在开发过程中，我们经常遇到冗长的报错日志，手动分析耗时且容易遗漏关键信息。本文将介绍如何利用Cursor编辑器的内置AI能力，结合ChatGPT的提示词工程，实现报错信息的自动提取、分类与修复建议生成。

一、整体思路

捕获错误：在终端或运行日志中获取完整报错文本。

结构化提取：使用Cursor的“选中即解释”功能快速定位核心错误类型。

增强分析：将错误上下文（代码片段+报错信息）复制到ChatGPT，请求生成多种修复方案。

反馈闭环：将修复后的代码回测，若仍有错误则迭代。

二、实际操作步骤

步骤1：从Cursor直接分析错误
假设你运行一个Python脚本，遇到如下报错：

python
Traceback (most recent call last):
  File "test.py", line 15, in <module>
    result = divide(10, 0)
  File "test.py", line 8, in divide
    return a / b
ZeroDivisionError: division by zero

在Cursor中，选中报错文本，使用快捷键 Cmd+K（Mac）或 Ctrl+K（Windows）调出AI对话框，输入指令：

“解释这个错误的原因，并指出是哪一行代码引起的。”

Cursor会直接返回：第8行 return a / b 中，变量 b 的值为0，导致除零错误。建议添加条件判断或异常捕获。

步骤2：用ChatGPT生成多种修复方案
将以下上下文一次性粘贴给ChatGPT：

def divide(a, b):
    return a / b

result = divide(10, 0)
print(result)

【报错】
ZeroDivisionError: division by zero

提示词模板（你可以直接复制使用）：

请针对上述代码中的ZeroDivisionError，提供3种不同的修复方案。每种方案需包含：

修改后的代码片段

优缺点说明

适用场景（例如：快速脚本、生产环境、需要记录日志）

ChatGPT会输出类似：

方案一：添加条件判断 if b == 0: return None

方案二：使用 try/except 捕获异常并打印错误信息

方案三：使用 functools.singledispatch 实现类型分支（更高级）

步骤3：构建错误处理模板（进阶）
如果你经常遇到不同类型的错误，可以制作一个可复用的提示词模板，保存为本地文件或Cursor片段。

模板示例（适用于Python）：

你是一个资深Python调试专家。请分析以下错误，完成：

1. 用一句话概括错误的根本原因。
2. 列出3个可能的修复方向，按推荐程度排序。
3. 给出最终的修复代码并添加注释。

【代码】
${code_snippet}

【错误信息】
${error_message}
每次遇到新错误时，只需替换 ${code_snippet} 和 ${error_message}，然后整体发送给ChatGPT或Cursor的AI聊天窗口。

三、高级联动：让Cursor自动调用外部API（可选）

Cursor支持自定义AI模型端点。你可以配置OpenAI API密钥，并设置自定义提示词模板，使编辑器在检测到运行错误时自动触发分析。

具体设置路径：

打开Cursor设置 → AI Models → Custom Endpoint。

填入API地址（如OpenAI接口）和密钥。

在 Error Handling 选项卡中，启用 Auto-Analyze on Runtime Error。

设定触发关键词，例如 “Traceback”、“Exception”。

配置完成后，当你在Cursor内运行代码并出现报错时，编辑器右下角会自动弹出分析面板，展示修复建议。

四、注意事项

不要直接复制生产环境的敏感代码给云端AI。建议使用脱敏的示例代码或本地小模型。

对于超长日志（超过8k token），可先用Cursor的“总结”功能提取关键部分，再交给ChatGPT。

上述方法同样适用于Claude（支持更长的上下文，直接粘贴完整日志）和Gemini（可同时传入报错截图）。

五、总结

通过Cursor的快速选中分析 + ChatGPT的结构化提示词，你可以将错误排查时间从平均15分钟压缩到2分钟。该工作流不仅适用于Python，也同样适用于JavaScript、Java、Go等语言，只需调整提示词中的语言关键词即可。

建议你将上述提示词模板保存在本地笔记中，逐步积累自己的“错误修复知识库”。