后端与数据工程师经常要做「敏感字段识别」这类事：扫描库表，标出可能包含个人信息的字段。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

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
技能敏感字段识别（pii-column-scan）
作用扫描库表，标出可能包含个人信息的字段
输入表结构与样例（脱敏）
输出敏感字段清单
形态带脚本
风险中
适用人群后端与数据工程师

处理流程分四步：

  1. 按字段名与类型初筛
  2. 抽样判断
  3. 分级标注
  4. 建议脱敏方式

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；属于中等风险：结果会影响业务判断，建议在输出前设置人工审核点。

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/pii-column-scan.mdc 示例（示意）：

---
description: 敏感字段识别：扫描库表，标出可能包含个人信息的字段
globs: **/*.sql, migrations/**
alwaysApply: false
---

# 敏感字段识别

当我要求「敏感字段识别」时，按以下步骤进行：

1. 按字段名与类型初筛
2. 抽样判断
3. 分级标注
4. 建议脱敏方式

输出：敏感字段清单。

- 默认使用只读连接，任何写操作都要人工确认。
- 结论中不确定的部分单独列出，标注「需人工确认」。
- 脚本只在当前项目目录内运行，运行失败时报告错误原文，不要猜测结果。

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」，让智能体在后端与数据工程师提出相关请求时能对上号；二是约束部分要写进「默认使用只读连接，任何写操作都要人工确认」这类领域规矩，避免智能体自作主张。

安装与启用步骤

  1. 在仓库新建 .cursor/rules/pii-column-scan.mdc
  2. 写好 description，让它准确描述适用场景
  3. 按需填写 globs（只对相关文件生效），一般不要设为 alwaysApply
  4. 在 Agent 模式中描述任务，确认规则被引用
  5. 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

假设你在数据库客户端与查询工具中发出这样的请求（虚构示例）：

帮我做一下敏感字段识别，材料是附上的表结构与样例（脱敏）。

智能体识别到任务与「敏感字段识别」相关后，会依次按字段名与类型初筛、抽样判断、分级标注、建议脱敏方式。最终交付敏感字段清单，并在末尾列出需要人工确认的内容。你的工作是对照原始表结构与样例（脱敏）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表结构与样例（脱敏），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，导致每次输出的敏感字段清单结构不同。
  • 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

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。