方格子 vocus

動態內容探索：Cursor 如何大幅改善 AI 程式助理的表現？

2026/01/09 更新2026/01/09 發佈閱讀 9 分鐘

AI 程式助理已經從一個新奇的概念，逐漸成為許多開發者工作流程中不可或缺的一環。從 GitHub Copilot 到 Cursor 這樣專為 AI 打造的程式編輯器，它們極大地提升了開發效率。然而，所有強大的 AI Agent 都面臨一個共同的限制：有限的「Context Window」。

傳統的「Static Context」，也就是開發者想方設法將所有可能的資訊都預先塞進這個有限的「Context Window」中。這種方法不僅成本高昂（消耗大量 Token），而且效率低下，甚至可能因為資訊過載而降低 AI 的判斷品質。

為了解決這個問題，Cursor 分享了稱為「動態內容探索（Dynamic Context Discovery）」的方法。

Dynamic context discovery

從「靜態」到「動態」

在深入了解 Cursor 的具體做法前，我們先理解「靜態」與「動態」這兩種模式的差異。

靜態內容（Static Context）：這是一種「推送（Push）」模式。我們假設 AI Agent 需要什麼，然後把這些資訊一股腦地塞進提示詞（Prompt）中。這就像是打包一個所有你認為對方會需要的食物都放進去的便當盒，不論對方最後是否真的會全部吃完。這種方式雖然直接，但非常浪費空間，且缺乏彈性。
動態內容探索（Dynamic Context Discovery）：這是一種「拉取（Pull）」模式。我們只給 AI Agent 最基本的地圖和一個背包，並告訴它圖書館在哪裡。當它在執行任務的過程中，發現需要某本書或某份資料時，它會自己跑去圖書館，精準地找出需要的內容放進背包裡。這種模式不僅節省初始的負擔（Token 消耗），也讓 AI Agent 的行動更加自主和高效。

Cursor 提出的解方核心在於，他們找到了一個簡單卻強大的概念來實現這種「拉取」模式：將一切都視為「檔案（Files）」。

萬物皆檔案：Cursor 實現動態探索的五大支柱

Cursor 沒有發明複雜的新協定或資料結構，而是回歸本質，讓 AI Agent 使用如 grep、tail、read 等基本工具，就能自主獲取所需的上下文。

1. 將冗長的工具回應變成檔案：告別無效的資訊截斷

過去，當 AI Agent 呼叫一個工具並得到一個非常長的回應時，通常只有兩種選擇：要麼完整接收，瞬間佔滿寶貴的「Context Window」；要麼粗暴地截斷回應，但這可能導致關鍵資訊的遺失。

Cursor 的做法是：當偵測到一個冗長的工具回應時，系統會自動將其寫入一個檔案。然後，只把這個檔案的路徑告訴 AI Agent。如此一來，AI Agent 就掌握了主動權。它可以先用 tail 指令快速查看檔案的結尾，判斷這是否是它需要的資訊。如果需要更多細節，它可以再完整讀取檔案內容，避免因為內容超限而觸發不必要的摘要步驟，也確保了資訊的完整性。

2. 讓對話歷史成為可參考的檔案：摘要壓縮下的記憶保險

AI Agent 的「失憶」問題是長期任務中的一大挑戰。當對話內容累積過多，超出「Context Window」限制時，系統會觸發一個「摘要」步驟，將過去的工作內容壓縮成一段簡短的總結。然而，這個過程是「有損壓縮」，許多關鍵的細節、先前的思考路徑或被否決的方案，都可能在摘要中遺失。

為了解決這個問題，Cursor 將完整的對話歷史也當作一個檔案來處理。當進行摘要時，AI Agent 不僅會得到新的、簡潔的摘要內容，同時也會被告知完整的歷史紀錄檔案在哪裡。如果 AI Agent 在後續工作中發現摘要的資訊不足，或對某個細節感到模糊，它可以主動地去搜尋歷史紀錄檔案，找回被遺忘的線索，大幅提升長期任務的穩定性與準確性。

3. 支援 Agent Skills 開源標準：隨需載入的專業技能庫

「Agent Skills」是一個近期流行的開源標準，旨在讓 AI Agent 能夠使用特定的、領域相關的能力。每個「技能」本身就是一個包含了指令、描述，甚至可執行腳本的檔案夾。

Cursor 採用動態探索的方式，只在初始的靜態內容中提供技能的名稱和簡短描述。當 AI Agent 根據任務需求，判斷可能需要某項特定技能時，它會使用語意搜尋（semantic search）或 grep 等工具，去動態地讀取並載入該技能的完整檔案，讓它能更輕便、更有效率地運用這些擴充能力。

4. 效率化載入 MCP 工具：實測節省 46.9% 的秘密

MCP（Model Context Protocol）是一個讓 AI Agent 能夠存取受保護資源（如公司內部文件、生產環境日誌）的開放協定。一個企業可能會部署包含數十甚至數百個工具的 MCP 伺服器，每個工具都有詳細的描述。如果將所有工具的描述都作為靜態內容載入，將會造成巨大的 Token 浪費，特別是當大部分工具在一次任務中根本不會被用到時。

Cursor 將所有 MCP 工具的描述同步到一個本地資料夾，每個工具一個檔案。在給予 AI Agent 的初始提示中，只包含工具的名稱列表。當 AI Agent 認為需要使用某個工具時，它會被引導去查找並讀取對應的說明檔案。

這種做法帶來了驚人的效益。在一項測試中，Cursor 發現在需要呼叫 MCP 工具的任務中，該策略平均減少了 46.9% 的 Token 總消耗量。這不僅直接降低了成本，也為更複雜的推理保留了寶貴的內容空間。

此外，這種基於檔案的方法還有一個額外的好處：可以向 AI Agent 傳達工具的狀態。例如，如果某個 MCP 伺服器需要重新驗證，系統可以直接更新對應的檔案內容，讓 AI Agent 能夠主動告知使用者需要進行的操作，而不是默默地「忘記」這些工具的存在。

5. 將終端機輸出視為檔案：無縫除錯與內容引用

在日常開發中，我們經常需要在終端機中執行指令，並根據其輸出來進行下一步操作或除錯，如果想讓 AI Agent 分析終端機的輸出，開發者需要手動複製貼上。

Cursor 則將所有整合式終端機的輸出都自動同步到本地的檔案系統中。開發者可以直接提問：「我剛剛的指令為什麼會失敗？」而 AI Agent 能夠自動理解你所指的「剛剛的指令」，並去讀取對應的終端機輸出日誌檔案。對於長時間運行的程序（例如伺服器日誌），AI Agent 還可以利用 grep 等指令，只篩選出與問題相關的關鍵行，而不是處理整個冗長的日誌，實現了更高效、更直觀的互動除錯體驗。

TN科技筆記的觀點

在 AI 領域，Token 就是金錢單位，Cursor 的方法僅在 MCP 工具載入這一項上就節省了 46.9% 的 Token，這是一個非常驚人的數字。這意味著使用者可以用更低的成本運行 AI，或者在同樣的成本下，讓 AI 處理更複雜的問題，因為寶貴的「Context Window」被用在了更高品質的「思考」上，而不是浪費在冗餘的資料上。在記憶體等相關儲存硬體、運算硬體成本隨著AI更多應用持續高漲的時候，如何透過各式各樣的技術來更加妥善地運用硬體資源，絕對是需要持續集思廣益的重要環節。Cursor 提出的「動態內容探索」，重點在於「探索」本身的效率，以及引導 AI 進行高效探索的機制是否能夠順利找到對應的資料，成效也與背後驅動的模型智慧程度緊密綁定。