接手新项目、开源仓库或历史遗留代码时，最大的成本往往不是写代码，而是理解代码。Cursor 的上下文感知能力可以把"通读全部文件"变成"精准提问"，大幅缩短熟悉周期。
第一步：让 AI 画出项目地图
打开项目后，先在侧边栏对话中输入：
"请梳理一下这个项目的目录结构，说明每个核心文件夹的职责，以及项目使用的技术栈和架构模式。"
如果项目规模较大，配合 @代码库（或直接将根目录的 package.json、pyproject.toml、README.md 等关键文件拖入对话）让 AI 基于真实文件作答。通常 30 秒内你就能获得一份"导航图"，清楚入口文件在哪里、业务模块如何划分、配置和依赖关系是怎样的。
第二步：锁定核心链路
不要试图一次性理解所有文件。让 AI 帮你定位最关键的三条链路：
- 请求/入口链路：用户请求或程序启动后，首先进入哪个文件？
- 数据/存储链路：核心业务数据在哪里被处理、转换和持久化？
- 关键业务链路：找到最核心的 1–2 个服务/类，让 AI 解释其职责。
你可以直接问：
"这个项目处理订单的核心逻辑在哪个文件？请解释它的输入输出和关键步骤。"
第三步：边问边读，而非通读
遇到具体看不懂的函数或类时，选中代码 → 右键 → Explain（或在行内按 Ctrl/Cmd + K 问"这段代码的作用是什么"）。这比从头到尾阅读更高效。对于跨文件的调用链，使用 @文件 把相关文件一起丢进对话，让 AI 帮你梳理数据流和调用关系。
第四步：从测试和运行日志补全认知
让 AI 分析项目的测试目录，生成"核心功能测试用例清单"，快速了解业务边界。如果项目能跑起来，在终端执行构建或启动命令后，用 @终端 把报错或启动日志引入对话，让 AI 解释异常原因和配置含义，往往比看文档更直观。
实用提示
- 分层提问：先问架构，再问模块，最后问具体实现。避免一开始就抛出"解释一下这个项目"这种过于宽泛的问题，回答容易流于表面。
- 交叉验证：AI 对历史代码的推测可能存在偏差，特别是业务术语和隐含规则。把 AI 的总结当作"初稿"，关键结论务必回到源码中点击跳转验证。
- 做笔记：在对话中让 AI 输出 Markdown 格式的项目结构说明，直接复制到项目根目录的
NOTES.md中，作为团队共享的新人手记。
通过以上方法，通常 30 分钟到 1 小时内就能对中等规模的陌生项目建立初步信心，而不是花上一两天逐行摸索。