Cursor 插件使用指南
Superpowers、Continual Learning、Hugging Face Skills 的用法说明
Steven系列 - Tools系列
目录
本文档面向当前工作区已安装的 Cursor 插件，逐项说明其用途、触发方式与技能列表，方便按场景使用。更多插件介绍与安装方式见 Cursor 插件市场介绍。
目录
- 概述：已安装插件列表与文档约定
- Superpowers：TDD、调试与协作技能库
- Continual Learning：从对话中学习并维护 AGENTS.md
- Hugging Face Skills：Hub、训练、评估与论文发布
- 小结与延伸阅读
1 概述
当前环境已安装的 Cursor 插件如下，均以 Skills（技能） 为主，部分带 Hooks 或 MCP。
| 插件 | 用途简述 | 主要组件 |
|---|---|---|
| Superpowers | 写代码的流程套路：TDD、调试、协作 | Skills、Commands、Agents、Hooks |
| Continual Learning | 从对话中提炼偏好与项目事实，维护 AGENTS.md | Skill、Hooks |
| Hugging Face Skills | Hugging Face Hub 上的数据集、训练、评估、论文等 | Skills、MCP |
文档约定：以下各节按「是什么 → 何时用 / 怎么触发 → 技能列表与用法 → 注意点」组织；技能名以各插件 SKILL.md 中的 name 或描述为准。
2 Superpowers
2.1 是什么
Superpowers 是一套「怎么用 AI 写代码」的流程技能库：不绑定具体业务产品，而是规定 TDD、系统化调试、代码评审、写计划、分支收尾等固定步骤，让 AI 在动手前先选对流程、再执行。
- 官方：GitHub - obra/superpowers
- 版本：以插件 manifest 为准（如 4.x）。
2.2 何时用 / 怎么触发
- 自动：插件通过 using-superpowers 技能规定：只要任务有约 1% 可能适用某条技能，AI 就应先调用该技能再回答或改代码，因此多数「加功能、修 bug、做评审、写计划」场景会自动走对应流程。
- 手动：在 Chat 中可输入
/技能名显式触发（具体以 Cursor Settings → Rules/Skills 中展示的为准）。
2.3 技能列表与典型用法
| 技能 | 用途 | 典型场景 |
|---|---|---|
| using-superpowers | 对话开始时如何查找、何时必须用技能 | 每次对话的流程入口，通常由系统应用 |
| brainstorming | 做创意/功能/设计前先澄清意图与方案 | 「我们来做 XX 功能」→ 先头脑风暴再实现 |
| writing-plans | 有需求或规格时先写实施计划 | 有明确需求文档或 spec 时先写计划 |
| executing-plans | 按写好的计划执行，带检查点 | 计划写好后在单独会话中执行 |
| test-driven-development | 写功能/修 bug 前先写测试（TDD） | 实现或修复前先写/补测试 |
| systematic-debugging | 遇到 bug 先系统化定位再改代码 | 报错、异常行为时先按调试流程排查 |
| requesting-code-review | 完成功能后主动请求代码评审 | 功能做完、准备合并前请求 review |
| receiving-code-review | 收到评审意见时如何理解与落实 | 收到 review 反馈后按流程处理 |
| verification-before-completion | 声称「做完」前必须先跑验证、看结果 | 完成前跑测试/构建，用结果证明 |
| finishing-a-development-branch | 开发分支收尾：合并、PR、清理 | 分支开发结束，决定合并/PR/清理 |
| using-git-worktrees | 用 git worktree 做隔离开发 | 需要与当前工作区隔离的新功能/实验 |
| dispatching-parallel-agents | 多个独立任务时派给并行 Agent | 2+ 个无依赖任务可并行处理 |
| subagent-driven-development | 用子 Agent 驱动开发的模式 | 按插件约定的子 Agent 流程开发 |
| writing-skills | 如何编写、校验新技能 | 创建或修改 SKILL.md 时使用 |
技能优先级：若多条技能都可能适用，先流程类（如 brainstorming、systematic-debugging），再实现类（如具体写代码、调 API）。
2.4 注意点
- 部分技能为刚性（如 TDD、调试）：须严格按步骤执行；部分为弹性（如某些模式）：可依情境调整，以技能内说明为准。
- 用户只需说「要什么」；「怎么做」由对应技能决定，无需记忆具体步骤。
3 Continual Learning
3.1 是什么
Continual Learning 从对话记录（transcript）的变更中增量提取「可复用的用户偏好」和「持久的工作区事实」，并只以简明要点更新项目根目录的 AGENTS.md，实现「越用越贴你习惯」的记忆层。
- 官方：Cursor 插件仓库（Continual Learning 插件）
- 不存储：密钥、一次性任务说明、临时细节（分支名、commit、临时报错等）。
3.2 何时用 / 怎么触发
- 自动：通过 Hooks 在设定的事件（如对话结束、会话变更）触发，对新增或更新的 transcript 做增量处理。
- 手动：当用户说「从历史对话里总结一下偏好」「维护一下 AGENTS.md 记忆」「做一次 continual learning」等时，应使用 continual-learning 技能，按技能内流程读取 transcript、索引与 AGENTS.md，再写回 AGENTS.md。
