Cursor文件系统重构上下文工程5大实践

业内讨论上下文管理时，始终面临一个核心矛盾：信息密度过高会拖慢Agent推理效率，上下文过于稀疏则容易导致Agent误判或遗漏关键信息。Cursor团队近期提出的“动态上下文发现”方案，为这一长期存在的工程难题提供了一套系统性的解决框架——核心理念极其精简：利用文件系统作为外部存储介质，让Agent在运行过程中自主发现并渐进加载所需的上下文内容。

这个构想看起来并不复杂，但深入分析其背后的五项工程实践，每一项都值得单独拆解与讨论。

01 从“预填充”转向“按需检索”

需要先理解Cursor的一条核心假设：主动减少初始提供的上下文细节，反而能激励Agent更自主地提取真正需要的信息。这正是动态上下文发现与静态预填充模式之间的本质区别。

静态上下文的策略，是在任务启动前就将所有API文档、数据表结构一次性加载到System Prompt中。这种做法好比出发旅行前把全套厨具装进行李箱，车辆负载过重导致行动迟缓。动态上下文发现则完全不同。系统初始只提供精简的最小上下文起点，大量信息存储于外部存储。当Agent在执行过程中意识到自身缺少某类信息时，再通过搜索机制主动发现并加载。类似于资深旅行者的打包哲学：只带护照和信用卡，具体需求在目的地解决。

这个模式的价值远不止节省Token消耗。更关键的是降低信息噪声与认知负载。Agent在更干净的上下文中进行推理时，输出质量往往更高。

这个理念如何在工程层面落地？Cursor提炼出五个具体实践：

02 实践一：将工具的长输出写入文件

假设你让Agent执行一个数据库迁移脚本，终端输出5000行日志。前4999行是“进度10%”、“进度20%”的常规进度提示，只有最后一行是“Error: 数据库连接超时”。

传统方案是“截断”——仅保留前2000个字符。这种处理方式往往导致关键信息丢失：核心报错通常出现在输出末尾。Agent基于被截断的正常日志，可能得出“任务执行成功”的误判，或直接回复“无法判断”。

Cursor的解决方案是将工具输出完整写入文件，不直接塞入上下文，仅向Agent传递一个引用路径：结果文件在此，必要时自行读取。

面对大文件，Agent从何处入手？Cursor引入了tail工具——查看文件末尾内容，默认读取最后十行。类似于先翻阅长报告的结论页。许多工程输出的关键信息确实集中在末尾：最终错误摘要、测试结果、退出状态码等。

关键在于，tail只是一个初始探针策略。Agent通过极低成本先进行“数据摸查”。若末尾信息足以做出决策，则停止；若不足，Agent会逐步扩大读取范围，利用关键词定位，将真正需要的片段引入上下文。整个过程遵循先探测、再展开，直至信息刚好满足需求的渐进式加载原则。

03 实践二：摘要对话时保留引用链接

模型都存在上下文长度限制，对话过长时必须进行摘要压缩。压缩必然带来信息损耗——摘要可能保留“用户修改了代码”的概括性描述，却遗漏“用户将超时时间从10秒调整为5秒”的精确细节。结果导致Agent在后续对话中逐渐失去准确性。

Cursor的应对方案是为Agent配备一本“对话档案”。

即使当前对话被摘要压缩，原始完整对话记录并未删除，而是转存为文本文件。在新一轮对话中，Agent虽然只有精简的摘要作为工作记忆，但手头持有对话历史文件的完整路径。

当Agent在编写代码过程中发现摘要信息不足，例如“我记得用户提过一个S3存储桶名称，但摘要里没有记录”，它不会进行推测，而是立即暂停当前任务，搜索历史文件，从几十轮之前的对话中精确提取出具体的桶名称。

这好比考试制度：传统摘要机制是“闭卷考试”，复习完成后立刻收回资料；Cursor的机制则是“开卷考试”，大脑只存储关键框架与脉络，但允许随时查阅细节资料。这使得Agent具备了近乎无限且高保真的长期记忆能力。

04 实践三：Skills的按需加载策略

Cursor支持Agent Skills开放标准。Skill本质上是一份以文件形式存储的操作手册，用于指导Agent执行特定领域的任务。每个Skill包含名称和描述，可将其作为静态上下文放入系统提示词，但仅保留目录级信息，不包含完整内容。Agent通过grep与语义搜索等工具自动引入相关Skills。

