如果你用过 Cursor、Claude Desktop 或任何基于 AI 的编程助手一定遇到过这种场景你让 AI 帮你写一个登录功能它生成了一段代码。你运行后发现这个登录逻辑和你项目里已有的用户认证体系完全不兼容——它可能用了错误的数据库表名或者忽略了项目里已经封装好的密码加密工具类。你不得不停下来手动把代码里的users表名改成t_user把password字段的加密方式从bcrypt换成项目里用的PBKDF2。这个过程重复几次你就会发现AI 助手虽然聪明但它对你项目的“上下文”一无所知。它就像一个空降的外援程序员技术很强但对公司内部的代码规范、技术栈选型和历史债务完全不了解。这就是当前 AI 编程工具最核心的痛点缺乏项目级的、持续性的上下文反馈。AI 可以基于你的单次提示生成代码但它不知道你之前改过什么、项目的特殊约定是什么、团队禁止使用哪些 API。每一次交互都像是从零开始导致生成的代码常常需要大量人工修正所谓的“提效”大打折扣。今天要介绍的项目Remarc瞄准的正是这个痛点。它不是一个全新的 AI 模型而是一个基于MCPModel Context Protocol协议构建的“上下文反馈层”。它的核心判断很简单让 AI 编程助手能“记住”你对它生成代码的修改并把这些修改转化为后续代码生成的约束和偏好从而实现越用越懂你项目的“个性化”智能体。简单说Remarc 试图解决的是 AI 编程的“最后一公里”问题——如何让生成的代码不只是语法正确更是符合你项目特定上下文、可直接合入的“生产级”代码。本文将深入拆解 Remarc 的工作原理、基于 MCP 的架构设计、具体的安装配置步骤并通过一个完整的实战示例展示它如何与 Cursor 结合真正提升你的编码效率。1. Remarc 要解决的根本问题从“一次性生成”到“持续学习”在深入技术细节前我们必须先理解 Remarc 要解决的到底是什么问题。这不仅仅是“代码生成不准”那么简单。1.1 传统 AI 编程助手的局限性以 Cursor、GitHub Copilot 为代表的工具其工作模式本质上是“单次提示-单次响应”。你给出指令模型基于其训练数据通常是公开代码库和当前打开文件的有限上下文生成一段代码。这个过程存在几个固有缺陷无记忆性模型不会记住你上次对类似代码的修改。如果你第一次生成登录 API 时把返回字段avatar改成了profile_picture下次生成用户信息 API 时它很可能还会用avatar。上下文窗口的浪费即使你将项目文档、代码规范粘贴进聊天窗口这些信息也仅作用于当前会话。下次新开一个聊天一切归零。缺乏项目特异性知识你的项目可能禁止使用java.util.Date而强制使用java.time包可能数据库表名都有t_前缀可能所有 REST API 响应都必须包裹在ResultT对象里。这些知识很难通过单次提示完整传达。1.2 Remarc 的核心思路将人工修正转化为可执行的规则Remarc 的解决方案很巧妙它监听并记录开发者对 AI 生成代码的修改行为。当你删除一行、添加一个注解、重命名一个变量时Remarc 会尝试理解这个修改背后的“意图”并将其抽象为一条可复用的“规则”或“偏好”。例如你做的操作把 AI 生成的ListUser users改为ListUserDTO userList。Remarc 可能推断的规则“在本项目中查询用户列表的返回类型应使用UserDTO而非User实体并且变量名应使用userList。”后续影响当你下次让 AI 生成“获取用户列表”的代码时Remarc 会将这条规则作为上下文提供给 AIAI 就会直接生成ListUserDTO userList userService.getUserList();。这个过程实现了从“人工反复纠正”到“AI 主动适应”的转变。Remarc 扮演了一个“项目专属编码教练”的角色它通过观察你的行为来学习项目的编码规范。1.3 为什么是 MCPMCPModel Context Protocol是由 Anthropic 提出的一种开放协议旨在标准化 AI 应用与各种工具、数据源之间的连接方式。你可以把它想象成 AI 世界的“USB 协议”或“驱动程序框架”。Remarc 选择基于 MCP 构建带来了几个关键优势工具无关性任何支持 MCP 协议的客户端如 Claude Desktop、Cursor、Windsurf都可以接入 Remarc无需为每个客户端单独开发插件。能力标准化MCP 定义了 Server提供能力和 Client消费能力的标准交互方式。Remarc 作为 MCP Server只需实现“提供上下文反馈规则”这一组标准接口。生态集成MCP 生态正在快速增长未来 Remarc 学习到的规则可能不仅用于代码生成还可以用于代码审查、文档生成等更多场景。理解了 Remarc “为什么”要做之后我们接下来看它“是什么”以及“怎么用”。2. 核心概念与架构理解 Remarc 与 MCP 如何协同工作2.1 Remarc 的核心组件Remarc 的架构可以简化为三个核心部分编辑器插件/客户端集成这是一个安装在你的 IDE如 VS Code/Cursor中的轻量级组件。它的职责是捕获代码编辑事件。当你接受 AI 的建议并开始修改时插件会记录“修改前”和“修改后”的代码片段以及相关的元数据如文件路径、语言、AI 建议的原始内容。Remarc 核心服务MCP Server这是运行在后台的服务。它接收来自编辑器插件的事件运用内置的启发式算法或可配置的规则引擎分析代码差异尝试提炼出有意义的模式或规则。例如它可能发现你将Autowired改为了Resource并将此识别为一项“依赖注入注解偏好”。规则知识库服务将提炼出的规则持久化存储通常在本地的一个 JSON 或 SQLite 文件中。每条规则可能包含规则类型命名规范、API 选择、库偏好、适用条件文件路径模式、编程语言、规则内容如“变量名使用驼峰式”以及置信度权重。2.2 MCP 协议在其中的作用Marc 通过实现一个MCP Server来暴露其核心能力。支持 MCP 的 AI 编程客户端Client可以“发现”并“调用”这个 Server。一个典型的工作流如下客户端启动你打开 CursorCursor 的 MCP Client 会读取配置发现本地运行着 Remarc 的 MCP Server。资源声明Remarc Server 向 Client 宣告“我这里有名为project_coding_rules的资源Resource它包含了本项目的一些编码规则。”上下文注入当你在 Cursor 中编写代码或向 AI 提问时Cursor 会主动向 Remarc Server 请求project_coding_rules资源。规则应用Remarc Server 返回当前最相关的几条规则例如针对“Java 控制器类”的规则。这些规则以纯文本或结构化提示的形式被插入到发送给大语言模型LLM的上下文中。智能生成LLM 在生成代码时就能“看到”这些规则从而生成更符合项目习惯的代码。