参考文献
本页收录与 cursor-rules 设计理念相关的研究论文、技术报告和行业调查。这些文献为规则工程的合理性提供了学术背书。
第一部分：Prompt 工程基础
[1] Brown et al. (2020) — Language Models are Few-Shot Learners
来源：Advances in Neural Information Processing Systems 33, OpenAI
链接：arxiv.org/abs/2005.14165
GPT-3 论文首次系统性地证明了通过 in-context learning（上下文学习）可以显著改变模型的输出行为，无需微调。这是"规则注入"机制的理论基础——通过在提示词中提供约束，引导模型遵循特定规范。
"A few examples in the prompt can steer the model toward a desired behavior without gradient updates."
与规则工程的关联：.mdc 规则文件的注入本质上是 in-context learning 的工程化应用。每次 AI 交互都携带着"few-shot examples"（规则约定），引导模型生成符合项目约定的代码。
BibTeX:
@inproceedings{brown2020language,
title={Language models are few-shot learners},
author={Brown, Tom and others},
booktitle={Advances in Neural Information Processing Systems},
volume={33},
pages={1877--1901},
year={2020}
}[2] Wei et al. (2022) — Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
来源：NeurIPS 2022, Google Research
链接：arxiv.org/abs/2201.11903
研究表明，为 LLM 提供清晰的推理步骤（而非仅提供答案示例）能显著提高代码生成质量。
与规则工程的关联：规则正文的"原则 + 示例"结构，比纯粹的"做什么"清单更有效。规则文件中增加"为什么"和"如何"的说明，可以提升 AI 遵循率。
BibTeX:
@inproceedings{wei2022chain,
title={Chain-of-thought prompting elicits reasoning in large language models},
author={Wei, Jason and others},
booktitle={Advances in Neural Information Processing Systems},
volume={35},
pages={24824--24837},
year={2022}
}[3] Liu et al. (2023) — Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in NLP
来源：ACM Computing Surveys, arXiv:2107.13586
链接：arxiv.org/abs/2107.13586
对 Prompt 工程方法的系统综述，涵盖 hard prompt、soft prompt、instruction tuning 等技术路线。
与规则工程的关联：.mdc 规则文件属于 "hard prompt template" 范畴——静态的、人工编写的指令文本。本综述提供了理解这一范畴优缺点的理论框架。
第二部分：AI 辅助编码
[4] Copilot: GitHub Copilot Research Report (2022)
来源：GitHub / Microsoft Research
链接：github.blog
GitHub 的研究报告显示，使用 Copilot 的开发者完成任务速度提升 55%，但代码质量和一致性在缺少上下文时会下降。
与规则工程的关联：报告隐含地说明了上下文质量对 AI 辅助编码效果的重要性。规则文件是系统性提升上下文质量的工程手段。
[5] Chen et al. (2021) — Evaluating Large Language Models Trained on Code (HumanEval)
来源：OpenAI
链接：arxiv.org/abs/2107.03374
Codex 模型（GitHub Copilot 的基础）论文，引入 HumanEval 基准测试。论文分析了代码生成中的"specification following"问题——模型能否准确理解并遵循自然语言规格说明。
与规则工程的关联：规则文件是一种轻量级的"规格说明"机制，将项目约定以自然语言形式提供给模型。HumanEval 的分析框架可以用来评估规则遵循的有效性。
BibTeX:
@article{chen2021evaluating,
title={Evaluating large language models trained on code},
author={Chen, Mark and others},
journal={arXiv preprint arXiv:2107.03374},
year={2021}
}[6] Jiang et al. (2023) — Self-planning Code Generation with Large Language Models
来源：arXiv:2303.06689
链接：arxiv.org/abs/2303.06689
研究通过让 LLM 先规划再编码来提升生成质量。发现显式的结构约束（如"先设计接口，再实现细节"）能显著提升代码一致性。
与规则工程的关联：规则文件中的架构约定（如"先定义接口"、"使用仓储模式"）实质上是在引导模型的内部规划过程。
第三部分：软件工程与 AI 对齐
[7] Felten et al. (2023) — The Labor Market Impact of AI
来源：Princeton University, Princeton Policy Perspectives
链接：nber.org/papers/w31051
分析 AI 对软件工程职业的影响，发现 AI 在标准化任务上效率最高，在需要深度上下文理解的任务上仍需要人类引导。
与规则工程的关联：为 AI 提供精准的项目上下文（即规则）可以将更多"需要上下文理解"的任务转化为"标准化任务"，扩大 AI 的有效使用范围。
[8] Ouyang et al. (2022) — Training language models to follow instructions with human feedback (InstructGPT)
来源：NeurIPS 2022, OpenAI
链接：arxiv.org/abs/2203.02155
RLHF（人类反馈强化学习）论文，说明通过人工标注的偏好数据可以显著提升模型对指令的遵循质量。
与规则工程的关联：基于 RLHF 训练的模型（ChatGPT、Claude、GPT-4）对明确指令的遵循能力显著优于基础模型，这使得规则文件的指令式写法更加有效。
BibTeX:
@inproceedings{ouyang2022training,
title={Training language models to follow instructions with human feedback},
author={Ouyang, Long and others},
booktitle={Advances in Neural Information Processing Systems},
volume={35},
pages={27730--27744},
year={2022}
}第四部分：技术文章与行业洞察
[9] Simon Willison (2023) — Prompt Injection Attacks Against GPT-4
讨论 prompt injection 攻击——恶意输入覆盖系统级指令的安全问题。
与规则工程的关联：了解规则注入的安全边界。用户代码中的注释或字符串字面量理论上可以干扰规则注入的效果，这是规则工程需要意识到的局限性。
[10] Andrej Karpathy (2015) — The Unreasonable Effectiveness of Recurrent Neural Networks
虽然是 2015 年的文章，但其"语言模型是文本的统计模拟"的基本观点至今仍有启发性：模型生成的代码反映了其训练语料的统计特性。
与规则工程的关联：规则文件通过在提示词中引入高质量的示例文本，相当于在 inference 时"引导"模型朝向高质量代码分布的区域。
延伸阅读
以下资源不在直接引用范围内，但与本话题高度相关：
- Prompt Engineering Guide — 系统性的 Prompt 工程知识库
- Anthropic's Prompt Engineering Documentation — Claude 的官方 Prompt 工程指南
- OpenAI Cookbook — 实践导向的 LLM 应用示例集合
- Continue.dev Documentation on Rules — Continue.dev 规则系统的实践文档
导出引用
BibTeX 格式
@misc{cursor-rules,
author = {LessUp},
title = {Cursor Rules: A Curated .mdc Rule Library for AI-Assisted Coding},
year = {2025},
publisher = {GitHub},
url = {https://github.com/LessUp/cursor-rules}
}
@inproceedings{brown2020language,
title={Language models are few-shot learners},
author={Brown, Tom and others},
booktitle={Advances in Neural Information Processing Systems},
volume={33},
pages={1877--1901},
year={2020}
}
@inproceedings{wei2022chain,
title={Chain-of-thought prompting elicits reasoning in large language models},
author={Wei, Jason and others},
booktitle={Advances in Neural Information Processing Systems},
volume={35},
pages={24824--24837},
year={2022}
}
@article{chen2021evaluating,
title={Evaluating large language models trained on code},
author={Chen, Mark and others},
journal={arXiv preprint arXiv:2107.03374},
year={2021}
}
@inproceedings{ouyang2022training,
title={Training language models to follow instructions with human feedback},
author={Ouyang, Long and others},
booktitle={Advances in Neural Information Processing Systems},
volume={35},
pages={27730--27744},
year={2022}
}