Glean 拾遗
最近收录

5 条 · 按时间

11-15

Cloud Agent 读不到 /poteto-mode:把 pstack skill 提交进仓库

作者用 pstack(Lauren Tan 写的工程规范插件)搭了一套 Cursor 的协作分工:Grok Bot 当协调者,不写代码、只负责 spawn;Cursor Cloud Agent 当工人,各自拿独立 VM、clone GitHub、开 PR。全文的核心矛盾是一条容易踩的坑:装在本地 Cursor 的账号插件和 ~/.cursor/skills 不会被复制到云端 VM,所以 /poteto-mode 在 Cloud Agent 里静默失效。解法是把 pstack 的 skills/ 与 agents/ 用 sparse-checkout 拉下来、rsync 进仓库的 .cursor/skills/ 和 .cursor/agents/,并保留 .cursor/skills、.cursor/rules 的 git 跟踪;每个可运行 app 再配一个 verify-<app> skill,让“验证”有可执行的 launch/drive/evidence 而不是模型自说自话。后半段给出协调者 prompt 模板、Autopilot-stack 与 Autopilot-full 的权限差异(full 需要独立 verifier 干净复审才许 merge),以及一套常见坑清单。适合已在用 Cursor Cloud Agents 或类似 agent harness、想把 skill 分发和验证流程固定下来的工程师。

x.com · 9 min · Agent Harness · Agent Skills · Coding Agents
11-14

Cursor 官方插件规范与插件库:把 agent 能力封装成可复用单元

Cursor 官方维护的插件规范与插件集合。它用 plugin.json 声明插件元数据(名称、作者、分类),把技能、命令、脚本和外部服务连接器打包成 agent 可直接调用的单元。仓库内容分两类:一类面向开发者工作流,如代码评审画布、并行子代理编排、面向 agent 的 CLI 设计模式、插件脚手架与校验;另一类把 GitHub、Playwright、BigQuery、Salesforce、Gmail 等外部系统接入 agent。适合正在为编码 agent 设计可复用能力包、或想参考官方打包与分发方式的工程师。

github.com · 15 min · Agent Skills · Cursor · Developer Tools
07-18

Cursor 的云智能体实践总结:环境即产品,Temporal 实现持久执行

Cursor 团队在推出云智能体一年后,分享了构建过程中的关键教训。核心发现是:云智能体的输出质量很大程度上取决于是否拥有完整的开发环境,这与本地智能体继承本地环境的做法不同。为达到“完整环境”,团队需要重建大量基础设施,包括 VM 休眠/恢复、快照/回滚/分支管道、网络访问控制等,最终形成了智能体专用的“企业 IT”系统。可靠性方面,早期的工作窃取架构仅达到一个九的可用性,迁移至 Temporal 的持久执行框架后,可靠性提升至两个九以上,目前 Temporal 每日处理超过 5000 万个动作、700 万个独立工作流。另一个重要经验是将智能体循环、机器状态与对话状态解耦,使得智能体可跨不同 pod 运行、子智能体可比父智能体存活更久。此外,团队发现随着模型变强,应将更多逻辑从硬编码的 harness 移至智能体可控的工具中,例如让智能体直接使用 GitHub CLI、Playwright 等。文章还介绍了自我修复环境(如 autoinstall)的前景。适合对智能体工程、持久执行、云基础设施有兴趣的工程师阅读。

cursor.com · 11 min · Agent Architecture · Agent Infrastructure · Agents
07-06

Cursor 云 Agent 开发环境:多仓库支持与可配基础设施

Cursor 推出云 Agent 开发环境新工具,支持多仓库配置、Dockerfile 即配置(含构建密钥和层缓存加速 70%)、Agent 引导式环境验证以及环境级治理(版本历史、审计日志、出口/密钥作用域)。企业团队可运行端到端并行 Agent 舰队,在完全可控的环境中完成代码编写、测试、查询和 API 调用。环境配置失败时回退到基础镜像,保证 Agent 持续运行。

cursor.com · 6 min · Agent Environment · Cursor · Dockerfile
07-03

Cursor 代理框架的持续改进:从上下文管理到模型定制

Cursor 团队分享其代理框架(harness)的持续改进方法论。核心包括:上下文窗口从静态预填充演变为动态按需获取;通过离线基准(CursorBench)和在线 A/B 测试(基于代码留存率、用户意图识别)评估改动效果;建立工具调用错误分类体系(未知错误视为 bug,预期错误按原因归类)并利用异常检测与自动化日志分析(Cloud Agents)来追踪与修复退化;为不同模型定制工具格式与提示(如 OpenAI 的 patch 格式 vs Anthropic 的字符串替换),并处理模型特性(如“上下文焦虑”);支持会话中模型切换时自动切换对应框架并加入特殊指令避免工具混淆。最后展望多智能体架构——框架将负责智能体编排与结果缝合。适合一线 AI 工程、Agent 平台开发者阅读。

cursor.com · 13 min · Agent Engineering · Ai Tooling · Context Engineering