Encore 与 AI 工具集成实战：LLM 规则自动生成与本地 MCP Server 深度指南-北京尧图网络

Encore 与 AI 工具集成实战LLM 规则自动生成与本地 MCP Server 深度指南【免费下载链接】encoreThe infrastructure platform for the intelligence era项目地址: https://gitcode.com/GitHub_Trending/encor/encore本指南系统讲解 EncoreEncore.ts / Encore Go面向 AI 辅助开发的完整集成方案如何通过encore llm-rules init为 Cursor、Claude Code、VS Code 等工具一键生成 LLM 规则与 MCP 配置如何启动并连接 Encore 本地 MCP Server 让 AI 直接内省你的应用服务、API、数据库、Trace以及如何用真实基础设施而非 Mock驱动生成代码 → 即时验证 → 分析 Trace → 迭代的闭环。读完你将能够在自己的 Encore 项目中完整落地 AI 辅助后端开发工作流并理解其底层 CLI 与守护进程实现。Encore 从设计上就是为 AI 辅助开发而生的声明式 API 与基础设施原语为 AI 提供了清晰的应用模型Encore 专属的 LLM 规则文件与 MCP 集成让 AI 能够理解你的架构并生成遵循既有模式、类型安全的代码。运行encore run即可启动应用Encore 会自动在本地拉起数据库、Pub/Sub 等基础设施。生产环境则可通过自托管部署或 Encore Cloud 在你的 AWS / GCP 账号中供给基础设施。AI 辅助开发能带来什么Encore 的声明式 API 与基础设施原语数据库、Pub/Sub、Cron、对象存储、缓存等为 AI 提供了一个清晰、可推断的编程模型。在此基础上AI 可以以内置护栏guardrails的方式为应用新增数据库、Pub/Sub Topic 等资源通过 MCP 内省你的应用——服务、API、数据库、Trace——从而给出准确且模式一致的代码建议。也就是说AI 不再是猜着写代码而是先读取你应用的真实结构与运行时状态再基于这些事实生成与现有模式一致的实现。为项目启用 AI 支持的两种方式方式一使用 CLI推荐新项目执行encore app create时CLI 会提示你选择一款 AI 工具Cursor、Claude Code、VS Code、AGENTS.md、Zed随后为所选工具生成对应的配置。从源码看encore app create在创建应用后会直接调用llm_rules.SetupLLMRules(...)见 cli/cmd/encore/app/create.go并把创建好的应用 ID 一并写入 MCP 配置。已有项目在应用根目录执行encore llm-rules initencore llm-rules init该命令会交互式地让你选择目标 AI 工具并生成对应的配置文件.cursorrules、CLAUDE.md等。它同样支持非交互方式通过-r/--llm-rules标志直接指定工具encore llm-rules init -r claudecode命令底层见 cli/cmd/encore/llm_rules/init.go的执行流程如下读取用户全局配置中的默认 LLM 工具userconfig.Global().Get()的LLMRules字段若未通过--llm-rules指定则展示基于 Bubble Tea 的交互式选择列表通过cmdutil.MaybeAppRoot()定位应用根目录并解析根目录下的encore.app清单文件pkg/appfile/appfile.go据此判断语言是 TypeScript 还是 Go调用SetupLLMRules(tool, lang, root, appID)写入规则文件与 MCP 配置打印后续可直接复制使用的提示词建议。支持的 AI 工具与生成的文件源码 cli/cmd/encore/llm_rules/tool.go 中定义了 5 种受支持的工具cursor、claudecode、vscode、agentsmd、zed。各工具对应的生成内容如下工具生成的 LLM 规则文件自动写入的 MCP 配置Cursor.cursor/rules/encore.mdc带 front-matteralwaysApply: true.cursor/mcp.json中的mcpServers.encore-localClaude Code.claude/CLAUDE.md.mcp.json中的mcpServers.encore-localVS Code.github/copilot-instructions.md.vscode/mcp.json中的servers.encore-localAGENTS.mdAGENTS.md无工具本身不支持 MCP 配置Zed.rules.zed/settings.json中的context_servers.encore-local几点值得注意的实现细节规则内容动态下载SetupLLMRules会先调用downloadLLMInstructions(lang)按语言从官方仓库拉取对应的 LLM 指令文本TypeScript 为ts_llm_instructions.txt、Go 为go_llm_instructions.txt然后写入上述规则文件。