Cursor 项目规则实战：让 Agent 按流程做慢查询优化
后端与数据工程师经常要做「慢查询优化」这类事：分析执行计划，给出索引与改写建议。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 | 慢查询优化（slow-query-tuning） |
| 作用 | 分析执行计划，给出索引与改写建议 |
| 输入 | 慢查询与执行计划 |
| 输出 | 优化建议 |
| 形态 | 纯提示词 |
| 风险 | 中 |
| 适用人群 | 后端与数据工程师 |
处理流程分四步：
- 解读执行计划
- 找出全表扫描与排序
- 建议索引或改写
- 对比优化前后
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；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/slow-query-tuning.mdc 示例（示意）：
---
description: 慢查询优化：分析执行计划，给出索引与改写建议
globs: **/*.sql, migrations/**
alwaysApply: false
---
# 慢查询优化
当我要求「慢查询优化」时，按以下步骤进行：
1. 解读执行计划
2. 找出全表扫描与排序
3. 建议索引或改写
4. 对比优化前后
输出：优化建议。
- 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」。
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
- 在仓库新建
.cursor/rules/slow-query-tuning.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
假设你在数据库客户端与查询工具中发出这样的请求（虚构示例）：
用慢查询优化技能处理这份慢查询与执行计划，输出优化建议。
智能体识别到任务与「慢查询优化」相关后，会依次解读执行计划、找出全表扫描与排序、建议索引或改写、对比优化前后。最终交付优化建议，并在末尾列出需要人工确认的内容。你的工作是对照原始慢查询与执行计划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慢查询与执行计划，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，导致每次输出的优化建议结构不同。
- 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
- 慢查询优化 · Function Calling 版
- 慢查询优化 · 扣子（Coze）智能体与工作流 版
- 慢查询优化 · 场景实录
- 数据字典生成 · Cursor Rules 版
- SQL 方言转换 · 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。