震惊！Cursor这波操作让AI编程助手token消耗减少46.9%，小白也能秒懂的上下文工程架构大揭秘

一、背景：为什么需要动态上下文发现

编码 Agent 正在快速改变软件构建方式。其能力提升来自两方面：更强的 Agent 模型+更好的上下文工程（Context Engineering）。

Cursor 的 Agent 框架（agent harness）会针对每个前沿模型单独优化，但有一类上下文工程改进是模型无关的——如何收集上下文、如何在长轨迹中优化 token 使用。

Cursor 团队发现：随着模型变强，预先提供更少细节、让 Agent 自主拉取相关上下文，效果反而更好。

这就是动态上下文发现（Dynamic Context Discovery）的核心思想，与传统的静态上下文（Static Context）（始终包含在 prompt 中）形成对比。

类型	定义	问题
静态上下文	始终包含在 prompt 中的固定信息	占用 token、可能造成混淆或矛盾
动态上下文	Agent 按需拉取的相关信息	token 效率高、回复质量更好

动态上下文发现的优势：

只将必要数据拉入上下文窗口
减少可能造成混淆或矛盾的信息量
提升 Agent 回复质量

二、核心架构：文件作为统一抽象

Cursor 实现动态上下文发现的核心载体是文件（Files）：

为什么选择文件？

官方博客原文：

It’s not clear if files will be the final interface for LLM-based tools. But as coding agents quickly improve,files have been a simple and powerful primitiveto use, and a safer choice than yet another abstraction that can’t fully account for the future.

文件的优势：

统一接口：所有信息源都可以用文件表示
工具生态：tail、grep、rg、jq等标准工具开箱即用
惰性加载：Agent 按需读取，无需一次性加载
面向未来：相比复杂抽象，文件是更安全的选择

三、5 大动态上下文策略详解

策略 1：长工具响应 → 文件化

问题：工具调用（Shell 命令、MCP 调用）可能返回巨大的 JSON 响应，显著膨胀上下文窗口。

常见做法：截断长输出 → 可能丢失重要信息。

Cursor 做法：

关键细节：

Cursor 的一方工具（如文件编辑、代码搜索）通过智能工具定义和最小响应格式防止膨胀
第三方工具（Shell、MCP）没有这种原生优化，所以写入文件
Agent 用tail检查末尾（多数结论在末尾），按需读取更多

收益：减少接近上下文上限时触发的不必要摘要。

策略 2：摘要时保留历史引用

问题：上下文窗口填满后触发摘要（summarization），但摘要是有损压缩，Agent 可能遗忘关键细节。

Cursor 做法：

将对话历史持久化为文件（如transcript.txt）
摘要后给 Agent 一个指向历史文件的引用
Agent 如果发现摘要中缺失细节，可以搜索历史文件恢复

图示：Agent 完成实验后上传结果到 S3，触发上下文摘要。后续用户请求更新元数据时，Agent 发现摘要中缺失 S3 路径，通过搜索agent transcript恢复了完整信息。

触发时机：

自动：达到上下文窗口上限
手动：用户输入/summarize

策略 3：支持 Agent Skills 开放标准

Agent Skills是由Anthropic 提出的开放标准，用于为编码 Agent 扩展专用能力。Cursor支持（Supporting）该标准。

注：Agent Skills 标准已被 Cursor、Claude Code、GitHub Copilot、VS Code 等主流工具采用，具备跨平台可移植性。

Skills 的构成（遵循 Anthropic 规范）：

<!-- SKILL.md -->---name: deploy-k8sdescription: 将应用部署到 Kubernetes 集群---# Deploy to Kubernetes## 使用说明...## 可执行脚本- ./scripts/deploy.sh

动态发现机制：

Skills 的名称和描述作为静态上下文包含在系统提示中
Agent 需要时通过grep或 Cursor 的语义搜索拉取完整 Skill 定义
Skills 可以打包可执行文件或脚本，Agent 可以轻松找到相关内容

策略 4：MCP 工具惰性加载

问题：

MCP 服务器通常包含大量工具，描述往往很长
大部分工具实际不会被使用，但始终包含在 prompt 中
多个 MCP 服务器会进一步放大问题

Cursor 的设计哲学：

We believe it’s the responsibility of thecoding agentsto reduce context usage.（减少上下文使用是编码 Agent 的责任，而非期望每个 MCP 服务器自己优化）

Cursor 做法：

关键设计决策（来自官方脚注）：

We considered a tool search approach, but that would scatter tools across a flat index. Instead, we createone folder per server, keeping each server’s tools logically grouped. When the model lists a folder, it sees all tools from that server together and can understand them as a cohesive unit. Files also enable more powerful searching. The agent can use fullrgparameters or evenjqto filter tool descriptions.

