Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >开发新范式正在发生:从Cursor + MCP,看AI如何“接管”应用构建全流程

开发新范式正在发生:从Cursor + MCP,看AI如何“接管”应用构建全流程

作者头像
前端达人
发布于 2025-04-26 12:58:34
发布于 2025-04-26 12:58:34
37300
代码可运行
举报
文章被收录于专栏:前端达人前端达人
运行总次数:0
代码可运行

想象一下这样的场景:

  • 你不再新建项目,不再配置依赖,不再写后端、不再部署;
  • 你只需要说明需求,一步步引导,AI会像资深工程师一样,帮你把完整Web应用构建并部署上线

这就是我在一次真实尝试中体验到的过程。

使用两款关键工具:

  • ✅ Cursor:一款支持对话式开发的智能编辑
  • ✅ Heroku MCP Server:一个让AI能真实操作部署平台的协议工具

接下来,我们将一步步讲清楚👇

🔧 项目目标 & 技术栈

我们要做的项目:

  • 前端框架:SvelteKit
  • 数据库PostgreSQL
  • 托管平台:Heroku
  • AI开发工具:Cursor(对话式操作)

目标功能:

  • 添加/完成/删除 ToDo 项
  • 在本地可运行
  • 最终部署上线(带数据库)

✅ 步骤1:用 Cursor 新建项目

🎯 目标

创建一个全新的项目目录,并在 Cursor 中打开,准备接受 AI 指令。

🧭 操作流程

  1. 打开你的终端,执行以下命令:
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
mkdir ~/project && cd ~/project
  1. 启动 Cursor,打开这个目录。
  2. 稍等几秒,你会看到 Cursor 自动识别这是一个空目录,准备开始构建项目。

📸 效果截图:

空项目准备
空项目准备

空项目准备

🧠 趋势思考:

传统开发第一步是命令行,这一步告诉我们:

「项目初始化的主语,不再是你,而是你的AI助手。」

✅ 步骤2:对话方式让 AI 搭项目结构

🎯 目标

通过自然语言描述项目需求,Cursor 会自动搭建项目目录、安装依赖并初始化页面。

🧭 操作流程

你在 Cursor 的 chat 窗口输入:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
我想用 SvelteKit 搭建一个待办事项应用,功能包括添加、删除、完成状态切换。使用 PostgreSQL 作为数据库,本地运行后最终部署到 Heroku。

Cursor 会根据你输入的自然语言自动执行:

  • 创建SvelteKit项目
  • 安装必要依赖
  • 初始化路由、页面、目录结构

📸 自动结构生成图:

项目结构生成
项目结构生成

项目结构生成

🧠 趋势思考:

Prompt = 产品设计 + 需求文档 + 技术规划 + 执行计划的融合语法。 这也意味着未来的“开发者”是对话流程设计师

✅ 步骤3:AI 编写页面与交互逻辑

🎯 目标

生成一个前端页面,可以展示任务列表、添加新任务、修改完成状态、删除任务。

🧭 操作流程

你无需再输入内容,Cursor已经在背景中:

  • 创建一个输入表单
  • 实现表单的绑定逻辑
  • 将 ToDo 项列表展示在页面上
  • 实现点击“完成”按钮的状态变更
  • 每次操作与数据库同步

📸 自动生成代码图:

AI写代码中
AI写代码中

AI写代码中

🧠 趋势思考:

传统 CRUD 项目,80%是模板式重复工作。而 AI 在这方面是天生高手

✅ 步骤4:配置本地 Postgres 数据库

🎯 目标

让应用可以将任务数据存储到数据库中。

🧭 操作流程

你继续在 Cursor 中输入:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
我本地有 Postgres,地址是 localhost:5432,用户名密码都是 postgres。请帮我生成 .env 文件、建表SQL,并初始化数据库。

它将:

  • 自动创建 .env 文件,填入数据库信息
  • 生成 SQL 创建语句(CREATE TABLE ...)
  • 提供终端命令初始化数据库
  • 并为项目初始化 Git 仓库

📸 配图1:生成数据库配置👇

生成.env
生成.env

📸 配图2:Git 初始化👇

初始化git
初始化git

🧠 趋势思考:

数据库操作的“脚本门槛”正在消失。 你不再需要掌握 SQL 细节,而是交给 AI 构建“数据语义”。

✅ 步骤5:本地运行测试项目

🎯 目标

确认前端逻辑与数据库连接无误,项目能在本地顺利运行。

🧭 操作流程

Cursor 提示你运行:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
npm run dev

访问 http://localhost:5173

你将看到:

