组建世界级的AI编程工作流。本文将手把手教你如何充分利用免费的Cursor编辑器与Claude AI,实现从代码生成、重构到系统设计的全方位辅助,极大提升你的开发效率。

yzx991013的博客 9528

Claude Max 号称最强 AI 编程助手,可惜我已经付不起账单了

听起来很牛对吧?但现实往往比宣传片更精彩。开发者社区的讨论热度迅速攀升,但氛围却是“一半惊叹,一半破防”——大家在兴奋于 AI 又一次升级的同时,也在捂紧钱包,生怕不小心点了 Claude Max,然后账单直接上四位数。20 万 tokens 上下文:真的有必要吗?Claude 3.7 Max 支持 20 万 tokens 的输入,相当于15 万行代码。对比 GPT-4 的 32k tokens,这无疑是个巨大的飞跃。理想情况下,它应该可以一次性读完整个代码库,从而避免切割输入导致的上下文丢失。

qq_30680739的博客 1354

OGG故障指南:OGG-01163 Bad column length (xxx) specified for column

OGG-01163 Bad column length (xxx) specified for column AAA in table OWNER.TABLE, maximum allowable length is yyy

qqqyyy0422的博客 719

Cursor终于上线Claude Max了,被价格劝退了。。

大家好,我是易安。今天要和大家分享的是AI编程工具领域的一个重磅更新——Cursor最新集成了Claude Max模式。

moncgu的博客 1920

混合动作空间在强化学习中的创新应用:PDQN与MPDQN算法解析

本文深入解析了强化学习中处理混合动作空间的PDQN与MPDQN算法。针对既有离散选择又有连续调节的复杂决策场景,PDQN通过参数化深度Q网络,巧妙结合DQN与DDPG进行交替优化;MPDQN则进一步改进,为每个离散动作提供专属参数评估以减少干扰。文章通过游戏、自动驾驶等实例阐述了其应用价值与面临的挑战。

efc123456的博客 865

使用Cursor和Claude AI打造你的第一个App

Cursor是一款人工智能代码编辑器,基于Visual Studio Code开发,具备无缝集成的AI功能。它支持多种人工智能模型,能够与OpenAI、Anthropic、Google和Azure等主流平台实现集成。在实际使用中,Cursor与Claude 3.5模型的配合效果尤为理想,这一模型被成功应用于应用程序的开发过程中。

csdn1561168266的博客 6484

STDP实战:用PyTorch从零搭建脉冲神经网络(附完整代码)

本文提供了基于PyTorch从零搭建脉冲神经网络的实战教程,重点讲解了STDP学习规则的原理与工程实现。通过构建LIF神经元模型和向量化STDP层,并结合泊松编码,详细演示了如何构建一个能够进行无监督特征学习的混合网络架构,为探索神经形态计算和低功耗实时学习方案提供了完整代码与实践指南。

weixin_29056145的博客 269

cursor关于Auto和MAX Mode按钮的功能:

cursor关于Auto和MAX Mode按钮的功能:

u011101918的博客 1万+

Opencv实战:答题卡自动识别与评分系统(附完整代码解析)

本文详细介绍了如何使用OpenCV实现答题卡自动识别与评分系统,包含完整的代码解析。通过图像预处理、边缘检测、透视变换和答案识别等关键技术,系统能够快速准确地完成阅卷工作,适用于学校考试、资格认证等多种场景,大幅提升工作效率。

weixin_33737134的博客 418

Cursor限制国内用户使用Claude模型?附完整有效解决方案!

Cursor限制国内用户使用Claude模型的解决方案

bydzlby的博客 1万+

Anthropic发布10款金融AI智能体模板深度解析:重构华尔街工作范式

摘要:2026年5月,Anthropic发布10款金融AI智能体模板,标志着AI从辅助工具升级为"虚拟同事"。这些智能体深度集成到Word、Excel等办公软件中,覆盖投行、商行、资管三大场景的核心工作流,预计可提升效率35-85%。技术架构基于Claude3.5Sonnet模型,具备200K上下文窗口和95%+的财务图表解析准确率,并与彭博等金融数据源直连。发布引发传统金融数据服务商股价下跌,摩根大通等机构则视其为成本优化工具。落地需分四阶段推进,关键在于数据治理和复合型人才培养。未来

yyq916的博客 637

金蝶EAS uploadlogo漏洞实战:如何快速检测你的系统是否受影响

本文详细解析了金蝶EAS uploadlogo任意文件上传漏洞的检测与防护方法,帮助企业安全团队快速识别系统风险。通过资产发现、漏洞验证和应急响应方案,有效防范财务数据泄露和系统入侵风险,提升企业整体安全防护能力。

weixin_29322553的博客 389

AI 时代的开发利器:我用 Cursor + Claude 开发小程序的深度体验

Cursor + Claude 的组合让开发变得更加高效和有趣。它不仅提升了开发效率,更重要的是让我们能够将更多精力放在创造性的工作上。在 AI 时代,拥抱新工具、保持学习,才能在技术浪潮中保持竞争力。

