Strategie punktów kontrolnych i rozgałęziania

Poprosiłeś Agenta o refaktoryzację modułu uwierzytelniania. Przepisał sześć plików, zreorganizował importy i zaktualizował trzy pliki testów. Potem zauważyłeś, że zmienił także logikę poolingu połączeń bazy danych — coś, o co nigdy nie prosiłeś. Naciskasz cofnij kilka razy, ale zmiany są przeplatane w plikach i nie możesz wrócić do czystego stanu. Zamykasz Cursor, uruchamiasz git checkout . i tracisz zmiany uwierzytelniania, które faktycznie chciałeś.

Ten scenariusz jest całkowicie możliwy do uniknięcia. System punktów kontrolnych Cursor w połączeniu z zdyscyplinowanym rozgałęzianiem git daje sieć bezpieczeństwa, która pozwala agresywnie eksperymentować bez ryzykowania działającego kodu.

Co wyniesiesz

• Przepływ pracy wykorzystujący automatyczne punkty kontrolne Cursor do cofania niechcianych zmian AI
• Strategię rozgałęziania git zaprojektowaną specjalnie dla rozwoju wspomaganego przez AI
• Techniki łączenia punktów kontrolnych z commitami git dla wielowarstwowego bezpieczeństwa
• Prompty gotowe do skopiowania i wklejenia dla bezpiecznych wzorców eksperymentowania

Jak działają punkty kontrolne Cursor

Za każdym razem, gdy Agent wprowadza zestaw zmian, Cursor automatycznie tworzy punkt kontrolny. Ten punkt kontrolny przechwytuje stan wszystkich zmodyfikowanych plików przed zastosowaniem zmian. Możesz przywrócić dowolny punkt kontrolny, aby cofnąć określony zestaw zmian AI bez wpływu na inną pracę.

Punkty kontrolne są widoczne w historii czatu. Każda odpowiedź Agenta, która zmodyfikowała pliki, ma opcję “Restore”, która przywraca bazę kodu do stanu sprzed tych zmian.

Ograniczenia punktów kontrolnych

Punkty kontrolne są lokalne dla sesji Cursor. Nie są zachowywane między restartami IDE. Nie przechwytują efektów ubocznych terminala (jeśli Agent uruchomił migrację bazy danych, przywrócenie punktu kontrolnego nie cofa migracji). I śledzą tylko zmiany plików — jeśli Agent usunął plik, przywrócenie go przywraca, ale jeśli Agent utworzył nowe pliki, które następnie ręcznie edytowałeś, sprawy się komplikują.

Dlatego same punkty kontrolne nie wystarczają. Potrzebujesz git jako głównej sieci bezpieczeństwa.

Dwuwarstwowa strategia bezpieczeństwa

Warstwa 1 to commity git. Warstwa 2 to punkty kontrolne Cursor. Używaj ich razem:

1. Stwórz gałąź funkcji przed rozpoczęciem jakiejkolwiek pracy wspomaganej przez AI
2. Zatwierdź obecny czysty stan (nawet jeśli to tylko utworzenie gałęzi)
3. Pozwól Agentowi wprowadzić zmiany — Cursor automatycznie tworzy punkty kontrolne
4. Przejrzyj zmiany. Jeśli wyglądają dobrze, zatwierdź je z opisowym komunikatem
5. Jeśli zmiany są częściowo dobre, użyj punktu kontrolnego do przywrócenia, następnie ponownie zapytaj z bardziej konkretnymi instrukcjami
6. Jeśli wszystko poszło źle, git checkout . aby wrócić do ostatniego commitu

Wskazówka

Prompt gotowy do skopiowania i wklejenia dla podglądu zmian przed wykonaniem:

Before you make any changes, tell me your plan. List the files you intend to modify and what changes you will make to each one. Wait for my approval before proceeding.

Używaj tego podczas pracy nad krytycznymi ścieżkami kodu, gdzie chcesz sprawdzić podejście, zanim agent dotknie czegokolwiek.

Rozgałęzianie Git dla rozwoju wspomaganego przez AI

Standardowe rozgałęzianie git działa dla rozwoju AI, ale kadencja jest inna. Z AI generujesz więcej spekulatywnych zmian, które mogą albo wyjść, albo nie. To wymaga częstszych, mniejszych commitów i gotowości do całkowitego odrzucenia gałęzi.

Wzorzec mikro-gałęzi

Zamiast jednej gałęzi funkcji z wieloma commitami, twórz mikro-gałęzie dla każdego eksperymentu AI:

# Główna gałąź funkcji
git checkout -b feature/payment-system

# Mikro-gałąź dla pierwszego eksperymentu AI
git checkout -b feature/payment-system/stripe-approach

# Jeśli działa, scalaj z powrotem
git checkout feature/payment-system
git merge feature/payment-system/stripe-approach

# Jeśli nie działa, odrzuć
git checkout feature/payment-system
git branch -D feature/payment-system/stripe-approach

Ten wzorzec dobrze działa, gdy chcesz, aby Agent wypróbował różne podejścia do tego samego problemu. Uruchom gałąź, pozwól Agentowi pracować, oceń wynik i albo scal, albo odrzuć.

