AgentHubAgentHub

使用场景/Cursor 开发必备

Cursor 必备 MCP 组合推荐

面向 Cursor 用户的入门组合:文件、GitHub、文档、浏览器。快速搭建 AI 编程工作流。

共匹配 6,595 个资源 · 第 43 / 138 页

什么是Cursor 开发必备?

Cursor 对 MCP 的支持是原生且开箱即用的:在 Settings → MCP 或项目根的 .cursor/mcp.json 中粘贴一段 JSON 即可接入任意 MCP Server。搭配 AgentHub 的一键配置生成器,从发现到接入通常不超过一分钟。

推荐的入门组合覆盖四类高频需求:Filesystem(读写项目文件)、GitHub(PR / Issue / diff)、Context7(最新框架文档,减少幻觉)、Playwright(浏览器验证与 E2E)。之后再按业务补充数据库、抓取或国内服务类 MCP。

本页列出的每个资源都附带 Cursor 专用配置片段:在 AgentHub 打开资源详情页 → 选择 Cursor Tab → 复制 JSON 粘贴即可,安装命令与鉴权环境变量一并给出。

适合做什么

  • 全栈开发
  • 开源贡献
  • 学习新框架
  • 小型自动化脚本

不太适合

  • 纯对话无代码场景
  • 不允许本地进程的企业环境
常见组合: Filesystem + GitHub + Context7 + Playwright

相关资源

查看全部 →

CI 预检运行

SkillSkillsMP

推送前用 `hogli ci:preflight` 拦截你 diff 可触及的确定性 CI 失败。当 pre-push 钩子阻止推送、报告任务完成之前,或编辑过 Python、序列化器、迁移、工作流与依赖清单后使用——避免把 CI 矩阵烧在本地就能拦住的问题(格式、lint、损坏的锁文件、OpenAPI 漂移、迁移冲突、陈旧分支)上。触发词:ci:preflight、preflight、pre-push checks、pre-push hook failed、“will this break CI”。

source

配置自定义 REST 数据源

SkillSkillsMP

通过编写 JSON manifest,把任意 REST API 作为 Custom 源接入 PostHog 数据仓库,无需按源写代码。当用户指向一个没有 PostHog 内置连接器的 API——“从这个 REST API 导入数据”“同步我的内部 API”“根据文档连接这个 API”“构建自定义数据仓库源”——并给出文档 URL 或对端点的自然语言描述时使用。逐步讲解起草 RESTAPIConfig manifest(认证——bearer、API key、HTTP basic 或 OAuth2 客户端凭据/刷新令牌——分页、记录路径、增量游标、父子扇出)、校验、实际读取线上数据行以确认字段映射,并创建数据源。若该 API 已有 PostHog 原生连接器,请改用 setting-up-a-data-warehouse-source——本技能会先查连接器注册表,只处理没有原生连接器的 API。

source

堆栈符号化诊断

SkillSkillsMP

帮助用户调试 PostHog Error Tracking 在任意受支持平台上的堆栈跟踪符号化——JavaScript/TypeScript Web、React Native(Hermes)、Android(Proguard / R8)或 iOS / macOS(dSYM)。PostHog 的 symbol-set 查询流程跨平台通用;构建工具与产物细节见各平台参考文档(JavaScript 篇已完善,其余将随问题出现逐步补充)。当上传符号后堆栈帧仍是压缩混淆的、symbol set 显示 last_used 但帧不可读、chunk ID 或 dSYM UUID 不匹配、出现“Token not found”、上传的 source maps / dSYMs / Proguard 映射看似为空,或需要排查打包器/符号上传配置时使用。

source

Fabric 数仓查询 CLI

SkillSkillsMP

通过 CLI 对 Fabric Data Warehouse、Lakehouse SQL Endpoint 和 Mirrored Database 执行只读 T-SQL 查询。对任何 lakehouse 数据查询(行数、SELECT、过滤、聚合)的默认技能,除非用户明确要求 PySpark 或 Spark DataFrame。当用户想要:(1) 查询 warehouse/lakehouse 数据;(2) 统计行数或探索 lakehouse 表;(3) 发现 schema/列;(4) 生成 T-SQL 脚本;(5) 监控 SQL 性能;(6) 导出结果为 CSV/JSON。针对 Fabric notebook 单元格(%%sql 或其他 notebook magic)请使用 `spark-authoring-cli` 而非本技能。触发语:warehouse、SQL query、T-SQL、query warehouse、show warehouse tables、show lakehouse tables、query lakehouse、lakehouse table、how many rows、count rows、SQL endpoint、describe warehouse schema、generate T-SQL script、warehouse performance、export SQL data、connect to warehouse、lakehouse data、explore lakehouse。

source

本地 AI Agent local-ai-agents

SkillSkillsMP

使用 Microsoft Foundry Local 与 Qwen 函数调用模型,构建完全在开发者工作站上运行的本地优先 AI agent。涵盖小语言模型(SLM)、OpenAI 兼容的本地端点、沙箱化本地工具、基于 Chroma 的本地 RAG、本地 MCP server、云/本地混合路由,以及隐私/成本/离线的权衡取舍。基于《AI Agents for Beginners》第 17 课。适用于:本地运行 agent、离线 agent、端侧 agent、Foundry Local、Qwen 函数调用、本地工具调用、本地 RAG、Chroma 向量数据库、本地 MCP server、注重隐私的 agent、本地与云混合 agent、小语言模型 agent、本机上的工程助手。不适用于:大规模云端 agent 部署(用 deploying-scalable-agents / 第 16 课)、初次构建 agent 概念(第 01 课)、Foundry(云端)托管 agent、GPU 集群/服务端推理资源开通。

