当 AI 编码代理从单打独斗走向群体协作，成本与效率的平衡点正在被重新定义。
发生了什么
Cursor 团队对其升级后的 Agent Swarm 系统进行了一项极限测试：仅凭 SQLite 官方文档（无源码、无网络），要求系统用 Rust 重写整个数据库。新系统采用“规划者-工作者”分层架构——前沿模型（如 GPT-4）负责制定任务分解与合并策略，廉价模型（如 Claude 3 Haiku 或 GPT-3.5）执行具体的代码编写。所有配置下的新系统最终都在测试套件中拿到 100% 通过率。作为对比，旧版单一代理系统在任务中因自身产生的合并冲突而崩溃。
为什么重要
这一结果直接挑战了“AI 编程必须依赖最强模型”的直觉。在传统单一代理模式下，模型既要理解全局架构，又要处理局部实现细节，对上下文长度和推理能力要求极高，成本也居高不下。Cursor 的分离式设计将复杂规划与重复执行解耦：前沿模型只在关键决策点介入，廉价模型承担大部分代码生成。这不仅大幅降低了每次调用的 token 消耗，还通过并行执行多个工作者提升了速度。更重要的是，它验证了“规划即瓶颈”的假设——只要任务拆解足够清晰，执行层的能力门槛可以显著降低。
影响与看点
对于开发者而言，这意味着 AI 编程助手的使用成本可能进一步下降，甚至催生“用开源小模型跑执行、用 API 调用大模型做规划”的混合模式。Cursor 的实验也暗示，未来编码代理的竞争焦点将从模型本身的性能，转向任务编排与冲突解决机制的设计。值得关注的是，这种分层架构能否推广到更复杂的软件工程场景（如大型重构、跨模块协作），以及当工作者数量增多时，规划层的调度是否会成为新的瓶颈。一个独立的判断是：AI 编程的下一个突破，可能不在模型参数规模的军备竞赛中，而在“如何让一群不那么聪明的模型协同工作”的工程智慧里。
