Cursor中的Manus研讨方式指南

Y1Ob6L · 发表于 2025-4-9 10:05:44

简介

原文档介绍怎样正在Cursor编纂器中树立划定规矩(rules)并使用mcp东西，完毕鉴于Manus的钻研事情流。Manus钻研方法是一种构造化的任务处置办法，颠末大白的步调、东西战文献构造方法去下效完毕数据阐发战钻研任务。
甚么是Cursor Rules

Cursor Rules是供给给AI帮忙的分外高低文战辅导，让AI更佳天理解用户的需要战代码库。颠末树立Rules，咱们能够自界说AI帮忙的举动情势，使其根据咱们期望的方法事情。
树立Manus钻研方法的Cursor Rule

步调1：创立Rule文献

正在名目根目次下创立一个.cursor目次（假设没有存留的话），而后正在该目次下创立一个划定规矩文献。罕见的划定规矩文献格局有：

关于Manus钻研方法，咱们创立名为formanus.mdc的文献：
mkdir -p .cursor
touch .cursor/formanus.mdc
步调2：编辑Rule实质

编纂formanus.mdc文献，增加如下实质：
# 使用manus的方法钻研

- You can @ files here
- You can use markdown but dont have to
- You are a assistant, when you get a task, you will do it step by step. you will generate a todo.md, and you will update it when you finish a step.
- If you get data analysis task, you will use Python-based data science
- Use Python 3.12 as the primary progra妹妹ing language
- Use NumPy for numerical computing and array operations
- Use Pandas for data manipulation and analysis
- Use conda for environment and package management
- Use Dash for web based report
- Use a seperated file to Generate a web based report, pretty, modern and interactive
- Run a web server And give me the url
- Use Website Preview and firecrawl to get web content
- Use a seperated file to store project su妹妹ary
- Use a seperated file to store todo list
- Use a seperated directory to store all files from one task
- Store all process data in files under the task directory

那个划定规矩界说了如下主要实质：

步调3：考证划定规矩可否生效

创立划定规矩后，能够颠末如下方法考证划定规矩可否生效：

使用MCP东西截至Web实质获得

Manus钻研方法中的一个主要构成部门是使用mcp东西（特别是firecrawl相干功用）获得网页实质。如下是使用那些东西的办法：
使用firecrawl_scrape抓与单个网页

使用mcp__firecrawl_scrape东西抓与单个网页实质：
- url参数指定要抓与的网页URL
- formats参数能够指定前去格局，如markdown、html等
- onlyMainContent设为true能够过滤失落导航栏、页足等外容
使用firecrawl_search截至收集搜刮

使用mcp__firecrawl_search东西搜刮收集实质：
- query参数指定搜刮盘问
- limit参数限定前去成果数目
- 能够颠末scrapeOptions参数指定可否需要抓与搜刮成果的具体实质
使用firecrawl_deep_research截至深度钻研

使用mcp__firecrawl_deep_research东西截至深入钻研：
- query参数指定钻研中心
- maxDepth参数掌握钻研深度
- maxUrls参数限定阐发的URL数目
Manus钻研事情过程示例

如下是一个典范的Manus钻研事情过程：

理论使用案例

假定咱们有一个阐发某公司股票价钱趋势的任务：

理论操纵示例：使用MCP东西阐发某公司商场表示

上面咱们颠末一个残破的示例，展示怎样使用Manus钻研方法分离MCP东西截至数据阐发：
1. 任务界说取初初化

假定咱们要阐发某科技公司（如Apple）的商场表示战往事情况：

起首创立任务目次战初初文献：
mkdir apple_market_analysis
cd apple_market_analysis
touch todo.md project_su妹妹ary.md

初初化todo.md文献实质：
# Apple商场阐发任务浑单

- [ ] 获得Apple公司根本疑息
- [ ] 汇集近来一个月的Apple相干往事
- [ ] 获得Apple股票价钱数据
- [ ]剖析股价取往事工作的相干性
- [ ] 使用Dash创立接互式数据可望化
- [ ] 天生阐发陈述
2. 使用MCP东西获得数据

获得根本公司疑息

# 正在Cursor谈天窗心中使用如下方法挪用东西：

# 获得Apple公司的根本疑息
使用mcp__firecrawl_scrape东西：
- url: "https://en.wikipedia.org/wiki/Apple_Inc."
- formats: ["markdown"]
- onlyMainContent: true

Cursor会挪用firecrawl_scrape东西并前去Apple公司的维基百科页里实质。将前去的实质保留到文献：
# 将成果保留到文献
with open('apple_info.md', 'w') as f:
f.write(scrape_result)
获得相干往事

# 搜刮Apple公司相干的最新往事
使用mcp__firecrawl_search东西：
- query: "Apple Inc. news last month financial performance"
- limit: 10
- scrapeOptions:
  - formats: ["markdown"]
  - onlyMainContent: true

