Cursor Cloud Agent 体验：云端编程不是结对，更像雇了个工程师

我原本以为云端编程代理仍然是结对编程：相同的本地对话，只是在别处运行。

第一个让我惊讶的不是代码。而是这次运行有多么少地需要我介入。

我的证据来自对真实单体仓库的第一次 Cursor Cloud Agent 运行。起初看起来像是 Cursor 的一项功能，但实际上却是一种不同的执行模型。这次运行在一个全新的环境中启动，完成了初始化工作，并留下了证明。有用。自主。而且缺少我在本地会话中已经掌握的几乎所有信息。

在本地 Cursor 中，我已经有了一个规划线程：调查、权衡和我在该会话中已经认证的工具（包括 Notion MCP）。当我把 Cloud Agent 指向 Codenames AI 时——一个 npm-workspaces 单体仓库，包含 Express API、Vite 前端、Playwright E2E 和 CI——我期望有连贯性。相同的决策。相同的认证。相同的半成品推理，只是在远程执行。

那个假设在第一小时就失败了。

第一次运行实际做了什么

任务本身很小：让仓库为未来的 Cloud Agent 运行做好准备，并在 AGENTS.md 中记录非显而易见的设置。完成它需要建立并证明整个执行环境。

在那个 prompt 之后，代理在没有我坐在循环中的情况下工作。它克隆了仓库、安装依赖、运行了 lint、typecheck、build 和测试、安装了 Playwright 浏览器、运行了 E2E 套件、在 UI 中进行了一轮 Solo（单人练习游戏）、捕获了截图和演练视频，并打开了一个拉取请求。

那个拉取请求添加了 AGENTS.md 笔记，并记录了来自干净虚拟机的验证轨迹，包括 UI 中的一次 hello-world Solo 操作。改动集很小。但行为影响巨大：自主环境设置加上本地代理工作流很少留下的工件。

两个我没有预期的失败

本地推理留在了笔记本电脑上。我已经在 Cursor 中做出的选择——什么很重要、什么要跳过、我是如何构建这项工作的——在那个新的云任务中并不存在。任何依赖那个判断的东西都必须重新建立。代理可以到达仓库和 CI。但它无法继承我已经与自己进行的论证。其他 Cursor 工作流可以将对话转移到云端。这个全新的任务没有带上本地框架。

工具认证没有被携带。Notion MCP 仅在云运行单独认证后才工作。本地 Cursor 访问并不是会话连贯性。"云可以使用 MCP"和"云已经拥有我的 MCP 会话"原来是两个不同的说法。

为什么感觉像在招聘

异步交接很适用。在云端进行开放式设计辩论则不然。这次运行想要一个有界的工作和一个完成定义，而不是用来搞清楚产品的远程配对。

你不会通过转发一条半成品的 Slack 线程来入职某人。你给他们一台机器、一份检查清单和一份简报。缺少上下文的伤害会因为自主性增加而增加，因为一个新的干净环境任务开始时没有你的本地推理。

一旦代理进入一个不熟悉的检出版本，AGENTS.md 就很重要了：非显而易见的 Node 版本下限、本地运行的可选 .env、E2E 设置、字体敏感的视觉快照。你不需要文件本身。关键是这是对执行工作者的简报材料，而不是替代在我笔记本电脑上发生的规划对话。

为什么不用另一个本地工作树？

第二个本地 git 工作树也可以提供并行执行，并且它有一个明显的优势：它可以重用我已经拥有的工具、凭证、缓存和机器状态。对于单个开发者来说，这可以使交接成本更低。

但它让我管理另一个本地工作区，并使结果与我的机器耦合：额外的检出、本地进程、端口冲突，以及结果只在我的环境中工作的风险。一个队友如果不继承我笔记本电脑的状态，就无法完全复现那个运行。

云代理从较少的继承开始，所以交接就更重要了。作为回报，我得到了一个隔离的任务，易于并行化，较低的"在我的机器上工作"风险，我可以远程启动或监控工作，而无需照看另一个本地工作区。

Cursor 是我清楚看到这个边界的地方。干净的环境、入职和缺少笔记本电脑状态对于多年来一直向远程服务器发布的人来说并不是新课程。新的是看到那个旧系统的想法在 AI 编码工作流中重新出现。有用的响应是一个明确的交接，而不是对你会话的远程延续。无论何时编码代理变得独立可执行，我都期望出现相同的权衡。这个边界是架构性的。

Local workspace
(planning, judgment, brief)
        ↓
Cloud agent
(bounded execution in a clean environment)

那第一次运行留下了开放式问题：后续运行是否会重用初始化工作，以及模式如何会超越一个仔细界定的任务。

回顾来看，我不断为有界执行选择 Cloud Agents：维护循环（包括依赖升级）、针对性 bug 修复和有焦点的调查，如追踪审查发现或验证特定问题。不是因为首次运行成本消失了，而是因为隔离和共享任务模型减少了协调开销。运行仍然留下一个可审查的轨迹（截图、视频、PR），与你期望从另一个工程师传回来的工作相同类型的演示证据。

持久的惊讶是干净的边界不仅仅是一个限制。它也是使模型扩展的特性。

总结

云代理放弃了一些继承的本地上下文，以换取隔离和可扩展的委托。像对待新员工一样向它简报，而不是像对待你现有会话的远程延续。它需要的上下文必须有意地跨越那个边界。

如果你想看看这些工作流实验背后的项目，可以尝试 Codenames AI。