Leitfaden zum Prompten von Cursor AI

Wenn eine KI ein Repository prüfen kann, ist ein besserer Prompt meist enger gefasst – nicht weiter. Gib Cursor die wichtigen Dateien, Grenzen, Einschränkungen und Validierung vor und bitte ihn dann, den relevanten Bereich zu analysieren, bevor er ihn bearbeitet.

Tools mit Repository-Kontext können nützlichen Kontext aufdecken, aber sie können eine Änderung auch sicherer erscheinen lassen, als sie ist. Das Ziel ist, Repository-Zugriff in Belege zu verwandeln, nicht in die Erlaubnis, jede zugehörige Datei zu ändern.

Die aktuelle Cursor-Dokumentation beschreibt Kontextreferenzen für Repository-Material wie Dateien, Ordner, Git-Änderungen und Linter-Fehler. Nutze die Kontextsteuerungen, die in deiner Version verfügbar sind, um den Assistenten auf die kleinste nützliche Menge an Belegen zu richten.

Schreibe zum Beispiel statt:

Behebe das langsame Dashboard.

Folgendes:

Untersuche die Ladeverzögerung des Dashboards für angemeldete Nutzer.

Umfang: Beginne mit der Dashboard-Route, ihrem Hook zum Laden von Daten und der einen
Karte, die zu lange ein Ladeskelett zeigt. Verwende den aktuellen Profil-Provider und die
bestehende Performance-Instrumentierung als Kontext.

Ergebnis: Ermittle, ob die Verzögerung Abrufzeit, unnötiges Rendering oder ein
Zustandsübergang ist. Schlage die kleinste messbare Verbesserung vor.

Einschränkungen: Bewahre Autorisierungsverhalten, lokalisierte UI und bestehendes
Ladefeedback. Füge ohne Belege keinen Cache und keine neue State-Bibliothek hinzu.

Fasse vor der Bearbeitung den Ausführungspfad zusammen und nenne, was du messen würdest.

Der Prompt gibt dem Assistenten einen Weg ins Repository, ohne jede Dashboard-Datei als veränderbar zu behandeln.

Repository-Kontext ist am Anfang einer Aufgabe am wertvollsten. Bitte Cursor darum:

1. den relevanten Daten- oder Kontrollfluss nachzuverfolgen;
2. den Code zu identifizieren, der das Verhalten besitzt;
3. bestätigte Fakten von Annahmen zu trennen;
4. die kleinsten Dateien aufzulisten, die sich wahrscheinlich ändern;
5. zu erklären, welcher Test oder welche Beobachtung die Korrektur beweist.

Das ist besonders wichtig, wenn die Anfrage einen gemeinsamen Provider, eine globale Komponente, Authentifizierung, Zahlungen oder Navigation betrifft. Diese Bereiche haben oft Aufrufstellen, die eine lokale Änderung nicht sicher ignorieren kann.

„Aktualisiere das Benachrichtigungsfeature“ ist weiterhin zu weit gefasst, wenn das Feature UI, Persistenz, Worker und Einstellungen umfasst. Füge eine Datei- oder Grenzvorgabe hinzu:

Ändere nur das Formular für Benachrichtigungseinstellungen. Der Client Writer ist die
Quelle der Wahrheit für Präferenzaktualisierungen; füge keinen weiteren Writer hinzu und
ändere den Scheduler in dieser Aufgabe nicht.

Prüfe das Formular, den typisierten Client Writer und ihre direkten Tests. Falls der
gemeldete Fehler eine Backend-Änderung erfordert, halte an und erkläre die Belege,
statt den Umfang auszuweiten.

Das hindert den Assistenten nicht daran, ein echtes grenzüberschreitendes Problem zu finden. Es macht die Ausweitung explizit und überprüfbar.

Wiederkehrender Projektkontext gehört in die Anweisungen oder Regeln des Repositorys, nicht in jeden Chat-Prompt. Nutze dauerhafte Projektleitlinien für Invarianten wie:

• Grenzen des statischen Exports oder der Bereitstellung;
• Locale-Anforderungen;
• Testbefehle und Codestil;
• Zuständigkeitsregeln für gemeinsamen Zustand;
• Pfade, bei denen eine besondere Überprüfung erforderlich ist.

Halte den Aufgaben-Prompt auf das konkrete Problem und die Akzeptanzkriterien fokussiert. Wenn Projektanweisungen und der Prompt einander widersprechen, löse den Konflikt in der Anfrage, statt darauf zu hoffen, dass der Assistent errät, was wichtig ist.

Große Anfragen lassen sich schwer validieren, weil ein breiter Diff Ursache und Wirkung verdeckt. Teile die Arbeit in Checkpoints:

Prüfe zunächst den aktuellen Pfad zum Absenden des Formulars und erkläre ihn. Bearbeite
keine Dateien.

Implementiere nach der Analyse nur die Korrektur des Validierungszustands und ergänze
ihren fokussierten Test. Refaktoriere benachbarte Formular-Komponenten noch nicht.

Führe den relevanten Test aus und fasse den Diff zusammen. Falls er besteht, schlage ein
separates Follow-up für gemeinsame Bereinigung vor.

Dieses Muster erleichtert die Überprüfung der Arbeit des Assistenten und macht ein Rollback praktikabel, falls die Hypothese falsch war.

Ein KI-Coding-Assistent sollte „sieht korrekt aus“ nicht als Abschlussregel wählen:

Akzeptanzkriterien:
- das bestehende Verhalten funktioniert weiterhin bei einem erfolgreichen Absenden;
- der gemeldete ungültige Zustand wird erreichbar und sichtbar;
- Tastatur- und Screenreader-Feedback bleiben intakt;
- der gezielte Test besteht und ein Fehlschlag hätte den alten Fehler erkannt.

Validierung: Führe die fokussierte Testsuite und die Typprüfung aus und beschreibe
jeden manuellen Browser-Schritt, der Verhalten abdeckt, das der Test nicht beobachten kann.

Bitte ihn, einen fehlenden Test zu identifizieren, statt aus einem erfolgreichen Kompilierungsergebnis Vertrauen zu erfinden.

Aufgabe: [Technisches Ziel in einem Satz.]

Repository-Kontext: [Relevante Dateien, Ordner, Diff, Fehler oder bestehende Regel.]
Problem: [Beobachtetes Verhalten und wer davon betroffen ist.]
Umfang: [Zuerst zu prüfende Dateien oder Grenze.]
Gewünschtes Ergebnis: [Beobachtbares Ergebnis für Nutzer oder System.]
Einschränkungen: [Verhalten, Kompatibilität, Architektur und Nicht-Ziele.]
Akzeptanzkriterien: [Erforderliche Ergebnisse.]
Validierung: [Fokussierte Tests, Typprüfung, manuelle Prüfung, Messung.]

Analysiere zuerst. Nenne den aktuellen Besitzer des Verhaltens, hinterfrage jede schwache
Annahme und schlage die kleinste sichere Änderung vor, bevor du Dateien bearbeitest.

Nutze den breiteren Denkrahmen in wie man bessere KI-Prompts schreibt und lies Prompt Engineering für Entwickler für Muster nach Aufgabentyp. Für eine überwiegend strukturelle Änderung nutze diese Prompt-Vorlagen zum Refaktorieren von Code.

Wenn eine Repository-Aufgabe Skripte oder Terminalausgabe umfasst, bestätige das tatsächliche Befehlsverhalten, bevor du es änderst. Übe Kommandozeilen-Workflows im Browser, um eine angenommene Ausgabe in einen beobachtbaren Testfall zu verwandeln.