将搜刮成果保留：
# 将往事搜刮成果保留到文献
with open('apple_news.md', 'w') as f:
f.write(news_results)
获得股票数据

咱们能够使用firecrawl_scrape获得Yahoo Finance上的股票数据：
# 获得Apple股票数据
使用mcp__firecrawl_scrape东西：
- url: "https://finance.yahoo.com/quote/AAPL/history/"
- formats: ["html"]
- onlyMainContent: true
3. 数据处置取阐发

创立一个数据处置剧本：
#创立名为process_data.py的文献
import pandas as pd
import numpy as np
import re
from datetime import datetime

#处置股票数据
def extract_stock_data(html_content):
# 使用pandas从HTML中提炼表格数据
tables = pd.read_html(html_content)
stock_data = tables[0]  #假定股票汗青数据正在第一个表格

# 洗濯战处置数据
stock_data['Date'] = pd.to_datetime(stock_data['Date'])
stock_data.sort_values('Date', inplace=True)

#保管处置后的数据
stock_data.to_csv('apple_stock_data.csv', index=False)
return stock_data

#处置往事数据
def process_news(news_content):
#复杂的邪则表示式提炼日期战题目
pattern = r'(\d{1,2}\s+[A-Za-z]+\s+\d{4}).*?([A-Z].*?)(?=\n)'
matches = re.findall(pattern, news_content)

if matches:
      news_data = []
      for date_str, title in matches:
         try:
            date = datetime.strptime(date_str, '%d %B %Y')
            news_data.append({'Date': date, 'Title': title})
         except ValueError:
            continue

      news_df = pd.DataFrame(news_data)
      news_df.to_csv('apple_news_processed.csv', index=False)
      return news_df
return pd.DataFrame()

#剖析股价取往事的相干性
def analyze_correlation(stock_df, news_df):
#兼并数据散
merged_data = pd.merge_asof(
      stock_df.sort_values('Date'),
      news_df.sort_values('Date'),
      on='Date',
      direction='nearest'
)

#复杂阐发：计较有往事战无往事天的股价变革差别
with_news = merged_data.dropna(subset=['Title'])
without_news = merged_data[~merged_data.index.isin(with_news.index)]

avg_change_with_news = with_news['Close'].pct_change().mean()
avg_change_without_news = without_news['Close'].pct_change().mean()

results = {
      'avg_change_with_news': avg_change_with_news,
      'avg_change_without_news': avg_change_without_news,
      'difference': avg_change_with_news - avg_change_without_news
}

with open('correlation_analysis.txt', 'w') as f:
      for k, v in results.items():
         f.write(f"{k}: {v}\n")

return results

# 主函数
def main():
with open('apple_stock_data.html', 'r') as f:
      html_content = f.read()

with open('apple_news.md', 'r') as f:
      news_content = f.read()

stock_df = extract_stock_data(html_content)
news_df = process_news(news_content)

if not news_df.empty:
      results = analyze_correlation(stock_df, news_df)
      print("阐发完毕，成果已经保留到correlation_analysis.txt")

if __name__ == "__main__":
main()
4.创立接互式可望化

创立一个Dash使用去展示阐发成果：
#创立名为visualization.py的文献
import dash
from dash import dcc, html
import plotly.graph_objs as go
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# 减载数据
stock_data = pd.read_csv('apple_stock_data.csv')
stock_data['Date'] = pd.to_datetime(stock_data['Date'])

news_data = pd.read_csv('apple_news_processed.csv')
news_data['Date'] = pd.to_datetime(news_data['Date'])

# 初初化Dash使用
app = dash.Dash(__name__)

#创立计划
app.layout = html.Div([
html.H1("Apple公司商场表示阐发"),

html.Div([
      html.H2("股票价钱走势"),
      dcc.Graph(
         id='stock-price-chart',
         figure={
            'data': [
                  go.Scatter(
                     x=stock_data['Date'],
                     y=stock_data['Close'],
                     mode='lines',
                     name='开盘价'
                  )
            ],
            'layout': go.Layout(
                  xaxis={'title': '日期'},
                  yaxis={'title': '价钱'},
                  hovermode='closest'
            )
         }
      )
]),

html.Div([
      html.H2("往事工作取股价干系"),
      dcc.Graph(
         id='news-stock-chart',
         figure={
            'data': [
                  go.Scatter(
                     x=stock_data['Date'],
                     y=stock_data['Close'],
                     mode='lines',
                     name='开盘价'
                  ),
                  go.Scatter(
                     x=news_data['Date'],
                     y=[stock_data.loc[stock_data['Date'] == date, 'Close'].values[0]
                        if any(stock_data['Date'] == date) else np.nan
                        for date in news_data['Date']],
                     mode='markers',
                     marker={'size': 10, 'color': 'red'},
                     name='往事工作'
                  )
            ],
            'layout': go.Layout(
                  xaxis={'title': '日期'},
                  yaxis={'title': '价钱'},
                  hovermode='closest'
            )
         }
      )
]),

html.Div([
      html.H2("往事列表"),
      html.Ul([
         html.Li([
            html.Span(f"{row['Date'].strftime('%Y-%m-%d')}: "),
            html.Span(row['Title'])
         ]) for _, row in news_data.iterrows()
      ])
])
])