京河小蚁的博客 2833

力软敏捷开发框架源码7.0.6旗舰版 JNPF开发平台3.4.5 企业版 旗舰版

JNPF作为作为一款深受用户喜爱的低代码产品,凭借雄厚的科研技术力量、丰富的软件开发项目经验、严谨的项目开发流程和高质量的售后服务,已成功帮助千家企业完成数字化项目,建立了覆盖不同行业客户和不同发展阶段的软件产品服务体系。

huoooos0的博客 1843

使用Cursor+Claude-3.7-Thinking修复Bug和实现新需求的最佳实践

思考:在AI的辅助下,整理出本次修改的需求。输入提示词:@1.用户管理接口设计.md @users.py @init.sql删除用户的接口需要修改,除了删除用户主表,还要删除关联的渠道表、三方关联表、任务表、该任务关联的表等所有与该用户关联的内容。应如何设计删除用户接口?先在 @删除用户接口设计.md 中编写设计思路,包括需要操作哪些数据表、基于当前项目已有的实现需要新增修改哪些文件哪些方法?

qq_41312236的博客 2886

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

cursor如何添加Claude大模型

cursor如何添加Claude大模型

前端金牌摸鱼达人 9292

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Cursor 九月涨价之后:AI 编程从“包月随便用”到“按表计费”的这本账

9 月这波围绕 Cursor 的讨论,核心不是某一个数字,而是计费逻辑整体变了。按社区 9 月核实的口径,Pro 档从 20 美元/月调到 32 美元/月,Business 座位从 40 美元涨到 64 美元/人/月;更关键的动作是产品侧先完成的:8 月 26 日起 Auto 模式全部转成按模型市价计费,旧的包月额度制在 9 月 7 日前后到期。与此同时,新账号的 7 天 Pro 免费试用被官方在论坛上确认移除,免费档只保留有限的智能体请求。

tuiguang_ops的博客 760

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

cursor 用 Claude 3.5 做简单的网页小游戏

Cursor 通过AI 原生集成和工程化创新,正在重塑编程流程。其最新模型 Claude 3.7 Max 虽成本高昂,但为复杂任务提供了前所未有的解决方案。对于开发者而言,合理利用 Cursor 的智能化功能,可大幅提升效率,但需权衡成本与需求。

智造编程 1092

用 Cursor + Claude 制作全栈 SaaS 应用程序

幸运的是,这意味着我们还可以访问它们的原始文档文件,这些文件以 markdown 编写,可以在各自的 GitHub Repos 上找到。因此,由于这似乎是很多人感兴趣的话题,我想我会提供一些额外的信息和提示来配合视频,帮助您快速开始构建 SaaS 应用程序,并希望能帮助您赚取一些额外的现金!作为指南,帮助我使用 Wasp 的 Websockets 功能在我的应用程序中实现聊天功能。重要的是,如果您发现 Cursor 持续犯同样的错误,请检查文档,找到问题,并在出现问题时添加新规则。

weixin_48967543的博客 773

Cursor+Claude3.7实现从原型到app开发

以上只是演示了一个APP开发过程,其实最主要表述的是原型的开发,这一步就可以秒掉大多数基础的视觉交互设计师和前端开发工作了。只要你有产品思维,表达你想做的软件解决的是什么业务问题,需要实现的是什么样的功能就行了。不管是APP开发、还是小程序开发,或者一个网站的开发实现,使用Cursor可以快速的实现你需要的原型,Cursor非常适合这样的工作,而且实现的界面非常标准化,配色、排版都是很到位。

xiangzhihong8的专栏 8003

Cursor “又又又”涨价了,是不是该弃坑了?

Cursor 于 2025 年 9 月 15 日生效的全新定价模式,从固定订阅转向按 Token 用量计费,引发了开发者社区的巨大争议。本文将详细拆解新的收费模式,探讨其背后“意料之中”的商业逻辑,并理性分析在国产大模型日益成熟的当下,开发者面临的“弃坑”与“坚守”之抉择。这不仅是关于一个工具的取舍,更是关于我们如何为未来的 AI 生产力付费的思考。

攻城狮7号的博客 1万+

Claude Code 与 Cursor 深度对比,2026 年到底该选谁?

理念不同:Cursor 是"你开车 AI 导航",Claude Code 是"AI 开车你审核"——没有谁更好,看工作习惯补全 vs 执行:Cursor 的 Tab 补全行业最强,Claude Code 的 Agent 自主执行更强项目越大越偏 Claude Code:大型项目、跨文件重构、遗留系统维护是 Claude Code 的绝对优势区前端/快速迭代偏 Cursor:图形界面、可视 Diff、轻量交互,前端开发更顺手最佳实践:两个都用,$40/月覆盖所有场景。

学IT,找陈寒 1797
上一篇: 100W!建议大家冲一冲这个前景被严重低估的方向!
下一篇: 豆瓣8.7,这本为何让90万人发现数学之美?
菜鸟学Python
博客等级 码龄9年 8095粉丝 571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
 
 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