sequenceDiagram participant D as 开发者 participant E as 编辑器插件 participant R as Remarc Server (MCP) participant C as AI客户端 (Cursor) participant M as 大语言模型 D-E: 修改AI生成的代码 E-R: 发送代码差异事件 R-R: 分析差异提炼/更新规则 R-R: 存储规则到知识库 D-C: 输入新指令如“写一个Service” C-R: 请求上下文资源 (project_coding_rules) R-C: 返回相关规则如“Service类需加Slf4j” C-M: 发送用户指令 规则上下文 M-C: 返回符合规则的代码 C-D: 显示生成的代码2.3 关键概念辨析Skill vs. MCP在 AI 智能体领域常听到“Skill”技能和“MCP”这两个词它们都与扩展 AI 能力相关但层面不同特性Skill (技能)MCP (Model Context Protocol)定义一个具体的、可执行的任务或能力如“查询数据库”、“发送邮件”。一个协议用于在 AI 应用和外部工具/数据源之间建立标准化的连接。层级应用层/功能层。一个 Skill 实现一个具体功能。传输层/协议层。MCP 定义了 Skill 或其他资源如何被暴露和调用。关系Skill 是能力单元。一个 MCP Server 可以提供一个或多个Skills或 Resources。MCP 是连接和暴露这些能力的通道和规范。类比就像手机上的一个个“App”地图App、音乐App。就像手机的“操作系统”和“应用商店协议”规定了App如何安装、如何被系统调用。简单来说MCP 是“管道”和“插座”的标准而 Remarc或一个数据库查询工具是通过这个标准提供服务的“电器”。Remarc 通过 MCP 协议将其“提供项目编码规则”这个“Skill”暴露给了 Cursor 等客户端。3. 环境准备与安装部署现在我们进入实战环节。假设你使用的是 macOS/Linux 系统并已安装 Cursor 作为你的 AI 编程客户端。3.1 前置条件检查在开始之前请确保你的系统满足以下条件Node.js 环境Remarc 目前主要基于 Node.js 开发。你需要安装Node.js 18和 npm。# 检查 Node.js 和 npm 版本 node --version # 应 18.0.0 npm --version # 应 8.0.0Git用于克隆 Remarc 仓库。git --versionAI 编程客户端需要一个支持 MCP 协议的客户端。本文以Cursor为例版本需较新支持 MCP 配置。Claude Desktop 也是不错的选择。代码仓库准备一个你日常开发的项目用于测试 Remarc 的学习效果。一个中等复杂度的 Spring Boot 或 Node.js 项目即可。3.2 安装 RemarcRemarc 可能尚未发布到 npm 官方仓库因此我们需要从源码安装。# 1. 克隆 Remarc 仓库请替换为实际仓库地址此处为示例 git clone https://github.com/your-org/remarc.git cd remarc # 2. 安装项目依赖 npm install # 3. 构建项目 npm run build # 4. 以开发模式启动 Remarc MCP Server # 这会在本地启动一个服务默认监听某个端口如 3000 npm run dev注意启动后请记下服务运行的地址和端口例如http://localhost:3000。你可以在终端日志或项目配置文件如server/config.js中找到。3.3 配置 Cursor 以连接 Remarc MCP ServerCursor 需要通过配置来发现并使用本地的 Remarc 服务。找到 Cursor 的 MCP 配置文件。macOS:~/Library/Application Support/Cursor/mcp.jsonWindows:%APPDATA%\Cursor\mcp.jsonLinux:~/.config/Cursor/mcp.json如果文件或目录不存在请手动创建。编辑mcp.json文件。这是一个 JSON 配置文件用于声明所有自定义的 MCP Server。{ mcpServers: { remarc: { command: node, args: [ /ABSOLUTE/PATH/TO/YOUR/REMARC/PROJECT/build/index.js ], env: { REMARC_DATA_DIR: /ABSOLUTE/PATH/TO/YOUR/REMARC/DATA } } } }关键参数解释command: 启动 Server 的命令。这里是node。args: 命令的参数即 Remarc 构建后的主入口文件路径。请务必替换为你的实际绝对路径。env: 传递给 Remarc 进程的环境变量。REMARC_DATA_DIR指定了 Remarc 存储学习到的规则数据的目录。更稳定的配置方式推荐如果 Remarc 提供了全局安装方式或可执行文件command可以直接指向它。{ mcpServers: { remarc: { command: /usr/local/bin/remarc, args: [serve] } } }保存配置文件并重启 Cursor。重启后Cursor 会自动读取配置并尝试启动你定义的 Remarc Server。验证连接。在 Cursor 中你可以通过快捷键通常是Cmd/Ctrl Shift P打开命令面板输入MCP查看已连接的 MCP Server 列表。如果看到remarc状态为已连接则配置成功。4. 核心工作流程实战让 Remarc 学习你的编码习惯配置完成后我们通过一个完整的 Java Spring Boot 项目示例来演示 Remarc 如何工作。4.1 初始场景设定假设我们有一个简单的 Spring Boot 项目结构如下demo-project/ ├── src/main/java/com/example/demo/ │ ├── DemoApplication.java │ ├── user/ │ │ ├── User.java // 实体类 │ │ ├── UserDTO.java // DTO类 │ │ ├── UserController.java // 待生成 │ │ └── UserService.java // 待生成 │ └── common/ │ └── Result.java // 统一响应封装类 └── pom.xml其中Result.java是你项目的统一响应封装package com.example.demo.common; import lombok.Data; Data public class ResultT { private Integer code; private String message; private T data; public static T ResultT success(T data) { ResultT result new Result(); result.setCode(200); result.setMessage(success); result.setData(data); return result; } }4.2 第一步让 AI 生成“错误”的代码并进行人工修正在 Cursor 中打开UserController.java文件可能是空的。