五、AI编程

一、学习目标

1. 掌握 Cursor Rules 的定义与配置方式
2. 熟悉 Cursor 编辑器的主要功能与使用方法
3. 掌握多张 Excel 报表处理、疫情实时监控两个实战案例的实现流程
4. 学会 Trae、CodeBuddy 等 AI 编程工具的基础使用
5. 了解主流 AI 编程工具的特点与适用场景

二、AI 编程工具概述

2.1 主流 AI 编程工具分类

表格

地域	工具名称	开发主体	核心定位
国外	Cursor	第三方团队	基于 VSCode 的 AI 代码编辑器，主打多文件协同与 AI 深度集成
国外	Claude Code	Anthropic	大模型原生代码辅助工具，推理能力强
国外	Codex	OpenAI	专注代码生成与补全，适配多语言
国内	Trae	字节跳动	AI 驱动的集成开发环境，主打 Builder 模式与多模态
国内	Lingma	阿里巴巴	2025 年 6 月发布的 AI 编程 IDE，强调整体工程化能力
国内	Code Buddy	第三方	轻量级 AI 编程辅助工具
国内	Qoder	第三方	代码生成与调试工具

2.2 核心工具 - Cursor 编辑器

1. 官方地址：https://cursor.com/
2. 基础特性：基于 VSCode 开发，将 AI 辅助编码融入编辑器核心功能，可理解整个工程代码，支持同时修改多个文件
3. 核心价值：通过 AI 能力提升编码生产力，支持自定义 AI 行为，是 AI 编写代码的主流工具之一
4. 关键配置：可通过.cursorrules文件定制 AI 的行为模式

三、Cursor Rules 核心知识点

3.1 定义

Cursor Rules 是用于定制 AI 行为的规则体系，能让 AI 的编码输出符合开发者的编码风格、项目技术规范与业务需求，是 Cursor 实现个性化 AI 辅助的核心配置。

3.2 两种规则类型

3.2.1 全局规则

1. 配置位置：Cursor 设置 → 通用 → AI 规则
2. 作用范围：适用于所有项目，全局生效
3. 适用场景：设置个人编码偏好、通用编码规范，保证 AI 行为在不同项目中的一致性
4. 示例规则：
   • 所有新代码使用 TypeScript
   • 遵循代码整洁之道
   • 优先使用 async/await 而不是回调
   • 编写完善的错误处理

3.2.2 项目规则

1. 存储形式：以.mdc 格式存储在项目根目录的.cursor/rules目录（或.cursorrules文件）中

2. 配置方式：Cursor 设置 → 通用 → 项目规则 → 添加新规则

3. 作用范围：仅对当前特定项目生效

4. 核心作用：帮助 AI 理解项目代码库结构，严格遵循项目专属的技术规范、文件结构与开发要求

5. 示例规则

   # 文件模式:*.tsx, *.ts
   ## React 规范
   - 使用函数组件
   - 实现完整的prop类型
   - 遵循React最佳实践
   ## 样式
   - 使用Tailwind CSS
   - 遵循团队样式指南
   @file ../tsconfig.json
   @file ../tailwind.config.js
   

3.3 规则优先级

项目规则 > 全局规则：若项目中存在.cursorrules文件，项目规则会覆盖全局规则中冲突的内容，无冲突则二者叠加生效。

3.4 通用规则示例（基础开发约束）

1. 完成指定功能即可，尽量不修改其他无关功能
2. 生成的注释使用中文，编码格式为 UTF-8
3. 生成代码后需检查中文乱码，存在则及时修正
4. 修改函数实现时，先理解原有逻辑，在原基础上修改，保留原有逻辑不随意移除

思考疑问

1. 项目规则的.mdc 格式有哪些语法规范？是否支持导入外部配置文件的更多语法？
2. 当全局规则与项目规则存在冲突时，如何快速定位冲突点？
3. 大型项目中，项目规则的编写是否有最佳实践，如何避免规则冗余？

四、Cursor 的核心功能

4.1 四种核心工作模式

4.1.1 Agent（智能体模式）

1. 核心能力：完整的自主智能体，支持同时编辑多文件，可独立执行多步骤开发任务
2. 关键特性：自动运行终端命令、执行代码测试、分析报错信息并迭代修复 Bug；Background Agent 支持后台并行处理任务，无需等待
3. 适用场景：端到端的自动化开发任务，如简单功能的全流程实现、批量代码修改

