Cursor 月报｜Token 效率优化、Post-PR 全链路 Agent：Cursor 加速驶向"自动驾驶代码库"
九月的第二波更新，Cursor 放出了两个技术含量十足的产品，正好对应了官方一直宣传的"self-driving codebases"愿景的两块拼图：Token 效率优化解决的是 Agent 运行成本问题，Rollouts + Security Reviewer 则把 Agent 的能力延伸到了代码提交之后的运维和安全环节。 Improved Token Efficiency：Harness 工程的第一份公开技术总结 这篇官方 blog 是 Cursor 第一次比较系统地披露其 Agent Harness（agent 调度框架）的工程细节，技术内容比一般产品公告要密得多。 核心数据：token 成本降低 7%，冷缓存 miss 率降低 20%，MCP 工具调用场景下总 token 降低 46.9%。三个数字对应三条不同的优化路径。 路径一：压缩 System Prompt（减少 66%）。Cursor 早期给模型的指令风格是典型的"防御性提示词"——大量"DO NOT""You must""Important"式语句。随着模型能力提升，这类指令逐渐变成冗余，因为模型能够从工具定义本身推断行为，而不需要额外的行为约束。Cursor 砍掉了大约 2/3 的系统提示词代币，且这个变化跨模型家族通用（A/B 测试验证），说明这是模型能力提升的共同红利，而不是某个特定模型的特性。 路径二：动态工具加载。Cursor 内置工具很多，但大多数工具在任何单一对话中的使用频率低于 20%。之前所有工具定义都塞在每次请求的 context 里——这是典型的"静态上下文浪费"。Cursor 参照了今年早些时候对 MCP 工具的动态加载方案，将高频工具（读、写、搜索、shell）保留在静态上下文，其余按需加载。这让 MCP 工具场景节省了近一半 token。 路径三：缓存边界优化。在 GPT-5.6 之前，缓存边界由 provider 自动决定，即使工具定义和方法说明相对稳定，也不会被标记为可复用。GPT-5.6 支持显式缓存断点后，Cursor 重新组织了请求结构：把"稳定层"（工具定义、系统指令）放在缓存断点之前，把"增长层"（对话历史、用户特定上下文）放在断点之后。冷缓存 miss 率因此降低 20%。 一个值得注意的工程哲学：Cursor 强调 A/B 测试是优化 harness 的主要手段，而不是仅依赖内部 evals。理由很实在——内部 evals 通常代表"难题"，无法反映真实用户请求的分布。这意味着 Cursor 的 token 优化是数据驱动的，而不是拍脑袋的。这套方法论本身可以被其他 Agent 系统借鉴。 ...