在 Cursor 的聊天框中输入指令“请生成一个 UserController包含根据ID查询用户的接口。”Cursor在没有 Remarc 上下文时可能会生成类似下面的代码// 文件UserController.java - AI 初始生成 package com.example.demo.user; import org.springframework.web.bind.annotation.*; RestController RequestMapping(/api/users) public class UserController { GetMapping(/{id}) public User getUserById(PathVariable Long id) { // 假设有一个 UserService return userService.findById(id); } }这段代码有两个“问题” a. 直接返回了User实体而你的项目规范要求返回UserDTO。 b. 没有使用统一的Result包装响应。现在你手动修正这段代码// 文件UserController.java - 你手动修正后 package com.example.demo.user; import com.example.demo.common.Result; import org.springframework.web.bind.annotation.*; import lombok.RequiredArgsConstructor; RestController RequestMapping(/api/users) RequiredArgsConstructor public class UserController { private final UserService userService; GetMapping(/{id}) public ResultUserDTO getUserById(PathVariable Long id) { User user userService.findById(id); UserDTO userDTO convertToDTO(user); // 假设有转换方法 return Result.success(userDTO); } }你做了以下关键修改添加了RequiredArgsConstructor注解Lombok。将返回类型从User改为ResultUserDTO。在方法内部进行了实体到 DTO 的转换。此时Remarc 的编辑器插件捕获了这次代码差异。它会分析原始内容public User getUserById(PathVariable Long id) { ... }修改后内容public ResultUserDTO getUserById(PathVariable Long id) { ... }上下文文件是UserController.java一个 Spring Boot 控制器。Remarc 的核心服务会尝试从这次修改中提炼规则。它可能生成一条初步规则“在*Controller.java文件中公开的 HTTP 端点方法的返回类型应为ResultT其中T通常是 DTO 类型。”4.3 第二步验证 Remarc 的学习效果现在让我们测试 Remarc 是否真的学到了。在同一个项目中打开或创建一个新的ProductController.java文件。在 Cursor 聊天框中输入“请生成一个 ProductController包含获取产品列表的接口。”观察 Cursor 这次生成的代码。如果 Remarc 工作正常并且其提供的规则上下文被有效注入你有可能直接得到符合规范的代码// 文件ProductController.java - AI 在 Remarc 影响下生成 package com.example.demo.product; import com.example.demo.common.Result; import org.springframework.web.bind.annotation.*; import lombok.RequiredArgsConstructor; import java.util.List; RestController RequestMapping(/api/products) RequiredArgsConstructor public class ProductController { private final ProductService productService; GetMapping public ResultListProductDTO getAllProducts() { ListProduct products productService.findAll(); ListProductDTO productDTOs products.stream() .map(this::convertToDTO) .toList(); return Result.success(productDTOs); } }注意AI 的生成具有随机性可能不会 100% 完美但你应该能看到明显的改进趋势例如自动引入了Result类、使用了ProductDTO、添加了 Lombok 注解等。这证明 Remarc 提供的上下文正在起作用。4.4 第三步查看与管理 Remarc 学习到的规则Remarc 学习到的规则通常存储在本地由配置中的REMARC_DATA_DIR指定。你可以查看这个目录下的文件可能是rules.json或 SQLite 数据库来了解它到底学到了什么。# 假设数据目录为 ~/.remarc cat ~/.remarc/rules.json输出可能类似于[ { id: rule_001, pattern: 在类名以Controller结尾的Java文件中公开方法的返回类型应匹配 Result.*, language: java, filePattern: **/*Controller.java, confidence: 0.85, example: { before: public User getUserById(...), after: public ResultUserDTO getUserById(...) } }, { id: rule_002, pattern: 在Spring Bean类中考虑使用RequiredArgsConstructor进行注入, language: java, confidence: 0.75 } ]通过查看这些规则你可以确认 Remarc 的理解是否准确也可以在必要时进行手动编辑或清理防止学习到错误的模式。