Architektura roju: Jak Cursor optymalizuje programowanie przez podział ról w modelach AI
Najnowsze testy systemu Cursor dowodzą, że w automatyzacji kodowania nie liczy się już tylko surowa moc obliczeniowa najdroższych modeli. Zespół Anysphere pokazał, że kluczem do sukcesu jest precyzyjna hierarchia zadań, która pozwala uniknąć tzw. dryfu kontekstowego. To podejście staje się standardem od momentu, gdy rynkowa wycena spółki – po przejęciu przez SpaceX – sięgnęła 60 miliardów dolarów, co wymusza szukanie drastycznych oszczędności przy zachowaniu jakości kodu.
Podział kompetencji zamiast monolitu
Inżynierowie odeszli od koncepcji pojedynczego agenta na rzecz dwuwarstwowej struktury: planistów i wykonawców. Planiści, korzystający z najpotężniejszych modeli typu frontier, jak Claude Opus, zajmują się dekompozycją celów na atomowe zadania. Z kolei tańsze modele typu worker agents jedynie przepisują instrukcje na kod. Jak zauważają twórcy, w tym układzie „planista decyduje, a robotnik wykonuje”, co eliminuje sytuacje, w których AI gubi wątek przy dużych projektach.
Przekraczanie barier Git i problem „rozdwojonego ja”
Skala operacji w nowym systemie przerosła standardowe narzędzia. Podczas gdy starsze wersje generowały około 1000 commitów na godzinę, nowa architektura pozwala osiągnąć tempo 1000 commitów na sekundę. Tradycyjny Git przy takiej prędkości staje się bezużyteczny, co wymusiło stworzenie autorskich mechanizmów kontroli wersji. Największym wyzwaniem okazał się jednak split-brain design – błąd, w którym dwaj planiści niezależnie wybierali różne drogi implementacji tego samego modułu. Problem rozwiązano, wprowadzając agentów-sędziów oraz wspólne „przewodniki terenowe”, które synchronizują decyzje projektowe w czasie rzeczywistym.
Efektywność kosztowa: 411 zamiast 9000 dolarów
Liczby stojące za nową architekturą są bezlitosne dla starych metod. Zastosowanie hybrydy modelu Opus z Composerem 2.5 pozwoliło obniżyć koszty do zaledwie 411 dolarów, podczas gdy samodzielna praca modelu GPT-5.5 przy tym samym zadaniu kosztowała ponad 9 tysięcy dolarów. Co więcej, kod jest czystszy. Zamiast generować 64 tysiące linii kodu, system skracający czas indeksowania do sekund osiągnął ten sam cel przy użyciu niespełna 10 tysięcy linii, co oznacza 85-procentową redukcję długu technicznego już na starcie.
Od laboratoriów do rzeczywistych wdrożeń
Mimo technicznego entuzjazmu, rzeczywistość bywa mniej kolorowa. Wczesna wersja systemu pozwoliła 64 instancjom AI napisać milion linii kodu w 11 dni przy przepisywaniu projektu Bun na język Rust. Jednak statystyki z końca 2025 roku tonują optymizm. W środowisku produkcyjnym 70% agentów wciąż wymaga interwencji człowieka po wykonaniu zaledwie dziesięciu kroków. Choć roje potrafią budować systemy w rekordowym tempie, rola ludzkiego nadzoru pozostaje obecnie niezbędnym bezpiecznikiem całego procesu.