4.1.2 Plan（规划模式）

1. 核心流程：AI 先分析开发需求 → 制定详细的修改计划（包含文件修改清单、具体变更说明）→ 等待用户审阅确认后再执行代码修改
2. 核心价值：将决策控制权交还给用户，避免 AI 直接修改代码导致的风险
3. 适用场景：大型代码库重构、高风险的代码修改、复杂功能的开发规划

4.1.3 Debug（调试模式）

1. 核心能力：粘贴报错信息后，AI 自动分析堆栈信息、定位问题根因、提供针对性修复方案，支持自动应用修复补丁
2. 关键特性：支持多轮追问，可深挖问题本质，逐步定位隐藏的逻辑 Bug
3. 适用场景：解决编译错误、运行时异常、代码逻辑 Bug 等调试场景

4.1.4 Ask（询问模式）

1. 核心能力：纯咨询式 AI 辅助，不修改任何代码，仅提供技术解答
2. 适用场景：解释代码逻辑、学习新技术点、讨论系统架构方案、审查代码质量
3. 核心价值：最安全的 AI 探索性使用方式，适合技术调研与问题咨询

思考疑问

1. Agent 模式的后台并行处理是否有资源限制，如何避免占用过多系统资源？
2. Plan 模式生成的修改计划是否支持导出为文档，方便团队评审？
3. Debug 模式对哪些编程语言 / 框架的报错分析支持更友好，是否存在适配短板？

4.2 三大核心操作功能

1. 跨文件编辑（Cmd/Ctrl + I）：AI 协助创建、修改代码，支持多文件协同编辑，适合复杂项目开发
2. 聊天功能（Cmd/Ctrl + L）：与 AI 交流开发方案、解释代码逻辑，支持多轮对话
3. 提示框功能（Cmd/Ctrl + K）：向 AI 提出具体指令，让其执行特定的编码 / 分析功能
4. 附加特性：拥有较高的文件管理权限，可查看文件夹下所有文件并进行编辑 / 创建；可在文件夹 / Notepads 中添加项目背景说明，让 AI 更理解项目上下文

4.3 模型选择与配置

4.3.1 运行模式选项

1. Auto（自动模式）：根据任务复杂度智能选择模型，简单补全调用轻量模型，复杂代码生成自动切换大模型，兼顾效率与效果
2. MAX Mode（极限模式）：解锁最大上下文窗口和最强计算能力，适合超大规模代码库分析、复杂架构设计
3. Use Multiple Models（多模型协同）：同时调用多个模型，对比结果或分工处理（如一个模型做规划，一个模型执行编码），取最优解

4.3.2 主流支持模型及特点

表格

模型名称	开发 / 合作方	核心特点	适用场景
Composer 2	Cursor + 月之暗面（Kimi）	基于 Kimi K2.5 构建，性能接近 Claude Opus 4.6	多文件编辑、Agent 自动化任务
Composer 1.5	Cursor 自研 / 特调	专为多文件编辑和 Agent 任务优化，平衡质量与成本	日常项目的 AI 辅助开发
Opus 4.6	Anthropic	旗舰大模型，推理能力最强，擅长复杂算法、架构设计、长上下文理解	高难度编码、复杂架构设计
Opus 4.6 Fast	Anthropic	Opus 快速版本，响应更快，推理能力略有妥协	常规开发且追求响应速度的场景
Sonnet 4.5	Anthropic	性价比之选，速度与质量平衡	日常编码、调试、文档编写
GPT-5.2	OpenAI	最新模型，在 Python/JS 等语言、主流框架上有优势	特定语言 / 框架的开发任务
GPT-5.2 Codex	OpenAI	代码专用优化模型，擅长语法逻辑、测试生成、代码审查	代码审查、单元测试生成

4.3.3 模型选择最佳实践

1. 日常开发：优先选择 Sonnet 4.5 或 Auto 模式
2. 复杂重构 / 高难度任务：选择 Opus 4.6
3. 需 OpenAI 专属能力：切换为 GPT-5.2/GPT-5.2 Codex

