新智元报道
Cursor提出了AI编程的「第三代」理念：云端智能体能够自主规划、编写和调试代码，并已完成了35%的工作量，促使程序员角色向协作架构师转变。
AI在软件开发中的作用正在经历一场变革：
到2024年，Tab自动补全功能将AI提升为效率工具；
在2025年下半年，智能体将以「提示-响应」的同步循环模式推动编程发展；
最近，一种新的形态正在形成——云端Agent具备资源解耦与丰富反馈的能力，能够自主规划和迭代，以可评审工件的形式交付成果。
Cursor的数据揭示了这种转变的趋势。
AI软件开发进入第三阶段
近期，Cursor CEO Michael Truell对AI编程的发展进行了分期，并指出其三个重要阶段。
回顾过去五年，AI在软件开发中经历了三个不同阶段。每一阶段的时间越来越短。
第一阶段是在2024年，标志是Tab自动补全功能的出现。GitHub Copilot等工具使AI成为高效的输入助手，专注于低熵和重复性代码任务。此时的核心价值在于提高效率，开发者仍负责逻辑设计，而AI则减少敲击次数。
第二阶段发生在2025年下半年，随着智能体能力的增长。这一时期，模型的上下文窗口扩大，工具调用更为精准，让开发者通过「提示-响应」循环指挥AI编写特定模块。然而这种模式依然需要人类实时介入和校正。
在过去的一年里，Cursor中智能体使用的增长超过了15倍。目前大多数用户已经不再使用Tab键了。
从2025年3月开始，Cursor的Tab用户数量是智能体用户的两倍多。如今这一比例已发生逆转，智能体用户数是Tab用户的两倍。
目前，AI编程的第三阶段正在加速到来。
Cursor在最新的博客中提到：新一代云端Agent能够自主规划、迭代，并交付成果，无需开发者逐条指令。它们像一个成熟的工程师团队，在接收到目标后可以独立完成任务，最后以可审查的形式提交结果。
云端Agent，
开启并行开发新范式
第三阶段的AI辅助开发与第二阶段相比有何不同？第二阶段智能体在本地运行，尽管时间短暂却至关重要，因为它为云端Agent的发展奠定了基础。
相较于Tab补全，智能体工作在一个更高的抽象层次上。它们需要理解上下文并在执行任务时运用判断力，但每一步都需要人类的实时指导和修正。这种模式意味着在同一时间内只能运行少量智能体，因为资源有限。
云端Agent则不受制于这些限制。每个Agent都在自己的虚拟机中独立工作，允许开发者将其分配复杂任务后继续其他工作。智能体会在数小时内持续迭代、测试，并以易于审查的方式汇报进展，如日志或视频记录等。
这种新的交互方式使得用户无需重建会话即可评估输出结果，人类的角色转变为设定评审标准和定义问题边界，而不是逐行指导代码编写过程。
通过资源解耦和富媒体反馈机制，同时运行多个云端Agent变得可行。
实际数据表明，在Cursor内部的提交中已有35%是自主运行智能体创建的。开发人员的选择已经证明了这种新模式的价值。
实战场景
如何实现复杂任务
Cursor展示了四种真实场景下的应用实例：
1. 构建新功能：接收到为插件组件添加源代码链接的任务，智能体会解析文件结构、生成GitHub链接并更新前端逻辑。同时录制操作过程视频以供验证。
2. 复现安全漏洞：面对「剪贴板窃取」的描述，Agent会自行构建HTML页面，启动本地服务器并在应用内浏览器中运行攻击流程，并输出详尽的操作录像和截图报告，大大减少了人工复现的成本。
3. UI自动化测试：对文档站点进行全面检查，在45分钟内验证了十多项功能并自动生成详细的测试结果与错误图片，显著提升了QA效率。
4. 快速修复与验证：对于「Lint标签动态更新」的请求，Agent不仅实现了所需的逻辑代码还在桌面应用中分别测试了正常和异常状态，并录制视频确保修正效果符合预期。
这些案例共同体现了云端Agent已经不再局限于生成简单的代码片段，而是具备从接收指令到交付完整可验证功能的能力链。
人机重构
开发者成为智能体的指挥官
未来的软件开发将像自动驾驶一样流畅。在这个环境中，智能体会承担合并提交、管理发布以及监控生产环境等任务。随着这一变化的到来，开发者也将从创建代码的角色转变为协调多智能体协作的新角色。
要实现这样的转变需要持续改进工具链、模型和交互模式。在云端Agent时代，开发者的职责将集中于拆解问题、审查结果以及提供反馈，并能够高效地启动多个Agent协同工作。
采用这种新模式的开发者通常具备以下特征：
1.几乎所有的代码都由智能体编写；
2.他们花费大量时间在分解任务和评估结果上；
3.可以同时启动多个Agent，而不再需要手把手指导每一个。
在这种新范式下，AI能够生成多少代码取决于人类开发者如何重新定位自身角色。
开发者应将技能重点转向精确问题定义、设计验证标准和协调多智能体协作上。编程语言细节的重要性降低，而系统思维能力、领域知识以及质量判断力变得更为关键。
要使这种方式成为软件开发的标准实践，仍需大量工作。在大规模工业应用中，单个开发者可以绕过的不稳定性和故障会演变为阻碍智能体正常运行的障碍。
开发AI编程工具时必须确保智能体能够高效运作，并获取所有必要的工具和上下文信息。
对于涉及生命安全的应用场景，需要特别关注如何防止智能体因幻觉而遗漏重要的测试步骤。
此外，对于像飞机控制软件这样的涉及生命的场景，人们对智能体开发对软件普遍信心不足。如何确保智能体不会因为幻觉而不进行相应的测试，也需要开发者关注。