2026. július 27., hétfő · Eszközök

Cursor agens-raja: olcsóbb modellek is elég jók, ha erős AI tervez

Cursor egy frissített AI-ügynök-flottát állított szembe elődjével: mindkettőnek dokumentáció alapján, forráskód és internet nélkül kellett újraépítenie az SQLite adatbázis-motort Rust nyelven. A cég állítása szerint az új rendszer minden konfigurációban 100%-os eredményt ért el a teszteken, míg a régi ügynökraj saját összefésülési konfliktusaiba fulladt. Az architektúra szétválasztja a szerepeket: drága "tervező" modellek bontják részfeladatokra a célt, olcsóbb "munkás" modellek pedig végrehajtják azokat, ami Cursor szerint elsősorban a kontextuskezelést oldja meg. A cég emiatt saját verziókezelő rendszert épített, mert a másodpercenkénti ezres commit-sebesség olyan konfliktusokat, például "split-brain" jelenségeket okozott, amilyeneket emberi fejlesztőcsapatok sosem tapasztalnak.

Miért fontos?

Cursor saját tesztje szerint jól megtervezett feladatmegosztással olcsóbb modellek is kiválthatják a drága csúcsmodelleket a kódfejlesztésben.

Források

The Decoder

Említve a tudásbázisban

szereplő Cursor

Kapcsolódó témák

Napi összefoglalók AI eszközök #Cursor#AI ügynökök

Napi összefoglaló

Ez a hír a 2026. július 27., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Az NVIDIA nyílt forráskódú NOOA ügynökkeretet mutatott be

Az NVIDIA Labs technikai blogján jelentette be a NOOA (NVIDIA Labs Object-Oriented Agents) nevű, nyílt forráskódú, objektumorientált AI-ügynökkeretet. A vállalat közlése szerint a rendszer minden ügynököt egyetlen Python osztályként kezel, ahol a metódusok a képességeket, a mezők az állapotot, a docstringek pedig a promptokat testesítik meg, a típusannotációk pedig kikényszerített szerződésként működnek. A keretrendszer típusos, kapcsolati memóriát tart fenn egy emberi szemmel is olvasható SQLite-adatbázisban, ami az NVIDIA szerint feleslegessé teszi a kontextus-tömörítést. A cég állítása alapján a NOOA a SWE-bench Verified, a CyberGym L1 és az ARC-AGI-3 benchmarkokon jobb pontosságot és alacsonyabb tokenköltséget ér el a korábbi keretrendszerekhez képest, a kódot és kiértékeléseket pedig nyilvánosan elérhetővé tették.

Meta elindította Muse személyes AI-ügynökét

A Meta elindította Muse nevű személyes AI-ügynökét iOS-en, Androidon, a Muse.ai weboldalon és WhatsAppon keresztül; a fejlesztést a Meta Superintelligence Labs egység végezte. A WIRED szerint a Muse természetes nyelvű utasítások alapján önállóan küld e-maileket, foglal utazást vagy segít autót eladni, a vásárlásokat pedig a Stripe Link egyszer használatos virtuális kártyaszámaival intézi – a Meta állítása szerint ez az első ilyen ügynök, amelyre kiterjed e vásárlói védelem. Az alapszintű használat ingyenes, a sok feladat automatizálásához előfizetés kell, a biztonságot a Secure VM architektúra garantálja, amely elkülöníti a felhasználói adatokat a nem megbízható webes tartalmaktól.

OpenAI bemutatta a ChatGPT Images 2.5 képmodelleket és a Sketch rajzeszközt

Az OpenAI kedden bevezette a ChatGPT Images 2.5-öt, amely a vállalat állítása szerint természetesebb megvilágítást, gazdagabb textúrákat és pontosabb, több lépésen át követhető szerkesztést kínál. Az új Sketch funkcióval a felhasználók @Sketch paranccsal saját rajzukból kérhetnek részletes AI-képet, és közvetlenül a kép egyes részeire is hagyhatnak megjegyzést a módosításokhoz. Az OpenAI szerint a képgenerálási késleltetés a korábbi Images 2.0-hoz képest akár 50 százalékkal csökkent. A fejlesztők számára két API-modell is elérhető: a gyorsabb, alapértelmezett GPT-Image-2.5 Flare és a részletesebb, lassabb GPT-Image-2.5 Sunburst, mindkettő azonos token-áron, de eltérő tényleges költséggel. A Decoder szerint a ChatGPT Images és a GPT-Image modellek heti szinten már több mint 3 milliárd képet generálnak.

Az AWS Ray Serve konténerekkel váltja ki a leállított TorchServe-et

Az AWS hivatalos blogbejegyzése szerint a TorchServe modellkiszolgáló keretrendszer karbantartása leállt: nem lesznek további frissítések, hibajavítások vagy biztonsági patchek, így a benne található sebezhetőségek megoldatlanul maradhatnak. A cikk állítása szerint az érintett csapatoknak ezután saját maguknak kell kezelniük a teljes függőségi láncot, a GPU-stacktől a PyTorch- és CUDA-kompatibilitásig. Válaszul az AWS bemutatta a Ray Serve Deep Learning Container (DLC) nevű, előre összeállított és tesztelt Docker image-et, amely a PyTorch keretrendszert, a Ray Serve kiszolgálórendszert, valamint a FastAPI és Uvicorn komponenseket egyetlen, karbantartott csomagba fogja össze. A bejegyzés lépésről lépésre bemutatja egy vizuális-nyelvi modell telepítését Amazon EKS-en, egyetlen GPU-node használatával.