企业官网建设流程全解析

网站经常出现502,企业建站模板下载,中国旅游网官网,用群晖做网站Datawhale干货 作者#xff1a;Wilson Lin#xff0c;Cursor团队在现代编程领域#xff0c;自动化和智能化的编码助手正在迅速发展。通过让多个智能代理#xff08;Agent#xff09;并行工作#xff0c;团队能够加快开发进度#xff0c;在几周内完成通常需要几个月才能完…Datawhale干货作者Wilson LinCursor团队在现代编程领域自动化和智能化的编码助手正在迅速发展。通过让多个智能代理Agent并行工作团队能够加快开发进度在几周内完成通常需要几个月才能完成的任务。Cursor团队公布了他们一直在探索如何使编码 Agent 能够持续运行数周并完全自主地完成工作。这些项目通常需要人类团队花费数月时间才能完成。本文将介绍他们如何在单个项目上同时运行数百个并发 Agent、协调它们的工作并观察它们写出超过一百万行代码和数万亿个 token以及从中获得的经验。一、单个 Agent 的局限如今的 Agent 在执行专注的小任务时表现不错但在复杂项目上却显得缓慢。自然而然的下一步是并行运行多个 Agent但要搞清楚如何协调它们却并不容易。我们最初的直觉是事先规划会过于僵化。推进一个大型项目的路径往往并不明确合理的工作拆分在一开始也并不清晰。于是我们从动态协调入手让 Agent 根据其他 Agent 此刻正在做的事情来决定自己的下一步。二、学习如何协同我们最初的方法是让所有 agent 具有同等地位并通过一个共享文件自行协同。每个 agent 会检查其他 agent 在做什么、认领一个任务并更新自己的状态。为防止两个 agent 抢占同一项任务我们使用了锁机制。这一方案在一些有趣的方面失败了agent 会持有锁太久或者干脆忘记释放锁。即使锁机制正常工作它也会成为瓶颈。二十个 agent 的速度会下降到相当于两三个 agent 的有效吞吐量大部分时间都花在等待上。系统非常脆弱agent 可能在持有锁的情况下失败、尝试获取自己已经持有的锁或者在完全没有获取锁的情况下更新协调文件。我们尝试用乐观并发控制来替代锁。agent 可以自由读取状态但如果自上次读取后状态已经发生变化则写入会失败。这种方式更简单、也更健壮但更深层的问题依然存在。在没有层级结构的情况下agent 变得非常规避风险。它们会回避困难任务转而做一些小而安全的修改。没有任何一个 agent 承担起解决难题或端到端实现的责任。结果就是工作长时间在空转却没有实质性进展。三、规划者和执行者我们的下一个尝试是将不同角色拆分开来。不再使用每个 Agent 都什么都做的扁平结构而是搭建了一条职责清晰的流水线。规划者Planners持续探索代码库并创建任务。他们可以针对特定区域派生子规划者使规划过程本身也可以并行且递归地展开。执行者Workers领取任务并专注于把任务完成到底。他们不会与其他执行者协调也不关心整体大局只是全力处理自己被分配的任务完成后再提交变更。在每个周期结束时会有一个评审 Agent 判断是否继续然后下一轮迭代会从干净的初始状态重新开始。这样基本解决了我们的协同问题并且让我们可以扩展到非常大的项目而不会让任何单个 Agent 陷入视野过于狭窄的状态。四、运行数周之久为了测试这个系统我们给它设定了一个雄心勃勃的目标从零开始构建一个浏览器。Agent 持续运行了将近一周在 1,000 个文件中写出了超过 100 万行代码。你可以在 GitHub 上浏览源码https://github.com/wilsonzlin/fastrender。尽管代码库规模庞大新启动的 agent 仍然可以理解它并取得实质性进展。成百上千个 worker 并发运行向同一个分支推送代码而且几乎没有冲突。虽然看起来只是一张简单的截图但从零开始构建一个浏览器极其困难。我们做的另一个实验是在 Cursor 代码库中就地将 Solid 迁移到 React。整个过程持续了 3 周多代码增删量达 266K/-193K。随着我们开始测试这些变更我们确实认为有可能合并这次大规模改动。还有一个实验是改进一款即将上线的产品。一个长时间运行的 agent 通过一个高效的 Rust 实现让视频渲染速度提升了 25 倍。它还新增了平滑缩放和平移的能力使用自然的弹簧过渡和运动模糊效果并能跟随光标顺畅移动。这部分代码已经合并不久就会在生产环境中上线。我们还有一些仍在运行的有趣示例Java LSP7.4K 次提交55 万行代码LoChttps://github.com/wilson-anysphere/indonesiaWindows 7 模拟器14.6K 次提交120 万行代码LoChttps://github.com/wilsonzlin/aeroExcel12K 次提交160 万行代码LoChttps://github.com/wilson-anysphere/formula五、运行数周之久我们在这些 Agent 上已经运行了数十亿个 token目标只有一个。这个系统并不是绝对高效但它的效果远超我们的预期。在运行时间极长的任务中模型选择至关重要。我们发现GPT-5.2 系列在长时间自主工作方面要优秀得多更能遵循指令、保持专注、避免偏离并且在实现上更加精确和完整。Opus 4.5 往往会更早结束、在方便的时候走捷径更快地把控制权交还给用户。我们也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。现在我们会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。我们的许多改进来自“减法”而不是“加法”。一开始我们为质量控制和冲突解决设计了一个集成者角色但后来发现它制造的瓶颈多于解决的问题。各个 Worker 本身就已经有能力处理彼此之间的冲突。最好的系统往往比你想的更简单。起初我们尝试借鉴分布式计算和组织设计中的系统模型但并不是所有这些方法都适用于 Agent。合适的结构化程度其实介于两端之间。结构太少Agent 会互相冲突、重复劳动、不断偏离结构太多则会让系统变得脆弱。系统中有相当大一部分行为很大程度上取决于我们如何为这些 Agent 设计提示。要让它们良好协作、避免异常行为并在长时间内保持专注我们做了大量实验。运行框架和模型本身固然重要但提示词更重要。六、接下来会怎样多智能体协同仍然是一个难题。当前的系统虽然可用但离最优状态还差得很远。Planner 应该在其任务完成时自动“醒来”规划下一步。Agent 有时会运行时间过长。我们仍然需要定期从头重启以对抗漂移和思维视野过于狭窄的问题。不过对于那个核心问题——“能否通过向一个问题投入更多 Agent 来扩展自主编码能力”——我们得到的答案比预期更乐观。上百个 Agent 可以在同一个代码库上协同工作数周推动雄心勃勃的项目取得实质进展。一起“点赞”三连↓