4.3.4 Composer 2 相关争议

1. 发布背景：2026 年 3 月 19 日 Cursor 高调发布，宣称自研模型，性能超越 Claude Opus 4.6
2. 争议点：开发者发现模型 ID 为 kimi-k2p5-rl-0317-s515-fast，马斯克评论证实基于 Kimi K2.5，Cursor 初期未标注合作信息，引发 "虚假自研" 质疑
3. 官方结果：Cursor 创始人承认基于 Kimi K2.5，Kimi 官方确认授权合作
4. 开源协议约束：Kimi K2.5 为 Modified MIT 协议，要求年收入超 2000 万美元 / 月的商业产品，需在 UI 显著位置标注 "Powered by Kimi K2.5"（Cursor 年营收 20 亿美元，初期未遵守）

4.3.5 第三方模型配置（以 DeepSeek 为例）

1. 配置路径：File → Preferences → Cursor Settings → Models
2. 操作步骤：
   • 点击 Add Models，创建 deepseek-r1 和 deepseek-v3 模型
   • 打开 OpenAI API Key 配置项，填写第三方 API 地址与密钥
   • 示例配置：Override OpenAI Base URL 为http://chatapi.littlewheat.com/v1，填写对应的 sk 密钥

思考疑问

1. 多模型协同模式下，如何分配各模型的任务，是否支持自定义分工规则？
2. Cursor 的模型上下文窗口大小分别是多少，对超长篇代码的分析是否有上限？
3. 配置第三方模型后，与 Cursor 原生模型的使用体验有何差异，是否存在兼容性问题？

五、国内主流 AI 编程工具使用

5.1 Trae 编辑器（字节跳动）

1. 官方地址：https://www.trae.com.cn/
2. 核心定位：AI 驱动的集成开发环境（The Real AI Engineer）
3. 当前福利：目前免费使用，无付费门槛
4. 核心特性：
   • Builder 模式：核心亮点，可自主拆解开发需求，自动完成多轮编码任务，从想法描述到功能实现端到端完成
   • 多模态支持：支持上传图像，AI 可理解图像内容并生成相关代码
   • 内置丰富模型：Doubao-Seed-Code、Qwen3-Coder-Plus、Claude-3.7-sonnet 等

5.2 Lingma 编辑器（阿里巴巴）

1. 官方地址：https://lingma.aliyun.com/download
2. 发布时间：2025 年 6 月
3. 四大核心特性：
   • 编程智能体（Agent）模式：自主决策任务步骤，无需人工逐步指导；自动调用工程检索、文件编辑、终端等工具，实现端到端任务完成；集成魔搭 MCP 广场 2400 + 服务，涵盖数据库、搜索、地图等十大领域
   • 长期记忆能力：记录开发者代码风格偏好（命名、缩进等）；理解项目架构、模块关系、历史问题；越用越懂开发者，自动更新记忆；支持团队知识传承，新成员交接成本降低 40%
   • NES 行间预测：预判开发者编辑意图，不仅补全当前代码，还能预测下一步编辑位置和内容；实现 AI 从 "被动响应" 到 "主动协作" 的转变；多语言支持，特别增强 Go 语言适配
   • 中文技术栈优化：对微信小程序、uni-app、ThinkPHP 等国内主流框架有深度理解，适配性更强

思考疑问

1. Trae 的 Builder 模式是否支持自定义任务拆解规则，适配企业级复杂项目？
2. Lingma 的长期记忆能力如何保证数据安全，是否支持清除项目 / 个人记忆？
3. Trae 和 Lingma 作为国内工具，在中文提示词的理解上，与 Cursor 相比有哪些优势？

六、实战案例一：多张 Excel 报表处理

6.1 需求目标

将员工基本信息表.xlsx与员工绩效表.xlsx进行合并，在员工基本信息表基础上，添加员工 2024 年第 4 季度的绩效评分。

6.2 数据结构

6.2.1 员工基本信息表

包含字段：员工 ID、姓名、性别、部门、入职日期

6.2.2 员工绩效表

包含字段：员工 ID、年度、季度、绩效评分

6.3 基于 Cursor 的实现步骤

Step1：环境准备与项目初始化

1. 下载并安装 Cursor，打开对应的项目文件夹
2. 配置 Python 编译环境，安装必要扩展（Python、Python Debugger 等）
3. 确认项目中存在两个 Excel 源文件

