我是大三学生平时写 C 比较多最近也在用 Cursor 写小项目。Cursor 好用但模型通道一卡补全和对话都会「走神」。我想验证两件事Cursor 能不能稳定接到蓝耘元生代 MaaSOpenAI 兼容同一套 Key能不能顺手做一个小工具。这次我做的小工具很简单给本地.cpp / .h / .py文件批量生成函数注释中文 docstring / 头注释。模型推理全部走蓝耘 MaaS。注册入口 蓝耘元生代云注册一、为什么 Cursor 侧选蓝耘 MaaS我的标准很务实我要什么蓝耘怎么接Cursor 能自定义模型OpenAI Compatible一个 Key 切多个模型统一 Base URLhttps://maas-api.lanyun.net/v1代码场景够用模型广场里的 DeepSeek / GLM 等账单能看清控制台用量 / Token 统计对学生党来说最爽的是Cursor 里写代码、终端里跑小工具共用一把蓝耘 API Key不用维护两套账号。二、Cursor 接入蓝耘逐步不同 Cursor 版本菜单名称可能略有差异以你界面为准。核心就是三项Base URL、API Key、Model。2.1 准备三个值登录蓝耘 →API KEY 管理→ 创建 Key模型广场→ 选一个模型 → 复制完整调用名不要手打固定 Base URLhttps://maas-api.lanyun.net/v1常用示例以你控制台实时显示为准用途模型调用名示例写代码 / 补全向/maas/deepseek-ai/DeepSeek-V3.2中文说明 / 长一点的注释/maas/zhipuai/GLM-5.12.2 在 Cursor 里填打开 Cursor 模型设置添加自定义 OpenAI Compatible / Override配置项填写Base URLhttps://maas-api.lanyun.net/v1API Key蓝耘sk-...Model模型广场复制的完整路径保存后在 Chat / Composer 里选中该模型发一句用三句话说明什么是 OpenAI 兼容接口不要扩写。能正常回就说明 Cursor → 蓝耘链路通了。2.3 我踩过的坑Model 名写短了少了/maas/...前缀直接 404 / model_not_found。一定从模型广场复制。Base URL 多写了/chat/completionsCursor 这类客户端一般只填到/v1。Key 前后有空格粘贴时带上空格会鉴权失败。三、小工具本地代码注释生成器Cursor 通了之后我用同一套蓝耘接口写了个命令行小工具docgen.py。功能读入一个源文件 → 抽出函数签名附近代码 → 调蓝耘生成中文注释 → 打印或写回旁路文件。3.1 依赖pipinstallopenai3.2 核心代码可直接跑把下面保存为docgen.py环境变量里放 Key# Windows PowerShell$env:LANYUN_API_KEYsk-你的密钥# docgen.py —— Cursor 同款蓝耘 Key本地批量生成函数注释importargparseimportosimportreimporttimefrompathlibimportPathfromopenaiimportOpenAI BASE_URLhttps://maas-api.lanyun.net/v1# 默认用代码向模型可改成你模型广场里的完整路径DEFAULT_MODEL/maas/deepseek-ai/DeepSeek-V3.2FUNC_PATTERNS[# C / Cre.compile(r(?m)^(?:[\w:\s\*,])\s(\w)\s*\([^;]*\)\s*\{,),# Pythonre.compile(r(?m)^def\s(\w)\s*\(.*?\):),]defextract_snippets(text:str,window:int12)-list[tuple[str,str]]:粗提取函数名 附近若干行够小工具演示即可。linestext.splitlines()hits:list[tuple[str,str]][]forpatinFUNC_PATTERNS:forminpat.finditer(text):namem.group(1)# 按字符偏移估一行号line_notext[:m.start()].count(\n)chunk\n.join(lines[line_no:line_nowindow])hits.append((name,chunk))# 去重保序seenset()uniq[]forname,chunkinhits:ifnameinseen:continueseen.add(name)uniq.append((name,chunk))returnuniq[:8]# 单文件最多 8 个控制成本defgen_comment(client:OpenAI,model:str,lang:str,name:str,code:str)-dict:promptf你是资深{lang}工程师。根据下面代码片段为函数 {name} 写简洁中文注释。 要求 1) 先写一行功能摘要 2) 再列参数含义若无参数写「无」 3) 再写返回值含义若无返回写「无」 4) 不要编造代码里不存在的行为 5) 输出纯文本不要用 Markdown 代码块。 