Кейс Cursor: как Лорен Тан выстраивает доверие к ИИ-агентам и объединяет сотни PR в месяц

Лорен Тан, которая присоединилась к Cursor пять месяцев назад после работы в Meta над React-компилятором и в Netflix, рассказала на вебинаре о том, как выстроить процесс, при котором ИИ-агенты самостоятельно готовят и сливают пул-реквесты без постоянного участия разработчика.

По её словам, в прошлом месяце она объединила тысячу PR, а за первые 12 дней текущего месяца — почти 800. Длина каждого PR варьируется от 50 до 1000 строк кода. Ранее, когда доверие к агентам было низким, приходилось сидеть рядом, читать каждый вывод и ограничивать число параллельных агентов.

Главный инструмент для роста доверия — верификация (AI Evals). Агент должен самостоятельно запускать код, снимать CPU-трассировки, подключаться через Chrome DevTools Protocol и проверять работу в реальной среде. Это замыкает цикл и гарантирует корректность, хотя не заменяет оценку архитектуры.

В качестве примера Тан описала работу над компонентом Glass (окно агента в Cursor). Она создала навык control glass для самостоятельного управления сборкой и анализом трейсов, а также feature map — карту интерфейсных элементов с описанием путей, клавиш и DOM-атрибутов. Эти наработки оформились в плагин Pstack, который помогает агентам лучше ориентироваться в кодовой базе.

Дополнительно Тан разработала навык HAL, предписывающий агенту всегда читать релевантный код и использовать субагентов вместо догадок. Для поддержания качества skills она запускает evals — модульные тесты для агентов с несколькими моделями-судьями и изолированными директориями.

Тан подчёркивает, что переход к облачным агентам нужно делать постепенно, наращивая доверие, а не сразу запускать тысячи. Она также советует оставаться активным «водителем»: открывать вызовы инструментов, читать размышления агента и превращать ошибки в новые навыки.

Источник: https://habr.com/ru/articles/1079608/?utm_campaign=1079608&utm_source=habrahabr&utm_medium=rss