石河子市网站建设_网站建设公司_HTML_seo优化

动态上下文发现：Cursor的最新思路，优化AI上下文管理

大家好，我是猫头虎！今天来给大家分享一篇有意思的文章，最近Cursor刚刚发布了《Dynamic Context Discovery》这篇文章（原文链接，译文链接）。这篇文章详细讲述了他们如何优化AI模型的上下文管理。虽然它和Manus的Peak曾在访谈中提到的想法很相似，但也给我们带来了一些值得深思的新思路。说起来，AI上下文的管理真是越来越成为技术开发中的核心问题，今天我就带大家一起拆解一下Cursor的这篇文章。

上下文管理：不仅仅是多塞信息

在之前的访谈中，Manus的Peak曾说过：

所以Peak说当他们读到一些模型公司发布的研究博客时，心情是“既开心又无奈”。开心是因为这些博客验证了他们的方向，无奈是因为博客里写的东西，基本都是他们早就在做的。

Cursor的这篇文章实际上间接印证了Peak的这个观点。虽然不能说Cursor抄袭了Manus的技术，但我们能明显看出，无论是Manus还是Cursor，都把上下文管理作为AI模型运行的关键。而管理好上下文的一个核心理念，就是“不要总是把信息塞给AI模型”。

很多人用AI时，总怕AI不知道、记不住，想方设法把整个项目的文档、历史记录、工具说明全塞进模型里。问题是，随着模型越来越聪明，过多的背景信息反而可能帮倒忙。不仅浪费了有限的token，还可能干扰模型的判断。想象一下，你把所有公司文件堆在员工桌子上，虽然你希望他能了解一切，但他可能只需要翻开一两份文件就能完成任务。AI也是如此。

这就是Cursor提出的“动态上下文发现”模式（Dynamic Context Discovery）：不急着把信息全部塞给模型，而是让模型根据需要自己去找。

1. 动态上下文发现的五个优化技巧

说到这里，你可能会好奇，具体怎么实现呢？Cursor分享了五个他们实际使用的优化手段，真的都挺巧妙的，跟大家逐个分析一下。

场景一：长输出变成文件

问题：当AI调用外部工具（比如运行shell命令或者调用MCP服务）时，返回的结果可能非常长，比如一大串日志或整个网页的内容。传统做法是截断，只保留一部分信息，但这样可能错失后续需要的关键信息。

Cursor的做法：把长输出写成文件，然后给AI一个读取文件的能力。这样，AI可以根据需要用tail命令先看结尾，若觉得有必要，再往前读。既避免了浪费token，也不丢失信息。

场景二：聊天历史变成可查档案

问题：如果对话历史太长，超过了上下文窗口的限制，通常我们会通过“总结”步骤压缩内容给AI，但这会有信息丢失的风险，导致AI无法记住重要细节。

Cursor的做法：将完整的聊天记录存成文件，AI得到的是摘要，但如果它意识到有遗漏，它可以随时回溯查看原始记录。这就像你给员工发了一份会议纪要，但完整的会议录音也存着——随时可以回头查找。

场景三：按需加载技能

Cursor提出了“Agent Skills”的扩展机制，也就是告诉AI如何处理特定领域任务的说明书。问题是，这些说明书有很多，不需要每次都加载所有。

Cursor的做法：在系统提示里只放技能的“目录”，即技能的名字和简短描述。当AI需要某个技能时，再通过搜索工具把完整的说明拉入。这就像你不需要背下整座图书馆，只需要携带一本索引卡片。

场景四：MCP工具的瘦身术

MCP是让AI连接外部服务的标准协议，问题是，有些MCP服务器提供的工具非常多，且描述非常长，占用上下文窗口的空间非常大。而且很多工具在一次任务中根本用不到。

Cursor的做法：只在提示词里放工具的名字，完整描述保存在文件夹中。当AI需要用某个工具时，它可以去查具体的使用说明。通过A/B测试，这个策略帮助他们减少了46.9%的Token消耗，几乎节省了一半的成本。

场景五：终端会话也是文件

很多AI编程工具都会遇到一个问题——你可能问“我刚才那个命令为什么失败了”，但AI根本不知道你运行过什么命令。你需要手动把终端输出复制粘贴给AI。

Cursor的做法：把集成终端的输出自动同步到本地文件系统。AI可以直接访问终端历史记录，甚至能用grep等工具查找特定内容。这对于那些运行时间很长的服务日志来说，特别实用。

2. 为什么是“文件”

你可能已经注意到，Cursor的这五个优化技巧有一个共同点：它们都是把信息转化成文件。

为什么是文件，而不是其他抽象形式呢？

Cursor的解释是：

我们不确定未来LLM工具的最佳接口是什么，但文件是一个简单且强大的基础单元，比发明一套新抽象要安全得多。

这种思路与Manus的理念非常契合。Peak在Manus的技术博客《AI智能体的上下文工程：构建Manus的经验教训》中提到过，他们把文件系统当作“终极上下文”——无限容量、持久性强，而且AI可以直接操作。一个网页的内容可以从上下文里删掉，但只要URL还在，AI随时能找回来；一个文档的全文可以省略，但只要路径还在，AI随时可以加载。这种“可恢复的压缩”比简单的截断或删除更聪明，也更高效。

3. 个人思考

从Cursor的实践中，我们得到的一个启示是：上下文工程的核心问题，或许不是“怎么塞更多信息”，而是“如何让模型高效地获取需要的信息”。随着AI能力的提升，给模型更多主动权，让它自己去获取和理解信息，已经成为一种趋势。

另一个启示是“简单抽象的力量”。在技术开发中，我们常常迷恋复杂的设计，但像文件这种经过时间检验的简单抽象，往往比复杂的新发明更耐用。

总结一句话，模型足够聪明时，少塞点信息、让它自己去找，效果反而会更好。也许“少即是多”才是AI上下文管理的真谛。

总结

通过Cursor的《动态上下文发现》文章，我们看到了一种更高效、更智能的上下文管理方式。传统的做法往往是尽可能将所有相关信息都塞进模型，但随着AI模型的进步，过多的上下文信息反而可能适得其反。Cursor的五个优化手段，从长输出的文件化到按需加载技能，再到MCP工具的瘦身，都体现了“动态上下文发现”这一思路，即让AI根据需要动态地去寻找相关信息，而不是一开始就全部塞给它。

这种方法不仅有效节省了计算资源，降低了token消耗，还能提高模型的灵活性和判断力。而将文件作为基础单元的设计，也突显了简单抽象的力量，提醒我们在复杂技术设计中，往往最有效的方案是那些经得起时间考验的简单工具。

总的来说，随着AI技术的不断发展，我们正在进入一个“让AI自己去找信息”的时代，如何合理管理上下文、如何让AI在海量信息中快速准确地获取需要的内容，已经成为提升AI系统性能的关键所在。

那今天就聊到这里，大家对Cursor的这些优化策略有什么看法呢？欢迎留言交流！