Cursor 3来了:内置Codex,前端福音Design Mode,WorkTree多开

Cursor 3来了:内置Codex,前端福音Design Mode,WorkTree多开

Cursor 3来了:内置Codex,前端福音Design Mode,WorkTree多开

用Cursor这种编辑器,经常遇到两个小痛点:一是他就一个聊天框,如果一个任务时间长一点,侧边栏就被占用,就没法干别的;二是害怕 Agent “一顿操作猛如虎”,直接把当前的主干分支改坏。

刚刚发布的 Cursor 3,重点就在解决这类工作流层面的问题。总体来看,它好像不太满足于做一个带对话窗的编辑器,而是在加强多任务并行和代码环境的安全隔离。

具体有三个最直接影响日常开发的新特性:

1. Agents Window:跑并行的任务控制台

快捷键Cmd+Shift+P 输入 Agents Window

以前的对话基本是一个单向的线性流。Cursor 3 将 Agent 抽离出了独立的面板区,你可以跨仓库、跨环境(本地、云端或远程 SSH)同时运行多个任务。

配合新增的 Agent Tabs,你可以在并排或网格视图下查看多个对话。
功能背后的思路很直白:让 AI 编程从“一次等一件事”变成“同时派发几个需求”。遇到修改范围大、耗时长的场景,把它丢在 Agents Window 里跑,自己切回主编辑器继续写代码,两边不会互相打扰。

你可能会问,这和在编辑器里装一个 Codex Plugin(或其它第三方 AI 侧边栏)有什么区别?

区别在于原生环境的接管深度底层任务编排能力

像 Codex Plugin 重点是打包复用单个工作流(比如一套 GitHub Code Review 加发布流程);而 Cursor 3 的 Agents Window 直接把自己变成了全局控制台。它不仅局限于“读写当前打开的文件”,还能直接接管 Git 底层机制(分配独立 Worktree、对比代码状态),并在多个并行的仓库(Multi-repo)间穿梭。如果你觉得过去的插件就像是装了个带对话框的侧边栏,那这次的 Agents Window 就是直接在编辑器里给你配了一个能跑多个项目的“带队经理”。

2. Git Worktree:物理隔离保护你的主干代码

触发方式:在对话区使用 /worktree/best-of-n 命令

过去让 Agent 操作大范围重构,它直接在你的当前文件上动刀。一旦它中途跑偏或者中断,人工去恢复或清理中间报错的代码非常头疼。

新加入的 /worktree 指令利用了 Git 原生特性提供了一个物理隔离方案:强制让 Agent 的改动全在一个独立的 Git Worktree 里跑,且全面支持多个仓库(Multi-repo)联动。这意味着即使项目包含好几个微服务或者不同的包,Agent 也可以在一个干净的“平行宇宙”里大刀阔斧地改。在这个沙盒里,无论它怎么折腾怎么卡顿,都不会弄乱你当前工作区里正在写的半成品代码,验证靠谱后再一键 Merge 即可。

顺着这个逻辑,Cursor 3 顺势把 /best-of-n 也移进了新的 Agent 窗口。你可以直接让几个不同的大模型,在各自隔离的 Worktree 里并行处理同一个需求。跑完之后像裁判一样直观对比 outcomes 结果,哪个模型写的顺眼就合并哪个,相当于发起了多场并行的“代码竞标”。

3. Design Mode:用框选代替语言描述

快捷键:在 Agents 窗口里按 Cmd+Shift+D 切换,Shift + 拖拽 选中页面区域,Cmd+L 添加到对话。

如果你写过前端,会知道用语言描述 UI 问题费时费力。比如“让导航菜单右数第二个蓝色登录按钮向下对齐2像素”,这种描述给到 Agent,它还得去猜对应的 CSS Class 和 DOM 层级。

Design Mode 允许你直接在浏览器里像使用截图软件一样,框选并提取特定界面元素。选好区域后用 Cmd+L 直接“指”给 Agent 看就行,免去了无穷无尽的口舌。对于开发者而言,这也额外治好了一个顽疾:当系统通过脚本自动点击网页 DOM 元素经常失效跑偏时,直观的视觉框选比猜前端 class 结构要准太多了。

(注:不仅是 Design Mode 加了基于截图定位的备选方案,这次更新对底层浏览器 Agent 也做了一波减法。官方严格收窄了它的工具权限,强制它专注于纯粹的浏览器操作,这能大幅减少之前它在网页里乱点导致的跑偏和报错死循环。)

4. 生态与性能细节扫除盲点

除了上面这三个大件,还有几个值得普通开发者留意的细节提升:

  • MCP 支持结构化输出(Structured Content):当你让 Agent 调用外部 MCP 接口或者 App 时,它现在能接收和解析出更富媒体、结构更清晰的数据。
  • 大文件 Diff 渲染变流畅了:以前只要 Agent 生成或比对几十上百行的长代码,编辑器必卡。这次更新重写了长文件比对,内存占用大幅缩减。
  • 过往聊天记录直接参与搜索:现在用到 At-mention(@ 提及)时,你的历史对话也会出现在搜索结果里,用来捞以前解决过的老 Bug 非常省事。

总结

Cursor 3 并没有一味追求所谓“更强”的模型噱头,而是回归到了人机交互的工程细节。

开个自带隔离环境的 Worktree,哪怕把最复杂的脏活丢给它,也不怕它把你正在写的状态干碎。如果遇到不好形容的样式 Bug,直接用 Design Mode 框选出来也就完事了。

如果你曾经也被 Agent 一顿乱改搞炸过本地分支,光是冲着能放开手脚瞎折腾的 Worktree,就值得立刻去升个级试一把。

Read more

AI写代码工具哪个好用?资深码农实测,看这篇就够!