source

部署可扩展 Agent deploying-scalable-agents

SkillSkillsMP

把可用的 agent 原型带至 Microsoft Foundry 上可扩展、可观测的生产部署。涵盖部署模式(客户端托管、托管 agent、agent 工作流)、agent 生命周期、模型路由、响应缓存、评估门禁、人工审批环节、基于 OpenTelemetry 的可观测性、成本优化,以及用 AI Smoke Test 动作对已部署 agent 做冒烟测试。基于《AI Agents for Beginners》第 16 课。适用于:将 agent 部署到生产、为 agent 扩容、Microsoft Foundry 托管 agent、Foundry Agent Service、模型路由、响应缓存、评估门禁、发布门禁、人工审批工作流、agent 可观测性、agent 追踪、agent 成本优化、对托管 agent 做冒烟测试、生产客服 agent。不适用于:初次构建 agent(请从第 01 课开始)、在本地设备上运行 agent(用 local-ai-agents / 第 17 课)、与 agent 无关的 Azure 基础设施开通、非 Foundry 的部署目标。

source

Azure OpenAI 迁移 Responses API azure-openai-to-responses

SkillSkillsMP

将 Python 应用从 Azure OpenAI Chat Completions 迁移到 Responses API。涵盖 AzureOpenAI/AsyncAzureOpenAI 客户端向 v1 端点的迁移、流式输出、工具、结构化输出、多轮对话、EntraID 认证与模型兼容性检查。聚焦 Python,针对 Azure OpenAI。适用于:迁移到 Responses API、从 chat completions 切换、openai responses、升级 openai SDK、Responses API 迁移、从 completions 转向 responses、gpt-5 迁移、azure openai python 迁移、chat completions 转 responses、AzureOpenAI 转 OpenAI 客户端、python azure openai 升级。不适用于:从零构建新应用(直接用 responses)、Node/TypeScript/C#/Java/Go 迁移(本 skill 仅支持 Python)、Azure 基础设施搭建(用 azure-prepare)、部署模型(用 microsoft-foundry)。

source

Azure OpenAI 迁移 Responses API azure-openai-to-responses

SkillSkillsMP

将 Python 应用从 Azure OpenAI Chat Completions 迁移到 Responses API。涵盖 AzureOpenAI/AsyncAzureOpenAI 客户端向 v1 端点的迁移、流式输出、工具、结构化输出、多轮对话、EntraID 认证与模型兼容性检查。聚焦 Python,针对 Azure OpenAI。适用于:迁移到 Responses API、从 chat completions 切换、openai responses、升级 openai SDK、Responses API 迁移、从 completions 转向 responses、gpt-5 迁移、azure openai python 迁移、chat completions 转 responses、AzureOpenAI 转 OpenAI 客户端、python azure openai 升级。不适用于:从零构建新应用(直接用 responses)、Node/TypeScript/C#/Java/Go 迁移(本 skill 仅支持 Python)、Azure 基础设施搭建(用 azure-prepare)、部署模型(用 microsoft-foundry)。

source

本地任务代理运行调试

SkillSkillsMP

调试本地 PostHog 任务运行的输出——向导云运行路径:在本地 Temporal `process-task` 工作流下于 Docker 沙箱中执行(先由向导集成 PostHog,再由编码代理提交并开 PR)。当本地运行卡住、失败或无输出,或需要读取向导/代理日志时使用。涵盖本地跑云运行所需的 `.env.local` 键与 `ai_features` intent、查找任务 UUID(docker ps、temporal CLI、localhost:8081 的 Temporal UI)、在沙箱容器内实时跟踪日志(`/tmp/posthog-wizard.log`、`/tmp/agent-server.log`),以及沙箱销毁后从对象存储读取按运行持久化的控制台日志。触发词:task-sandbox、run_wizard、agent-server、process-task、SANDBOX_PROVIDER、LLM_GATEWAY、cloud_run、posthog-wizard.log。

source

常见问题

Cursor 里 MCP 配置放在项目还是全局?

两者皆可:项目级 .cursor/mcp.json 随仓库共享给团队,全局 ~/.cursor/mcp.json 对本机所有项目生效。含密钥的配置建议放项目级并加入 .gitignore,或用环境变量引用。

一次接太多 MCP 会影响 Cursor 性能吗?

每个启用的 MCP 都会向上下文注入工具定义,建议按项目启用、用完禁用不常用的服务器,把上下文留给真正需要的工具。

Windows / macOS 配置有区别吗?

JSON 结构相同,差异主要在命令路径与环境变量写法(如 npx 与绝对路径、引号转义)。AgentHub 详情页会区分 stdio 与远程托管(streamable-http/SSE)两类接入方式。

配套安装与配置教程

相关场景