Cursor 为《财富》500 强推出自托管 AI 智能体

深度The New Stack2026年3月31日4 分钟阅读
Cursor 为《财富》500 强推出自托管 AI 智能体
Cursor 现在允许企业在自有基础设施上运行其 AI 编程智能体,将源代码和构建数据保留在内部环境,以满足安全和合规需求。这一举措源于开发者社区数月来对自托管功能的强烈需求,旨在消除企业采用 AI 编码工具的关键障碍。

要让 AI 编码智能体高效工作,它们需要访问广泛的系统——从私有仓库和依赖项到内部工具和构建流水线。然而,许多公司出于安全、法律和合规方面的限制,不愿向外部服务授予这种级别的访问权限。

这正是 Cursor 现在允许企业在自有基础设施上运行其云智能体(Cloud Agent)的原因。这家在去年 11 月完成 23 亿美元融资后估值达 293 亿美元的编码平台表示,这使其智能体能够在本地运行代码、测试和开发任务,同时将源代码和构建数据保留在公司自己的环境中。

“自托管智能体提供了云智能体的所有优势,同时具备更严格的安全控制:你的代码库、工具执行和构建产物永远不会离开你的环境,” Cursor 工程师 Katia Baza 在一篇博客文章中写道。“对于拥有复杂开发环境的团队,自托管智能体可以访问你的缓存、依赖项和网络端点——就像工程师或服务账户一样。”

让智能体更贴近代码

Cursor 是由麻省理工学院学生在 2022 年创立的初创公司 Anysphere 开发的 AI 代码编辑器。其核心产品围绕能够处理长期软件任务的自主编码智能体,包括编写代码、运行测试和准备变更以供审查。

这些智能体被设计为高度自主地工作。为此,它们需要一个完整的开发环境来运行。Cursor 的云智能体通过启动隔离的虚拟机来处理这个问题,在那里它们克隆仓库、安装依赖项、进行更改并运行测试,作为给定任务的一部分。

然而,这依赖于在 Cursor 自己的基础设施上运行这些环境,本质上是将代码带到智能体那里。自托管则逆转了这一过程,将相同的智能体带到公司代码和系统已经存在的地方。

它们可以直接与内部服务、依赖项和网络受限资源交互,作为任务的一部分。这消除了通过外部系统路由这些交互或暴露内部基础设施的需要,而 Cursor 则继续协调智能体的运行方式。

需求高涨

用户对自托管 Cursor 云智能体的请求已经出现了数月。在论坛帖子和社区讨论中,开发者们询问如何在自有环境中运行这些智能体,通常是为了避免将代码暴露给外部,或者为了更轻松地连接到内部系统。

一些讨论也强调了在这种背景下“自托管”可能意味着什么限制。在本地运行核心智能体逻辑是一回事;管理编排、生命周期和用户界面则是另一回事。Cursor 的云智能体将这些组件捆绑在一起,使得完全独立的设置变得困难。

尽管如此,Cursor 的更新至少解决了部分差距。许多公司,尤其是在受监管的行业,被限制与第三方服务共享源代码或构建环境。即使技术上可行,内部政策也可能限制哪些工具可以访问。

自托管并不能消除所有挑战。公司仍然需要部署和管理这些智能体运行的基础设施,并且智能体的规划和协调仍然在 Cursor 的云中进行,只有执行部分在本地处理。

虽然最明显的用例是需要将代码和系统保留在自己网络内的公司,但 Cursor 也在利用日益增长的、在个人机器上本地运行编码智能体的需求,这反映在最近围绕 OpenClaw 等项目的热议中。

事实上,Cursor 在其官方文档中明确说明了这个用例:

“在任何地方运行 Cursor——在你的笔记本电脑、开发箱或远程虚拟机上启动一个 worker。你将获得一个使用本地环境、依赖项和网络访问权限的云智能体。”

因此,实际上,Cursor 正在为用户提供更大的灵活性,以在不同的环境中运行其智能体,扩展产品的部署范围——并消除了采用的一个关键障碍。

Cursor 表示,自托管云智能体目前每用户最多支持 10 个 worker,每团队 50 个,更大的公司级部署可按需提供。一旦在目标环境中设置了 worker,就可以通过 Cursor 仪表板启用自托管智能体。

在 Cursor 仪表板中选择“自托管”

在 Cursor 仪表板中选择“自托管”

前沿领域

Cursor 向自托管智能体的迈进,是其更广泛努力的一部分,旨在使其工具在迄今为止难以触及的环境中可用。

该公司一直在扩展其智能体能力,包括可以处理代码审查、错误分类和其他跨代码库的常规任务的“常驻”智能体。它还开源了专注于安全的智能体模板,允许团队定义智能体如何与敏感代码和系统交互。

这些举措出台之际,来自独立编码工具和主要模型提供商(包括 OpenAI、Anthropic 和 Google)的竞争正在加剧,这些提供商正在他们开发和控制的模型之上构建自己的智能体系统。

这种动态有助于解释为什么 Cursor 也在努力控制更多的自有技术栈。这包括最近发布的 Composer 2 模型,旨在以更低的成本处理更长的编码任务。它减少了对第三方前沿模型的依赖,但在 Cursor 承认其构建在 Moonshot AI 的 Kimi K2.5(一个中国开源权重模型)之上且发布时未披露后,引起了审查。

因此,对 Cursor 来说,挑战或许在于既要使其产品差异化,又要消除限制其使用方式和地点的障碍。该公司表示,其更广泛的平台目前被超过三分之二的《财富》500 强公司使用,而 Notion 和 Brex 等公司已经成为其自托管云智能体的早期采用者,这表明在拥有更复杂基础设施和安全要求的团队中需求旺盛。

“自托管云智能体是让编码智能体具备企业级就绪能力的重要一步,” Notion 的软件工程师 Ben Kraft 在博客文章中写道。“在像 Notion 这样的大型代码库中,在我们自己的云环境中运行智能体工作负载,允许智能体更安全地访问更多工具,并节省了我们团队维护多个技术栈的需要。”

本文编译自 Why Cursor is bringing self-hosted AI agents to the Fortune 500,版权归原作者所有。

觉得有用?分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察,每周更新。

相关文章

Simon Willison 正在重构 LLM Python 库的抽象层,以支持服务器端工具执行等新功能。他利用 Claude Code 分析了四大 LLM 提供商的客户端库,生成了用于测试的 curl 命令和 JSON 输出。这些调研材料已开源,旨在帮助设计更通用的 API 抽象。

深度Simon Willison·4月5日·1 分钟

智能体技能——包含程序性知识和可执行资源的结构化包,供智能体在推理时动态加载——已成为增强 LLM 智能体的可靠机制。然而,推理时技能增强存在根本性限制:检索噪声引入无关指导,注入的技能内容带来大量 token 开销,而模型从未真正习得它所遵循的知识。我们提出一个问题:技能是否可以被内化到模型参数中,使其在无需任何运行时技能检索的情况下实现零样本自主行为?我们提出 Skill0,一个专为技能内化设计的上下文强化学习框架。Skill0 引入了一种训练时课程,从提供完整技能上下文开始,逐步撤除。技能按类别离线分组,并与交互历史一起渲染为紧凑的视觉上下文,教授模型工具调用和多轮任务完成。动态课程机制…

深度·4月5日·17 分钟

评论