directories
directories 是专为 Cursor 代码编辑器打造的开源社区枢纽。作为一个资源集散地，它聚合了数千个插件、MCP 服务器、开发规则以及相关的活动和职位信息，帮助用户快速发现并集成高质量的 AI 辅助工具。
面对 Cursor 生态中资源分散、查找困难的现状，directories 提供了统一的检索与发布平台。这不仅解决了开发者寻找合适扩展的痛点，也为插件作者提供了便捷的展示渠道。无论是日常编码的开发者，还是正在构建 MCP 服务的工程师，都能在此找到所需资源。
技术上，项目基于 Next.js 和 Bun 构建，利用 Supabase 管理数据。其核心亮点在于深度支持 Open Plugins 标准，能够自动解析 GitHub 仓库中的规则文件、技能定义及 LSP 配置，实现插件内容的自动化检测与提交。用户只需通过网页填写链接即可完成发布，无需处理复杂的代码合并流程，极大地优化了社区协作体验。
使用场景
某全栈开发团队计划利用 Cursor 提升编码效率，急需整合内部文档库作为 MCP 服务器，同时寻找通用的代码规则模板。他们希望构建一个标准化的 AI 辅助开发环境。
没有 directories 时
- 需要在 GitHub、Discord 等多个渠道分散搜索 MCP 服务器，耗时且容易遗漏优质资源
- 难以判断插件是否遵循 Open Plugins 标准，手动测试兼容性往往失败率高
- 团队内部缺乏统一的
.cursorrules规范，成员各自编写导致 AI 理解偏差 - 遇到配置问题只能依赖官方文档，缺少社区实战案例参考，排查困难
使用 directories 后
- 在 directories 上直接检索已验证的 MCP 服务器列表，快速获取经过社区测试的稳定配置
- 利用 directories 的自动检测功能提交插件，系统会校验 rules 和 skills 等组件是否符合规范
- 直接引用社区热门项目的规则模板，迅速统一团队内的 AI 交互指令标准
- 浏览他人分享的 Agent 和 Hooks 配置，借鉴最佳实践加速内部工具的搭建过程
directories 通过集中化展示与标准化验证，显著降低了 Cursor 生态资源的发现与集成门槛。
运行环境要求
- 未说明
未说明
未说明
快速开始
Cursor 目录
Cursor 的社区中心——插件、MCP 服务器、活动、职位，以及数千名开发者共同构建。
项目结构
├── apps/
│ └── cursor/ # Next.js app
├── packages/
│ └── email/ # Email templates (React Email)
├── supabase/
│ └── migrations/ # Database migrations
└── package.json # Bun workspace config
所有数据都存储在数据库中——仓库中没有本地数据。
入门指南
前置要求
设置
- 克隆仓库
git clone https://github.com/pontusab/cursor.directory.git
cd cursor.directory
- 安装依赖
bun install
- 配置环境变量
cp apps/cursor/.env.example apps/cursor/.env
填入所需值：
| 变量 | 必需 | 描述 |
|---|---|---|
NEXT_PUBLIC_SUPABASE_URL |
是 | Supabase 项目 URL |
NEXT_PUBLIC_SUPABASE_ANON_KEY |
是 | Supabase 匿名/公开密钥 |
SUPABASE_SERVICE_ROLE_KEY |
是 | Supabase 服务角色密钥 |
RESEND_API_KEY |
否 | Resend API 密钥（邮件） |
NEXT_PUBLIC_APP_URL |
否 | 默认为 http://localhost:3000 |
- 运行数据库迁移
将 supabase/migrations/ 中的迁移应用到你的 Supabase 项目。
- 启动开发服务器
bun dev
贡献
所有内容均通过网站提交——数据无需提交拉取请求。
提交插件
- 前往 cursor.directory/plugins/new
- 使用 GitHub 或 Google 登录
- 粘贴 GitHub 仓库 URL —— 我们根据 Open Plugins 标准自动检测组件
- 点击 提交
自动检测的组件：
| 组件 | 路径 |
|---|---|
| Rules | rules/*.mdc |
| MCP Servers | .mcp.json |
| Skills | skills/*/SKILL.md |
| Agents | agents/*.md |
| Hooks | hooks/hooks.json |
| LSP Servers | .lsp.json |
有关详细信息，请参阅 Open Plugins 规范 和 插件模板。
举办活动
社区活动由 Luma 提供支持：
- 前往 cursor.directory/events
- 点击 举办活动
- 填写表单 —— 你的活动将自动显示在网站上
发布职位
- 在 cursor.directory 登录
- 导航至 职位 → 发布职位
- 填写详情并提交
技术栈
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。