5. 高级配置与最佳实践要让 Remarc 发挥最大效用避免“学歪”你需要了解一些配置和技巧。5.1 配置 Remarc 的学习敏感度Remarc 可能提供配置文件如remarc.config.js来调整其行为。// remarc.config.js 示例 module.exports { // 规则提取的最小置信度低于此值的变化不会被记录为规则 minConfidence: 0.6, // 针对特定文件类型或路径的规则学习开关 scopes: { include: [src/**/*.java, src/**/*.ts], // 只学习这些路径 exclude: [**/test/**, **/*.spec.ts] // 忽略测试文件 }, // 规则类型偏好 ruleTypes: { import-statement: true, // 学习import偏好 annotation-usage: true, // 学习注解使用偏好 method-signature: true, // 学习方法签名偏好 naming-convention: false // 暂时关闭命名约定学习容易误判 }, // 规则生效的上下文长度在提示中提供的规则条数 maxContextRules: 5 };5.2 最佳实践引导 Remarc 进行高质量学习从明确的模式开始初期主动在代码中做出清晰、一致的修改。例如如果你决定项目全部使用Resource就每次都把 AI 生成的Autowired改掉。这有助于 Remarc 快速建立强规则。隔离学习环境可以先在一个特性分支或单独的小项目中试用 Remarc观察其学习效果再应用到核心项目。定期审查规则每周花几分钟查看rules.json删除那些明显错误或过时的规则。例如它可能把某次临时 hack 当成了通用规则。结合项目规范文档将已有的代码规范文档如 API 设计规范、命名规范放在项目根目录如CODING_GUIDELINES.md。Remarc 或其他工具未来可能会直接读取这些文档作为初始规则。分模块配置对于大型项目不同模块可能有不同规范。可以探索 Remarc 是否支持基于路径的规则作用域配置。5.3 与现有工具链集成Remarc 的学习能力可以成为你团队工具链的一环与 Linter (如 ESLint, Checkstyle) 结合Remarc 学习风格偏好Linter 检查语法错误和基础规范。与代码审查流程结合在 PR 中可以提示 Reviewer 关注 AI 生成的代码是否遵循了 Remarc 学习到的项目特定规则。作为新成员 onboarding 工具新开发者接入项目时开启 Remarc 可以帮助他们快速适应项目代码风格减少规范不一致的提交。6. 常见问题与排查思路在实际使用中你可能会遇到以下问题问题现象可能原因排查步骤解决方案Cursor 无法连接 Remarc Server1.mcp.json配置错误。2. Remarc 服务未启动。3. 路径或命令不存在。1. 检查mcp.json语法可用 JSON 验证工具。2. 在终端手动运行npm run dev查看 Remarc 服务日志是否有报错。3. 检查command和args中的路径是否正确。1. 修正 JSON 配置。2. 根据 Remarc 日志解决启动问题。3. 使用绝对路径并确保命令可执行。Remarc 似乎没有生效AI 生成的代码仍不符合习惯1. 规则置信度太低未被注入上下文。2. Cursor 未成功请求 Remarc 的资源。3. 规则与当前任务不匹配。1. 检查~/.remarc/rules.json文件是否存在及内容。2. 在 Cursor 命令面板搜索 “MCP”查看 Server 连接状态和日志。3. 尝试更具体地描述任务如“用我们项目的 Result 封装格式写一个接口”。1. 调低minConfidence配置。2. 重启 Cursor确认连接。3. 手动添加一条强规则到配置中。Remarc 学习到了错误的规则1. 你的一次性修改被误认为是通用模式。2. 在测试文件或临时代码上的修改被学习。1. 查看rules.json识别错误规则。2. 检查规则的文件路径 (filePattern) 是否合理。1. 直接编辑或删除rules.json中的错误规则。2. 在配置中通过scopes.exclude排除测试文件路径。性能问题代码补全或生成变慢Remarc Server 处理或规则查询可能引入延迟。1. 观察 Remarc 服务进程的 CPU/内存占用。2. 检查rules.json文件是否过大。1. 限制maxContextRules数量。2. 定期清理低置信度或陈旧的规则。3. 确保 Remarc 和 Cursor 都在本地运行网络延迟最小。规则冲突多条规则可能对同一代码模式有不同建议。查看规则列表寻找具有相同filePattern或language但建议矛盾的规则。Remarc 可能采用置信度加权或最近使用优先的策略。手动清理冲突规则保持规则简洁一致。7. 总结Remarc 的价值与未来展望Remarc 代表了一种新的 AI 编程工具进化方向从提供通用智能到提供个性化、上下文感知的智能。它不再试图用一个庞大的模型解决所有问题而是通过轻量的、可学习的反馈层让 AI 助手深度融入你的具体工作流。它的核心价值在于降低认知摩擦开发者无需在每次交互时都重复描述项目规范。提升代码可用性生成的代码更可能“开箱即用”减少人工调整时间。固化团队知识将个人的编码习惯和团队的规范逐渐转化为 AI 可理解的规则有助于知识传承。当然Remarc 仍处于早期阶段。规则提炼的准确性、对复杂重构模式的理解、以及如何与不同 IDE 和 AI 客户端深度集成都是它需要持续完善的挑战。对于开发者而言现在开始尝试 Remarc 这类工具正当时。你可以从一个小型个人项目开始感受它如何学习你的编码风格。重点不是追求 100% 的准确率而是观察它能否在 20% 的常见场景中为你节省 80% 的调整时间。随着 MCP 生态的成熟类似 Remarc 的“上下文反馈”服务很可能成为未来智能编程环境的标配组件。下一步你可以探索研究 Remarc 的开源代码了解其规则提取算法甚至为其贡献新的规则类型。探索是否可以将 Remarc 的规则库与团队的 CI/CD 流程结合自动检查 PR 是否违反已学习的核心规则。关注 MCP 协议的其他 Server例如连接数据库、内部 API 文档、错误日志系统的工具构建一个完全围绕你项目上下文增强的 AI 开发环境。技术的最终目的是让人更专注于创造。像 Remarc 这样的工具正是在努力消除那些重复、琐碎的理解与修正成本让我们离这个目标更近一步。 Remarc：基于MCP协议实现AI编程助手项目级上下文学习