• grep（关键词匹配）：具有确定性强、响应快、结果可解释的优势。例如，Agent执行数据库迁移任务时，使用grep在skills文件夹中搜索migration或schema，快速定位相关技能文件。
• 语义搜索：解决关键词不一致问题。任务描述为“财务异常排查”，而技能文件标题是“revenue irregularities investigation”，关键词不重叠但语义相近，语义搜索能有效匹配。

技能发现并非依赖单一机制，而是依靠一套可控的发现策略：优先使用关键词匹配，不足时再采用语义相似度匹配。最终目标是按需发现后加载。

05 实践四：按需加载MCP工具

当前Agent通常集成数百种工具，传统做法是将所有工具的使用说明完整写入System Prompt。这导致了“说明书膨胀”问题：100个工具的参数定义可能消耗5万个Token，Agent尚未开始执行任务，工作记忆已被占用一半。同时，工具过多易造成选择困难或调用错误。

Cursor的优化方案是将工具说明书卸载到文件系统。Agent的初始Prompt中仅包含一个极简的“工具目录”——仅包含名称与简短功能描述，不含具体调用说明。

当用户提出“帮我把代码推送到GitHub”时，Agent在目录中看到“GitHub工具包”，意识到需要此能力，才会主动读取对应的说明书文件，学习API调用方式与参数格式，学习完成后立即执行。

仅此一项改动，使Token消耗降低了46.9%，推理成本几乎减半。

这一模式还带来额外收益：过去工具不可用时，系统直接将工具从Prompt中移除，Agent会回复“我不会使用GitHub”。而当前工具列表以文件形式存在，即使工具不可用，文件仍然保留。Agent读取时发现状态为“需重新认证”，能够智能地向用户说明：“我有GitHub能力，但当前需要重新登录，请提供新的Token。”

从“我不会”转变为“我需要权限”，这一微小的表述变化让Agent更接近于专业协作伙伴的定位，而非随时可能出错的程序。

06 实践五：将终端会话视为文件

回顾传统AI结对编程场景：终端执行命令报错后，用户需要手动选中红色报错信息，右键复制，切换到AI对话框粘贴并发送。若报错过长，还需向上滚动查找开头。这种操作频繁打断工作流，且容易遗漏信息。

Cursor的解决方案是将集成终端的所有输出实时写入本地日志文件。整个过程对用户无感知。当用户对Agent说“修好它”或“刚才为什么报错”时，Agent无需依赖用户提供任何上下文，它会自动读取最近的终端日志，利用grep快速定位最后一次Error关键字，分析堆栈信息，并提供修复建议。

整个过程无需任何“复制粘贴”操作。这种流畅的交互体验，正是底层“文件流”机制的体现。

07 行业演进：文件系统作为Agent的外部大脑

回顾整体方案，Cursor并非在零散地应用几个技巧，而是在系统层面统一改变了上下文的加载方式。动态上下文发现的核心并非让模型记住更多，而是让模型在更精简、更纯净的上下文中进行思考，同时保留一套可访问的外部信息空间。

系统负责将信息完整写入文件，并提供清晰的引用指针和发现工具；Agent负责在任务推进过程中自主判断信息需求，通过搜索、定位与渐进读取，将真正需要的片段引入工作上下文。这既提升了Token利用效率，也降低了认知负载，最终保障输出质量。

回顾Manus关于文件系统与上下文的讨论、PeakJi提出的工具卸载实践，以及Anthropic在Skill机制中强调的渐进式披露策略，Cursor的动态上下文发现并非孤立现象。不同团队在不同产品形态下，正在独立收敛到类似的工程范式：

• 将上下文视为有限内存资源
• 将文件系统视为接近无限的外部存储池
• 将卸载视为缓解上下文压力的基础手段
• 将渐进式披露视为信息进入工作区的默认路径

这种顶层设计的趋同性表明，在AI Agent领域，顶尖团队正在形成隐性共识。虽然文件未必是AI交互的唯一终极形态，但它验证了一个务实判断：在当前模型能力、计算成本与系统可靠性仍受约束的阶段，最稳妥的路径往往不是构建更复杂的抽象层，而是选择更简洁、更可控、更易演进的底层原语作为“外部大脑”的基础架构。

它引导Agent将智能从“记住更多”转向“定位更准”，将能力从“生成答案”扩展为“管理信息流”。这才是真正的突破所在。