这两个文件的副本就在本仓库根目录可以直接查看ts_llm_instructions.txt、go_llm_instructions.txt。MCP 配置是合并而非覆盖updateJsonFile会先读取目标文件如.cursor/mcp.json中已有的内容再把encore-local追加进mcpServers不会破坏你已有的其他 MCP 服务器配置。规则文件存在即跳过writeNewFileOrSkip对CLAUDE.md、AGENTS.md、.rules、copilot-instructions.md这类文件采用已存在则跳过并给出黄色警告的策略避免覆盖你手写的自定义内容而 Cursor 的encore.mdc因为是 Encore 专属配置文件总是覆盖写入。写入的 MCP 命令无论哪个工具写入的encore-local服务器命令都是encore mcp run --app你的应用ID应用 ID 来自encore.app中的 slug。初始化完成后CLI 还会打印一组可直接尝试的提示词例如add image uploads to my hello world appadd a SQL database for storing user profilesadd a pub/sub topic for sending notifications方式二使用 Encore Skills 包Encore Skills 包可与 Cursor、Claude Code、GitHub Copilot 以及 10 余个其他 AI Agent 配合使用安装方式npx add-skill encoredev/skills也可以只安装特定技能或面向特定 Agent# 列出可用技能 npx add-skill encoredev/skills --list # 只安装到 Cursor 与 Claude Code npx add-skill encoredev/skills -a cursor -a claude-code该技能包内含一个迁移技能Migration Skill可以把你的既有后端自动迁移到 Encore.ts。完整的迁移流程见使用 AI Agent 迁移指南。无论采用哪种方式只要所选工具支持 MCPCursor、Claude Code 等两条命令都会顺带完成 MCP 服务器配置。若想手动配置 MCP见下文。MCP Server架构与两种传输方式Encore 的 Model Context Protocol (MCP) 服务器为 AI Agent 提供对应用的深度内省能力查询数据库、调用 API、检视服务、分析 Trace。它支持两种标准传输方式SSEServer-Sent Events适合交互式启动可在终端观察连接信息stdio适合被 MCP 宿主IDE、CLI Agent以子进程方式拉起。启动服务器在 Encore 应用目录下执行encore mcp start命令会打印类似下面的连接信息源码见 cli/cmd/encore/mcp.goMCP Service is running! MCP SSE URL: http://localhost:9900/sse?appyour-app-id MCP stdio Command: encore mcp run --appyour-app-id把对应的 URL 或命令填进你的 MCP 宿主配置即可。使用 AI 工具期间请保持该命令运行。命令参考命令说明encore mcp start [--appapp-id]启动一个基于 SSE 的 MCP 会话并打印连接信息encore mcp run [--appapp-id]建立基于 stdio 的 MCP 会话通常由 MCP 宿主通过标准输入/输出流与服务器通信实现层面的关键事实cli/cmd/encore/mcp.go默认端口 9900mcpPort常量默认为9900应用 ID 自动推断未显式传入--app时两个子命令都会回退到cmdutil.AppSlugOrLocalID()从当前encore.app所在目录推断stdio 是桥接而非独立服务encore mcp run会先连接守护进程daemon暴露的 SSE 端点然后充当翻译层——从 stdin 逐行读取 JSON-RPC 请求并转发把来自 SSE 的响应打印到 stdout断线自动重连SSE 连接断开后sseConnection.reconnect以指数退避重试初始 1s、上限 10s期间未完成的请求会收到错误响应保证 Agent 不会永久挂起。守护进程端的 MCP 实现真正的 MCP 服务器在 Encore 守护进程中实现cli/daemon/mcp/mcp.go工具注册NewManager通过register*Tools()系列方法注册了 12 组工具覆盖数据库、API、Trace、源码、Pub/Sub、对象存储、缓存、指标、Cron、密钥与文档服务器指令一段精炼的serverInstructions会随initialize响应返回给模型告诉它何时该用这些工具例如调用端点用call_endpoint而不是 curl出于某些客户端如 Claude Code 的 tool search会截断 2KB 的限制这段指令特意把最重要的引导放在最前面本地安全边界originCheck中间件会拒绝所有携带Origin头的请求——因为本地代码 Agent编辑器、CLI 工具不会发送 Origin 头而浏览器一定会发。