如果你用过 Cursor、Claude Desktop 或任何基于 AI 的编程助手一定遇到过这种场景你让 AI 帮你写一个登录功能它生成了一段代码。你运行后发现这个登录逻辑和你项目里已有的用户认证体系完全不兼容——它可能用了错误的数据库表名或者忽略了项目里已经封装好的密码加密工具类。你不得不停下来手动把代码里的users表名改成t_user把password字段的加密方式从bcrypt换成项目里用的PBKDF2。这个过程重复几次你就会发现AI 助手虽然聪明但它对你项目的“上下文”一无所知。它就像一个空降的外援程序员技术很强但对公司内部的代码规范、技术栈选型和历史债务完全不了解。这就是当前 AI 编程工具最核心的痛点缺乏项目级的、持续性的上下文反馈。AI 可以基于你的单次提示生成代码但它不知道你之前改过什么、项目的特殊约定是什么、团队禁止使用哪些 API。每一次交互都像是从零开始导致生成的代码常常需要大量人工修正所谓的“提效”大打折扣。今天要介绍的项目Remarc瞄准的正是这个痛点。它不是一个全新的 AI 模型而是一个基于MCPModel Context Protocol协议构建的“上下文反馈层”。它的核心判断很简单让 AI 编程助手能“记住”你对它生成代码的修改并把这些修改转化为后续代码生成的约束和偏好从而实现越用越懂你项目的“个性化”智能体。简单说Remarc 试图解决的是 AI 编程的“最后一公里”问题——如何让生成的代码不只是语法正确更是符合你项目特定上下文、可直接合入的“生产级”代码。本文将深入拆解 Remarc 的工作原理、基于 MCP 的架构设计、具体的安装配置步骤并通过一个完整的实战示例展示它如何与 Cursor 结合真正提升你的编码效率。1. Remarc 要解决的根本问题从“一次性生成”到“持续学习”在深入技术细节前我们必须先理解 Remarc 要解决的到底是什么问题。这不仅仅是“代码生成不准”那么简单。1.1 传统 AI 编程助手的局限性以 Cursor、GitHub Copilot 为代表的工具其工作模式本质上是“单次提示-单次响应”。你给出指令模型基于其训练数据通常是公开代码库和当前打开文件的有限上下文生成一段代码。这个过程存在几个固有缺陷无记忆性模型不会记住你上次对类似代码的修改。如果你第一次生成登录 API 时把返回字段avatar改成了profile_picture下次生成用户信息 API 时它很可能还会用avatar。上下文窗口的浪费即使你将项目文档、代码规范粘贴进聊天窗口这些信息也仅作用于当前会话。下次新开一个聊天一切归零。缺乏项目特异性知识你的项目可能禁止使用java.util.Date而强制使用java.time包可能数据库表名都有t_前缀可能所有 REST API 响应都必须包裹在ResultT对象里。这些知识很难通过单次提示完整传达。1.2 Remarc 的核心思路将人工修正转化为可执行的规则Remarc 的解决方案很巧妙它监听并记录开发者对 AI 生成代码的修改行为。当你删除一行、添加一个注解、重命名一个变量时Remarc 会尝试理解这个修改背后的“意图”并将其抽象为一条可复用的“规则”或“偏好”。例如你做的操作把 AI 生成的ListUser users改为ListUserDTO userList。Remarc 可能推断的规则“在本项目中查询用户列表的返回类型应使用UserDTO而非User实体并且变量名应使用userList。”后续影响当你下次让 AI 生成“获取用户列表”的代码时Remarc 会将这条规则作为上下文提供给 AIAI 就会直接生成ListUserDTO userList userService.getUserList();。这个过程实现了从“人工反复纠正”到“AI 主动适应”的转变。Remarc 扮演了一个“项目专属编码教练”的角色它通过观察你的行为来学习项目的编码规范。1.3 为什么是 MCPMCPModel Context Protocol是由 Anthropic 提出的一种开放协议旨在标准化 AI 应用与各种工具、数据源之间的连接方式。你可以把它想象成 AI 世界的“USB 协议”或“驱动程序框架”。Remarc 选择基于 MCP 构建带来了几个关键优势工具无关性任何支持 MCP 协议的客户端如 Claude Desktop、Cursor、Windsurf都可以接入 Remarc无需为每个客户端单独开发插件。能力标准化MCP 定义了 Server提供能力和 Client消费能力的标准交互方式。Remarc 作为 MCP Server只需实现“提供上下文反馈规则”这一组标准接口。生态集成MCP 生态正在快速增长未来 Remarc 学习到的规则可能不仅用于代码生成还可以用于代码审查、文档生成等更多场景。理解了 Remarc “为什么”要做之后我们接下来看它“是什么”以及“怎么用”。2. 核心概念与架构理解 Remarc 与 MCP 如何协同工作2.1 Remarc 的核心组件Remarc 的架构可以简化为三个核心部分编辑器插件/客户端集成这是一个安装在你的 IDE如 VS Code/Cursor中的轻量级组件。它的职责是捕获代码编辑事件。当你接受 AI 的建议并开始修改时插件会记录“修改前”和“修改后”的代码片段以及相关的元数据如文件路径、语言、AI 建议的原始内容。Remarc 核心服务MCP Server这是运行在后台的服务。它接收来自编辑器插件的事件运用内置的启发式算法或可配置的规则引擎分析代码差异尝试提炼出有意义的模式或规则。例如它可能发现你将Autowired改为了Resource并将此识别为一项“依赖注入注解偏好”。规则知识库服务将提炼出的规则持久化存储通常在本地的一个 JSON 或 SQLite 文件中。每条规则可能包含规则类型命名规范、API 选择、库偏好、适用条件文件路径模式、编程语言、规则内容如“变量名使用驼峰式”以及置信度权重。2.2 MCP 协议在其中的作用Marc 通过实现一个MCP Server来暴露其核心能力。支持 MCP 的 AI 编程客户端Client可以“发现”并“调用”这个 Server。一个典型的工作流如下客户端启动你打开 CursorCursor 的 MCP Client 会读取配置发现本地运行着 Remarc 的 MCP Server。资源声明Remarc Server 向 Client 宣告“我这里有名为project_coding_rules的资源Resource它包含了本项目的一些编码规则。”上下文注入当你在 Cursor 中编写代码或向 AI 提问时Cursor 会主动向 Remarc Server 请求project_coding_rules资源。规则应用Remarc Server 返回当前最相关的几条规则例如针对“Java 控制器类”的规则。这些规则以纯文本或结构化提示的形式被插入到发送给大语言模型LLM的上下文中。智能生成LLM 在生成代码时就能“看到”这些规则从而生成更符合项目习惯的代码。