一小时内将 Cursor 变成 Devin，并了解两者的差异

本文是“理解和部署智能体 AI”系列的一部分：

• 智能体 AI 系列 1：Devin 和 Agent Cursor 之间的比较
• 智能体 AI 系列 2：从思考者到执行者 —— 智能体 AI 的范式革命和技术架构
• 智能体 AI 系列 3：将 20 美元变成 500 美元 - 一小时内将 Cursor 变成 Devin (本文)
• 智能体 AI 系列 4：使用 Cursor 作为 AI 的通用入口

在前一篇文章中，我们讨论了 Devin，一款能够完全自动编程的智能体 AI 。与 Cursor 和 Windsurf 等其他智能体 AI 工具相比，它在流程规划、自我进化、扩展工具使用和完全自动化操作方面具有一些核心优势。这使得 Devin 看起来像是下一代工具，使其与现有的智能体 AI 工具区分开来。

然而，在使用了一段时间后，我的“构建者心态”再次被激发，促使我修改 Windsurf 和 Cursor，以实现 Devin 90% 的功能。我还开源了这些修改，让你可以仅用一分钟就将 Cursor 或 Windsurf 转换为 Devin。本文主要介绍这些修改的具体方法，并通过这个例子来演示在智能体 AI 时代，构建和扩展的效率有多高。为了简化我们的讨论，我们将使用 Cursor 来指代此类工具，最后，我们将讨论如果你想使用 Windsurf，需要进行哪些细微的调整。

流程规划和自我进化

正如在前一篇文章中提到的，Devin 一个有趣的方面是，它的行为更像一个有条理的实习生。它知道首先创建一个计划，然后在执行过程中不断更新计划的进度。这使我们作为 AI 管理者更容易跟踪 AI 当前的进度，同时防止它偏离原始计划，从而实现更深入的思考和任务完成质量。

虽然此功能看起来令人印象深刻，但实际上使用 Cursor 实现起来非常容易。

对于 Cursor，在打开的文件夹的根目录中有一个名为 .cursorrules 的特殊文件。它的特殊之处在于，它允许你修改 Cursor 发送到后端 大语言模型 的 prompt。换句话说，此文件中的所有内容都成为发送到后端 AI (如 GPT 或 Claude) 的 prompt 的一部分。这为我们提供了很大的自定义灵活性。

例如，我们可以将计划的内容放在这个文件中，这样每次我们与 Cursor 交互时，它都会收到最新版本的计划。我们还可以在此文件中给出更详细的说明，例如让它在任务开始时进行思考并制定计划，并在完成每个步骤后更新计划。由于 Cursor 可以使用 agent 修改文件，而 .cursorrules 本身就是一个文件，这就形成了一个闭环。它每次都会自动读取文件的内容，了解最新的更新，并在思考后，将更新后的进度和后续步骤写入此文件，确保我们始终获得最新的更新。

可以使用类似的方法来实现自我进化功能。在 .cursorrules 文件中，我们添加一些 prompt，使 Cursor 在被用户纠正错误时反思自己的错误，并考虑是否有任何可重复使用的经验需要记录。如果有，它会更新 .cursorrules 文件的相关部分。这样，它就可以积累特定于项目的知识。

一个典型的例子是，当前的大语言模型由于知识截止日期相对较早，很多都不知道 GPT-4o 模型。如果你要求它们调用 GPT-4o，它们会删除 'o'，认为这是一个错别字。但如果你纠正它们：“这个模型实际上存在，你只是不知道它”，它们会将这个经验教训记录在 .cursorrules 的相关部分，并且不会再犯同样的错误，从而实现学习和改进。然而，这仍然取决于 prompt 是否有效 - 有时它可能会遗漏一些要点，并且不一定会记录我们认为应该注意的知识。在这种情况下，我们也可以使用自然语言来提示它，直接告诉它记下这一点。这种更直接的方法也可以实现 AI 的经验积累和成长。

因此，仅通过使用 .cursorrules 文件以及一些 prompt 技巧，我们就可以将 Devin 令人印象深刻的流程规划和自我进化功能添加到现有的智能体 AI 编程工具中。

如果使用 Windsurf，则有一个区别：可能出于安全原因，它不允许 AI 直接修改 .windsurfrules 文件。因此，我们需要将其分成两部分，使用另一个文件，如 scratchpad.md。在 .windsurfrules 文件中，我们提到：在每次思考过程之前，你应该检查 Scratchpad 并更新那里的计划。这种间接的方法可能不如直接将其放在 .cursorrules 中有效，因为它仍然需要 AI 调用 agent 并根据反馈结果进行思考，但它在实践中有效。

扩展工具使用

与 Cursor 相比，Devin 的主要优势之一是它能够使用更多的工具。例如，它可以调用浏览器进行搜索、浏览网页，甚至可以使用自己的大脑，利用 大语言模型 智能来分析内容。虽然 Cursor 默认不支持这些，但好消息是，由于我们可以通过 .cursorrules 直接控制 Cursor 的 prompt，并且它具有命令执行功能，这就形成了另一个闭环。我们可以准备预先编写好的程序，例如 Python 库或命令行工具，然后在 .cursorrules 中介绍它们的用法，让它可以即时学习并自然地理解如何使用这些工具来完成其任务。

