文章摘要
Cursor公司实验让多个AI编程代理长期并行协作，在单一项目上编写了百万行代码。研究发现单个代理适合专注任务，但复杂项目需要动态协调多个代理的工作，而非预先规划。团队通过让代理平等互动来学习协作，探索如何突破AI编程的边界。
文章总结
标题：规模化长期自主编程的探索
来源：https://cursor.com/blog/scaling-agents 发布时间：2026年1月14日
我们持续数周进行自主编程代理的实验，旨在探索如何突破代理编程的极限，完成通常需要人类团队数月才能完成的项目。本文将分享我们在单个项目上运行数百个并发代理、协调其工作并观察其编写超百万行代码的实践经验。
单一代理的局限性 当前代理擅长处理聚焦任务，但对复杂项目效率低下。我们尝试让多个代理并行工作，但协调成为主要挑战。
协调机制的演进 初始采用动态协调方案：代理通过共享文件自我协调，使用锁机制避免任务冲突。但出现以下问题： 1. 锁机制成为瓶颈，20个代理的实际吞吐量仅相当于2-3个 2. 系统脆弱性：锁未释放、重复获取锁等问题频发
改用乐观并发控制后，系统更稳健，但仍存在代理回避困难任务、缺乏整体责任感等问题。
分层架构突破 我们建立分层体系： - 规划者：持续探索代码库并创建任务，可递归生成子规划者 - 执行者：专注完成任务，不参与全局协调 - 评审代理：决定是否进入下一迭代周期
这种架构解决了协调问题，使大规模项目开发成为可能。
实践成果 1. 浏览器开发：一周内生成100万行代码（1000个文件） 2. Solid到React迁移：3周完成26.6万行代码修改 3. 产品优化：Rust版本使视频渲染速度提升25倍 4. 其他项目：Java语言服务器（55万行）、Win7模拟器（120万行）、Excel克隆（160万行）
关键发现 1. 模型选择至关重要：GPT-5.2在长期任务中表现更优 2. 简化优于复杂：去除冗余的集成角色后效率提升 3. 提示词设计是关键：直接影响代理的协调能力和长期专注度
未来方向 虽然当前系统已能支持数百代理数周的协作，但仍有优化空间： - 实现任务完成的动态唤醒 - 解决代理运行时长控制问题 - 防止思维固化和目标偏离
这些技术将逐步融入Cursor的代理能力。我们诚邀对AI辅助软件开发感兴趣的英才加入（hiring@cursor.com）。
评论总结
以下是评论内容的总结：
对AI编码能力的认可
- 认为AI代理通过分工协作可以完成复杂项目，类似人类团队工作方式
- "They mention loads of parallel agents... akin to how humans work in teams" (jphoward)
- "any large piece of software... will be able to be quickly rewritten by coding agents" (ZitchDog)
对浏览器项目的质疑
- 质疑"从零开始"的说法，指出依赖大量现有库
- "Define 'from scratch'... has over 100 crates as dependencies" (mk599)
- 代码质量存疑，测试失败但PR仍被合并
- "code seems filled with errors... PRs all been failing CI but merged" (embedding-shape)
对实际应用价值的讨论
- 认为未合并的PR缺乏说服力，需要更多实际案例
- "why haven't they merged that PR... examples feel thin" (trjordan)
- 关注维护成本而非代码可读性
- "only thing that matters is... cost of maintenance" (tiredandawake)
行业影响预测
- 类比3D打印未取代工厂，AI也不会取代软件开发
- "this doesn't mean the death of software products" (nl)
- 认为可能降低软件成本
- "cost of software will be driven down to... cost of the tokens" (mccoyb)
开发过程观察
- 指出AI开发面临与人类团队相似的问题
- "integration creating bottlenecks... lack of consistent direction" (matthewfcarlson)
- 质量与速度的权衡
- "only way to achieve the results... is to sacrifice quality" (luhego)