sequenceDiagram participant D as 开发者 participant E as 编辑器插件 participant R as Remarc Server (MCP) participant C as AI客户端 (Cursor) participant M as 大语言模型 D-E: 修改AI生成的代码 E-R: 发送代码差异事件 R-R: 分析差异提炼/更新规则 R-R: 存储规则到知识库 D-C: 输入新指令如“写一个Service” C-R: 请求上下文资源 (project_coding_rules) R-C: 返回相关规则如“Service类需加Slf4j” C-M: 发送用户指令 规则上下文 M-C: 返回符合规则的代码 C-D: 显示生成的代码2.3 关键概念辨析Skill vs. MCP在 AI 智能体领域常听到“Skill”技能和“MCP”这两个词它们都与扩展 AI 能力相关但层面不同特性Skill (技能)MCP (Model Context Protocol)定义一个具体的、可执行的任务或能力如“查询数据库”、“发送邮件”。一个协议用于在 AI 应用和外部工具/数据源之间建立标准化的连接。层级应用层/功能层。一个 Skill 实现一个具体功能。传输层/协议层。MCP 定义了 Skill 或其他资源如何被暴露和调用。关系Skill 是能力单元。一个 MCP Server 可以提供一个或多个Skills或 Resources。MCP 是连接和暴露这些能力的通道和规范。类比就像手机上的一个个“App”地图App、音乐App。就像手机的“操作系统”和“应用商店协议”规定了App如何安装、如何被系统调用。简单来说MCP 是“管道”和“插座”的标准而 Remarc或一个数据库查询工具是通过这个标准提供服务的“电器”。Remarc 通过 MCP 协议将其“提供项目编码规则”这个“Skill”暴露给了 Cursor 等客户端。3. 环境准备与安装部署现在我们进入实战环节。假设你使用的是 macOS/Linux 系统并已安装 Cursor 作为你的 AI 编程客户端。3.1 前置条件检查在开始之前请确保你的系统满足以下条件Node.js 环境Remarc 目前主要基于 Node.js 开发。你需要安装Node.js 18和 npm。# 检查 Node.js 和 npm 版本 node --version # 应 18.0.0 npm --version # 应 8.0.0Git用于克隆 Remarc 仓库。git --versionAI 编程客户端需要一个支持 MCP 协议的客户端。本文以Cursor为例版本需较新支持 MCP 配置。Claude Desktop 也是不错的选择。代码仓库准备一个你日常开发的项目用于测试 Remarc 的学习效果。一个中等复杂度的 Spring Boot 或 Node.js 项目即可。3.2 安装 RemarcRemarc 可能尚未发布到 npm 官方仓库因此我们需要从源码安装。# 1. 克隆 Remarc 仓库请替换为实际仓库地址此处为示例 git clone https://github.com/your-org/remarc.git cd remarc # 2. 安装项目依赖 npm install # 3. 构建项目 npm run build # 4. 以开发模式启动 Remarc MCP Server # 这会在本地启动一个服务默认监听某个端口如 3000 npm run dev注意启动后请记下服务运行的地址和端口例如http://localhost:3000。你可以在终端日志或项目配置文件如server/config.js中找到。3.3 配置 Cursor 以连接 Remarc MCP ServerCursor 需要通过配置来发现并使用本地的 Remarc 服务。找到 Cursor 的 MCP 配置文件。macOS:~/Library/Application Support/Cursor/mcp.jsonWindows:%APPDATA%\Cursor\mcp.jsonLinux:~/.config/Cursor/mcp.json如果文件或目录不存在请手动创建。编辑mcp.json文件。这是一个 JSON 配置文件用于声明所有自定义的 MCP Server。{ mcpServers: { remarc: { command: node, args: [ /ABSOLUTE/PATH/TO/YOUR/REMARC/PROJECT/build/index.js ], env: { REMARC_DATA_DIR: /ABSOLUTE/PATH/TO/YOUR/REMARC/DATA } } } }关键参数解释command: 启动 Server 的命令。这里是node。args: 命令的参数即 Remarc 构建后的主入口文件路径。请务必替换为你的实际绝对路径。env: 传递给 Remarc 进程的环境变量。REMARC_DATA_DIR指定了 Remarc 存储学习到的规则数据的目录。更稳定的配置方式推荐如果 Remarc 提供了全局安装方式或可执行文件command可以直接指向它。{ mcpServers: { remarc: { command: /usr/local/bin/remarc, args: [serve] } } }保存配置文件并重启 Cursor。重启后Cursor 会自动读取配置并尝试启动你定义的 Remarc Server。验证连接。在 Cursor 中你可以通过快捷键通常是Cmd/Ctrl Shift P打开命令面板输入MCP查看已连接的 MCP Server 列表。如果看到remarc状态为已连接则配置成功。4. 核心工作流程实战让 Remarc 学习你的编码习惯配置完成后我们通过一个完整的 Java Spring Boot 项目示例来演示 Remarc 如何工作。4.1 初始场景设定假设我们有一个简单的 Spring Boot 项目结构如下demo-project/ ├── src/main/java/com/example/demo/ │ ├── DemoApplication.java │ ├── user/ │ │ ├── User.java // 实体类 │ │ ├── UserDTO.java // DTO类 │ │ ├── UserController.java // 待生成 │ │ └── UserService.java // 待生成 │ └── common/ │ └── Result.java // 统一响应封装类 └── pom.xml其中Result.java是你项目的统一响应封装package com.example.demo.common; import lombok.Data; Data public class ResultT { private Integer code; private String message; private T data; public static T ResultT success(T data) { ResultT result new Result(); result.setCode(200); result.setMessage(success); result.setData(data); return result; } }4.2 第一步让 AI 生成“错误”的代码并进行人工修正在 Cursor 中打开UserController.java文件可能是空的。