如何构建长期运行的AI Agent：Cursor与Anthropic的不同思路

摘要

本文深入探讨了Long-running Agents的实现路径，对比了Cursor和Anthropic的两种截然不同的技术方案。Cursor通过大规模并行多Agent协作完成超大型项目，Anthropic则通过双Agent机制解决跨会话记忆连续性难题。

内容框架与概述

文章首先指出当前Agent在短时间任务上表现良好，但在长时复杂任务上仍面临挑战。接着详细介绍了Cursor的方案：通过多Agent并行协作，引入规划者、工作者和裁判三种角色分工，成功实现从零构建浏览器、大型代码库迁移等复杂任务。该方案经历了从扁平化锁定机制到乐观并发控制的迭代，最终形成职责分明的流水线体系。

文章随后介绍了Anthropic的思路：针对单个Agent在长任务中容易过度承诺、过早收工和测试敷衍三大问题，设计了初始化Agent和编码Agent的双Agent方案。通过JSON格式的功能清单、Git历史追踪和浏览器自动化测试，确保每个会话都能理解现状、推进单一任务并留下清晰交接痕迹。

核心概念及解读

多Agent并行协作：通过投入大量Agent同时工作，引入明确的角色分工和职责划分，实现超大规模项目的并行开发。

乐观并发控制：一种替代锁定机制的协调方案，允许Agent自由读取状态，仅在写入时检查冲突，避免排队等待导致的效率低下。

双Agent架构：将任务拆分为初始化阶段和执行阶段，初始化Agent搭建环境框架，编码Agent每次只推进单一功能并保持环境干净。

记忆外化：通过Git提交历史、进度日志文件和功能清单等外部文件，将项目状态和工作进展持久化存储，实现跨会话的信息连续性。

渐进式推进：编码Agent每次只处理一个未完成功能，完成后立即提交代码并更新进度文件，确保每个工作周期结束时项目都处于可随时继续的状态。

原文信息

此摘要卡片由 AI 自动生成