事实上，这些工具本身可以使用 Cursor 在一两分钟内编写完成。例如，对于网页浏览功能，我在开源项目中提供了一个参考实现。有一些技术决策需要注意，例如使用像 playwright 这样的浏览器自动化工具而不是 Python 的 request 库来处理 JavaScript 繁重的网站。此外，为了更好地与 大语言模型 通信并方便它理解和抓取后续内容，我们不只是简单地使用 beautiful soup 来提取网页的文本内容。相反，我们按照一定的规则将其转换为 markdown 格式，从而保留更多详细的基础信息，如类名和超链接，支持 大语言模型 在更基础的层面上编写后续的爬虫。

类似地，对于搜索工具，有一个小的注意事项：无论是 Bing 还是 Google，它们的 API 搜索质量都远不如它们的客户端搜索，这主要是由于历史原因，不同的团队处理 API 和 Web 界面。然而，DuckDuckGo 没有这个问题，因此我们的参考实现使用了 DuckDuckGo 的免费 API。

关于 Cursor 使用自己的脑力进行深入分析，这相对更复杂。一方面，Cursor 确实具有一定程度的这种能力 - 在上述两个工具中，当我们向 stdout 打印网页内容时，它会成为 Cursor 发送给 大语言模型 的 prompt 的一部分，使其能够对该文本内容进行智能分析。但从另一个角度来看，Devin 具有一种独特的能力，可以使用 大语言模型 对相对大量的文本进行批量处理，而 Cursor 无法做到这一点。因此，为了赋予它这种能力，我们实现了一个额外的工具 - 非常简单，只是预先在系统中设置我们的 API 密钥，然后让这个工具调用 GPT 或 Claude 或我们本地的 大语言模型 API，从而使 Cursor 能够使用 大语言模型 批量处理文本。在我的参考实现中，我使用我自己的本地 vllm 集群，但修改起来非常简单 - 只需删除 base_url 行即可。

然而，即使经过这些修改，由于 Cursor 的限制，我们仍然无法实现两个工具：

1. Devin 似乎具有图像理解能力，这就是为什么它可以执行前端交互和测试，但由于 Cursor 的限制，我们无法将图像作为输入传递给后端 AI - 这需要对其实现进行更改。
2. Devin 神秘地不会在数据收集过程中被反爬虫算法标记为机器人，但我们的 Web 检索工具经常遇到 CAPTCHA 或被阻止。这可能是可以解决的，我仍在探索，但这绝对是 Devin 的独特优势之一。

完全自动化执行

最后一个有趣的功能是完全自动化执行。由于 Devin 在完全虚拟化的云环境中运行，我们可以安全地让它执行各种命令，而无需担心 大语言模型 攻击或错误地运行危险命令。即使你删除了整个系统，只需启动一个新的容器，一切就又恢复正常了。然而，在本地主机系统上运行的 Cursor 具有很强的安全隐患。这就是为什么在 Cursor 的 agent 模式下，我们需要在执行每个命令之前手动确认。对于相对简单的任务来说，这是可以接受的，但现在我们有了复杂的流程规划和自我进化能力，Cursor 也可以处理长期的复杂任务，这使得这种交互方法似乎不适合 Cursor 的能力。

为了解决这个问题，我还没有找到基于 Cursor 的解决方案（更新：在 2024 年 12 月 17 日，Cursor 也添加了此功能，称为 Yolo 模式，但它仍然不支持在 Docker 中进行开发），但 Windsurf 已经考虑到了这一点，我认为从它的设计中，你可以看到它从一开始就旨在打造类似 Devin 的产品形式，当前的代码编辑器只是一个中间形式。更具体地说，Windsurf 具有直接连接到 Docker 容器并在其中运行的功能，或者如果我们有配置文件，它可以帮助你启动一个新的 Docker 容器，进行一些初始化，并将本地文件夹映射过去。因此，它执行的所有命令，除了对本地文件夹的更改外，都在 Docker 容器中执行，对主机系统没有影响，从而大大提高了安全性。

在此基础上，它还引入了黑名单/白名单机制，自动拒绝黑名单上的命令，允许白名单上的命令。对于既不在列表中也不在黑名单上的命令，大语言模型 会智能地判断是否存在对主机系统的风险 - 例如，如果它想删除文件夹中的文件，它会要求用户确认，但像 pip install 这样的通用命令会被直接允许。请注意，此功能似乎仅在 Docker 容器中运行时才启用。如果我们在主机系统上运行命令，体验仍然类似于 Cursor，需要频繁确认。此外，需要在配置中启用自动命令执行。

总结

因此，我们可以看到，虽然 Devin 的产品形式和设计理念确实非常先进，但从技术壁垒的角度来看，它与现有智能体 AI 工具之间的差距并不像我们想象的那么大。使用每月花费 15-20 美元的流行工具，如 Cursor 和 Windsurf，我们可以在一小时内实现 Devin 90% 的功能，并用它来完成以前不可能完成的复杂任务。例如，我给 Cursor 分配了一个任务，分析过去 5 年热门科技股的回报率，进行深入的数据分析，它提供了一份非常详细而全面的报告。此外，我让 Windsurf 抓取我博客上排名前 100 的文章的发布时间，并以 GitHub 贡献图表的形式将其可视化，它可以完全自动完成。这些类型的任务是传统的 Cursor 和 Windsurf 无法完成的 - 只有 Devin 可以完成它们，但在进行了这些简单的修改之后，我们可以用每月 20 美元的工具实现每月 500 美元工具的效果。我甚至做了一个更深入的实验：作为一个完全不熟悉前端开发的开发者，我花了一个半小时创建了一个招聘网站，包括前端和后端。这种效率非常接近甚至高于 Devin。

最后，本文中提到的所有文件都可以从 Devin Cursor Rules 下载 - 只需将内容复制到您当前的项目文件夹中即可使用。