用 Cursor Rules 实现「可疑邮件研判」：.mdc 规则写法与示例
如果你在代码、配置与云环境里反复做可疑邮件研判，可以考虑把经验沉淀为一个 Skill：写清触发条件、步骤、输出格式和边界，让智能体代劳重复部分，人只负责把关。
本文介绍如何在 Cursor Rules 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。
这个技能做什么
| 项目 | 说明 |
|---|---|
| 技能 | 可疑邮件研判（phishing-email-check） |
| 作用 | 分析邮件是否为钓鱼并给出处理建议 |
| 输入 | 邮件原文与头信息 |
| 输出 | 研判结论 |
| 形态 | 纯提示词 |
| 风险 | 低 |
| 适用人群 | 安全工程师与开发团队 |
处理流程分四步：
- 检查发件域与链接
- 识别诱导话术
- 判断风险
- 建议上报流程
这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；风险较低，但输出仍需快速过目再使用。
在 Cursor Rules 中是什么形态
Cursor 用项目规则（Project Rules）给智能体注入长期指令，规则文件放在 .cursor/rules/ 下，扩展名为 .mdc，头部可写 description、globs 与 alwaysApply，用来控制规则何时生效。
规则文件随仓库提交；description 供智能体按需选用，globs 让规则在匹配文件被引用时自动附加，alwaysApply 为 true 时每次都会带上。
示例配置
.cursor/rules/phishing-email-check.mdc 示例（示意）：
---
description: 可疑邮件研判：分析邮件是否为钓鱼并给出处理建议
globs:
alwaysApply: false
---
# 可疑邮件研判
当我要求「可疑邮件研判」时，按以下步骤进行：
1. 检查发件域与链接
2. 识别诱导话术
3. 判断风险
4. 建议上报流程
输出：研判结论。
- 扫描结论需人工复核，涉及生产的动作走变更流程。
- 信息不足时先提问，不要自行编造数据或事实。
示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在安全工程师与开发团队提出相关请求时能对上号；二是约束部分要写进「扫描结论需人工复核，涉及生产的动作走变更流程」这类领域规矩，避免智能体自作主张。
安装与启用步骤
- 在仓库新建
.cursor/rules/phishing-email-check.mdc - 写好 description，让它准确描述适用场景
- 按需填写 globs（只对相关文件生效），一般不要设为 alwaysApply
- 在 Agent 模式中描述任务，确认规则被引用
- 把规则提交到仓库，并在团队约定里说明
实操：一次完整的运行
假设你在代码、配置与云环境中发出这样的请求（虚构示例）：
用可疑邮件研判技能处理这份邮件原文与头信息，输出研判结论。
智能体识别到任务与「可疑邮件研判」相关后，会依次检查发件域与链接、识别诱导话术、判断风险、建议上报流程。最终交付研判结论，并在末尾列出需要人工确认的内容。你的工作是对照原始邮件原文与头信息抽查两三处关键信息，确认无误后再使用。
测试与验收
在 Agent 对话中观察规则是否被列为上下文；分别打开匹配与不匹配 globs 的文件测试。
针对这个技能，还建议额外准备：
- 一份信息齐全的标准邮件原文与头信息，检查输出是否完整
- 一份缺少关键信息的输入，检查智能体是否先提问而不是编造
- 一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效
常见坑
- 把十几条无关规则都设成 alwaysApply，挤占上下文且相互冲突。
- 规则写成泛泛的“写出高质量代码”，缺少可执行的步骤。
- 只写了步骤，没写交付格式，导致每次输出的研判结论结构不同。
- 没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。
延伸阅读
- 可疑邮件研判 · OpenAI Agents SDK 版
- 可疑邮件研判 · GPTs 版
- 可疑邮件研判 · 测试用例
- 安全视角代码评审 · Cursor Rules 版
- 内容安全策略 · Cursor Rules 版
- 智能体Skills 分类：625 个技能 × 32 个角度
说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。