Cursor公司近日详细披露了其AI驱动的代码审查智能体Bugbot的系统性优化历程。Bugbot专为在代码拉取请求中识别逻辑错误、性能问题和安全漏洞而设计，其发展路径标志着AI辅助开发工具从依赖定性反馈到建立量化评估体系的重要转变。团队最初依靠主观的定性评估来改进模型，随后转向构建一个由AI驱动的“解决率”核心指标，该指标能够客观衡量Bugbot识别问题的准确性和有效性。在优化过程中，团队尝试了多种技术方法，包括采用并行推理结合多数投票的机制来提升判断的稳定性与准确性。然而，带来最大性能突破的是架构层面的革新——转向智能体架构。这种架构赋予Bugbot更强的自主推理和任务分解能力，使其能够更灵活、更深入地分析复杂代码上下文，从而在识别各类缺陷方面取得了最显著的效能提升。这一演进过程不仅展示了Cursor在AI工程化实践上的深度，也为整个AI辅助软件开发领域提供了关于模型评估与迭代优化的宝贵范式。