03 Cursor 配置一步API

1. 更多教程及资源请访问一步AI官方社区站

社区站：https://www.yiboot.com

一键直达一步AI官方社区

长按识别下方二维码立即访问

2. 资源准备

API Key：此项配置填写在一步API官网创建API令牌，一键直达API令牌创建页面

创建API令牌步骤请参考API Key的获取和使用

API Host：此项配置填写https://yibuapi.com/v1

查看支持的模型请参在这里复制模型在线查询

3. Cursor 下载和安装

下载Cursor

打开Cursor官网

点击下载按钮，默认情况下会根据你的系统自动匹配安装包，比如我是 MacOS系统，就会出现下载 MacOS按钮，也可以点击所有下载按钮根据实际需要下载

双击下载的安装文件

将Cursor.app移动到Applications中

点击Cursor图标打开软件

4. 配置Cursor

在安装包安装后要设置一些配置信息，语言我们选择中文：

如果本机之前安装过 VS Code，可以导入 VS Code 的扩展：

首次使用 Cursor 时，需要注册一个新账号或使用已有账号进行登录，也可以用 Github 等授权登录。

这里勾选默认即可，点 Continue 按钮完成设置：

5. Cursor 配置

▌ 配置路径
› 打开 Settings → 进入 Models 面板

▌ 核心参数设置
› OpenAI API Key
- 填入创建的自定义令牌
› OpenAI Base URL
- https://yibuapi.com/v1
› Add model 选项：
- 输入与令牌绑定的「自定义模型名称」，查看支持的模型请参考这篇教程模型在线查询

6. 成功验证

▌ 测试流程
› 重启 Cursor IDE 激活配置
› 按住ctrl+K键，弹出一行窗口，输入自己想要的功能。

他会自己一行一行快速写代码。这里我把他写的alexnet模型代码贴在这里。


class AlexNet(nn.Module):
    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(64, 192, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(192, 384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(384, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(256, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
        )
        self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
        self.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(256 * 6 * 6, 4096),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(inplace=True),
            nn.Linear(4096, num_classes),
        )

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = x.view(x.size(0), 256 * 6 * 6)
        x = self.classifier(x)
        return x