这保证了 MCP 服务器只服务于本机 AI 工具不会被网页滥用只读本地应用该服务器只能看到本地encore run的应用部署在云上的生产环境需要使用 Encore Cloud 的 MCP 服务器同样可以通过claude mcp add --transport http encore-cloud https://api.encore.dev/mcp方式注册。连接 Cursor手动配置在项目根目录创建.cursor/mcp.json{ mcpServers: { encore-local: { command: encore, args: [mcp, run, --appyour-app-id] } } }你的应用 ID 可以在encore.app文件中找到Encore.ts 应用的encore.app是一个 JSON 格式的文本清单文件。配置完成后在 Cursor 的 Agent 模式中你可以直接下达高级任务例如Add an endpoint that publishes to a pub/sub topic, call it and verify that the publish is in the traces连接 Claude Code在 Encore 应用目录下执行claude mcp add --transport stdio encore-local -- encore mcp run --appyour-app-id然后验证是否注册成功claude mcp list列表中应能看到encore-local。--transport stdio意味着 Claude Code 会以子进程方式运行encore mcp run通过标准输入/输出与 MCP 服务器通信。AI 现在能做什么接好 Skills 与 MCP 之后AI 可以在代码中定义基础设施——声明数据库、Pub/Sub、Cron 任务、对象存储桶等原语生成类型安全的 API——产出遵循你既有模式、能通过校验的代码理解架构——通过 MCP 检视各服务及其连接关系查询数据库——内省 schema 与真实数据生成准确的查询基于 Trace 调试——查看请求 Trace、各阶段耗时与 Span 细节精准定位问题即时测试——运行encore run用真实基础设施而非 Mock 进行验证。实战一基于分布式追踪的智能调试AI 能通过 MCP 访问 Encore 的分布式追踪来智能排错。与其猜测AI 可以直接查看真实请求 Trace、分析跨服务的耗时分布、检视每个 Span 的细节从而精确定位问题出在哪一环。这形成了一条强大的反馈回路生成代码 → 测试 → 分析 Trace → 迭代修复。get_traces支持按服务、端点、Pub/Sub Topic/订阅、错误状态、时间范围、耗时与父 Trace ID 过滤get_trace_spans则返回单个 Trace 的完整 Span 详情。两者配合见 cli/daemon/mcp/trace_tools.go即可完成为什么上一个请求失败了这类深度排查。实战二数据库内省AI 可以通过query_database直接查询应用的真实数据库 schema 与数据这意味着它理解你的真实数据模型能够生成准确的查询、给出合理的 schema 变更建议并通过检视实际记录来排查数据问题。相比encore db conn-uri psql 手工往返一次调用即可对多个命名数据库批量执行多条 SQL。实战三用真实基础设施即时验证当你运行encore run时Encore 会在本地供给真实的数据库、Pub/Sub 等基础设施。AI 生成代码后可以立即对真实服务做验证在部署之前就发现并修复问题。典型的示例提示词Add an endpoint that publishes to a pub/sub topic, call it and verify in tracesQuery the users database and show accounts created in the last weekCreate a new service with CRUD endpoints connected to PostgreSQL附LLM 指令文件里到底有什么写入各工具规则文件的内容源自在仓库根目录维护的 LLM 指令ts_llm_instructions.txt 与 go_llm_instructions.txt。