在 Cursor 的聊天框中输入指令“请生成一个 UserController包含根据ID查询用户的接口。”Cursor在没有 Remarc 上下文时可能会生成类似下面的代码// 文件UserController.java - AI 初始生成 package com.example.demo.user; import org.springframework.web.bind.annotation.*; RestController RequestMapping(/api/users) public class UserController { GetMapping(/{id}) public User getUserById(PathVariable Long id) { // 假设有一个 UserService return userService.findById(id); } }这段代码有两个“问题” a. 直接返回了User实体而你的项目规范要求返回UserDTO。 b. 没有使用统一的Result包装响应。现在你手动修正这段代码// 文件UserController.java - 你手动修正后 package com.example.demo.user; import com.example.demo.common.Result; import org.springframework.web.bind.annotation.*; import lombok.RequiredArgsConstructor; RestController RequestMapping(/api/users) RequiredArgsConstructor public class UserController { private final UserService userService; GetMapping(/{id}) public ResultUserDTO getUserById(PathVariable Long id) { User user userService.findById(id); UserDTO userDTO convertToDTO(user); // 假设有转换方法 return Result.success(userDTO); } }你做了以下关键修改添加了RequiredArgsConstructor注解Lombok。将返回类型从User改为ResultUserDTO。在方法内部进行了实体到 DTO 的转换。此时Remarc 的编辑器插件捕获了这次代码差异。它会分析原始内容public User getUserById(PathVariable Long id) { ... }修改后内容public ResultUserDTO getUserById(PathVariable Long id) { ... }上下文文件是UserController.java一个 Spring Boot 控制器。Remarc 的核心服务会尝试从这次修改中提炼规则。它可能生成一条初步规则“在*Controller.java文件中公开的 HTTP 端点方法的返回类型应为ResultT其中T通常是 DTO 类型。”4.3 第二步验证 Remarc 的学习效果现在让我们测试 Remarc 是否真的学到了。在同一个项目中打开或创建一个新的ProductController.java文件。在 Cursor 聊天框中输入“请生成一个 ProductController包含获取产品列表的接口。”观察 Cursor 这次生成的代码。如果 Remarc 工作正常并且其提供的规则上下文被有效注入你有可能直接得到符合规范的代码// 文件ProductController.java - AI 在 Remarc 影响下生成 package com.example.demo.product; import com.example.demo.common.Result; import org.springframework.web.bind.annotation.*; import lombok.RequiredArgsConstructor; import java.util.List; RestController RequestMapping(/api/products) RequiredArgsConstructor public class ProductController { private final ProductService productService; GetMapping public ResultListProductDTO getAllProducts() { ListProduct products productService.findAll(); ListProductDTO productDTOs products.stream() .map(this::convertToDTO) .toList(); return Result.success(productDTOs); } }注意AI 的生成具有随机性可能不会 100% 完美但你应该能看到明显的改进趋势例如自动引入了Result类、使用了ProductDTO、添加了 Lombok 注解等。这证明 Remarc 提供的上下文正在起作用。4.4 第三步查看与管理 Remarc 学习到的规则Remarc 学习到的规则通常存储在本地由配置中的REMARC_DATA_DIR指定。你可以查看这个目录下的文件可能是rules.json或 SQLite 数据库来了解它到底学到了什么。# 假设数据目录为 ~/.remarc cat ~/.remarc/rules.json输出可能类似于[ { id: rule_001, pattern: 在类名以Controller结尾的Java文件中公开方法的返回类型应匹配 Result.*, language: java, filePattern: **/*Controller.java, confidence: 0.85, example: { before: public User getUserById(...), after: public ResultUserDTO getUserById(...) } }, { id: rule_002, pattern: 在Spring Bean类中考虑使用RequiredArgsConstructor进行注入, language: java, confidence: 0.75 } ]通过查看这些规则你可以确认 Remarc 的理解是否准确也可以在必要时进行手动编辑或清理防止学习到错误的模式。