改需求要动十几个文件时，补全帮不上忙

真实项目里的改动很少只落在一个地方：加一个字段，往往要同时碰数据模型、接口层、前端表单和测试用例，散落在十几个文件里。传统代码补全擅长预测你接下来想写的半行字，遇到这种跨文件的改动基本使不上劲——你得自己在脑子里维护一张清单，一处一处走过去，漏掉哪个角落全凭运气。Cursor 换了个思路：把整件事交给智能体。你描述想要的结果，它在读完整个代码库之后自己动手，改文件、跑终端命令、看到报错回头再修，直到跑通。

Cursor 的定位不是给编辑器外挂一个聊天窗口，而是把自己做成可以直接交付的软件工匠。

先把活拆开，再并行摊开

让一个智能体盯着十几个文件写，很容易顾此失彼。Cursor 在这里做了两层拆解，内层是子智能体。每个子智能体运行在独立的上下文窗口里，只负责某一类具体工作，做完之后把结论交回给父智能体，中间的探索过程不占主对话的位置。它们可以同时开工，分别处理代码库的不同部分，不必排队等前一个任务结束。官方还预置了三个：负责检索和分析代码库的 Explore、负责执行 shell 命令的 Bash、以及通过 MCP 工具操作浏览器的 Browser，三者都能在编辑器、命令行和云端智能体里调用。你也可以自己定义子智能体，配好提示词、可用工具和模型，在多个项目里反复使用。

Projects：一个不写代码的协调者

任务大到一次会话装不下时，就轮到 Projects 这一层。它的特别之处在于分工方式：项目中的协调者智能体本身不做实现，官方对它的描述是它不直接写代码，而是规划工作、把实现任务分派下去，再把完成的成果带回来交给你检查。它按工作需要并行开出任意多个智能体，各自推进。每个 Project 运行在云端属于自己的机器上，合上笔记本也不会中断；需要在真机上验证时，协调者再在本地起一个智能体接过去。

更值得注意的是这些智能体之间并不各自失忆。Project 维护一组文件，在所有云端与本地机器之间同步，智能体会把查到的资料、学到的项目约定和你偏好的做法追加进去。某个智能体摸索出某个服务该怎么测试，之后每一个智能体都能直接沿用这套结论，于是协调者会随着项目推进变得更好用。它还能接受订阅盯一个反馈频道、按计划执行，或者跟随你的所有拉取请求，不必等你开口。

执行环境：云端还是留在内网

并行起来的智能体需要各自的运行场所。云端智能体各自待在隔离的虚拟机里，仓库已克隆、依赖已装好，密钥与网络访问都可用，因此可以真正地去构建、测试并与它正在修改的软件交互，最后把成果推成一个拉取请求。它们还会订阅自己创建的拉取请求，把持续集成的报错和机器人评论一路处理到合入为止。

对代码不能进公有云的团队，可以选择自建机器：工具执行完全留在你自己的网络里，代码库、构建产物和密钥都停在你基础设施中的内部机器上，由本地处理工具调用。面向团队的资源池可以按请求量增减容量，空闲时休眠并在后续请求到达时于重连窗口内恢复，不至于为了下一个提示一直烧着机器。

放手的程度可以自己调

要不要全权托管不是一个开关。最轻的一档是 Tab 补全，由专门训练的补全模型驱动，只负责预测你下一步的编辑动作，几乎不用你开口；中间是定向改写，处理一个明确的局部变化；再往上才是把整件事托付出去的智能体模式。改动过程留有 Git 检查点，代码的演变顺序一目了然，随时能回到之前的快照。到了调试阶段，它会给代码插桩，用真实的执行数据定位该修哪里，而不是靠猜。

子智能体

独立上下文窗口，只交回结论，可并行执行也可跨项目复用

协调者智能体

负责规划与分派、回收成果，本身不承担实现工作

执行环境

云端隔离虚拟机，或留在自己网络内的自建机器

上手门槛不高：Hobby 档免费且不要求绑定信用卡，只是能用的智能体请求数量有限。想要更宽的用量和更前沿的模型，则需要升级到付费档，Pro 每月 20 美元，团队成员档每月每用户 40 美元，具体额度以官方定价页为准。

让 AI 写出一段像样的代码并不难，难的是让它自己把一件大事拆成能够并行推进的小事，再把结果拼回完整的样子——Cursor 这两层分工解决的正是这件事。