Рой ИИ-агентов Cursor — это система, где сотни автономных ИИ-процессов параллельно работают над одной кодовой базой, делят задачи, пишут код и проверяют гипотезы. В эксперименте Cursor такой рой за четыре часа реализовал на Rust движок базы данных по 835-страничной документации SQLite: без исходников, готовых тестов, бинарника оригинала и доступа в интернет. Главный результат не в том, что ИИ снова написал много кода, а в цене: удачная организация агентов дала счет $1339, тогда как другая конфигурация той же задачи могла стоить до $10 565.
Что именно собрал рой ИИ-агентов Cursor?
Короткий ответ: Cursor попыталась воспроизвести ключевую логику SQLite на Rust, опираясь только на документацию. Это не «скачали SQLite и переписали пару файлов», а стресс-тест агентной разработки: много агентов одновременно читают спецификацию, принимают решения, пишут модули и интегрируют результат.
По данным публикации Cursor, задача была намеренно поставлена жестко: 835 страниц документации, отсутствие исходников SQLite, отсутствие заранее подготовленного набора тестов, отсутствие бинарника оригинального движка и интернет-доступа. То есть система не могла просто подсмотреть реализацию или найти ответы в сети. Ей нужно было построить работающую архитектуру из текста спецификации.
Это важно для рынка ИИ-разработки: многие демонстрации coding agents хорошо выглядят на небольших задачах — поправить ошибку, написать API-метод, сгенерировать тесты. Здесь же речь о системном программировании, где ошибка в одном слое может сломать все: парсер SQL, хранение страниц, транзакции, индексы, типы данных, совместимость поведения.
Суть эксперимента Cursor: стоимость результата определялась не только качеством модели, но и тем, как организованы роли, параллелизм, проверка и повторное использование работы агентов.
Чтобы пользоваться Cursor из России при региональных ограничениях, многие подключают dropweb VPN: это готовое приложение для Windows, macOS, Linux и Android. Канонический сценарий простой: скачать приложение dropweb на dropweb.org, оформить подписку в кабинете cab.dropweb.org и подключиться в один клик.
Почему эксперимент стоил $1339, а не больше $10 тысяч?
Прямой ответ: Cursor показала, что экономика роя зависит от координации агентов сильнее, чем кажется. При неудачной схеме много денег уходит на дублирование, лишние попытки, длинные контексты и слабую маршрутизацию задач; при удачной — агенты меньше мешают друг другу и быстрее сходятся к рабочему коду.
В опубликованных цифрах особенно интересен разрыв между конфигурациями. Самый дешевый успешный прогон обошелся в $1339 за четыре часа. Другая связка организации работы с теми же моделями могла стоить до $10 565. Это почти восьмикратная разница не из-за «магии новой модели», а из-за инженерии процесса.
| Параметр эксперимента | Значение | Почему это важно |
|---|---|---|
| Задача | SQLite-подобный движок на Rust | Проверяет сложное системное проектирование, а не простую генерацию кода |
| Время прогона | 4 часа | Показывает потенциал массового параллелизма агентов |
| Минимальная стоимость | $1339 | Делает эксперимент сопоставимым с бюджетом небольшой команды |
| Дорогая конфигурация | До $10 565 | Доказывает, что оркестрация напрямую влияет на экономику |
| Ограничения | Без исходников, тестов, бинарника и интернета | Снижает риск простого копирования решения |
Для бизнеса это меняет постановку вопроса. Раньше многие сравнивали ИИ-инструменты по принципу «какая модель умнее». Теперь появляется второй слой: кто лучше строит производственную систему вокруг моделей. Агенту нужно не просто написать функцию, а понять границы ответственности, не повторять чужую работу, проверять результат и вовремя передавать контекст другим агентам.
Чем рой агентов отличается от обычного AI-помощника в IDE?
Обычный AI-помощник чаще работает как усилитель одного разработчика: отвечает в чате, дописывает код, предлагает правки. Рой агентов ближе к виртуальной команде, где десятки или сотни исполнителей одновременно берут подзадачи, конкурируют вариантами решений и собирают общий результат.
Проблема в том, что «больше агентов» не равно «лучше код». Без управления они начинают делать одно и то же, ломать интерфейсы друг друга, плодить несовместимые архитектурные решения и тратить токены на повторные объяснения. Поэтому главный продуктовый вывод из эксперимента Cursor — не лозунг «разработчики больше не нужны», а более трезвый тезис: выигрывает тот, кто умеет проектировать агентный конвейер.
В таком конвейере нужны роли: одни агенты читают спецификацию, другие пишут модули, третьи ищут ошибки, четвертые интегрируют изменения. Нужна память о принятых решениях, контроль конфликтов, дешевые проверки и ограничения на бесполезные ветки работы. По сути, это DevOps для ИИ-агентов.
Что это значит для разработчиков и CTO?
Коротко: агентная разработка становится вопросом операционной эффективности. CTO стоит считать не только цену токенов, но и стоимость неудачных прогонов, повторной интеграции, ревью и поддержки кода после ИИ.
- Не покупайте «рои» как магию. Сначала определите тип задач: миграции, тестирование, рефакторинг, генерация прототипов, анализ документации.
- Измеряйте стоимость результата. Важен не счет за API сам по себе, а цена принятого pull request, найденной ошибки или готового прототипа.
- Держите человека в контуре. Архитектурные решения, безопасность и финальное ревью пока нельзя отдавать без контроля.
- Стройте проверки раньше генерации. Чем быстрее агент получает сигнал об ошибке, тем меньше денег сгорает на неправильной ветке.
- Следите за оркестрацией. Разница между $1339 и $10 565 показывает: менеджмент агентов может быть важнее выбора самой дорогой модели.
Есть и ограничение: эксперимент не доказывает, что рой Cursor уже заменяет команду, способную годами поддерживать проект уровня SQLite. Он доказывает другое: сложные кодовые базы можно атаковать параллельными ИИ-процессами, и при правильной организации это становится экономически реалистичным.
Вывод: новая конкуренция — не только между моделями
Эксперимент Cursor с SQLite на Rust — один из самых наглядных примеров того, как рынок ИИ-кодинга смещается от одиночных подсказок к агентным системам. Если раньше ценность была в автодополнении строки, теперь она в управлении сотнями попыток, проверок и решений.
Для разработчиков это сигнал учиться ставить задачи ИИ так же строго, как людям: спецификации, интерфейсы, тесты, критерии приемки. Для компаний — повод пересмотреть бюджеты на прототипирование и внутренние инструменты. А для производителей AI IDE — гонка переходит в область экономики: победит не тот, кто просто подключил сильную модель, а тот, кто научился превращать ее работу в предсказуемый инженерный результат.