它们不仅是风格指南还包含大量实战约束语言与代码规范如必须编写有效的 TypeScript / Node.js v20 代码、使用 ES6 语法、内置fetch而非node-fetch生成的目录勿手改encore.gen/与.encore/由 CLI 重新生成永远不要编辑encore.app是文本清单文件TS 为 JSON、Go 为 CUE 格式可以像源码一样读取MCP 使用策略明确列出call_endpoint、query_database、get_traces、get_trace_spans、get_objects、search_docs/get_docs等运行时工具的完整参数与适用场景并强调静态结构服务、端点、Topic、schema直接用源码搜索更快不要滥用get_*工具encore check快速验证推荐用encore check取代encore run 健康检查轮询 curl的手工流程一条命令即可完成编译、启动、健康检查并执行内嵌的 curl DSL路径必须相对、路径在首位、可用;串联多个请求Pub/Sub 验证技巧订阅处理器的 Trace 与发布端点的 Trace 是两条独立根 Trace验证时需要保留发布时的trace_id再用parent_trace_id过滤并可轮询等待间隔 250–500ms上限约 10s。这些约束写进CLAUDE.md/encore.mdc之后AI 生成的代码从一开始就会贴合 Encore 的约定显著减少来回纠错。MCP 工具全景Encore 本地 MCP 服务器共暴露 20 个工具全部带mcp__encore-local__前缀AI 客户端在会话初始化时即可通过tools/list获取完整目录。按类别划分如下完整说明见 docs/ts/cli/mcp.md类别工具数据库get_databases数据库元数据与 schema、query_database执行 SQLAPIcall_endpoint调用任意 API 端点、get_services、get_middleware、get_auth_handlers追踪get_traces按多维条件检索根 Trace、get_trace_spans获取 Span 详情源码get_metadata完整应用元数据、get_src_files读取源文件Pub/Subget_pubsubTopic 与订阅信息、wait_for_subscription_message阻塞等待订阅消息处理完成存储get_storage_buckets、get_objects列出对象及元数据缓存get_cache_keyspaces指标get_metrics定时任务get_cronjobs密钥get_secrets文档search_docs基于 Algolia 的文档检索、get_docs按路径获取完整文档页其中call_endpoint、query_database、get_traces、get_objects、search_docs/get_docs属于运行时专属工具——它们看到的是文件系统无法获得的实时数据应优先于 shell 等价操作使用。学习路径MCP Server 完整参考 —— 命令参考与全部暴露工具的说明使用 AI Agent 迁移到 Encore.ts —— 借助 Skills 包的迁移技能自动迁移既有后端快速开始指南 —— 构建你的第一个 Encore 应用Encore 原语概览 —— 数据库、Pub/Sub、Cron、对象存储等基础设施原语自托管基础设施配置与 CI/CD 部署 —— 生产环境部署方案另可选择 Encore Cloud 在自有 AWS/GCP 账号中供给基础设施Encore 的 Skills 技能包与本地 MCP Server 共同构成了一个完整的 AI 开发闭环规则文件让 AI 学会你的代码规范MCP 让 AI 看见你的真实应用本地基础设施让 AI 的每一次产出都能被即时验证。把这套工作流接入 Cursor 或 Claude Code后端开发的生成—验证—调试循环将获得质的提升。【免费下载链接】encoreThe infrastructure platform for the intelligence era项目地址: https://gitcode.com/GitHub_Trending/encor/encore创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

Encore 与 AI 工具集成实战：LLM 规则自动生成与本地 MCP Server 深度指南

相关推荐

医疗AI的实践与挑战：从影像识别到基层应用

数据网格架构下的数据产品目录设计与实践

Axolotl + NeMo Gym 强化学习集成指南：基于环境奖励的 GRPO 训练（单轮 /verify 与多轮工具调用全解析）

更多资讯

如何生成 Automatisch 的 ENCRYPTION_KEY 与 WEBHOOK_SECRET_KEY 以保护第三方凭据？

douyin-downloader 完整实战：批量下载抖音去水印，极简配置 3 步归档整个创作者主页

COMSOL锌离子沉积仿真：电场、电势与浓度三场耦合全解析

Envoy OCSP 测试夹具解析：证书身份体系、certs.spec 生成流程与源码级验证

ADC/CAN双结点协同控制：实时性、信号完整性与系统级设计

Audacity播客剪辑实战：从降噪处理到响度归一化全流程

今日更新

基于高阶循环谱的MPSK载波频率估计与MATLAB实现

MiniPdf方：.NET开源Office转PDF的高效解决方案

Solon AI v3.10：Java全栈智能体开发框架解析

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？