2026-05-26

A · 深度观察

• Garry Tan：用 LLM-as-judge 让 skill file 自我迭代 — Tan 给出了一个具体循环：让 agent 调用三个 frontier model 对 skill file 的 input/output 打分并解释「为什么不是满分」，循环几次后质量「令人惊讶地快速提升」；关键是 skill file + 代码 + eval 三件套能让改进持久化，不会退化。 · 来源
• Peter Steinberger：冗长 skill 描述会污染每个 context — PSPDFKit 创始人提出实操警告：过于冗长的 skill 描述会被加载进每次 context，他专门写了一个 skill 来定位「最差的 offender」——写 skill 时要主动要求 agent token-efficient、放松语法要求。 · 来源
• Ryan Carson / Peter Yang：「文档优先 + cron job」已成 AI agent 团队的必要前提 — Ryan Carson 总结了一个范式反转：过去「先 MVP、后系统」，现在「先花大量时间建文档和系统，再让 agent 以 10 倍速度执行」——这不是工程偏好问题，而是 agent harness 能否有效运作的结构性前提。 · 来源
• Matt Pocock：GitHub label 触发 agent dispatch 的实战模式 — 给 issue/PR 打 agent:implement、agent:review 等 label 自动拉起对应 agent；6 个月前试过嫌弃，现在觉得「真的好用」——值得考察这种低摩擦的事件驱动触发机制是否适合自己的 workflow。 · 来源

B · GitHub Trending

• affaan-m/ECC — 声称是针对 Claude Code / Codex / OpenCode / Cursor 的 agent harness 优化系统，含 skills / memory / security 模块；星数异常（193k 总星），扫架构设计思路即可，勿轻信数字。
• anthropics/claude-cookbooks — Anthropic 官方 Jupyter notebook 合集，覆盖 tool use、prompt caching、citations 等常用模式，适合找具体 API 用法参考。
• Leonxlnx/taste-skill — Shell skill，阻止 AI 输出「无聊的通用 slop」，如果你在调 AI 写作风格可参考其实现思路。
• hardikpandya/stop-slop — 专门去除文本中 AI 特征（破折号、套话模板等）的 skill file，实用场景：对外内容润色前处理。

C · 产品动态

1. Cursor Shared Canvases 上线

📌 发生了什么 — Cursor 发布 Shared Canvases：agent 生成的交互式 canvas（报告、dashboard、自定义 UI 等）现在可生成分享链接，队友在浏览器中以只读方式直接打开查看，无需进入 Cursor 本体。团队共享的所有 canvas 在 Cursor Dashboard 统一管理。功能覆盖 Pro、Teams、Enterprise 计划。

💬 讨论 — 属于静默上线，目前没有大规模社区讨论。

🔗 来源 — Cursor Changelog

💡 Insight — Canvas 分享打通了 agent 产物和团队协作之间的最后一公里——以前 agent 生成的 UI / 报告只能截图或复制文本，现在是活链接。对需要向非技术成员展示 agent 工作成果的团队来说，摩擦消除比功能本身更有价值；这也在暗示 Cursor 正在把「agent 产物」定义为一种新的协作单元。

2. Cursor Composer 是专门训练的 foundation model，不是通用模型微调

📌 发生了什么 — Training Data 播客中，Cursor 工程师 Federico Cassano 与 Fireworks 的 Dmytro Dzhulgakov 首次公开披露：Composer 不是在通用 frontier 模型上做 fine-tune，而是从开源 base model 出发，经过 mid-training + 基于真实 Cursor 用户行为的 RL 专门构建的 foundation model。核心逻辑：把模型有限的权重容量全部压缩在软件工程这一个任务上，可以同时赢得 frontier 级编码质量和远超同参数量模型的推理速度。Fireworks 提供分布式训练基础设施。

💬 讨论 — 这解释了用户长期感受到的「Composer 比同量级模型快得多」的现象——推理速度优势来自专门化训练架构，不是工程层优化。

🔗 来源 — Training Data Podcast（Sonya Huang / Sequoia）

💡 Insight — 专门化 foundation model 路线（mid-training + RL on real usage data）在单一任务上能同时赢质量和速度，但代价是要自建模型训练 infra 和数据飞轮——这条路只有头部 AI coding 工具走得通。对其他工具的含义是：靠 prompt engineering 或 fine-tune 追 Composer 的推理速度是结构性劣势，差距会随 Cursor 用户数据积累而扩大。