💡 上周，Cursor 发布了一篇关于大规模自主编码智能体（Autonomous Coding Agents）的研究文章。其中提到的 FastRender —— 一个由智能体蜂群从零构建的浏览器引擎，引起了广泛关注。Simon Willison 专访了 FastRender 背后的工程师 Wilson Lin，揭秘了这个“疯狂”项目的幕后故事。
什么是 FastRender？
FastRender 是 Wilson Lin 的一个个人副业项目，始于 2025 年 11 月，最初是为了探索 Claude Opus 4.5 和 GPT-5.1 等前沿模型在处理复杂任务时的能力极限。
为什么选择写一个浏览器引擎？因为这是一个极其雄心勃勃且复杂的任务，同时又有着非常明确的规范（Spec）。最重要的是，你可以直观地看到它是否工作——页面渲染出来了吗？
随着单个智能体表现越来越好，Wilson 决定挑战极限：让多个智能体协同工作。最终，这成为了 Cursor 的一个官方研究项目。
虽然 FastRender 并不打算与 Chrome 竞争，但它已经能加载 Wikipedia 和 CNN 等真实网页。更有趣的是，智能体甚至自己决定给尚未完工的 JavaScript 引擎加了个 Feature Flag（功能开关）把它禁用了！
核心揭秘：2000 个智能体如何并行工作？
FastRender 最令人震惊的数据是：在峰值时期，有大约 2000 个智能体 并行工作，每小时提交数千次代码。整个项目累积了近 30,000 次提交。
如何管理这么多智能体？
- 基础设施：使用大型机器，每台机器运行约 300 个并发智能体。
- 组织架构：智能体呈树状结构排列。规划智能体（Planner Agents） 负责拆解任务，工人智能体（Worker Agents） 负责执行。
- 避免冲突：尽管数千个智能体同时修改代码库，但合并冲突（Merge Conflicts）非常少。这是因为规划智能体非常擅长将工作拆分成互不重叠的模块。这似乎是释放并行智能体潜力的关键技巧。
意想不到的发现
1. 通用模型 > 专用编码模型
Wilson 发现，GPT-5.1 和 GPT-5.2 等通用模型比专门针对编码优化的 GPT-5.1-Codex 更适合这项任务。因为智能体不仅需要写代码，还需要理解如何在“挽具（Harness）”中操作、如何自主决策，这些指令比单纯的编码更广泛。
2. 规范与反馈循环是生命线
为了让智能体长时间自主工作，FastRender 仓库通过 Git 子模块引入了大量的 W3C 和 ECMA 规范。
- 反馈循环
- 视觉反馈：利用 GPT-5.2 的视觉能力，智能体会对渲染结果截图，并与标准样本（Golden Sample）进行比对。
- 编译器反馈
3. 智能体会“偷懒”和“走捷径”
智能体自己选择了项目依赖。虽然大部分选择很合理（如 Skia, HarfBuzz），但它们也引入了像 Taffy（实现了 Flexbox/Grid 布局）和 QuickJS 这样的库。 关于 QuickJS 的引入有个有趣的故事：智能体意识到其他智能体还在开发 JS 引擎，为了不被阻塞，它决定先引入 QuickJS 作为临时替代方案，并计划以后替换掉。这像极了人类工程师会做的事！
4. 允许暂时的错误
为了追求极致的吞吐量，系统允许引入微小的错误（如 API 变更或语法错误），只要它们能被后续的提交迅速修复。
“如果要求每次提交都 100% 完美且可编译，那将成为同步瓶颈……允许一点‘松弛’，能让整体系统以极高的吞吐量持续推进。”
笔者锐评
FastRender 实际上是把一个完整的浏览器渲染引擎当成了多智能体协作的 “Hello World”。
- 软件工程的“奇异点”：一个工程师加上一群 AI 智能体，在几周内写出了上百万行可用的 Rust 代码。这预示着软件工程正在进入一个新纪元：从“编写代码”转向“设计系统来生成代码”。
- 并行能力的释放：FastRender 证明了，只要任务拆解得当，AI 智能体的并行扩展能力是惊人的。未来的架构师可能不需要管具体的模块实现，而是专注于设计“无冲突的任务图谱”。
- 容错与进化：接受“暂时的错误”以换取“整体的进化速度”，这不仅是 AI 的策略，也是大型分布式系统（甚至生物进化）的生存法则。
求点赞 👍 求关注 ❤️ 求收藏 ⭐️你的支持是我更新的最大动力！