AI写代码工具哪个好用?资深码农实测,看这篇就够!

身为一个老程序员,我亲身经历了从纯手敲代码到AI智能辅助的演变。现在,如果一个程序员还不懂得利用AI工具,那无异于放弃了“第二次工业革命”。市场上的AI编程工具层出不穷,但究竟哪款才适合你?今天,我就为大家深度评测5款我亲自使用过且认为非常好用的工具,帮你精准避坑,高效提升。 1. Lynx:对话式应用生成器,快速构建原型的神器 Lynx 是一款相对较新但理念非常前沿的对话式AI编程工具。它的目标不仅仅是生成代码片段,而是让你通过自然语言对话,直接创建出可运行的全栈Web应用。 * 核心优势: * 全栈生成: 你只需要用语言描述你想要的应用功能,比如“创建一个带有用户登录和任务列表的待办事项应用”,Lynx 会帮你生成前端、后端和数据库结构,并提供可访问的URL。 * 对话式开发: 整个开发过程就像在与一个资深技术合伙人对话,你可以随时提出修改需求、添加功能,它会实时响应并更新代码。 * 降低门槛: 对于初学者、产品经理或需要快速验证想法的开发者来说,Lynx 能极大地缩短从想法到产品原型的路径。 * 适用场景: 快速构建MVP(最小可行产品)、学习全栈开

Lada v0.11.0最新版更新 本地一键启动包教程:AI去马赛克神器实测 支持 Nvidia显卡和Intel Arc GPU

Lada v0.11.0最新版更新 本地一键启动包教程:AI去马赛克神器实测 支持 Nvidia显卡和Intel Arc GPU

Lada v0.11.0最新版更新 本地一键启动包教程:AI去马赛克神器实测 Lada去马赛克工具、AI视频去马赛克、本地AI视频修复、一键启动AI工具、视频像素恢复神器 下载地址:https://pan.quark.cn/s/7819816715d6?pwd=Pnbx 之前在网上刷视频的时候,经常会遇到一个特别让人崩溃的问题——关键画面总被打上厚厚的马赛克。 想认真看内容,却只能看到一堆像素块,体验直接拉满折磨值。 对于图片马赛克 可以参考我的这篇文章来去除 【AI图片编辑模型】Qwen-Image-Edit-2511 十字鱼一键整合包分享|本地无限制生成 ai换装必备 4G显存可用 我前前后后试过不少所谓的去码工具,不是效果拉胯,就是要上传视频到云端处理,说实话这种私密视频谁敢随便传?直到最近发现了这个本地神器——Lada 本地一键启动包,才算是真正解决问题。 它直接在电脑本地跑AI模型,不联网、不上传、不限制,用起来相当舒服。 下载地址:https://pan.

全网最全!GitHub 30万星 AI 神器 OpenClaw 保姆级部署教程

全网最全!GitHub 30万星 AI 神器 OpenClaw 保姆级部署教程

OpenClaw 是 GitHub 上最受欢迎的个人 AI 助手开源框架(309,000 Stars),可在 WhatsApp、Telegram、Slack、Discord、iMessage 等 20+ 渠道中接入 AI 能力,实现跨平台统一管理。本教程分为四个阶段——安装配置 → 渠道接入 → 技能与工具 → 进阶自动化——从零开始手把手完成 OpenClaw 全功能部署,并覆盖每个阶段最常见的坑点。 学习路径总览 阶段内容难度预计时间第一阶段:安装与启动环境准备 → npm 安装 → Onboard 向导 → Gateway 启动⭐30 分钟第二阶段:配置 API 与渠道auth-profiles.json → Provider 配置 → 渠道接入 → 设备配对⭐⭐1

【AI学习】深入探秘AI之神经网络的奥秘

【AI学习】深入探秘AI之神经网络的奥秘

文章目录 * 一、引言 * 1.1 AI 发展历程的精彩回顾 * 1.2 神经网络在 AI 中的关键地位 * 二、神经网络基础理论 * 2.1 神经元模型的深度剖析 * 2.1.1 神经元的结构与工作原理 * 2.1.2 激活函数的关键作用与类型 * 2.2 神经网络架构的全面解析 * 2.2.1 前馈神经网络的运行机制 * 2.2.2 反馈神经网络的独特特点与应用 * 三、神经网络训练过程详解 * 3.1 损失函数与优化目标的确定 * 3.1.1 常见损失函数的介绍与分析 * 3.1.2 根据任务选择合适的损失函数 * 3.