3.3 技能：continual-learning
- 作用：从 transcript 增量中抽取「重复出现的用户纠正/偏好」和「稳定、可操作的工作区事实」，只更新 AGENTS.md 的
## Learned User Preferences与## Learned Workspace Facts，且仅保留纯要点（无证据标签、无过程说明）。 - 输入：
- transcript 根目录：
~/.cursor/projects/<workspace-slug>/agent-transcripts/ - 现有记忆文件：
AGENTS.md - 增量索引：
.cursor/hooks/state/continual-learning-index.json
- transcript 根目录：
- 纳入条件：可操作、跨会话稳定、在多轮对话中重复或用户明确说成通用规则、非敏感。
- 输出约定：AGENTS.md 只保留上述两个小节，条目为简明 bullet，不写推理过程或元数据。
3.4 注意点
- 首次使用或索引丢失时会处理更多 transcript；之后仅处理新增或 mtime 更新的文件，避免全量重扫。
- 若需「从某次聊天里学一条偏好」，可在对话中明确说「把这条记到 AGENTS.md」或触发一次 continual learning。
4 Hugging Face Skills
4.1 是什么
Hugging Face Skills 提供与 Hugging Face Hub 和 ML 工作流相关的技能（及配套 MCP）：数据集、训练、评估、论文发布、Gradio 演示、Jobs 与 Trackio 等，在 Cursor 里用自然语言或脚本完成 Hub 操作与云端任务。
- 官方：GitHub - huggingface/skills
- 组件：多条 Skills + 可选 MCP 服务（见 Cursor Settings → MCP）。
4.2 何时用 / 怎么触发
- 当你的问题或任务涉及 Hugging Face Hub（模型、数据集、Spaces、论文）、云端训练/推理/任务、评估与模型卡、Gradio 应用 时，AI 会按描述匹配对应技能并调用。
- 部分能力依赖 MCP：需在 Cursor 中启用对应 Hugging Face MCP 并配置认证（如 Token），才能完成上传、运行 Job 等操作。
4.3 技能列表与典型用法
| 技能 | 用途 | 典型场景 |
|---|---|---|
| hugging-face-cli | 用 hf CLI 做 Hub 操作 | 下载/上传模型/数据集/Space、建仓库、管缓存、在 HF 上跑任务 |
| hugging-face-datasets | 在 Hub 上创建与管理数据集 | 初始化数据集仓库、配置与 system prompt、流式写入、SQL 查询与转换 |
| hugging-face-model-trainer | 在 HF Jobs 上训练/微调语言模型 | TRL（SFT/DPO/GRPO/reward 等）、GGUF 转换、选硬件与成本、Trackio、认证与模型持久化 |
| hugging-face-jobs | 在 HF 上跑任意计算任务 | UV 脚本、Docker Job、GPU/CPU 选型、成本估算、密钥与超时、结果持久化 |
| hugging-face-evaluation | 管理模型卡中的评估结果 | 从 README 抽评估表、从 Artificial Analysis 等导入分数、用 vLLM/lighteval 跑评估、model-index 格式 |
| hugging-face-paper-publisher | 在 Hub 上发布与管理论文 | 建论文页、关联模型/数据集、认领作者、生成 Markdown 文章 |
| hugging-face-trackio | 训练实验追踪与可视化 | 训练中打点（Python API）、用 CLI 查询/分析指标、实时看板、与 HF Space 同步、JSON 输出 |
| huggingface-gradio | 用 Gradio 做 Web 演示 | 创建/编辑 Gradio 应用、组件、事件、布局、聊天界面 |
| hugging-face-tool-builder | 用 HF API 做可复用脚本/工具 | 需要多次或组合调用 HF API、做数据拉取/增强/处理脚本时 |
（若安装了 HF MCP，可能还有 hf-mcp 等与 MCP 配套的技能，以 Cursor 中实际列出的为准。）
4.4 注意点
- 认证：上传、创建仓库、跑 Jobs 等需在 Hub 或 MCP 配置中设置 Token，不要将 Token 写进文档或代码。
- 成本：Jobs、训练等涉及云端算力，技能内会涉及硬件与成本估算，执行前确认配额与计费。
5 小结与延伸阅读
小结
- Superpowers：通过「技能优先」规则与多条流程技能（TDD、调试、评审、计划、分支收尾等），让 AI 先选流程再执行，适合日常开发与协作。
- Continual Learning：从 transcript 增量更新 AGENTS.md，只保留用户偏好与工作区事实的要点，适合维护长期记忆与偏好。
- Hugging Face Skills：覆盖 Hub 上的数据集、训练、评估、论文、Gradio、Jobs、Trackio 等，配合 MCP 可在 Cursor 内完成端到端 ML 工作流。
延伸阅读
- Cursor 插件市场介绍 — 插件体系、分类与安装
- Cursor 使用技巧 — Rules、Skills、MCP 等通用用法
- Plugins | Cursor Docs — 官方插件文档
- Superpowers - GitHub
- Hugging Face Skills - GitHub
文档根据当前已安装插件的 manifest 与 SKILL.md 整理，技能名与触发方式以实际 Cursor 环境为准。