Kadencja commitów dla pracy AI

Zatwierdzaj częściej niż przy ręcznym kodowaniu:

• Przed każdym promptem Agenta — Więc masz czysty punkt przywracania
• Po każdej udanej zmianie Agenta — Zablokuj dobrą pracę natychmiast
• Po ręcznych poprawkach wyjścia AI — Trzymaj swoje udoskonalenia oddzielnie od pracy AI

Wskazówka

Prompt gotowy do skopiowania i wklejenia dla przepływu pracy świadomego commitów:

I am about to ask you to make significant changes. Before you start, run `git status` to confirm there are no uncommitted changes. If there are uncommitted changes, stop and tell me -- I need to commit or stash them first.

Równoległe agenty i drzewa robocze

Cursor obsługuje równoległych agentów działających w izolowanych drzewach roboczych git. Możesz uruchomić ten sam prompt przeciwko wielu modelom jednocześnie, porównać wyniki i zastosować najlepszy.

Konfiguracja drzew roboczych

Cursor automatycznie tworzy i zarządza drzewami roboczymi dla równoległych agentów. Gdy uruchamiasz równoległego agenta, otrzymuje własną kopię bazy kodu. Twoje główne drzewo robocze pozostaje nietknięte, dopóki nie zdecydujesz się zastosować zmian.

Skonfiguruj inicjalizację drzewa roboczego w .cursor/worktrees.json:

{
  "setup-worktree": [
    "npm ci",
    "cp $ROOT_WORKTREE_PATH/.env .env"
  ]
}

Dla projektów Python:

{
  "setup-worktree": [
    "python -m venv venv",
    "source venv/bin/activate && pip install -r requirements.txt",
    "cp $ROOT_WORKTREE_PATH/.env .env"
  ]
}

Best-of-N: wiele modeli, jeden prompt

Wyślij ten sam prompt do dwóch lub więcej modeli i porównaj ich podejścia:

1. Wybierz wiele modeli w rozwijanym menu równoległego agenta
2. Prześlij swój prompt
3. Każdy model pracuje niezależnie w swoim własnym drzewie roboczym
4. Porównaj wyniki obok siebie
5. Kliknij “Apply” na ten, który preferujesz

To jest potężne dla trudnych problemów, gdzie różne modele przyjmują różne podejścia. Możesz również użyć tego do benchmarkowania, który model działa najlepiej dla Twojej bazy kodu.

Uwaga

Drzewa robocze obecnie nie mają wsparcia LSP (Language Server Protocol), więc agenty w drzewach roboczych nie mogą uzyskać dostępu do informacji lintingowych. Uruchom linting sam po zastosowaniu zmian z drzewa roboczego.

Zaawansowane wzorce punktów kontrolnych

Wzorzec przyrostowego commitu

Dla dużych, wieloetapowych funkcji:

1. Poproś Agenta o implementację kroku 1 Twojego planu
2. Przejrzyj zmiany, zatwierdź jeśli dobre
3. Poproś Agenta o implementację kroku 2, budując na zatwierdzonym kroku 1
4. Przejrzyj, zatwierdź
5. Kontynuuj, aż zakończysz

Jeśli krok 3 się nie powiedzie, tracisz tylko pracę kroku 3. Kroki 1 i 2 są bezpiecznie zatwierdzone.

Wzorzec selektywnej akceptacji

Agent często generuje zmiany, które są w 80% poprawne. Zamiast akceptować lub odrzucać wszystko:

1. Przejrzyj diff w widoku zmian Cursor
2. Akceptuj zmiany, które chcesz (kliknij znacznik wyboru na poszczególnych plikach)
3. Odrzuć zmiany, których nie chcesz
4. Zatwierdź zaakceptowane zmiany
5. Ponownie zapytaj Agenta tylko o odrzucone części, będąc bardziej konkretnym

Wskazówka

Prompt gotowy do skopiowania i wklejenia dla ukierunkowanego przerobienia:

Your previous changes to src/services/payment.ts were good and I have accepted them. However, the changes to src/controllers/checkout.ts did not handle the case where the payment provider returns a pending status. Please redo only the checkout controller changes, keeping the payment service as-is. Handle pending status by returning a 202 response with a polling URL.

Kiedy to się psuje

Punkty kontrolne znikają po restarcie Cursor. Są lokalne dla sesji. Zawsze zatwierdzaj ważną pracę do git. Nigdy nie polegaj na punktach kontrolnych jako jedynej sieci bezpieczeństwa.

Agent modyfikuje pliki, które już zatwierdziłeś. Rozpocznij nowy czat dla każdego odrębnego zadania. Długie rozmowy powodują, że agent traci track tego, co zostało zatwierdzone, a co jest nadal w toku.

Konfiguracja drzewa roboczego się nie powodzi. Sprawdź .cursor/worktrees.json pod kątem błędów składni. Debuguj skrypt konfiguracyjny przez panel Output, wybierając “Worktrees Setup” z menu rozwijanego. Użyj pnpm lub bun zamiast npm install dla szybszej inicjalizacji drzewa roboczego.

Konflikty scalania przy zastosowaniu zmian z drzewa roboczego. Cursor oferuje “Full Overwrite” lub natywną rozdzielczość konfliktów. Dla złożonych konfliktów zastosuj zmiany z drzewa roboczego do nowej gałęzi i rozwiąż tam.

Co dalej

• Strategie dla dużych baz kodu — Strategie rozgałęziania mają większe znaczenie w skali
• Głęboka analiza trybów agenta — Tryb Plan tworzy ustrukturyzowane plany przed wykonaniem przez Agenta
• Zarządzanie tokenami — Równoległe agenty konsumują więcej tokenów; zarządzaj kosztami efektywnie