Cursor 3来了:内置Codex,前端福音Design Mode,WorkTree多开

Cursor 3来了:内置Codex,前端福音Design Mode,WorkTree多开

Cursor 3来了:内置Codex,前端福音Design Mode,WorkTree多开

用Cursor这种编辑器,经常遇到两个小痛点:一是他就一个聊天框,如果一个任务时间长一点,侧边栏就被占用,就没法干别的;二是害怕 Agent “一顿操作猛如虎”,直接把当前的主干分支改坏。

刚刚发布的 Cursor 3,重点就在解决这类工作流层面的问题。总体来看,它好像不太满足于做一个带对话窗的编辑器,而是在加强多任务并行和代码环境的安全隔离。

具体有三个最直接影响日常开发的新特性:

1. Agents Window:跑并行的任务控制台

快捷键Cmd+Shift+P 输入 Agents Window

以前的对话基本是一个单向的线性流。Cursor 3 将 Agent 抽离出了独立的面板区,你可以跨仓库、跨环境(本地、云端或远程 SSH)同时运行多个任务。

配合新增的 Agent Tabs,你可以在并排或网格视图下查看多个对话。
功能背后的思路很直白:让 AI 编程从“一次等一件事”变成“同时派发几个需求”。遇到修改范围大、耗时长的场景,把它丢在 Agents Window 里跑,自己切回主编辑器继续写代码,两边不会互相打扰。

你可能会问,这和在编辑器里装一个 Codex Plugin(或其它第三方 AI 侧边栏)有什么区别?

区别在于原生环境的接管深度底层任务编排能力

像 Codex Plugin 重点是打包复用单个工作流(比如一套 GitHub Code Review 加发布流程);而 Cursor 3 的 Agents Window 直接把自己变成了全局控制台。它不仅局限于“读写当前打开的文件”,还能直接接管 Git 底层机制(分配独立 Worktree、对比代码状态),并在多个并行的仓库(Multi-repo)间穿梭。如果你觉得过去的插件就像是装了个带对话框的侧边栏,那这次的 Agents Window 就是直接在编辑器里给你配了一个能跑多个项目的“带队经理”。

2. Git Worktree:物理隔离保护你的主干代码

触发方式:在对话区使用 /worktree/best-of-n 命令

过去让 Agent 操作大范围重构,它直接在你的当前文件上动刀。一旦它中途跑偏或者中断,人工去恢复或清理中间报错的代码非常头疼。

新加入的 /worktree 指令利用了 Git 原生特性提供了一个物理隔离方案:强制让 Agent 的改动全在一个独立的 Git Worktree 里跑,且全面支持多个仓库(Multi-repo)联动。这意味着即使项目包含好几个微服务或者不同的包,Agent 也可以在一个干净的“平行宇宙”里大刀阔斧地改。在这个沙盒里,无论它怎么折腾怎么卡顿,都不会弄乱你当前工作区里正在写的半成品代码,验证靠谱后再一键 Merge 即可。

顺着这个逻辑,Cursor 3 顺势把 /best-of-n 也移进了新的 Agent 窗口。你可以直接让几个不同的大模型,在各自隔离的 Worktree 里并行处理同一个需求。跑完之后像裁判一样直观对比 outcomes 结果,哪个模型写的顺眼就合并哪个,相当于发起了多场并行的“代码竞标”。

3. Design Mode:用框选代替语言描述

快捷键:在 Agents 窗口里按 Cmd+Shift+D 切换,Shift + 拖拽 选中页面区域,Cmd+L 添加到对话。

如果你写过前端,会知道用语言描述 UI 问题费时费力。比如“让导航菜单右数第二个蓝色登录按钮向下对齐2像素”,这种描述给到 Agent,它还得去猜对应的 CSS Class 和 DOM 层级。

Design Mode 允许你直接在浏览器里像使用截图软件一样,框选并提取特定界面元素。选好区域后用 Cmd+L 直接“指”给 Agent 看就行,免去了无穷无尽的口舌。对于开发者而言,这也额外治好了一个顽疾:当系统通过脚本自动点击网页 DOM 元素经常失效跑偏时,直观的视觉框选比猜前端 class 结构要准太多了。

(注:不仅是 Design Mode 加了基于截图定位的备选方案,这次更新对底层浏览器 Agent 也做了一波减法。官方严格收窄了它的工具权限,强制它专注于纯粹的浏览器操作,这能大幅减少之前它在网页里乱点导致的跑偏和报错死循环。)

4. 生态与性能细节扫除盲点

除了上面这三个大件,还有几个值得普通开发者留意的细节提升:

  • MCP 支持结构化输出(Structured Content):当你让 Agent 调用外部 MCP 接口或者 App 时,它现在能接收和解析出更富媒体、结构更清晰的数据。
  • 大文件 Diff 渲染变流畅了:以前只要 Agent 生成或比对几十上百行的长代码,编辑器必卡。这次更新重写了长文件比对,内存占用大幅缩减。
  • 过往聊天记录直接参与搜索:现在用到 At-mention(@ 提及)时,你的历史对话也会出现在搜索结果里,用来捞以前解决过的老 Bug 非常省事。

总结

Cursor 3 并没有一味追求所谓“更强”的模型噱头,而是回归到了人机交互的工程细节。

开个自带隔离环境的 Worktree,哪怕把最复杂的脏活丢给它,也不怕它把你正在写的状态干碎。如果遇到不好形容的样式 Bug,直接用 Design Mode 框选出来也就完事了。

如果你曾经也被 Agent 一顿乱改搞炸过本地分支,光是冲着能放开手脚瞎折腾的 Worktree,就值得立刻去升个级试一把。

Read more

CANopen 在机器人控制器开发中的深度应用解析

CANopen 作为基于 CAN 总线的标准化高层协议(EN 50325-4),凭借 实时性强、可靠性高、拓扑灵活、成本可控 的核心优势,成为机器人控制器与外设(伺服、传感器、执行器)交互的主流工业总线方案。其在机器人控制器开发中的应用贯穿 运动控制、IO 交互、故障诊断、参数配置 全流程,尤其适配协作机器人、工业机械臂、移动机器人等场景的模块化架构需求。以下从核心应用场景、技术实现细节、优势与挑战三方面展开详细解析: 一、核心应用场景(机器人控制器视角) 机器人控制器作为 CANopen 网络的 主站(Master),需连接伺服驱动器、IO 模块、力传感器、夹爪、编码器等 从站(Slave) 设备,核心应用聚焦以下6个维度: 1. 运动控制:

Java 大视界 -- Java 大数据在智能家居环境监测与智能调节中的应用拓展(423)

Java 大视界 -- Java 大数据在智能家居环境监测与智能调节中的应用拓展(423)

Java 大视界 -- Java 大数据在智能家居环境监测与智能调节中的应用拓展(423) * 引言: * 快速上手指南:3 步跑通智能家居 Demo(新手友好) * Step 1:环境准备(必装软件清单) * Step 2:代码运行(按顺序执行) * Step 3:效果验证(用 Postman 模拟数据) * 正文: * 一、智能家居环境监测与调节的核心痛点 * 1.1 设备数据的 “异构化” 困境 * 1.1.1 多源数据的 “协议壁垒” * 1.1.2 数据规模的 “爆发式增长” * 1.2 实时调节的 “滞后性” 痛点 * 1.

喂饭级教程:OpenClaw 对接 QQ 机器人,本地/腾讯云都能用

喂饭级教程:OpenClaw 对接 QQ 机器人,本地/腾讯云都能用

文章目录 * 前言 * 一、选对路子:官方 Bot 还是个人号? * 方案 A:QQ 开放平台官方机器人 * 方案 B:个人 QQ 号变身机器人 * 二、环境准备:5 分钟搞定基础设施 * 1. 服务器/电脑要求 * 2. 安装 OpenClaw * 3. 配置大模型 API * 三、方案 A:对接 QQ 开放平台官方机器人 * Step 1:注册开发者并创建机器人 * Step 2:获取三件套凭证 * Step 3:配置 IP 白名单和沙箱 * Step 4:OpenClaw 端配置

华为人工智能HCIP-AI Solution Architect H13-323题库(26年最新,带解析知识点)

华为人工智能HCIP-AI Solution Architect H13-323题库(26年最新,带解析知识点)

刚考完HCIP-AI Solution Architect H13-323,整理的题库给大家参考学习。完整版题库已经发在题主小程序上了,需要的同学可以去绿泡泡上找“题主”小程序。 以下哪个不是MindSpore核心架构的特点? A、自动微分 B、自动调优 C、自动编码 D、自动并行 答案:C 解析:MindSpore核心架构以自动微分、自动并行和自动调优为主要特点,支持端边云全场景的AI开发。“自动编码”并非其核心架构的特点。 标签:MindSpore,自动微分,自动并行,自动调优 如果你想使用 Hugging Face Transformers 库中的预训练模型进行 DeepSpeed 训练,请对以下步骤进行排序,正确的是哪一项? 步骤: 1. 创建一个TrainingArguments对象,并在其中指定包括DeepSpeed配置在内的训练参数。 2. 创建Trainer对象。 3. 加载预训练模型。 4. 传递模型和训练参数,