AI 编程工具 Cursor 核心功能与技术架构解析

1.3 安全索引

虽然 Cursor 不在服务器上存储源码，但一些敏感信息仍不适合上传，即使加密也可能存在风险，包括 密钥、API Key、密码 等。

• 使用 .gitignore 和 .cursorignore 可以确保索引安全。敏感信息通常以本地变量或 .env 文件形式存储，这些文件被加入 .gitignore。Cursor 会遵循这些规则，不索引或上传被忽略的文件。
• 上传代码块前，Cursor 还会扫描可能的敏感信息，避免上传。

1.4 大规模代码库的索引

对于包含数千万行代码的大型单仓库（monorepo），索引整个代码库非常耗时且消耗大量计算资源，而且通常没有必要。此时使用 .cursorignore 文件忽略不需要索引的文件是最合理的做法，官方文档提供了详细指南。

2. 实际工具调用顺序

阶段 1：理解项目结构（建立上下文）

阶段 2：定位相关代码（从粗到细）

👉 真实情况：

• codebase_search 用来'猜方向'
• grep 用来'钉位置'

阶段 3：深入理解与补充上下文

阶段 4：修改 / 生成代码

阶段 5：验证与执行

阶段 6：补充信息（必要时）

阶段 7：版本控制与结构性改动（可选）

一句话总结调用规律

Cursor 的真实工作方式是：先看结构 → 再语义搜索 → 精确搜索 → 读文件 → 改代码 → 跑命令 → 再检查

以'添加用户认证功能'为例：

3. 编辑器核心层

编辑器核心提供代码可视化、文件管理、终端集成等基础 IDE 功能，同时支持插件扩展和自定义界面。它是 Cursor 的运行基础，使 AI 功能能在熟悉的开发环境中无缝操作。

4. AI models

Cursor 支持来自所有主要模型提供商的所有前沿编程模型。

5. 自然语言交互与多代理系统

Cursor 提供自然语言交互，开发者可以直接用普通语言指令修改代码、重构模块或生成新功能。同时，Cursor 支持多代理模式，多任务 AI 可以并行运行，协调完成复杂的开发任务，例如重构整个模块或自动生成测试代码。

6. Commands

Cursor 的命令功能允许你创建可复用、可共享的工作流命令，这些命令以简单的 / 前缀触发，可在聊天输入框中快速调用，从而提高团队协作效率和常见任务处理的速度。

🛠️ 命令是如何工作的？

• 命令以 纯 Markdown 文件 (*.md) 的形式定义；
• 文件放在特定目录中后，系统会在聊天框输入 / 时自动检测并展示可用命令。

例如，run-tests-and-fix-failure.md 可以定义成下面这样的。

# Run All Tests and Fix Failures
## Overview
Execute the full test suite and systematically fix any failures, ensuring code quality and functionality.
## Steps
1. **Run test suite**
   - Execute all tests in the project
   - Capture output and identify failures
   - Check both unit and integration tests
2. **Analyze failures**
   - Categorize by type: flaky, broken, new failures
   - Prioritize fixes based on impact
   - Check if failures are related to recent changes
3. **Fix issues systematically**
   - Start with the most critical failures
   - Fix one issue at a time
   - Re-run tests after each fix

可存放的位置包括：

1. 项目命令：存放在项目根目录下的 .cursor/commands 文件夹；
2. 全局命令：存放在用户主目录的 ~/.cursor/commands 文件夹。

.cursor/
└── commands/
    ├── address-github-pr-comments.md
    ├── code-review-checklist.md
    ├── create-pr.md
    ├── light-review-existing-diffs.md
    ├── onboard-new-developer.md
    ├── run-all-tests-and-fix.md
    ├── security-audit.md
    └── setup-new-feature.md

7. Context

在代码生成过程中提供给 AI 模型的信息，包括文件、symbols 以及对话历史。

8. CLI

Cursor CLI 是 Cursor 提供的命令行级 AI 编程接口，用于在终端环境中直接调用 AI Agent 完成代码编写、重构、审查与问题分析等任务。相比只存在于编辑器中的 AI 助手，Cursor CLI 更适合融入现有的工程化流程，例如脚本自动化、CI/CD 流水线以及本地工具链。

该工具支持 交互式模式 与 非交互式模式：在交互模式下，开发者可以与 AI 进行持续对话，逐步明确需求、审阅修改方案并确认执行；在非交互模式下，则可通过一次性指令输出结果，适用于性能检查、安全审计等自动化场景。同时，Cursor CLI 提供会话管理能力，允许恢复历史对话，从而在多次调用中保持上下文一致性，减少重复沟通成本。

