Workflow
Agentic编程
icon
搜索文档
Cursor 2.0来了,多agent并行,自研模型30秒跑完多数任务,MXFP8训练
36氪· 2025-10-30 12:35
产品升级概述 - 知名AI编程平台Cursor宣布升级到2.0版本,推出了包括自研编程模型Composer、用于并行协作多个Agent的新界面等15项升级 [1] 自研编程模型Composer - Composer模型专为低延迟的Agentic编程打造,大多数任务回合在30秒内完成,其速度达到同等智能模型的4倍,每秒输出的token数超过200个 [1] - 在内部评估中,Composer的智能水平超过最佳的开源编程模型(包括Qwen Coder和GLM 4.6),速度优于现有的前沿轻量级模型(包括Claude Haiku 4.5和Gemini Flash 2.5),但其智能水平仍低于GPT-5和Claude Sonnet 4.5 [1] - Composer是一个专家混合模型,支持长上下文的生成与理解,通过在多样化的开发环境中进行强化学习,对软件工程进行了专项优化 [35] 用户界面与交互体验 - Cursor 2.0的UI界面围绕Agent进行重新设计,不再以文件为核心,开发者可以聚焦目标,让不同的Agent分别处理实现细节 [3] - 用户仍可打开文件或一键切换回经典IDE视图以深入查看或编辑代码 [3] - 改进的提示词界面进行了全面优化,文件和目录以内嵌标签形式展示,复制和粘贴带有上下文标签的提示内容更加便捷,同时简化了上下文菜单 [25] 多Agent并行处理能力 - Cursor 2.0支持并行运行最多8个Agent,它们可以在不同的工作区中互不干扰地工作,用户还可以让多个Agent同时尝试解决同一问题,再择优采用最优方案 [3][6] - 多Agent并行功能使用git worktrees或者远程虚拟机完成,以避免文件冲突,每个Agent都会拥有专注的隔离代码库副本 [7] 浏览器集成与前端开发 - Agent可以控制Cursor内置的浏览器,通过导航、点击、输入、滚动、截屏等操作,完成测试应用、评估无障碍性、将设计转为代码等复杂任务 [9] - 新增的原生浏览器让Cursor 2.0能自动测试其工作并迭代直到产出正确结果,用户可以直接选中网页元素让Cursor修改 [5] - Cursor对浏览器工具进行了优化以提升效率并减少token使用,优化方向包括更高效的日志处理、图像级可视化反馈、智能提示、开发服务器感知等 [12] 代码审查与测试功能 - 改进的代码审查功能把所有修改聚合到一个界面,用户更容易查看Agent对多个文件所做的所有更改,而无需在各个文件之间跳转 [13] - 新增的原生浏览器功能让Cursor 2.0能自动测试其工作并迭代,直到产出正确结果 [5] 安全性与团队管理 - Cursor推出了沙盒终端功能的macOS版本,macOS版本的Agent命令和未列入允许列表的shell命令将默认在安全沙盒中运行,该沙盒环境拥有对用户工作区的读写权限,但无法访问互联网 [16] - 团队管理者可以在Cursor中自定义命令和规则,这一上下文将自动应用于所有团队成员,而无需存储在本地编辑器中 [19] - 企业管理员可以在团队级别统一配置沙盒终端的标准设置,包括沙盒可用性、Git访问权限以及网络访问策略 [28] 性能与基础设施优化 - Cursor使用语言服务器协议来实现特定于语言的功能,如今大幅提升了所有语言的LSP加载和使用性能,这一提升在Agent场景和查看代码差异时尤为明显 [22] - 对于大型项目,Python和TypeScript LSP默认运行速度将会更快,内存限制会根据可用RAM动态配置,公司还修复了一些内存泄漏问题,并提高了整体内存使用率 [22] - Cursor基于PyTorch和Ray构建了定制化训练基础设施,以在大规模环境下支持异步强化学习,并采用了MXFP8 MoE kernels、专家并行和混合分片数据并行,在原生低精度下完成训练 [40] 企业版特定功能 - 企业团队现在可以直接通过Web控制台分发Hooks,管理员能够新增Hooks、保存草稿,并灵活指定不同操作系统所适用的Hooks [29] - Cursor为企业用户提供了详细的审计日志功能,帮助团队跟踪关键操作、变更记录与合规性事件 [30] - 公司为企业用户使用Agent浏览器功能提供了额外支持,如MCP黑白名单管控等安全功能 [9] 模型训练与开发理念 - 在研发过程中,公司试验了一个代号为“猎豹”的原型Agent模型以更好地理解高速Agent模型的影响,Composer是该模型的智能升级版 [31] - 公司鼓励模型在工具使用上做出高效选择,并在可能的情况下最大化并行处理,通过减少不必要的回复、避免无依据的陈述来训练模型成为更有帮助的助手 [38] - 模型在强化学习时会自发习得一些有用能力,例如执行复杂搜索、修复linter错误,以及编写并运行单元测试 [39]