代码{code}t0time.perf_counter()firstNoneparts:list[str][]streamclient.chat.completions.create(modelmodel,messages[{role:user,content:prompt}],streamTrue,max_tokens256,temperature0.2,)forevinstream:deltaev.choices[0].delta.contentorifdeltaandfirstisNone:firsttime.perf_counter()parts.append(delta)t1time.perf_counter()text.join(parts).strip()ttft(first-t0)iffirstelseNonereturn{name:name,comment:text,ttft:ttft,total:t1-t0,chars:len(text),}defmain()-None:parserargparse.ArgumentParser(description蓝耘 MaaS 代码注释小工具)parser.add_argument(file,help源文件路径如 main.cpp / utils.py)parser.add_argument(--model,defaultDEFAULT_MODEL)parser.add_argument(--lang,defaultC,helpC / Python 等)argsparser.parse_args()api_keyos.environ.get(LANYUN_API_KEY)ifnotapi_key:raiseSystemExit(请先设置环境变量 LANYUN_API_KEY)pathPath(args.file)srcpath.read_text(encodingutf-8,errorsignore)snippetsextract_snippets(src)ifnotsnippets:raiseSystemExit(没提取到函数换个文件或放宽正则试试)clientOpenAI(api_keyapi_key,base_urlBASE_URL)results[]forname,codeinsnippets:print(f\n 生成中:{name})rgen_comment(client,args.model,args.lang,name,code)results.append(r)print(r[comment])print(f[metric] TTFT{r[ttft]:.3f}s total{r[total]:.3f}s chars{r[chars]}ifr[ttft]isnotNoneelsef[metric] total{r[total]:.3f}s)# 写出旁路结果避免直接改坏源码outpath.with_suffix(path.suffix.docgen.txt)without.open(w,encodingutf-8)asf:forrinresults:f.write(f##{r[name]}\n{r[comment]}\n\n)print(f\n已写入:{out})# 汇总方便贴进博客ttfts[r[ttft]forrinresultsifr[ttft]isnotNone]totals[r[total]forrinresults]ifttfts:print(f\n[summary] n{len(results)}favg_TTFT{sum(ttfts)/len(ttfts):.3f}s favg_total{sum(totals)/len(totals):.3f}s)if__name____main__:main()3.3 运行示例python docgen.py .\demo.cpp--langC# 或python docgen.py .\utils.py--langPython--model/maas/zhipuai/GLM-5.1运行结果:五、这次接入蓝耘 MaaS 后的一些感受其实一开始接入蓝耘主要就是想解决一个比较实际的问题。平时写 C 项目的时候我经常会用 Cursor 辅助写代码比如让它帮忙分析函数逻辑、补全代码或者解释一些报错。但是有时候模型响应不稳定或者想测试自己的小工具时又需要单独找接口感觉比较麻烦。所以这次想试一下能不能让 Cursor 和自己写的小程序都使用同一个模型接口。实际配置下来整个过程比我预想的简单一些。Cursor 这边主要配置Base URLAPI KeyModel名称配置完成后就可以直接调用蓝耘元生代 MaaS 中的模型。后面写代码注释生成工具时也是直接复用了同一个 Key。整个流程Cursor | | 蓝耘 MaaS | | GLM-5.1 / DeepSeek | | 代码辅助工具这样做的好处是自己不用再单独搭建模型环境。对于学生来说如果只是学习大模型应用开发自己部署一个模型其实门槛比较高需要 GPU 环境需要配置模型运行环境需要处理部署问题。而通过 MaaS 接口可以先把重点放在应用开发上。比如这次的小工具真正花时间的地方其实不是模型运行而是怎么提取代码中的函数怎么设计提示词怎么让生成的注释更符合代码习惯。当然这个小工具目前也比较简单。例如 C 中复杂的模板代码、宏定义还有一些特殊写法简单正则并不能完全识别需要后续继续优化。不过通过这次实践我感觉对于刚开始接触 AI 应用开发的人来说先通过 MaaS 接口快速验证想法比一开始研究模型部署更加适合。六、总结这次尝试主要完成了两件事情。第一把 Cursor 接入蓝耘元生代 MaaS。以前 Cursor 只是一个代码辅助工具这次通过 OpenAI Compatible 接口接入自己的模型服务也让我了解了 AI 编程工具背后的调用方式。第二用同一个接口完成了一个小工具。虽然代码注释生成器功能比较简单但完整经历了选择模型 ↓ 配置接口 ↓ 调用模型 ↓ 处理返回结果 ↓ 形成实际功能对于我这种平时主要写 C 的学生来说这次最大的收获不是做出了一个多复杂的 AI 应用而是第一次比较完整地体验了“大模型如何接入普通项目”。以前感觉大模型距离开发比较远总觉得需要很多复杂的环境。但实际体验后发现很多 AI 功能并不一定需要自己训练模型更多时候是思考怎么把现有模型能力结合到自己的项目里面。这也是这次使用蓝耘元生代 MaaS 最大的收获。
