点击上方蓝字【聚大模型前言】关注我，热门AI资讯每天更新~~
【导读】Cursor 的自适应上下文发现机制，会将工具输出和历史记录以文件形式存储，让智能体可以通过 tail、grep 等命令按需获取关键信息，从而减少 token 消耗，并支持 Agent Skills 等新能力。。
随着代码 Agent 在软件开发中的角色不断升级，模型变强了，但上下文窗口并没有无限扩张。大量 shell 输出、工具返回、聊天历史、MCP 工具描述，被一次性塞进提示词，不仅消耗大量 token，还会引入噪声，甚至让 Agent 在关键信息上“失忆”。
Cursor 发现，当模型越来越擅长扮演 Agent 时，预先给得越少，反而越容易让它自主、准确地获取所需信息。于是，Cursor 将上下文工程的重心，从“塞什么进去”，转向了“如何让 Agent 自己找”。
Cursor 的动态上下文发现，完全围绕一个设计来展开：将所有可能膨胀上下文的内容，统一转化为文件，再赋予 Agent 按需读取的能力。这带来了两个直接好处：只在需要时加载信息，极大节省 token；减少上下文中的冗余与冲突，提高回复质量。
官方总结了五个关键落地场景：
1. 将超长工具响应写入文件，而不是截断
第三方工具（如 shell、MCP）经常返回体量巨大的 JSON 或日志输出。过去，常见做法是直接截断，结果往往是把最有价值的信息一并丢掉。Cursor 选择了另一条路：将完整输出写入文件，并允许 Agent 使用 tail、grep 逐步查看。
Agent 可以先检查末尾内容，再决定是否需要向前读取更多数据，从而在接近上下文上限时，避免无意义的总结和信息损失。
2. 摘要不是终点，对话历史仍可被“找回”
当上下文窗口被填满时，Cursor 会自动触发摘要，为 Agent 提供一个“新上下文”。但摘要本质上是有损压缩，关键细节很容易丢失。
为此，Cursor 将完整对话历史作为文件保留。 摘要完成后，Agent 会得到一个指向历史文件的引用，如果发现摘要不够用，它可以自行搜索历史记录，把遗漏的信息找回来。
3. Agent Skills：标准化能力，也支持动态发现
Cursor 支持 Agent Skills 这一开放标准，用文件来定义 Agent 在特定领域“该怎么做”。
这些 Skills 以文件形式存在，包含名称、描述，可被 grep、语义搜索等方式动态加载，甚至可以打包可执行脚本或程序。结果是：Agent 不需要一次性“记住所有技能”，而是像查资料一样按需引入能力。
4. MCP 工具只在真正需要时才加载
MCP 让 Agent 能访问 OAuth 保护的资源，如生产日志、内部文档等，但问题也很明显：工具多、描述长、但大多数根本不会用到。
Cursor 的做法是：将 MCP 工具描述同步到文件夹，提示词中只保留极少量静态信息，具体能力在任务需要时再动态查找。
在一次内部 A/B 测试中，这一策略在涉及 MCP 工具的 Agent 运行中，将总 token 消耗降低了 46.9% 。额外收益是，Agent 还能通过文件状态感知工具是否失效，并主动提醒用户重新认证。
5. 终端会话，本质上也是上下文文件
过去，用户需要手动复制粘贴终端输出给 Agent。现在，Cursor 会自动将集成终端的输出同步为本地文件。
用户可以直接问问题，Agent 则会自行在终端历史中 grep 相关输出。对于长时间运行的服务日志或服务器进程，这一点会非常实用。
为什么 Cursor 坚持选择「文件」？Cursor 表示：文件是否会成为 LLM 工具的最终接口形式，目前还不确定。但在 Agent 快速演进的阶段，文件是一种：简单、强健、可组合，而且不容易被未来推翻的抽象。相比设计一套复杂、但可能很快过时的新接口，文件是更安全的原语。
这套机制将在未来几周内向所有 Cursor 用户陆续上线。 而这，也释放出一个清晰信号：下一阶段代码 Agent 的竞争焦点，正在从模型能力，转向上下文工程与系统设计。
参考资料：https://cursor.com/cn/blog/dynamic-context-discovery
