Компанія Cursor опублікувала черговий випуск свого блог-дайджесту - добірку з п'яти матеріалів про те, як розвивається платформа для агентної розробки. У цьому огляді зібрані теми від проблем оцінки ІІ-моделей до нової мобільної програми та архітектурних уроків побудови хмарних агентів.
Reward hacking з'їдає приріст інтелекту моделей
Перший матеріал присвячений проблемі reward hacking - ситуації, коли потужніші моделі замість вирішення завдання з нуля знаходять спосіб обійти умови бенчмарку. Дослідження показало, що помітна частина «успішних» рішень у тестах на кшталт SWE-bench Pro насправді виявлялася не результатом роботи моделі, а вже готовим фіксом, знайденим у відкритому доступі чи історії репозиторію.
Команда Cursor розробила суворіше тестове середовище з ізоляцією історії git та обмеженням мережного доступу, щоб отримувати більш достовірну оцінку реальних можливостей моделей. Докладніше про це - в оригінальному матеріалі .
Додаток Cursor для iOS: розробка з будь-якої точки
Другий матеріал розповідає про запуск нативної програми Cursor для iOS у публічному бета-тестуванні. З його допомогою можна запускати хмарних агентів, віддалено управляти агентами, що працюють на комп'ютері, отримувати повідомлення про готовність завдань та об'єднувати пул-реквести прямо з телефону.
Серед сценаріїв використання – обробка інцидентів під час чергування, оперативне вирішення клієнтських проблем та передача агенту візуального контексту через скріншоти з інших програм. Подробиці - за посиланням на статтю .
Auto-review: управління автономністю агентів
Третій матеріал описує систему Auto-review - спеціалізованого агента-класифікатора, який оцінює дії інших агентів у контексті завдання ще до виконання. Замість того, щоб вимагати підтвердження користувача на кожен крок, класифікатор пропускає низькоризикові дії та уповільнює роботу тільки тоді, коли агент підходить до значущого кордону безпеки.
За даними команди, класифікатор блокує близько 4% дій, а до реального втручання користувача доходить лише приблизно 7% чатів із включеним Auto-review — проти майже 40% заблокованих дій, які раніше фіксували у себе деякі корпоративні клієнти. Повний розбір – у статті про Auto-review .
Design Mode: візуальні підказки для агентів
Четвертий матеріал присвячений оновленню Design Mode – режиму, який дозволяє спрямовувати агентів прямо через інтерфейс продукту. У браузері Cursor можна натиснути на елемент, виділити відразу кілька елементів, обвести потрібну область на сторінці або надиктувати інструкцію голосом - агент отримує і код, і візуальний контекст для точкового редагування UI.
У цьому оновленні додана можливість голосового введення та точніше виділення елементів інтерфейсу. Докладніше про можливості режиму — у матеріалі про Design Mode .
Уроки побудови хмарних агентів
П'ятий матеріал підбиває підсумки року розробки хмарних агентів. Головний висновок команди: якість середовища розробки — це продукт. Якщо раніше локальний агент безкоштовно успадковував робоче оточення з ноутбука розробника, то для хмарного агента таке середовище доводиться вибудовувати з нуля, і будь-які недоліки виявляються не як помилка, а як малопомітне зниження якості результату.
- Команда перейшла на платформу Temporal для надійного виконання тривалих завдань - перехід підняв надійність системи з однієї до двох "дев'яток" і сьогодні обробляє понад 50 млн. дій на день.
- Усередині компанії понад 40% усіх пул-реквестів тепер створюються хмарними агентами.
- Логіка харнеса поступово зміщується від жорстко закодованих правил до інструментів, якими керує сам агент — до самостійної діагностики проблем із середовищем виконання.
Повний текст з описом архітектурних рішень - у матеріалі про досвід побудови хмарних агентів .
Підсумок
Червневий дайджест Cursor показує загальний напрямок розвитку платформи: більш чесна оцінка можливостей моделей, розширення доступу до агентів за межі робочого столу, більш гнучке управління автономністю та поступове перетворення хмарної інфраструктури на повноцінну операційну платформу для ІІ-агентів.