Cursor Agent 模式教程：使用 GPT-5.6 Luna 构建 REST API

如果你正在使用 Cursor Agent 模式构建软件，所选模型可以成就或毁掉你的工作流程。Agent 模式将自主编码任务交给 LLM：它会编辑文件、运行命令并持续迭代，直到任务完成。这种自主性意味着每次会话都会产生数十次甚至数百次模型调用。Token 成本和响应延迟会迅速累积。在本教程中，你将使用 Cursor Agent 模式，通过 OneMux 提供的性价比模型 GPT-5.6 Luna 构建一个 REST API。我们将介绍为什么 Luna 是 Agent 编码的强力选择、如何配置它，并逐步完成一个具体的 API 构建。

为什么 GPT-5.6 Luna 是 Cursor Agent 的明智之选

GPT-5.6 Luna 是 OpenAI GPT-5.6 系列的一部分，该系列还包括 Terra 和 Sol。Luna 是入门级型号：输入价格 每 1M tokens 0.60 美元，输出价格 每 1M tokens 3.60 美元。这比 Terra（$1.50/$9.00）和 Sol（$2.50/$15.00）便宜得多。对于 Agent 编码，单次会话可能消耗数十万 tokens，这些节省非常重要。

但“便宜”并不意味着“弱”。Luna 是一款通用模型，能够很好地处理代码生成、调试和重构。在 Cursor Agent 模式中，它可以推理文件结构、编写函数和修复错误。对于大多数 REST API 任务——创建端点、模型、验证和样板代码——Luna 以一小部分价格提供了充足的性能。

OneMux 让模型比较变得简单。以下是 OneMux 模型目录 中的概览：

当你把 Cursor 用作 Agent 时，你不需要每一步都使用最昂贵的模型。标准的 CRUD 端点、Pydantic 模式和测试脚手架都在 Luna 的能力范围内。对于复杂的架构决策或细致的调试，你可能会切换到 Sol 或 Claude Opus——但对于大多数工作，Luna 是经济高效的默认选择。

在 Cursor 中设置 GPT-5.6 Luna

Cursor 允许你通过 OpenAI 兼容 API 接入自定义模型。OneMux 正好提供这一点：一个 API 端点即可访问包括 GPT-5.6 Luna 在内的众多领先模型。以下是入门步骤。

1. 在 OneMux 创建账户并获取 API 密钥。
2. 在 Cursor 中，打开 设置 > 模型 > OpenAI API 密钥，粘贴你的 OneMux 密钥。
3. 将 API 基础 URL 设置为 OneMux 的端点。具体 URL 可在 OneMux 快速入门指南 中找到。
4. 选择一个模型。你需要 Luna 的模型标识符，可以在 模型页面 或 文档 中找到。

配置完成后，Cursor Agent 模式将通过 OneMux 路由其调用。你会在模型选择器中看到该模型，并开始将其用于 Agent 任务。OneMux 还提供支出可视化和信用管理，因此你始终可以了解 Agent 消耗了多少 tokens。

使用 Cursor Agent 模式构建 REST API

让 Luna 开始工作吧。我们将使用 FastAPI 构建一个简单的内存待办事项 REST API。打开 Cursor Agent 模式并输入以下提示：

为待办事项应用创建一个 FastAPI REST API。它应支持创建、列出、更新和删除待办事项。将待办事项存储在内存中。使用 Pydantic 添加验证，并包含一个健康检查端点。

Cursor Agent 模式将创建项目文件、编写代码，甚至可能安装依赖。以下是 Luna 可以生成的那种代码示例

from fastapi import FastAPI, HTTPException, status
from pydantic import BaseModel
from typing import List, Optional

app = FastAPI()

class TodoCreate(BaseModel):
    title: str
    completed: bool = False

class Todo(TodoCreate):
    id: int

todos = []
next_id = 1

@app.get("/health")
def health():
    return {"status": "ok"}

@app.get("/todos", response_model=List[Todo])
def list_todos(completed: Optional[bool] = None):
    if completed is None:
        return todos
    return [t for t in todos if t.completed == completed]