Step2：读取 Excel 文件字段，确认数据结构

1. 通过 Cursor 的跨文件编辑 / 提示框功能，编写 Python 代码读取 Excel 列名

2. 核心依赖：pandas（数据处理）、openpyxl（Excel 文件解析）

3. 核心代码：

   import pandas as pd
   # !pip install openpyxl pandas 安装依赖库(如果尚未安装)
   def read_excel_columns(file_path):
       """读取Excel文件并返回列名"""
       try:
           df = pd.read_excel(file_path,engine='openpyxl')
           return df.columns.tolist()
       except Exception as e:
           print(f"读取文件{file_path}时出错:{e}")
           return[]
   # 读取两个表的字段
   basic_info_columns=read_excel_columns("员工基本信息表.xlsx")
   performance_columns= read_excel_columns("员工绩效表.xlsx")
   print("员工基本信息表字段:", basic_info_columns)
   print("员工绩效表字段:", performance_columns)
   

4. 运行代码，确认字段无错误，为后续合并做准备

Step3：编写代码合并两张数据表

1. 向 Cursor 下达指令：将两张 Excel 合并，在员工基本信息表.xlsx 的基础上，增加该员工 2024 年第 4 季度的绩效评分

2. 核心处理逻辑：

   • 读取两个 Excel 的完整数据
   • 过滤绩效表中 2024 年第 4 季度的数据，仅保留员工 ID 和绩效评分字段
   • 以员工基本信息表为左表，通过员工 ID 进行左连接，保证所有员工信息不丢失
   • 对无绩效数据的员工，填充 "暂无数据"
   • 将绩效评分列重命名为 "2024Q4 绩效评分"，提升可读性

3. 核心代码：

   import pandas as pd
   from datetime import datetime
   def merge_employee_data():
       try:
           # 读取原始数据
           basic_df= pd.read_excel("员工基本信息表.xlsx",engine='openpyxl')
           performance_df= pd.read_excel("员工绩效表.xlsx",engine='openpyxl')
           # 过滤2024年第4季度绩效数据
           q4_2024 = performance_df[(performance_df['年度']==2024) & (performance_df['季度']==4)]
           # 合并数据(左连接以保留所有员工)
           merged_df=pd.merge(
               basic_df,
               q4_2024[['员工ID','绩效评分']],# 只保留需要的字段
               on='员工ID',
               how='left'
           )
           # 处理空值并重命名列
           merged_df['绩效评分']=merged_df['绩效评分'].fillna('暂无数据')
           merged_df.rename(columns={'绩效评分':'2024Q4绩效评分'},inplace=True)
           # 生成带时间戳的文件名
           timestamp=datetime.now().strftime("%Y%m%d%H%M%S")
           output_file=f"员工信息综合表_{timestamp}.xlsx"
           # 保存合并后的数据
           merged_df.to_excel(output_file, index=False, engine='openpyxl')
           print(f"数据合并完成，保存为：{output_file}")
           return merged_df
       except Exception as e:
           print(f"数据合并出错：{e}")
           return None
   # 执行合并
   merge_employee_data()
   

4. 运行代码，生成带时间戳的合并后文件，完成需求

6.4 关键结论与拓展思考

1. 无编程基础也可实现：无需手写 Python 代码或 Excel 的 Vlookup 函数，通过向 Cursor 下达自然语言指令，即可完成复杂的 Excel 数据处理
2. 过程可控：业务人员可从需求和结果层面把控，若想了解处理过程，可通过 Cursor 的 Chat 模式与 AI 交流
3. 工具无限制：无需限制 AI 使用的工具 / 库，AI 会自动选择最优的实现方式

思考疑问

1. 若 Excel 文件存在多个 sheet，Cursor 能否自动识别并处理指定 sheet 的数据？
2. 当数据量过大（如十万级行数据）时，该实现方式是否存在性能问题，如何优化？
3. 若两个表的员工 ID 存在重复值，AI 会如何处理，是否需要提前制定去重规则？

七、实战案例二：疫情实时监控大屏搭建

7.1 需求目标

基于香港各区疫情数据文件data.xlsx（后重命名为香港各区疫情数据_20250322.xlsx），搭建疫情实时监控可视化大屏，实现疫情数据的多维度展示与分析，技术栈为Flask + ECharts。

