一步API中文文档
  1. 07_常用工具配置教程
一步API中文文档
  • 01_人工客服
  • 02_购买地址
  • 03_base_url说明
  • 04_API key的获取和使用
  • 05_支持的模型与在线查询
  • 06_API Key余额查询
  • 07_常用工具配置教程
    • 01_Chatbox多端一键配置Claude/GPT/DeepSeek等主流模型
    • 02_JetBrains 全家桶(idea、PyCharm、WebStorm)配置教程
    • 03_Cursor配置
    • 04_Trae AI配置
    • 05_AingDesk配置(更新中)
    • 06_vscode配置(更新中)
  • 08_示例代码
    • python
      • 01_OpenAI-Python示例代码
      • 02_Claude-Python示例代码
      • 03_OpenAI-image-Python示例代码
      • 04_Gemini-Python示例代码
      • 05_Python分析文件代码示例
      • 06_Python其他示例
    • Java
      • 01_OpenAI-Java示例代码
      • 02_Claude-Java示例代码
  • 聊天接口(Chat)
    • 图片识别接口
      POST
    • 聊天接口(通用)
      POST
  • 向量生成(Embeddings)
    • 创建嵌入
      POST
  • 文生图片(Images)
    • DALL·E
      POST
  • 音频(Audio)
    • TTS文本转语音
      POST
  • 更新中
    • API的介绍及使用教程点击内涵链接
    • 常用教程合集
    • Anthropic Claude接口
    • Claude账号登录教程
  1. 07_常用工具配置教程

03_Cursor配置

1. 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考这篇教程模型在线查询

2. Cursor 安装#

默认情况下访问 VS Code 官网 https://www.cursor.com/,页面会根据你的系统自动匹配安装包,比如我是 WINDOWS,就会出现 Download for WINDOWS 按钮:
image.png
下载完成后,双击.exe文件启动安装程序。
按照提示接受许可协议,选择安装路径,可以选择创建桌面快捷方式或添加到系统路径以方便命令行访问。
完成安装后,点击“Finish”退出安装程序

3.注册与登录#

在安装包安装后要设置一些配置信息,语言我们选择中文:
image.png
如果本机之前安装过 VS Code,可以导入 VS Code 的扩展:
image.png
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。
image.png
这里勾选默认即可,点 Continue 按钮完成设置:
image.png

4. 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
image.png
image.png

5.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。
image.png
image.png
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

6. 联系客服#

客服微信:xuexiv5876
微信二维码
kfwx.jpg
上一页
02_JetBrains 全家桶(idea、PyCharm、WebStorm)配置教程
下一页
04_Trae AI配置
Built with