Cursor团队提出的动态上下文发现，旨在解决AI Agent在复杂任务中面临的上下文窗口膨胀与信息噪音难题。其核心在于变预先灌输为按需发现，通过文件系统作为外部大脑，让Agent在更干净的环境中思考，仅在需要时精准加载信息，从而显著提升推理质量与效率。
智能速览
从静态灌输到按需发现，动态上下文重塑Agent工作流。
长工具输出转为文件，通过Tail等命令低成本定位关键信息。
对话历史完整存档，Agent可开卷考试精准找回细节。
工具与技能按需加载，大幅降低初始Prompt的Token消耗。
终端日志自动记录，实现无需复制的流畅错误修复体验。
精华内容
动态上下文发现并非孤立技巧，而是一套系统性的工程哲学。Cursor通过五个具体实践，将这一理念落地，实现了Token效率和推理质量的双重优化。
工具输出文件化
面对数千行的工具日志，传统截断方式易丢失关键报错。Cursor选择将完整输出写入文件，仅告知Agent文件路径。Agent默认使用`tail`命令读取文件末尾，快速定位到如“Error”或最终状态等决策信息。这种低成本策略避免了无效信息对上下文的污染，确保Agent能第一时间获取到最关键的执行结果。
对话历史可追溯
为解决长对话摘要导致信息失真的问题，Cursor将被摘要的完整对话历史转存为文件。在新对话中，Agent若发现摘要信息不足，可主动搜索历史文件，精准找回例如“S3存储桶名称”等具体参数。这如同从“闭卷考试”升级为“开卷考试”，赋予了Agent近乎无限且高保真的长期记忆能力。
技能按需发现
Agent的能力说明被存储为独立的技能文件。初始上下文中仅包含技能目录，Agent根据任务需求，使用`grep`进行关键词搜索或采用语义搜索，动态加载最相关的技能说明书。这种分层加载机制，既避免了初始上下文的臃肿，又保证了Agent能精准找到并使用特定领域的高级能力。
工具说明动态载入
将成百上千个工具的说明书从System Prompt中剥离，存入文件系统。初始Prompt仅保留工具名称和描述的简洁菜单。当Agent识别需求后，才会主动读取完整的工具文档。此举将相关Token消耗减少了46.9%，直接降低了推理成本。同时，它还能优雅处理工具认证失效等问题，提升用户体验的连贯性。
终端日志无缝集成
所有集成终端的输入输出都被自动记录到本地日志文件。当用户要求修复报错时，Agent无需手动复制粘贴，可直接读取最新的终端日志，利用搜索功能定位错误堆栈并进行分析。这一设计彻底消除了交互过程中的上下文切换，实现了极为流畅的结对编程体验。
Cursor的实践表明，在当前模型能力与成本约束下，回归文件系统这一简单可控的元语，是构建高效AI Agent的务实路径。它将Agent的核心能力从“记忆”转向“检索”，从信息被动接收者转变为主动管理者。这种设计思路的趋同，或许是通往更可靠、更具成本效益AI应用的关键一步。
关键评论
有观点认为，按需发现可能加载大量不相关的“干扰”上下文，在大型项目中反而会增加成本。
技术层面，此方案缺乏对上下文的打分、衡量命中率与召回准确率等精细化机制。
其思路与Skills机制类似，本质是为工具调用增加了一层路由层，实现按需加载。
