Cursor 团队进行了一项大规模实验：让数百个并发 agents 在单个项目上长时间运行，生成超过 100 万行代码、数万亿 tokens。

最具代表性的案例：用 GPT-5.2 在一周内构建了一个浏览器，300 万+ 行代码，跨数千文件。

核心发现

1. 单 Agent 的天花板

单个 agent 处理聚焦任务没问题，复杂项目会失控。最初尝试让 agents 通过共享文件互相监控，失败。

2. 协调机制的试错

锁机制：agents 持锁太久或忘记释放，一旦挂掉系统死锁。

乐观并发：更稳健，但没解决根本问题。

分布式系统思路：agents 行为不可预测，经典模式失效。

团队角色模拟：增加沟通成本，开会浪费 tokens。

3. 最终架构：Planner + Worker + Reviewer

突破来自角色分离和减少协调：

Planner  → 持续探索代码库、生成任务（看地图）
Worker   → 只管执行分配的任务，不与其他 Worker 沟通（开车）
Reviewer → 判断是否完成、是否继续迭代（验收）

核心原则：减少协调、明确边界、容忍失败。

三个关键启示

1. 模型选择关键

GPT-5.2 在长时间自主任务上显著优于其他模型。

长时间运行需要特定能力组合：

  • 上下文保持：跨越数小时甚至数天不丢失目标
  • 自我纠错：迭代时能发现并修复之前的错误
  • 规划稳定性：执行过程中不跑偏

GPT-5.2 系列在这些维度上表现突出：更能遵循指令、保持专注、避免偏离，实现上更加精确和完整。

相比之下，Opus 4.5 倾向于更早结束任务、在方便的时候走捷径，更快把控制权交还给用户。

另一个发现：不同模型在不同角色上各有所长。即便 GPT-5.1-codex 是专门为编码训练的，GPT-5.2 依然是更好的规划者。现在他们针对每个角色选择最适合的模型，而不是依赖单一通用模型。

2. 简单架构 > 复杂设计

最反直觉的发现。

直觉上应该有效的方案：

分布式系统思路（Kubernetes for agents）：锁机制、共识协议、任务队列。问题是 agents 不是进程，行为不可预测，一个 agent 持锁后走神系统就死锁。

团队模拟思路：模拟人类团队的 PM、架构师、开发者角色。问题是增加了沟通成本，agents 在开会上浪费 tokens，实际产出下降。

最终有效的方案反而极简。

核心洞察：agents 不是人，也不是进程。它们需要专门为其特性设计的协调模式：减少协调、明确边界、容忍失败。

3. Prompt 工程被低估

小的 prompt 调整带来的收益超出预期，甚至超过框架和部分模型选择的影响。

具体体现：

  • 任务描述的粒度：太粗 agent 会乱搞，太细 agent 没有发挥空间
  • 角色定义的措辞：Planner 的 prompt 里一个词的差异，可能导致它过度拆分或拆分不足
  • 失败处理的指令：告诉 agent 遇到错误时先回退再重试 vs 遇到错误时尝试其他方案，行为完全不同

引申：好的 evals（评估体系）极其重要。没有 evals，你不知道哪个 prompt 变体更好；有了 evals，prompt 调优就变成可量化的实验。

可复用的工程经验

1. 任务边界设计

  • 单个 Worker 任务应自包含：改完能编译、能测试
  • 避免跨 Worker 的隐式依赖：同文件任务要合并或显式排序
  • Planner 职责是维护全局视图，不是执行细节

2. 失败处理策略

  • 乐观重试：Worker 失败就丢弃，重新分配
  • 不追求完美协调：允许冲突，事后由 Reviewer 清理
  • 渐进式验收：能编译 → 能跑测试 → 功能正确，逐层过滤

3. 依赖与集成

浏览器项目使用了 Servo 解析器、QuickJS 等成熟库，这是正确的工程决策：

  • 让 agents 专注于胶水代码和集成逻辑
  • 避免在已解决问题上浪费 tokens
  • 真正难点是理解库的 API 并正确组装

4. Prompt 的领域适配

针对具体项目注入领域知识：

  • 项目结构约定
  • 核心流程阶段划分
  • 依赖库调用示例

领域化 prompt 比通用 prompt 有效得多。

实际成果

从零构建浏览器：1 周，300万+ 行代码，数千文件

Solid → React 迁移：3 周，+266K / -193K 行

视频渲染优化：25x 性能提升（Rust 重写）

核心结论

三点启示是递进关系：

  1. 选对模型 → 基础能力到位
  2. 用对架构 → 发挥模型能力
  3. 调对 prompt → 榨干最后的性能

目前行业可能过度关注模型本身，低估了架构和 prompt 的杠杆效应。Agent 设计是一个新领域，需要新的模式，而非照搬已有范式。

推荐阅读 Cursor 团队的完整博客，里面有更多技术细节和案例：https://cursor.com/cn/blog/scaling-agents