整体来看，Cursor CLI 更像是一个可脚本化的 AI 编程代理入口，将 AI 能力下沉到终端层，使其成为开发流程中的基础工具，而不仅是编辑器里的辅助功能。

细节请查阅官网链接：https://cursor.com/docs/cli/overview

9. Hooks

Hooks 允许你通过自定义脚本来观察、控制并扩展代理（agent）循环。Hooks 是独立启动的进程，使用 JSON 通过标准输入/输出（stdio）进行双向通信。它们会在代理循环的指定阶段之前或之后运行，并且可以对行为进行观察、阻止或修改。

{
  "version": 1,
  "hooks": {
    "beforeShellExecution": [{ "command": "./script.sh" }],
    "afterShellExecution": [{ "command": "./script.sh" }],
    "afterMCPExecution": [{ "command": "./script.sh" }],
    "afterFileEdit": [{ "command": "./format.sh" }],
    "beforeTabFileRead": [{ "command": "./redact-secrets-tab.sh" }],
    "afterTabFileEdit": [{ "command": "./format-tab.sh" }]
  }
}

三、新功能

1. 自动测试 Web 页面以及修复

只需要表述你要测试什么内容，然后 Cursor 就帮你启动项目并且自动测试里面内容。

比如你的测试内容如下：

把 llm playground 页面里面文生文，文生图的功能给我测试一下，在测试的过程中，如果发现有什么问题，给我修复一下。后端 python 环境是 conda 里面虚拟环境 llm_Ft。

下图是测试结果。

2. Debug Mode

编码 Agent 在很多事情上都很擅长，但有些 bug 总能难倒它们。为此推出了 Debug Mode——一种完全围绕运行时信息和人工验证构建的全新 Agent 工作循环。

在构建它时，研究了团队中最擅长调试的工程师的实践，并将他们的工作流整合为一种 Agent 模式，为其配备了可对代码进行插桩以采集运行时日志的工具、用于生成多种'到底出了什么问题'假设的提示，以及主动请你协助复现问题和验证修复的能力。

最终形成的是一个交互式流程，可以可靠地修复那些此前即便是最智能的模型单独工作也力所不及，或需要开发者投入大量时间才能处理的 bug。

1. 描述该 bug

首先，从下拉菜单中选择 Debug Mode，并尽可能详细地描述这个 bug。

代理不会立即尝试生成修复方案，而是先通读你的代码库，并针对可能出错的地方提出多个假设。其中有些可能是你自己也会想到的思路，但另一些则很可能是你原本不会考虑的方法。

接下来，代理会在你的代码中插入用于验证这些假设的日志记录语句，从而为在 bug 发生时获取实际运行数据做好准备。

2. 复现该 bug

接下来，回到你的应用，在代理采集运行时日志的同时复现这个 bug。

当 bug 发生时，代理可以准确了解你的代码中发生了什么：变量状态、执行路径以及时序信息。基于这些数据，它可以精准定位根本原因并生成有针对性的修复方案。通常这只需要对两三行代码做精确修改，而不是像普通代理交互那样给你上百行试探性代码。

3. 验证修复

此时，Debug Mode 会要求你在应用了建议修复的情况下，再复现一次这个 bug。若 bug 已经消失，你就可以将其标记为已修复，agent 会移除所有埋点（instrumentation），只留下一个干净、最小化的变更，方便你直接发布。

3. 浏览器布局和样式编辑器

借助全新的浏览器侧边栏和组件树，同时进行设计与编码。

移动元素、更新颜色、测试布局并实时调整 CSS，然后使用 agent 将更改即时应用到你的代码库中。你也可以选中多个元素，通过文字描述你想要的修改，让 agent 自动完成视觉调整。

4. 代码审核-Bugbot

5. 多智能体评判-Multi-agent judging

当并行运行多个智能体时，Cursor 现在会自动评估所有运行结果，并推荐一个最佳解决方案。

被选中的智能体会附带一条评论，解释为何选择它。只有在所有并行智能体都完成运行之后，才会进行最佳解决方案的评判。

四、优势分析

Cursor 不只是一个插件，而是一个增强版 VS Code。

具体体现在：

• 更强的全局代码库理解（Context Awareness）- Semantic Search
• 针对大型任务（重构/多文件更改）更友好 -- large-scale refactor
• 多 agent 一起运行 -- Parallel Agents
• 与 Linear, Figma, Browser 集成
• 响应更快，不会有插件经常性的卡顿
• 理解整个代码库，而不只当前文件
• 会主动搜索和读取代码，不用手动喂上下文
• 更擅长多文件修改和重构
• 可以直接用自然语言下达'项目级指令'
• 更适合接手和理解陌生 / 老项目
• 对调用链、影响范围的判断更强
• 修改代码时更像在'结对编程'而不是补全
• 对复杂改动（重构、统一风格、抽逻辑）成功率更高
• 隐私安全：支持本地控制和隐私模式，保护企业代码。

相比之下，Copilot 也有它独有的优势。它几乎支持所有主流 IDE。你可以在 VS Code 里用它，换到 IDEA 或 WebStorm 也能用，甚至连 Neovim 党都能愉快地使用 Copilot。