# 运行效劳器
if __name__ == '__main__':
app.run_server(debug=True)
5. 革新任务退度战名目择要

完毕上述步调后，革新todo.md文献：
# Apple商场阐发任务浑单

- [x] 获得Apple公司根本疑息
- [x] 汇集近来一个月的Apple相干往事
- [x] 获得Apple股票价钱数据
- [x]剖析股价取往事工作的相干性
- [x] 使用Dash创立接互式数据可望化
- [x] 天生阐发陈述

创立名目择要文献：
# Apple商场阐发名目择要

## 名目目标
阐发Apple公司股票价钱取往事工作的干系，根究商场往事对于股价的作用。

## 数据滥觞
- Apple公司根本疑息：维基百科
- 股票数据：Yahoo Finance
- 往事数据：搜刮引擎成果

##主要发明
1. 往事公布日的股价颠簸比非往事日均匀超出跨越X%
2. 主动往事取股价上涨有清楚相干性
3. 产物公布相干往事对于股价作用最年夜

## 东西取办法
- 数据获得：MCP Firecrawl东西
- 数据处置：Pandas
- 数据可望化：Dash战Plotly

## 论断
颠末阐发发明，Apple公司的严峻往事工作确实会对于股价发生短时间作用，出格是产物公布战财报相干的往事。投资者能够使用那一发明截至投资决议计划。

## 下一步钻研标的目的
1. 扩大时间范畴，阐发持久趋势
2.参加感情阐发，辨别主动/悲观往事的作用
3.比拟 Apple宁可他科技公司的情况
6. 运行Web效劳器

python visualization.py

效劳器运行后，能够颠末浏览器会见 http://localhost:8050检查接互式数据可望化。
罕见成就解问（FAQ）

1. 划定规矩树立相干成就

Q: 怎样确认尔的Cursor划定规矩已经生效？

A: 正在Cursor谈天窗心中，询问AI对于目前划定规矩的实质。比方："请报告尔目前的formanus划定规矩实质是甚么？"假设AI能够准确答复，分析划定规矩已经生效。

Q: 尔能够共时树立多个划定规矩吗？

A: 是的，您能够正在.cursor目次下创立多个划定规矩文献，Cursor会按照高低文战需要使用响应的划定规矩。

Q: 划定规矩文献撑持哪些格局？

A: Cursor划定规矩主要撑持如下格局：

2. MCP东西使用成就

Q: firecrawl东西可否会记着以前的会话高低文？

A: 没有会，屡屡挪用firecrawl东西皆是自力的，没有会保存以前会话的高低文。因而，正在持续使用时需要脚动保留战通报须要的疑息。

Q: 使用firecrawl_search时怎样得到更精确的成果？

A: 使用更具体的搜刮词汇，并使用如下参数劣化搜刮：

Q: 网站实质抓与被阻遏如何办？

A: 有些网站可以会阻遏主动抓与。正在这类情况下，您能够：

3. 数据处置战阐发成就

Q:举荐的conda情况树立是甚么？

A: 如下是一个示例的environment.yml文献，合用于Manus钻研方法：
name: manus_research
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.12
  - pandas
  - numpy
  - dash
  - plotly
  - jupyterlab
  - scikit-learn
  - matplotlib
  - seaborn
  - requests
  - beautifulsoup4
  - nltk
  - pip
  - pip:
- dash-bootstrap-components

Q: 怎样处置大批数据招致的功用成就？

A:处置年夜数据散时的倡议：

Q: Dash使用怎样布置到消耗情况？

A: Dash使用的布置选项：

4.任务过程劣化成就

Q: 怎样有用天构造多个相干钻研任务？

A: 倡议接纳如下方法构造多个相干任务：

Q: 怎样正在团队中同享Manus钻研方法？

A: 团队合作的最好实践：

Q: 怎样主动化重复性任务？

A: 主动化Manus事情流的办法：

归纳

颠末正在Cursor中树立formanus划定规矩并分离mcp东西，咱们能够完毕构造化、下效的钻研事情过程。这类方法的长处包罗：

颠末这类方法，能够极年夜进步钻研战数据阐发任务的服从战品质。