7.2 数据结构

1. 数据规模：总行数 3240 行，包含香港 18 个行政区的每日疫情数据
2. 核心字段：报告日期、地区名称、新增确诊、累计确诊、现存确诊、新增康复、累计康复、新增死亡、累计死亡、发病率 (每 10 万人)、人口、风险等级
3. 数据时间范围：2022 年 1 月起的每日疫情数据

7.3 大屏核心展示需求

1. 确诊病例数：每日新增与累计确诊数据的可视化
2. 地理分布图：香港各区疫情分布及热点区域标识
3. 趋势分析图：病例增长趋势、增长率变化图表
4. 其他：核心指标展示、区域疫情对比、风险等级预警等

7.4 基于 Cursor 的实现步骤

Step1：数据探查，确认数据结构

1. 向 Cursor 下达指令：编写 Python，查看香港各区疫情数据_20250322.xlsx 的字段和前 20 行数据
2. 运行代码，确认字段无缺失、数据格式无错误，获取数据基本信息（总行数、字段类型、数据范围等）

Step2：大屏设计方案规划

通过 Cursor 的Ask（Chat）模式，向 AI 提出需求：创建疫情可视化大屏，使用 ECharts，包含确诊病例数、地理分布图、趋势分析图，安排适合的图表并设计大屏布局，AI 输出完整的大屏设计方案，核心包含：

7.4.1 大屏总体布局

分区块布局：顶部标题栏（大屏名称 + 更新时间）+ 中心区域（地图 + 主要图表）+ 两侧辅助区域（关键指标）+ 底部趋势区（长期趋势分析）

7.4.2 具体图表规划

1. 核心指标展示（顶部卡片）：今日新增确诊、累计确诊总数、当前活跃病例、累计康复人数、累计死亡人数、重点关注区域
2. 地理分布图（中心左侧）：香港地区热力图，支持鼠标悬停查看详情、点击下钻区域数据
3. 每日新增与累计确诊数据（中心右侧上部）：双 Y 轴折线 + 柱状图（左 Y 轴：每日新增 <柱状>，右 Y 轴：累计确诊 < 折线 >），添加 7 日移动平均线
4. 各区域疫情对比（右侧中部）：横向柱状图，按确诊数排序，按风险等级配色，支持指标切换（累计 / 新增 / 发病率）
5. 趋势分析图（底部）：确诊病例增长率变化曲线（含移动平均线）、活跃病例趋势图（可叠加康复 / 死亡趋势）
6. 风险预警看板（右下角）：风险等级分布饼图、高增长率区域列表、医疗资源紧张程度指示器

7.4.3 交互功能设计

时间选择器、区域筛选器、数据下钻、指标对比、数据导出等

Step3：技术栈落地，搭建 Flask+ECharts 项目

1. 向 Cursor 下达指令：按照大屏设计方案，完成 flask + echarts 的可视化大屏搭建

2. AI 自动执行以下操作：

   • 规划项目目录结构：创建 static（css/js/images）、templates 目录，分别存放静态资源与 HTML 模板
   • 编写核心 Flask 应用文件app.py：实现数据加载、接口编写（提供大屏所需的各类数据接口）
   • 编写 HTML 模板index.html：搭建大屏页面结构，引入 ECharts 与 CSS/JS 文件
   • 编写 CSS 样式文件dashboard.css：实现大屏的样式布局、配色、响应式设计
   • 编写 JavaScript 文件dashboard.js：实现 ECharts 图表的初始化、数据加载、渲染与交互逻辑

3. 核心项目结构：

   ├── app.py               # Flask核心应用
   ├── 香港各区疫情数据_20250322.xlsx  # 数据源
   ├── static/
   │   ├── css/
   │   │   └── dashboard.css  # 样式文件
   │   └── js/
   │       ├── dashboard.js   # 图表逻辑
   │       └── hongkong.json  # 香港地图GeoJSON数据
   └── templates/
       └── index.html        # 大屏页面模板
   