简而言之，Copilot 更像是'增强型助手'，依附于已有 IDE，而 Cursor 更像一个'AI 伙伴 IDE'，在项目全局上提供智能决策和自动化支持。

五、价格

个人计划均包含：

• 无限标签补全
• 所有模型的更高 Agent 使用上限
• 访问 Bugbot
• 访问 Cloud Agents

每个计划都包含按模型推理的 API 价格计费的用量：

• Pro 包含 $20 的 API Agent 用量 + 额外奖励用量
• Pro Plus 包含 $70 的 API Agent 用量 + 额外奖励用量
• Ultra 包含 $400 的 API Agent 用量 + 额外奖励用量

模型定价

六、技术栈

关于 Cursor 这个不到 3 年历史的代码库的一些数据：

• 25,000 个文件
• 700 万行代码

编辑器是基于 Visual Studio Code 的分支开发的，这意味着它使用了和 VS Code 相同的技术栈：

• TypeScript：大部分业务逻辑都是用这种语言编写
• Electron：Cursor 使用的框架

在公司刚成立时，他们必须决定是像 Zed 那样从零构建编辑器，还是从现有编辑器分支开始。Sualeh 解释了这个决定：

'我们需要拥有自己的编辑器，而不能'只是'一个扩展，因为我们想改变人们编程的方式。这意味着我们要么构建一个全新的 IDE，要么从现有编辑器分支。 我们选择了分支，因为从零开始构建稳定的编辑器需要巨大的工作量。我们的价值主张不是构建稳定的编辑器，而是以渐进方式改变开发者的编程方式。例如，要构建神奇的'标签模型'，如果不分支几乎不可能，而通过分支就很简单。分支让我们能够专注于用户体验，而不是编辑器本身。'

后端

• TypeScript：大部分业务逻辑使用该语言
• Rust：所有性能关键组件使用 Rust，例如下面提到的 Orchestrator
• Node API 调用 Rust：大部分业务逻辑在 TypeScript 中，性能密集部分在 Rust 中，因此通过 Node.js 桥接从 TypeScript 调用 Rust 代码。例如调用用 Rust 编写的索引逻辑就大量使用了这种桥接
• 单体架构：后端服务大部分是单体架构，并作为整体部署。这提醒我们，单体架构对早期创业公司来说非常有效，能帮助团队快速迭代

数据库

• Turbopuffer：多租户数据库，用于存储加密文件和工作区的 Merkle 树（下面会详细介绍）。团队喜欢它的可扩展性，也避免了以前处理数据库分片的复杂性。
• Pinecone：向量数据库，用于存储部分文档的 embedding

数据流

• Warpstream：兼容 Apache Kafka 的数据流服务

工具链

• Datadog：日志和监控
• PagerDuty：值班管理，与 Slack 集成
• Slack：内部沟通和聊天
• Sentry：错误监控
• Amplitude：分析工具
• Stripe：支付和计费，用于购买 Cursor 的计划
• WorkOS：Cursor 登录认证，例如 GitHub 或 Google Workspace 登录
• Vercel：Cursor.com 网站的托管平台
• Linear：工作管理
• Cursor：当然，团队用 Cursor 自己开发 Cursor。最终，每个工程师都对自己提交的代码负责，无论是手写还是由 Cursor 生成

模型训练

Cursor 使用多个提供商来训练自己的模型或微调现有模型：

• Voltage Park
• Databricks MosaicML
• Foundry

物理基础设施

所有基础设施都运行在云端。Sualeh 说：

'非常依赖云。主要使用 AWS，其次 Azure 处理推理。我们还使用其他一些新型 GPU 云服务。'

• 大部分 CPU 基础设施在 AWS 上运行
• 运营数万块 NVIDIA H100 GPU，其中一部分在 Azure 上

在 Microsoft Azure 数据中心的 20 块 NVIDIA H100 GPU。Cursor 的计算需求相当于成千上万这样的机架。来源：NVIDIA

• 推理（Inference）是 Cursor 使用 GPU 的最大场景，用于生成下一个 token，无论是自动补全还是完整代码块。实际上，Azure GPU 只用于推理，不用于 LLM 相关的微调和模型训练
• Terraform 用于管理基础设施，比如 GPU 和虚拟机（如 EC2 实例）

七、总结

Cursor 是一款超越传统 IDE 的 AI 驱动开发环境，它不仅提供智能补全，更通过语义索引、自然语言交互和多任务代理，实现了对整个项目的理解和操作。与 Copilot 相比，Cursor 在全局语义理解、自动化能力和多代理协作方面有明显优势，是 AI 参与软件开发的一种全新范式。

对于追求高效率、跨模块协作以及复杂项目自动化的开发者，Cursor 不只是辅助工具，而是一个真正的智能开发伙伴。