@app.post("/todos", response_model=Todo, status_code=status.HTTP_201_CREATED)
def create_todo(todo: TodoCreate):
    global next_id
    new_todo = Todo(id=next_id, **todo.dict())
    todos.append(new_todo)
    next_id += 1
    return new_todo

@app.put("/todos/{todo_id}", response_model=Todo)
def update_todo(todo_id: int, todo: TodoCreate):
    for t in todos:
        if t.id == todo_id:
            t.title = todo.title
            t.completed = todo.completed
            return t
    raise HTTPException(status_code=404, detail="Todo not found")

@app.delete("/todos/{todo_id}", status_code=status.HTTP_204_NO_CONTENT)
def delete_todo(todo_id: int):
    for i, t in enumerate(todos):
        if t.id == todo_id:
            todos.pop(i)
            return
    raise HTTPException(status_code=404, detail="Todo not found")

这是一个坚实的地基。然后，Agent 可以运行测试、添加更多功能或重构代码——所有这些都可以在 Cursor Agent 模式中完成。Luna 能够从容应对上下文和编辑。

了解成本：Luna 与更强大模型的对比

一个小型 API 的典型 Agent 会话可能会消耗大约 10 万个输入 tokens（包括代码库上下文和提示）和 2 万个输出 tokens（生成的代码和编辑）。以下是不同模型的成本：

因此，Luna 不仅更便宜——对于迭代工作流来说，它便宜得多。如果你在几天内构建一个 API，这些节省会不断累积。对于需要深度推理的更复杂项目，你随时可以切换到 Sol 或 Claude Opus。但对于大多数 Agent 化的 REST API 工作，Luna 是务实之选。

从 Cursor Agent 模式获得最佳效果的技巧

• 在提示中明确说明： 描述框架、数据模型、端点和任何约束。当你给出清晰的规格时，Agent 的输出会显著改善。
• 要求测试： 让 Cursor 生成并运行测试套件。Luna 可以迭代失败并修复边缘情况。
• 使用内置上下文： 将 Agent 指向现有文件或文件夹，使其在项目的架构内工作。
• 监控支出： OneMux 让你实时了解 token 使用量和成本，以便发现意外激增。
• 从 Luna 开始，需要时升级： 如果遇到推理瓶颈，可针对该子任务切换到更大的模型，然后返回 Luna。

常见问题

GPT-5.6 Luna 是否可通过 Cursor Agent 模式使用？

是的。Cursor 支持自定义 OpenAI 兼容端点。通过在 Cursor 的设置中设置你的 OneMux API 密钥和基础 URL，Luna 即可作为模型用于 Agent 任务。

Luna 与 GPT-5.6 系列中的 Terra 和 Sol 相比如何？

Luna 是最经济实惠的选择，输入价格为 $0.60/1M，输出价格为 $3.60/1M。Terra 和 Sol 价格更高，专为更重的推理任务而设计。对于典型的 REST API 生成，Luna 的能力通常已足够。

在项目进行中是否可以切换 Cursor 和 OneMux 的模型？

当然可以。由于 OneMux 通过单一 API 路由，你可以在 Cursor 的设置中更改模型，无需修改任何代码。这让你可以从 Luna 开始，如果任务变得复杂，再切换到更强大的模型。

在哪里可以找到 GPT-5.6 模型的完整基准表？

DataCamp 的 Cursor Agent 模式教程 引用了 GPT-5.6 Sol、Terra 和 Luna 的完整基准表和三级定价指南。你可以查看该来源以获取更深入的性能数据。

结论

Cursor Agent 模式将你的想法转化为可工作的代码，但所选模型决定了质量和成本。通过 OneMux 提供的 GPT-5.6 Luna 在构建 REST API 方面恰好处于最佳平衡点：拥有足够的智能来生成干净、功能齐全的代码，同时价格让 Agent 实验保持经济实惠。

立即通过 OneMux 的统一 API 在 Cursor 中设置 Luna，开始更快地构建——无需担心每个 token 都会让预算爆炸。有关模型、定价和集成的更多详细信息，请浏览 OneMux 定价 页面和 快速入门指南。

来源

• DataCamp：Cursor Agent 模式教程