5. 高级配置与最佳实践要让 Remarc 发挥最大效用避免“学歪”你需要了解一些配置和技巧。5.1 配置 Remarc 的学习敏感度Remarc 可能提供配置文件如remarc.config.js来调整其行为。// remarc.config.js 示例 module.exports { // 规则提取的最小置信度低于此值的变化不会被记录为规则 minConfidence: 0.6, // 针对特定文件类型或路径的规则学习开关 scopes: { include: [src/**/*.java, src/**/*.ts], // 只学习这些路径 exclude: [**/test/**, **/*.spec.ts] // 忽略测试文件 }, // 规则类型偏好 ruleTypes: { import-statement: true, // 学习import偏好 annotation-usage: true, // 学习注解使用偏好 method-signature: true, // 学习方法签名偏好 naming-convention: false // 暂时关闭命名约定学习容易误判 }, // 规则生效的上下文长度在提示中提供的规则条数 maxContextRules: 5 };5.2 最佳实践引导 Remarc 进行高质量学习从明确的模式开始初期主动在代码中做出清晰、一致的修改。例如如果你决定项目全部使用Resource就每次都把 AI 生成的Autowired改掉。这有助于 Remarc 快速建立强规则。隔离学习环境可以先在一个特性分支或单独的小项目中试用 Remarc观察其学习效果再应用到核心项目。定期审查规则每周花几分钟查看rules.json删除那些明显错误或过时的规则。例如它可能把某次临时 hack 当成了通用规则。结合项目规范文档将已有的代码规范文档如 API 设计规范、命名规范放在项目根目录如CODING_GUIDELINES.md。Remarc 或其他工具未来可能会直接读取这些文档作为初始规则。分模块配置对于大型项目不同模块可能有不同规范。可以探索 Remarc 是否支持基于路径的规则作用域配置。5.3 与现有工具链集成Remarc 的学习能力可以成为你团队工具链的一环与 Linter (如 ESLint, Checkstyle) 结合Remarc 学习风格偏好Linter 检查语法错误和基础规范。与代码审查流程结合在 PR 中可以提示 Reviewer 关注 AI 生成的代码是否遵循了 Remarc 学习到的项目特定规则。作为新成员 onboarding 工具新开发者接入项目时开启 Remarc 可以帮助他们快速适应项目代码风格减少规范不一致的提交。6. 常见问题与排查思路在实际使用中你可能会遇到以下问题问题现象可能原因排查步骤解决方案Cursor 无法连接 Remarc Server1.mcp.json配置错误。2. Remarc 服务未启动。3. 路径或命令不存在。1. 检查mcp.json语法可用 JSON 验证工具。2. 在终端手动运行npm run dev查看 Remarc 服务日志是否有报错。3. 检查command和args中的路径是否正确。1. 修正 JSON 配置。2. 根据 Remarc 日志解决启动问题。3. 使用绝对路径并确保命令可执行。Remarc 似乎没有生效AI 生成的代码仍不符合习惯1. 规则置信度太低未被注入上下文。2. Cursor 未成功请求 Remarc 的资源。3. 规则与当前任务不匹配。1. 检查~/.remarc/rules.json文件是否存在及内容。2. 在 Cursor 命令面板搜索 “MCP”查看 Server 连接状态和日志。3. 尝试更具体地描述任务如“用我们项目的 Result 封装格式写一个接口”。1. 调低minConfidence配置。2. 重启 Cursor确认连接。3. 手动添加一条强规则到配置中。Remarc 学习到了错误的规则1. 你的一次性修改被误认为是通用模式。2. 在测试文件或临时代码上的修改被学习。1. 查看rules.json识别错误规则。2. 检查规则的文件路径 (filePattern) 是否合理。1. 直接编辑或删除rules.json中的错误规则。2. 在配置中通过scopes.exclude排除测试文件路径。性能问题代码补全或生成变慢Remarc Server 处理或规则查询可能引入延迟。1. 观察 Remarc 服务进程的 CPU/内存占用。2. 检查rules.json文件是否过大。1. 限制maxContextRules数量。2. 定期清理低置信度或陈旧的规则。3. 确保 Remarc 和 Cursor 都在本地运行网络延迟最小。规则冲突多条规则可能对同一代码模式有不同建议。查看规则列表寻找具有相同filePattern或language但建议矛盾的规则。Remarc 可能采用置信度加权或最近使用优先的策略。手动清理冲突规则保持规则简洁一致。7. 总结Remarc 的价值与未来展望Remarc 代表了一种新的 AI 编程工具进化方向从提供通用智能到提供个性化、上下文感知的智能。它不再试图用一个庞大的模型解决所有问题而是通过轻量的、可学习的反馈层让 AI 助手深度融入你的具体工作流。它的核心价值在于降低认知摩擦开发者无需在每次交互时都重复描述项目规范。提升代码可用性生成的代码更可能“开箱即用”减少人工调整时间。固化团队知识将个人的编码习惯和团队的规范逐渐转化为 AI 可理解的规则有助于知识传承。当然Remarc 仍处于早期阶段。规则提炼的准确性、对复杂重构模式的理解、以及如何与不同 IDE 和 AI 客户端深度集成都是它需要持续完善的挑战。对于开发者而言现在开始尝试 Remarc 这类工具正当时。你可以从一个小型个人项目开始感受它如何学习你的编码风格。重点不是追求 100% 的准确率而是观察它能否在 20% 的常见场景中为你节省 80% 的调整时间。随着 MCP 生态的成熟类似 Remarc 的“上下文反馈”服务很可能成为未来智能编程环境的标配组件。下一步你可以探索研究 Remarc 的开源代码了解其规则提取算法甚至为其贡献新的规则类型。探索是否可以将 Remarc 的规则库与团队的 CI/CD 流程结合自动检查 PR 是否违反已学习的核心规则。关注 MCP 协议的其他 Server例如连接数据库、内部 API 文档、错误日志系统的工具构建一个完全围绕你项目上下文增强的 AI 开发环境。技术的最终目的是让人更专注于创造。像 Remarc 这样的工具正是在努力消除那些重复、琐碎的理解与修正成本让我们离这个目标更近一步。