每个 MCP Server 一个文件夹，而非扁平索引
Agent 列出文件夹时能看到该 Server 的所有工具，理解为一个整体
支持强大的搜索能力：rg参数、jq过滤

实测效果：

在调用 MCP 工具的运行中，该策略将 Agent **总 token 消耗减少 46.9%**（统计显著，但会随已安装 MCP 数量产生较大波动）

额外收益：可向 Agent 传达工具状态。例如，如果 MCP 服务器需要重新认证，以前 Agent 会完全忘记这些工具，用户会困惑；现在 Agent 可以主动提示用户重新认证。

策略 5：终端会话 → 文件同步

传统做法：用户需要手动复制终端输出粘贴给 Agent。

Cursor 做法：

集成终端的输出自动同步到本地文件系统
用户可以轻松问「为什么我的命令失败了？」，Agent 能理解引用
终端历史可能很长，Agent 可以grep只获取相关输出

官方原文：

This mirrors what CLI-based coding agents see, with prior shell output in context, butdiscovered dynamically rather than injected statically.

这与 CLI 编码 Agent（如 Claude Code）看到的内容一致——之前的 Shell 输出在上下文中，但是动态发现而非静态注入。

四、长历史上下文的压缩策略

除了 5 大动态策略，Cursor 还针对文件/文件夹设计了智能压缩机制（来自 Cursor 官方文档）：

状态	触发条件	保留内容	后续交互
Condensed	文件较大但结构可提取	函数签名、类定义、方法名	需要时自动扩展加载
Significantly Condensed	文件极大，结构也放不下	仅文件名 + 标签	用户需手动重新上传
Not Included	超出剩余容量或格式不支持	警告图标	需筛选核心文件后重试

常规压缩示例：

// 原始文件（500 行）export class UserService { private db: Database; constructor(db: Database) { /* ... 50行 ... */ } async createUser(data: CreateUserDTO): Promise<User> { /* ... 100行 ... */ } async updateUser(id: string, data: UpdateUserDTO): Promise<User> { /* ... 80行 ... */ }}// 压缩后（~20 行）export class UserService { private db: Database; constructor(db: Database): void; async createUser(data: CreateUserDTO): Promise<User>; async updateUser(id: string, data: UpdateUserDTO): Promise<User>;}

五、为什么这套架构有效

1. Token 效率最大化

静态注入：「宁滥勿缺」，大量无关信息占用上下文动态发现：「按需精准」，只拉取当前任务需要的信息

2. 复杂度线性可控

方案	上下文占用
静态注入	MCP 工具数 × 描述长度（指数膨胀）
动态发现	固定名称列表 + 按需查找（线性可控）

3. 工具生态零成本复用

Agent 不需要学习新 API，直接复用tail、grep、rg、jq等标准工具。

4. 面向未来的扩展性

新增信息源？写入文件即可。新增 MCP Server？同步到对应文件夹。架构天然支持水平扩展。

六、可落地实践清单

场景	传统做法	动态上下文做法
长工具响应	截断	写入文件 +`tail`按需读取
对话历史	直接压缩丢弃	保留文件引用 + 搜索回查
Agent 能力扩展	全部注入 prompt	Skills 文件 + 语义搜索
MCP 工具	全部描述注入	仅名称 + 按需查找（每 Server 一个文件夹）
终端输出	手动复制粘贴	自动同步文件 +`grep`
大文件处理	强制截断或拒绝	三级压缩（结构/文件名/警告）

七、总结

Cursor 的动态上下文发现架构可以用一句话概括：

用文件作为统一抽象，将「静态注入」转变为「动态发现」，实现 token 效率与响应质量的双重提升。

核心数据点：

46.9%：MCP 动态加载策略减少的 Agent 总 token 消耗
5 大策略：长响应文件化、摘要时保留历史引用、支持 Agent Skills、MCP 惰性加载、终端会话文件同步
3 级压缩：Condensed → Significantly Condensed → Not Included

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。