Cursor Automations ratkaisee agenttikoodauksen aiheuttaman ongelman. Insinöörit voivat nyt hallita 10+ koodausagenttia kerralla, mutta ihmisten huomio muuttui pullonkaulaksi. Et voi vahtia tusinaa agenttia samalla kun teet varsinaista työtäsi. Automaatiot kääntävät mallin päälaelleen: sen sijaan, että käynnistäisit agentteja, tapahtumat tekevät niin. Yhdistetty pysyvä oleskelutieto käynnistää tietoturvatarkastuksen. PagerDuty-hälytys käynnistää agentin, joka kysyy lokeja ja ehdottaa korjausta. Cron-työkatsaukset testaavat kattavuusaukkoja joka aamu. Jokainen automaatio toimii eristetyssä pilvihiekkalaatikossa, jossa on täysi pääsy MCP:n (standardiprotokolla, joka mahdollistaa agenttien yhdistämisen Slackiin, Lineaariin, GitHubiin, Datadogiin tai mihin tahansa räätälöityyn API:hen) kautta konfiguroituihin työkaluihin. Agentti noudattaa ohjeitasi, tarkistaa oman työnsä ja oppii aiemmista ajoista sisäänrakennetun muistijärjestelmän kautta. Cursor ajaa näitä satoja kappaleita tunnissa sisäisesti. Heidän tietoturva-automaationsa havaitsi useita haavoittuvuuksia auditoimalla jokaisen työnnön pääasemalle estämättä PR:iä. Tämä avaa neljä asiaa, jotka eivät olleet aiemmin käytännöllistä: 1. Jatkuva koodin tarkistus syvyydellä, jonka ihmiset ohittavat 2. Tapausvastaus, joka aloittaa tutkinnan ennen kuin sinut kutsutaan 3. Huoltotyöt, jotka tehdään aikataulun mukaan, eivät silloin kun joku muistaa 4. Tiedon synteesi eri työkalujen välillä Seuraavat kaksi vuotta määrittyvät sen mukaan, kuka rakentaa parhaan tehtaan, ei paras koodi. Nopeimmin liikkuvat yritykset eivät ole niitä, joilla on parhaat insinöörit. He ovat niitä, joiden insinöörit käyttävät aikaa automaatioiden konfigurointiin koodin kirjoittamisen sijaan.

24 miljardin parametrin malli pyöri juuri kannettavalla tietokoneella ja valitsi oikean työkalun alle puolessa sekunnissa. Todellinen tarina on, että työkalujen kutsuminen agenteista tuli vihdoin tarpeeksi nopeita tuntuakseen ohjelmistolta. Liquid rakensi LFM2-24B-A2B:n hybridiarkkitehtuurilla, joka yhdistää konvoluutiolohkot ryhmiteltyihin kyselyihin 1:3-suhteessa. Vain 2,3 miljardia parametria aktivoituu per token, vaikka koko malli sisältää 24 miljardia. Tämä harva aktivointikuvio on syy siihen, miksi se mahtuu 14,5 GB muistiin ja lähettää työkalut 385 millisekunnissa M4 Maxilla. Arkkitehtuuri suunniteltiin hardware-in-the-loop -haun avulla, mikä tarkoittaa, että mallirakenne optimoitiin testaamalla sitä suoraan siruilla, joilla se toimisi. Ei pilvikäännöskerrosta. Ei API:n edestakaista matkaa. Malli, työkalut ja datasi pysyvät koneessa. Tämä avaa kolme aiemmin epäkäytännöllistä asiaa: 1. Säädellyt toimialat voivat käyttää agentteja työntekijöiden kannettavilla ilman, että data poistuu laitteesta. 2. Kehittäjät voivat prototypoitaa monityökalutyönkulkuja ilman API-avainten tai nopeusrajoitusten hallintaa. 3. Tietoturvatiimit saavat täydet auditointijäljet ilman toimittajien aliprosessoreita mukana. Malli saavutti 80 % tarkkuuden yksittäisvaiheisessa työkaluvalinnassa 67 työkalulla 13 MCP-palvelimella. Jos tämä suorituskyky pysyy mittakaavassa, kaksi oletusta täytyy päivittää. Ensinnäkin laitteessa olevat agentit eivät enää ole akun keston kompromissi; Ne ovat vaatimustenmukaisuuden ominaisuus. Toiseksi agenttien työnkulkujen pullonkaula siirtyy mallin kyvykkyydestä työkaluekosysteemin kypsyyteen.