Cursor Projects 变成多人协作:队友和各自的智能体在同一工作区,协调者之间能直接对话、交接任务
今年 9 月我们推出了 Projects,让工程师可以通过一个协调者(coordinator)指挥一整队智能体来承担大规模工作。今天 Projects 迎来一次重大升级:它变成了多人协作。把队友邀请进一个 Project,你们就可以和各自所有的智能体一起规划、构建和交付。迄今为止,多智能体系统都只服务于一个人;Projects 是为整个团队打造的多智能体系统。
团队和它的智能体,在同一个工作区
团队协作软件并不少,但讽刺的是,没有一款是为编码智能体准备的。Projects 是第一个让软件团队和他们所有的智能体并肩工作的工作区,拥有共享的上下文、记忆和文档。一块共享的任务看板显示谁在做什么、每个人的智能体在忙什么,以及每项任务背后的 PR,让人和智能体都能看到统一、实时的全貌。
面向整个团队的统一上下文系统
如今,智能体的上下文是按人割裂的,新成员在让智能体干活之前,得先自己搭建并维护上下文。在一个 Project 里,每位队友仍然有自己和协调者、工作智能体的一对一对话,各自带着本地上下文。在此之上,Projects 增加了一个共享上下文系统,存放需求文档、图表、技术规格、设计稿等等。这个共享层只需搭建一次,并随着团队的工作不断成长。在一个对话里做出的决定,Project 中的每个智能体都能获取。新队友被邀请进 Project 时,上下文已经配置好且是最新的,免去了重复设置。
这一点在值班(on-call)上体现得最明显。我们有好几个团队现在都在一个共享 Project 里轮值。最近我们的一位工程师从队友手里接过值班时,他的协调者先确认了一下情况,然后直接从当前进度接着干。它已经知道哪些工作在进行中、哪些问题还没人管、哪些事故和笔记需要交接,以及该盯着哪些频道、Linear 看板和讨论串。进行中的工作甚至可以直接移交:新接手的人的智能体直接把它接过去。
跨队友的智能体间通信
共享的工作区和共享的上下文,让队友之间的智能体可以互相通信。这让队友们的智能体能像人一样,实时围绕彼此的工作做规划、帮彼此解除阻塞。
例如,一位工程师在给商品页加评价功能,同时一位设计师在重新设计这个页面,他们的协调者会尽早发现重叠并同步,于是评价功能直接做进新设计里,以后不用再重构。又或者你的功能要读一个数据库,而队友正在改它的表结构,你们的智能体会预先商定工作顺序,这样到最后谁都不会碰上合并冲突。
开始使用
多人 Projects 第一次把协作软件的精神带给了 AI 智能体,让人类团队和智能体队伍在同一个共享空间里协同工作。从今天起,它以测试版形式向 Cursor 的所有用户陆续开放。要开始使用,在左侧导航栏创建一个 Project,然后邀请队友加入。
https://cursor.com/blog/projects-multiplayer转载,侵删。版权归原作者,如有侵权请来信,收到后删除。
同一批次的其他文章
纽约州 RAISE Act 进入执行:OpenAI、Anthropic 等年收入超 5 亿美元的前沿实验室须在 2027 年 1 月 1 日前注册
法案要求大型前沿开发商公开安全框架、72 小时内上报重大安全事件、发布模型透明度报告,单次违规最高罚 100 万美元、再犯最高 300 万;新设的 DIGIT 办公室负责监管,宾汉姆顿的 AI 责任与研究中心做独立评估。加上加州 SB 53 和伊利诺伊 SB 315,美国州级前沿…
Grok Build 分享链接可被枚举:安全公司 Claroc 找到 3.5 万个公开可访问的应用,连 SpaceXSI 自己的机密销售资料都在里面
分享链接虽然随机化了,但平台的一个设计让任何人都能枚举出大量在线项目,点开就能看到全部数据,包括商业计划、体检结果和员工工号;SpaceXSI 自己的 24 个应用在 Ars 发邮件询问后才下线。给企业员工开放「氛围编程」工具时,默认访问控制是必须先审的一环(有中英全文)。
