Windsurf 入门指南

Posted on 2025-06-14 :: Updated on 2025-07-28:: AI

为什么是 Windsurf

曾经叫 Codeium, 在 2022 年还是 Github Copilot 的时代即提供支持 VS Code 和 JetBrains 的 AI 编程工具插件; 于 2024 年推出类似于 Cursor 的基于 VS Code 的 IDE Windsurf, 随后将公司更名

免费的基础使用和更便宜的订阅价格
和 Cursor ~~互相抄~~ 功能没太大区别
被 OpenAI 以约30亿美元收购

目前告吹, 公司核心成员被 Google 挖走后开发 Devin AI 的 Cognition 收购了公司, ~~然后开始了疯狂加班~~

被 Anthropic 断供~~高端的 AI 商战~~, 目前不能使用 Claude 4, ~~被收购之后恢复了~~

Cursor 相关的信息污染太厉害了, 乔戈里峰问题

最近我发现 TREA 好像更好用, 问题似乎出在 Windsurf 配置的上下文太短了, ~~Kiro 大法好~~

主要功能

相比插件更好的代码上下文感知 Context Awareness, 记忆能力, 调用第三方工具能力

Command

唤出输入框输入指令, 适用于当前文件范围内的修改, 作用于当前游标位置或选中的代码段

小技巧, 在注释中写入指令, 然后 Cmd/Ctrl+I 随后使用类似 do it 这样的简单指令即可

Cascade

项目范围的大规模理解与调整, 可以运行命令行, 网络检索等工具, 也可以通过 MCP 协议调用外部工具

Planning Mode: 将计划输出到 Markdown 文件, 便于调整和长流程处理
Browser: 读文档, 获取网页内容; 前端开发

总结

三个功能从上到下, 需要的人工的输入越来越多, 上下文感知要求越来越强, 流程和处理时间越来越长, 根据适当情况选择适当的功能

神经网络的仿生学原理, 生物神经系统存在大量通过突触连接的神经元, 特定神经活动使关联的神经元突触产生可塑性变化, 是记忆和认知的基础; 神经网络通过数学模型, 用于编码输入与输出之间的概率关联, 本质是数据统计上的关联; 生物的神经系统的学习过程是持续发生的, 学习与使用并非截然分开, 而当前的大语言模型通常将"训练"与"推理"严格分离, 参数在训练后即固定, 所以不要尝试"教会"它, 因为它知道错了也不会改, 而是要通过 prompt 提供上下文信息, 使其在有限的上下文窗口中做出合理响应

上下文能力长度的限制, 上下文限制不仅在输入端, 同时在中间状态与输出端, 所以大模型能精准利用的有效上下文会明显比标示的上下文 token 参数小
注意力机制, <Attention is All You Need>, 但是 Attention 不是 Understanding, 无法主动区分重点与细节, 只是根据训练统计模式做 token 级别的预测
缺乏长期记忆机制, 不能自发积累跨 Session 经验和知识, 需要外部记忆模块

严格来说模型是可以做轻量微调(PEFT)的

大语言模型是高性能的统计关联引擎, 其输出本质是"有结构的幻觉" - 杨立昆的观点

最佳实践

比喻

用 minori 的 <ef - a fairy tale of the two.> 的情节来描述大模型非常合适. 新藤千寻在 12 岁时由于事故患上顺行性遗忘症, 从那以后的事情她只能记住从当时往前推算的 13 个小时. 每一个清晨醒来, 她都必须重新阅读自己的日记，从中寻找"我"的线索, 并在日记本上不断续写她自己. 少年麻生莲治在车站与其相遇, 两人的距离在不断的相识与遗忘中逐渐缩短, 经过挣扎和犹豫两个人最终走到了一起. 这段爱情也带着某种悖论式的悲伤, 对于莲治来说, 他无比喜欢千寻, 但是某种意义上来说, 千寻只是在扮演日记本中那个喜欢莲治的自己.

日记本

所以归根到底, 是要给~~美少女~~大模型提供优化过的~~日记本~~prompt

总是使用 Markdown 写文档, 大语言模型对其有优化
一致的项目结构与命名规范
提供项目的结构和功能的描述, User Story, Product Requirement Document, 记录决策与约定
显式且准确的提供完成任务所需的上下文内容和工具调用, 善用@提示
积极的使用 Workflow 和 Rule 功能, 实际上就是模版化标准化的 prompt 的应用
~~Prompt Engineering is Dead, everything is a Spec.~~

自我强化

让模型自己进行总结归纳, 做手动调整, 再作为 prompt 给到模型上下文, 以此循环
压缩 prompt, 并且让模型自己来验证它是否理解 prompt
渐进式的任务分解提示, 分步骤的提示和指令, 让模型自己来做流程的完成情况维护
让 Agent 提问题, 写 QA

其他注意

写通用的规则, 然后用 Markdown 的超链接功能引用, 抹平 IDE 规范差异
不要使用大模型做代码格式化 (可以让 Cascade 调用外部工具来处理)
多 commit 和 commit --amend, 防止人工智障智能大规模删改文件
复杂操作生成操作清单而非直接执行
标记工具生成的代码的位置, 以免大模型直接修改
将常用代码封装成可复用的模块, 并写好 README.md, 减少大模型上下文负担
矛盾, 模糊和不准确的信息会让大模型偏移
当 Session 偏离, 立刻开启新的 Session, 不要纠结
将命令编写结构化的 Markdown 文档, 然后在 Cascade 对话框中引用 (如果"几句话就能说明的东西"就调用 Cascade, 那很有可能是用的不对)

总结

Windsurf 的人工智能, 将补全, 重构, 规划, 搜索和执行结合为统一体验, 从局部函数到全局架构, 都可以以更自然的方式与其协同. 但它并不魔法般全能, 它依赖上下文, 依赖清晰的项目结构, 依赖好的 prompt 提示与任务规划. 因此, 真正的生产力提升, 并非来自"你来把这个代码写了", 而是来自构建了一个让它理解, 协作, 执行的良好环境. 也许可以把 Windsurf 看作每天早上醒来要读你笔记的~~美少女~~程序员, 而开发者的职责, 就是写好那本"日记本", 明确的目标, 清晰的上下文, 有逻辑的步骤和合理的调用.

其他一些看法

Vibe coding 译为氛围编程, 在实践中, 对编码能力的要求下降了, 但是对项目规划和产品设计, 团队协作和组织能力, 团队积累与结构化知识的要求反而是提高了, 某种意义上来说, 反而拉大了组织与组织之间的差距. 人工智能更像一个每天都是新入职的, 代码能力扎实的实习生, 如何让其能快速了解代码规范, 项目架构, 周边工具, 沟通方法才是发挥其作用的关键. 开发者角色也从"代码生产者"转变为"意图定义者", 核心能力迁移到问题验证与处理, 领域建模, 知识结构化和精准表达.

组织差距:
强的组织 -> 精准的领域语言 -> 结构化知识库 -> AI 高效产出
弱的组织 -> 模糊的需求 -> 碎片化的信息 -> AI 混乱输出
开发模式:
传统模式 [记忆 -> 检索 -> 编码]
AI 模式 [意图 -> 验证 -> 优化]

大语言模型的原理和局限也决定了它在 Day 0 即代码从头开始的效果比较好, 而 Day 1+ 即后续的开发和维护上, 会需要开发者更多的指引.~~身为程序员最讨厌的就是写文档和别人不写文档~~拒绝 YOLO coding

更进一步

什么才能称得上思维, 思考的本质, 观点与偏见, 错了也不改与反例的权重, 波普尔的 可证伪性(Falsifiability)

乔戈里峰
杨立昆