Automatyzacje Cursor rozwiązują problem, który stworzyło agentowe kodowanie. Inżynierowie mogą teraz zarządzać jednocześnie ponad 10 agentami kodowania, ale ludzka uwaga stała się wąskim gardłem. Nie możesz opiekować się tuzinem agentów, jednocześnie wykonując swoją rzeczywistą pracę. Automatyzacje odwracają model: zamiast to ty uruchamiałeś agentów, robią to zdarzenia. Połączone PR uruchamia audyt bezpieczeństwa. Powiadomienie PagerDuty uruchamia agenta, który przeszukuje logi i proponuje poprawkę. Zadanie cron przegląda luki w pokryciu testów każdego ranka. Każda automatyzacja działa w izolowanym piaskownicy chmurowej z pełnym dostępem do narzędzi, które skonfigurujesz za pomocą MCP (standardowy protokół, który pozwala agentom łączyć się z Slackiem, Linear, GitHubem, Datadogiem lub dowolnym niestandardowym API). Agent wykonuje twoje instrukcje, weryfikuje swoją pracę i uczy się na podstawie wcześniejszych uruchomień dzięki wbudowanemu systemowi pamięci. Cursor uruchamia setki z nich wewnętrznie na godzinę. Ich automatyzacja bezpieczeństwa wykryła wiele luk, audytując każde wprowadzenie do głównej gałęzi bez blokowania PR-ów. To odblokowuje 4 rzeczy, które wcześniej nie były praktyczne: 1. Ciągły przegląd kodu na głębokości, którą pomijają ludzie 2. Reakcja na incydenty, która zaczyna badać sprawę, zanim zostaniesz powiadomiony 3. Prace konserwacyjne, które odbywają się według harmonogramu, a nie wtedy, gdy ktoś sobie przypomni 4. Synteza wiedzy w różnych narzędziach Następne dwa lata będą definiowane przez to, kto zbuduje najlepszą fabrykę, a nie najlepszy kod. Firmy, które poruszają się najszybciej, nie będą tymi z najlepszymi inżynierami. Będą to te, których inżynierowie spędzili czas na konfigurowaniu automatyzacji zamiast pisania kodu.

Model o 24 miliardach parametrów właśnie uruchomił się na laptopie i wybrał odpowiednie narzędzie w mniej niż pół sekundy. Prawdziwa historia polega na tym, że agenci wywołujący narzędzia w końcu stali się wystarczająco szybcy, aby przypominać oprogramowanie. Liquid zbudował LFM2-24B-A2B, używając hybrydowej architektury, która łączy bloki konwolucyjne z grupową uwagą zapytań w proporcji 1:3. Tylko 2,3 miliarda parametrów aktywuje się na token, mimo że pełny model ma 24 miliardy. To rzadkie wzorce aktywacji są powodem, dla którego mieści się w 14,5 GB pamięci i wywołuje narzędzia w 385 milisekund na M4 Max. Architektura została zaprojektowana poprzez wyszukiwanie z hardware-in-the-loop, co oznacza, że zoptymalizowali strukturę modelu, testując ją bezpośrednio na chipach, na których będzie działać. Żadna warstwa tłumaczenia w chmurze. Żaden okrążający API. Model, narzędzia i twoje dane pozostają na maszynie. To odblokowuje trzy rzeczy, które wcześniej były niepraktyczne: 1. Regulowane branże mogą uruchamiać agentów na laptopach pracowników, nie pozwalając na opuszczenie danych z urządzenia. 2. Programiści mogą prototypować przepływy pracy z wieloma narzędziami, nie zarządzając kluczami API ani limitami szybkości. 3. Zespoły bezpieczeństwa otrzymują pełne ścieżki audytu bez podwykonawców dostawcy w pętli. Model osiągnął 80% dokładności w wyborze narzędzi w pojedynczym kroku wśród 67 narzędzi rozproszonych na 13 serwerach MCP. Jeśli ta wydajność utrzyma się w skali, dwie założenia wymagają aktualizacji. Po pierwsze, agenci na urządzeniach nie są już kompromisem w zakresie żywotności baterii; są funkcją zgodności. Po drugie, wąskie gardło w agentowych przepływach pracy przesuwa się z możliwości modelu na dojrzałość ekosystemu narzędzi.