OpenAI 收购 AI 旅行代理 Odessia,Sonder 创始人 Francis Davidson 加入 OpenAI 做旅行方向
看起来是人才收购,Odessia 产品已关停;创始人说这个产品是他指挥一组组 AI 智能体搭出来的。OpenAI 没公布旅行产品计划,但旅行是 ChatGPT 用户最常问的场景之一,结合昨天的 Business Hub,ChatGPT 往「替你订」的方向又走了一步(有中英全文)。
爆料:苹果在做 Mac 应用 Harbor,把 Mac 变成私有 AI 推理服务器,多台 Mac 可经雷雳 5 组集群
据泄露信息,Harbor 能在应用内下载运行开源权重模型,自动发现雷雳 5 连接的设备并合并统一内存,跑单机放不下的大模型;目前以 Claris 品牌私测。对想在本地、数据不出门地跑大模型的小团队,这可能是比自己折腾 exo 或 llama.cpp 集群简单得多的方案。
独立游戏圈因 AI 吵翻:部分 IGF 评委声明不投任何用了生成式 AI 的游戏,《Big Walk》开发商承认少量用过
House House 说只有远低于 0.1% 的代码和 LLM 回答有关,主要是用聊天机器人排查第三方代码的阴影 bug,并承认没有 AI 政策是个「失误」。这件事说明,哪怕是极少量的 AI 辅助编码,在创意行业也可能变成声誉问题。
MiniMax 开源 H3-Image:10 秒内出 4096×4096 的 4K 图,最多支持 16 张参考图
进步在哪:开源权重模型里少见地同时做到 4K 原生分辨率、速度和指令遵循。靠什么:基于 H3 的全模态预训练,在数据、强化学习、采样步数蒸馏(6 步、不用 CFG)、提示词扩写和部署上整体优化,DiT 有 331 亿参数。注意许可证:社区协议把美国、欧盟、英国、韩国排除在外,商用…
Nenya-2.5B-A0.5B:用 GDN-2 线性注意力的 2.5B 开源小模型,M4 GPU 上约 125 tok/s
进步在哪:只用 0.06 万亿 token 训练,作者给出的 lm-eval 结果可与 OLMo-2、Qwen3.5 小模型对比。靠什么:用门控 Delta 网络(GDN-2)代替 softmax 注意力,配合 flash-linear-attention 的 Triton 内核…
MotionGraphicsBench:用程序化校验来评测「把静态 SVG 做成动画」的能力
100 个专家整理的实例,要求模型按一句修改指令给 SVG 加上同时涉及空间、外观和时间要求的动画,再用程序自动核对是否做对。做营销素材和 UI 动效生成的团队可以用它来测模型。
TRIO:三个分工智能体迭代协作的 RAG
进步在哪:分别优化查询扩展、检索结果判断和答案生成,而不是一个模型包办。靠什么:三个专门智能体各有自己的优化目标,再迭代精化,提升最终答案准确率。对在做企业知识库问答的团队是一种可借鉴的拆分方式。
FewStepRL:给只需几步采样的扩散模型做强化学习微调
靠什么:通过 x 空间变换、梯度分解和锚点自适应,把现有几种扩散 RL 方法改写成适合少步采样器的版本。发现:奖励可微时奖励梯度类方法最好,DiffusionNFT 类方法能用更少迭代拿到高奖励。
《西线无战事》式结论:语言模型不会报告被注入的「疼痛」状态
此前有工作在模型里找到一个放大后会让模型选择破坏性行为的线性「疼痛方向」。作者用开放权重掩码内省(OWMI)把它注入三个开源模型,检验模型能否说出自己的这种内部状态,结论是不能。和模型福利、内省可信度的讨论直接相关。
TOPSD:多语言推理蒸馏中「什么时候该让老师出手」
在在线自蒸馏里,用似然漂移检测加验证判断学生的推理前缀什么时候开始跑偏,只在那时引入教师监督,提升多语言推理。适合在做小语种推理模型的团队。