產品經理與 Cursor 的 AI 協作指南

Cursor 是個 AI 的程式開發工具… 至少，大部分的人是這麼看的。

其實單純把 Cursor 只當成「寫程式的工具」有點可惜了，事實上 Cursor 的本質是一個「整合了 AI 的超級編輯器」。對於 PM 來說，它可以不只是寫 Code 的地方，而是整合知識管理、自動化任務、以及與工程師提升同步率的秘密基地。

這篇文章將整合這段時間的實戰心得，分享一下我怎麼將這個工程師的神器變成自己的外掛。

筆記進得去，答案出得來

PM 每天的工作就是在海量的資訊中游泳。會議記錄、規格書、用戶訪談… 這些資料通常散落在各處。你可能沒想過，Cursor 其實是管理這些「純文字」資料的神器。

如果你慣用的筆記軟體最後會儲存例如 markdown 類的純文字檔案（如 Logseq、Obsidian），你可以直接用 Cursor 開啟該資料夾。

• 它看得懂：Cursor 會自動索引所有的文字檔。
• 它找得到：忘記某個功能當初是怎麼決定的？直接用「Ask」模式問：「上個月關於會員系統的討論結論是什麼？」它不只給你連結，還直接摘要給你看。

💡 Pro Tip：善用「Add Folder to Workspace」功能，把你的筆記資料夾、專案文件資料夾全部加進來。打破資訊孤島，讓 AI 幫你跨文檔連連看。

善用規則，少費口舌

把 AI 當作實習生，最怕的就是它不懂規矩，寫出來的 PRD 格式不對、User Story 漏東漏西。Cursor Rules 就是你給它的「員工手冊」。

在專案根目錄下放一個 .cursorrules (或 .mdc) 檔案，清楚定義你的要求，比方說：

• 「所有的 PRD 都要包含 User Story 和 Acceptance Criteria。」
• 「語氣要專業但親切，避免過多技術術語。」

設定一次，之後每次產出都有 70 分起跳，你只需要專注在最後的潤飾。

💡 Pro Tip：懶得寫規則？直接跟 AI 說：「請根據我們剛剛完成的這份文件，幫我寫一份 Cursor Rules，讓以後的產出都維持這個水準。」讓 AI 自己寫自己的說明書。

降低依賴、加強協作

維護現有產品時，最常遇到的狀況就是「這個功能到底是怎麼設計的？」。可能是用戶回報了一個 bug，可能是想優化某個流程，也可能是要回答客戶的問題。這時候你會去查文件、翻 PRD、問當初負責的同事… 但說真的，文件可能過時、同事可能離職、PRD 可能寫得不夠細。

但，程式碼一定一直坐在那邊，笑得你心裡發寒。

與其花時間在各種文件間翻來翻去，不如直接問程式碼：用 Cursor 開啟產品原始碼所在的資料夾，等它索引完成後，你就可以直接問 AI 這種問題：

• 「訊息送出後多久會逾時？」
• 「用戶名稱的顯示格式是什麼？有長度限制嗎？」
• 「這個按鈕點下去會觸發哪些 API？」
• 「錯誤訊息的文案在哪裡定義的？」

當你帶著答案去跟工程師討論，你會發現他們的眼神不一樣了，讓溝通更有效率、信任感也隨之提升。

用 MCP 讓 AI 幫你打雜

產品經理每週要花多少時間在「找資料」上？

答案是：太多了。

網路上的資訊、Jira 上的票、Google Drive 的 PRD、GA 的數據、Slack 的討論… 這些資訊散落在不同地方，每次要整合都要手動複製貼上、切換視窗、整理格式。

但 MCP 可以讓這個時間大幅降低。

什麼是 MCP？簡單來說，MCP 就是一個標準化的協議，讓 AI 可以透過統一的方式連接各種外部工具和資料源。

當你把各種資料源都串接進來，Cursor 可以不再只是個編輯器，而是變成撰寫文件的資訊整合中心。比方說：

• Jira/Linear：寫規格寫到一半，直接說：「幫我開一張 Jira ticket，標題是…，指派給前端。」
• GitHub：想知道進度？直接問：「這個 PR 現在狀態是什麼？」
• Notion/Figma：讓 AI 讀取最新的設計參數來寫文件。

你的雙手不需要離開鍵盤，思緒不需要離開當下的脈絡。這才是真正的「心流」。

工具會變，邏輯不變

最後，我想說的是：講了這麼多 Cursor，但其實重點不在 Cursor。

市面上還有 Claude Desktop、Google 的 Antigravity，或是專注快速執行的 Goose。AI 工具三個月就變一輪、永遠學不完，但與協作的心法是通用的：

1. 給予充足 Context：沒有足夠的背景資訊，再強大的模型也只能瞎猜。無論是把相關檔案丟進去，還是透過 @ 引用資料，重點都在於讓 AI 知道「現在的情況是什麼」。就像新同事剛報到，你不給他看過往的文件，他怎麼可能知道怎麼做事？
2. 設定清楚 Rules：這就是「對齊預期」。你希望 AI 用什麼語氣說話？用什麼格式輸出？先描述清楚，之後就可以省下大量來回修改的時間。不要讓 AI 猜你的喜好，直接告訴它。
3. 持續實驗迭代：不要期待 AI 一次就能給出 100 分的答案。透過來回的對話、實驗、修正、再生成，這才是當前 AI 協作的常態。把它當作一個需要磨合的夥伴，而不是一個投幣就會掉出完美飲料的販賣機。

掌握這些，無論未來流行什麼工具，你都已經準備好駕馭它了。

如果你覺得這篇還不錯的話，何不幫我按幾下掌聲，幫助演算法讓這篇飄遠一點，幫助其他跟你一樣的人？