  • 输入框可以添加任务
  • 每项任务可标记完成/删除
  • 所有数据来自数据库

📸 效果图:

本地运行
本地运行

本地运行

✅ 步骤6:配置 Heroku 的 AI 自动部署能力

🧭 操作流程

1️⃣ 终端执行一次授权(唯一非对话步骤):

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
heroku login
heroku authorizations:create

将生成的 TOKEN 填入后续配置。

2️⃣ 在项目中新建 .cursor/mcp.json 文件

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
{
  "mcpServers": {
    "heroku": {
      "command": "npx -y @heroku/mcp-server",
      "env": {
        "HEROKU_API_KEY": "你的Token"
      }
    }
  }
}

📸 Cursor 会检测到 MCP 可用:

MCP检测
MCP检测

MCP检测

✅ 步骤7:一键部署上线

🎯 目标

在不打开终端、不执行命令的前提下,将完整项目部署到 Heroku 云平台。

🧭 操作流程

告诉 Cursor:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
请部署我的项目到 Heroku,应用名叫 my-svelte-todo-list。

它将自动:

  • 创建 Heroku 应用
  • 添加 Postgres 插件
  • 初始化数据库
  • 推送代码
  • 创建 app.json
  • 部署成功后返回访问地址

📸 上线页面截图:

部署成功页面
部署成功页面

部署成功页面

🧠 最后思考:开发的“边界”已被打破

从项目初始化 → 数据连接 → 逻辑生成 → 云端部署 整个链路首次被 AI 串联,第一次实现“从指令到产品”的一键闭环。

📌 写在最后:你准备好转向 Prompt 驱动的开发世界了吗?

这次的实践,让我清晰地意识到:

MCP 是 AI 连接开发世界的“USB-C”; Prompt 是未来开发世界的“自然语言接口”。

未来的你,可能不再需要「学某个框架」,而是要掌握如何与AI沟通、如何构造意图、如何组织开发流程

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2025-04-24,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 前端达人 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
【目标跟踪】多目标跟踪sort (python 代码)
读书猿
2024/02/05
6030
【目标跟踪】多目标跟踪sort (python 代码)
【目标跟踪】多目标跟踪测距
读书猿
2024/02/05
3870
【目标跟踪】多目标跟踪测距
SORT 多目标跟踪算法笔记[通俗易懂]
SORT 算法以检测作为关键组件,传播目标状态到未来帧中,将当前检测与现有目标相关联,并管理跟踪目标的生命周期。
全栈程序员站长
2022/11/01
3.6K0
SORT 多目标跟踪算法笔记[通俗易懂]
Deep SORT多目标跟踪算法代码解析
Deep SORT是多目标跟踪(Multi-Object Tracking)中常用到的一种算法,是一个Detection Based Tracking的方法。这个算法工业界关注度非常高,在知乎上有很多文章都是使用了Deep SORT进行工程部署。笔者将参考前辈的博客,结合自己的实践(理论&代码)对Deep SORT算法进行代码层面的解析。
BBuf
2020/04/21
5.2K0
Deep SORT多目标跟踪算法代码解析
《Aidlux智慧社区AI实战训练营》大作业总结及心得
https://mp.weixin.qq.com/s/ASnaFA7D4jfHWoO_IqQ6aQ
用户10149871
2023/02/26
5970
【项目实践】从零开始学习Deep SORT+YOLO V3进行多目标跟踪(附注释项目代码)
首先要说明一点,现在多目标跟踪算法的效果,与目标检测的结果息息相关,因为主流的多目标跟踪算法都是TBD(Tracking-by-Detecton)策略,SORT同样使用的是TBD,也就是说先检测,再跟踪。这也是跟踪领域的主流方法。所以,检测器的好坏将决定跟踪的效果。
公众号机器学习与AI生成创作
2020/07/15
1.4K0
【项目实践】从零开始学习Deep SORT+YOLO V3进行多目标跟踪(附注释项目代码)
目标检测基本概念与性能评价指标计算
不同的问题和不同的数据集都会有不同的模型评价指标,比如分类问题,数据集类别平衡的情况下可以使用准确率作为评价指标,但是现实中的数据集几乎都是类别不平衡的,所以一般都是采用 AP 作为评价指标,分别计算每个类别的 AP,再计算mAP。
嵌入式视觉
2022/09/05
9500
目标检测基本概念与性能评价指标计算
基于热成像的巡检及AidLux方案实现
本方案需要完成前置模型转换工作采取的方案为:pt—onnx—tflite(tflite为了完成部署到移动端)
用户10559524
2023/05/10
3460
COCO 数据集目标检测等相关评测指标
[3] - APAPAP (所有 10 个 IoU 阈值和全部 80 个类别的平均值) 作为最终 COCO竞赛胜者的标准. 在考虑目标检测器再 COCO 上的性能时,这是单个最重要的评价度量指标.
AIHGF
2019/02/27
14.8K0
【pytorch-ssd目标检测】验证自己创建的数据集
制作类似pascal voc格式的目标检测数据集:https://www.cnblogs.com/xiximayou/p/12546061.html
西西嘛呦
2020/08/26
1K0
【pytorch-ssd目标检测】验证自己创建的数据集
基于Aidlux平台的工业视觉缺陷检测
工业视觉缺陷检测是一种利用计算机视觉技术,对工业制品进行自动化检测,以识别和分类可能存在的缺陷的方法。它是现代工业生产中的重要环节,可以大大提高生产效率,降低产品缺陷率,提高产品质量。
用户10686717
2023/09/08
3800
项目实践 | 行人跟踪与摔倒检测报警
本项目的目的是为了给大家提供跟多的实战思路,抛砖引玉为大家提供一个案例,也希望读者可以根据该方法实现更多的思想与想法,也希望读者可以改进该项目种提到的方法,比如改进其中的行人检测器、跟踪方法、行为识别算法等等。
OpenCV学堂
2021/02/22
1K0
项目实践 | 行人跟踪与摔倒检测报警
目标检测中AP和mAP计算详解(代码全解)
✔️ 准确率=预测正确的样本数/所有样本数,即预测正确的样本比例(包括预测正确的正样本和预测正确的负样本,不过在目标检测领域,没有预测正确的负样本这一说法,所以目标检测里面没有用Accuracy的)。
小草AI
2019/11/01
6.3K0
目标检测中AP和mAP计算详解(代码全解)
目标检测4: Detection基础之mAP
前面目标检测1: 目标检测20年综述之(一)和目标检测2: 目标检测20年综述之(二)让大家对目标检测有个大概的认识,机器学习评价指标合辑(Precision/Recall/F1score/P-R曲线/ROC曲线/AUC)介绍了基础的评价指标,如Precision、Recall、F score等概念,目标检测3: Detection基础之IoU中介绍了目标检测的评价指标IoU,接下来我们介绍目标检测最重要的评价指标mAP。
枫桦
2022/08/02
1K0
目标检测4: Detection基础之mAP
ByteTrack注释详解
最近有用到多目标追踪 Multi Object Tracking 的东西,看过了经典的 DeepSort 源码之后觉得 tracking 挺有意思的也挺有挑战的,ByteTrack 是多目标追踪里面一个相对比较新的的追踪器 (ECCV2022),也比较简单,这里就对源码做一些注释,仅供日后复习参考。
棒棒鸡不棒
2022/09/08
3.9K0
Github 项目- 基于YOLOV3 和 DeepSort 的实时多人追踪
原文:Github 项目- 基于YOLOV3 和 DeepSort 的实时多人追踪 - AIUAI
AIHGF
2019/02/27
5.7K0
Github 项目- 基于YOLOV3 和 DeepSort 的实时多人追踪
Yolov8 源码解析(四十二)
ApacheCN_飞龙
2024/09/13
3980
目标检测mAP计算方式
目标检测中常见的mAP计算说起来比较麻烦,所以结合VOC的计算代码进行一次详细的解析。
泽霖
2023/11/26
5180
目标检测模型的评价标准-AP与mAP
为了了解模型的泛化能力,即判断模型的好坏,我们需要用某个指标来衡量,有了评价指标,就可以对比不同模型的优劣,并通过这个指标来进一步调参优化模型。对于分类和回归两类监督模型,分别有各自的评判标准。
h3110_w0r1d
2025/02/04
1980
使用OpenCV和YOLOv8制作目标检测器(附源码)
YOLO(You Only Look Once)是由Joseph Redmon和Ali开发的一种对象检测和图像分割模型。
小F
2023/09/19
3.1K1
使用OpenCV和YOLOv8制作目标检测器(附源码)
推荐阅读
相关推荐
【目标跟踪】多目标跟踪sort (python 代码)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验