Step4：运行项目并调试优化

1. 运行指令：python app.py runserver，访问http://127.0.0.1:5000查看大屏效果
2. 针对问题逐步优化，通过 Cursor 的 Chat 模式下达精细化修改指令，核心优化点：
   • 布局问题：右侧图表重叠，修改 CSS 的 grid 布局，调整行 / 列尺寸与间距，开启页面滚动
   • 中文乱码：优化 ECharts 与页面的编码设置，确保中文正常显示
   • 地图未显示：从阿里云 DataV.GeoAtlas 获取香港地图 GeoJSON 数据，创建 hongkong.json 文件，在 ECharts 中注册并加载地图
   • 地图样式问题：优化地图背景色、边界样式、热力图配色，参考百度地图风格提升美观度
   • 地图数据问题：解决区域间空隙、区域重叠问题，优化 GeoJSON 数据的坐标精度，补充边界坐标点
   • 交互问题：完善鼠标悬停、点击、筛选等交互功能，保证操作流畅

7.5 大屏最终实现效果

1. 核心指标卡片实时展示关键疫情数据，带更新时间戳
2. 香港地图热力图清晰展示各区疫情分布，支持悬停查看详情
3. 多维度图表展示疫情趋势，支持指标切换与时间筛选
4. 风险预警看板直观展示各区风险等级分布，标注高风险区域
5. 所有图表交互流畅，数据联动一致

7.6 关键结论与实操要点

1. Cursor 的全流程辅助：从需求分析、方案设计、代码编写到调试优化，AI 可实现端到端的大屏搭建辅助，无需手动编写大量代码
2. Chat 模式适合精细化调修：针对布局、样式、交互等细节问题，使用 Ctrl+L 的 Chat 模式向 AI 下达自然语言指令，比直接的代码编辑模式更高效
3. 第三方资源整合：AI 会自动搜索并整合第三方资源（如阿里云 GeoJSON 地图数据），解决技术实现中的资源依赖问题
4. 细节需逐步调优：AI 生成的初始版本可能存在样式、布局、数据展示的细节问题，需要通过多轮指令逐步精细化调修，部分问题（如地图坐标精度）可能需要手动辅助优化

思考疑问

1. 若需要实现大屏数据的实时更新，如何基于现有框架改造，Cursor 能否提供对应的实现方案？
2. ECharts 的香港地图热力图，如何根据发病率 / 新增确诊等不同指标动态切换配色？
3. 若数据源为数据库（如 MySQL）而非 Excel，如何修改 Flask 代码实现数据的实时查询，AI 是否支持数据库操作的代码生成？

八、核心总结与关键收获

8.1 Cursor 核心使用要点

1. 掌握Cursor Rules的配置，通过全局 / 项目规则让 AI 适配个人 / 团队编码风格，是提升 AI 辅助效率的关键
2. 根据任务类型选择合适的工作模式：自动化任务用 Agent、高风险修改用 Plan、调试 Bug 用 Debug、技术咨询用 Ask
3. 熟练使用三大快捷键：Cmd/Ctrl+I（跨文件编辑）、Cmd/Ctrl+L（聊天）、Cmd/Ctrl+K（提示框），提升操作效率
4. 根据任务复杂度选择合适的模型，日常开发用 Sonnet 4.5/Auto，复杂任务用 Opus 4.6，兼顾效率与效果

8.2 AI 编程工具的核心价值

1. 提效降本：将开发者从重复的编码、调试、数据处理工作中解放，专注于需求分析、架构设计等核心工作
2. 降低门槛：无编程基础 / 弱编程基础的人员，可通过自然语言指令实现复杂的技术需求（如 Excel 处理、可视化大屏搭建）
3. 端到端辅助：从需求分析、方案设计到代码编写、调试优化，AI 可实现全流程的开发辅助
4. 资源整合：AI 可自动搜索、整合第三方资源 / 工具，解决技术实现中的各类依赖问题

8.3 实战核心思路

1. 需求明确：向 AI 下达清晰、具体的自然语言指令，明确需求目标、技术栈、输出要求
2. 分步实现：将复杂需求拆分为多个步骤，逐步向 AI 下达指令，实现分步验证、分步优化
3. 过程把控：通过 AI 的反馈确认每一步的实现结果，若不符合预期，及时补充指令修正
4. 细节调优：利用 AI 的 Chat 模式进行精细化调修，针对样式、布局、交互等细节问题提出具体的修改要求

8.4 国内工具的优势

国内 AI 编程工具（Trae、Lingma）更适配中文提示词、国内主流技术栈（微信小程序、uni-app 等），且部分工具免费使用，同时具备本土化的功能设计（如 Lingma 的团队知识传承、Trae 的 Builder 模式），适合国内开发者的使用习惯。