#xAI# 计划以 600 亿美元收购编程开发工具 #Cursor，或支付# 100 亿美元进行密切合作。Cursor 与 xAI 的合作对双方而言都有优势，xAI 可以借助 Cursor 杀入 AI 编程工具市场，Cursor 则可以获得充足资金与 Claude Code 以及 OpenAI Codex 竞争：

SpaceX收购Cursor，对于双方及行业有什么意义？老马给xAI找到了一个破局支点，SpaceX官方宣布与Cursor达成紧密战略合作：1）Cursor将使用SpaceX/xAI的Colossus超级计算机（相当于百万级H100GPU规模的算力）来训练其新一代代码模型Composer 2.5； 2）双方共同打造“世界上最好的编码和知识工作 AI”。 3）Cursor授予SpaceX收购期权：今年晚些时候，SpaceX可以选择以600亿美元 收购Cursor，或者支付100亿美元作为双方合作工作的费用（类似分手费或合作对价）。 上周才传出来Cursor近期在谈融资，今天Cursor卖给 xAI 了，看来独立融资失败了。 这不是说是已完成的收购，而是“先深度绑定，后可选买断”的结构。之前有传闻 xAI 挖走 Cursor 两位核心高管（工程负责人 Andrew Milich 和产品负责人 Jason Ginsberg），现在合作进一步加深，对于两家意义重大。特别Xai当下联创尽走，模型和coding都大幅度落后，数据中心的使用率很低的大背景下。 1、对 xAI / SpaceX当然老马生态来说： 1）能快速补齐编码能力，xAI的Grok在通用模型上还可以，但在专业代码/编程 Agent 领域此前相对落后（Cursor 是这个赛道的领先产品，拥有优秀的产品、工程师心智份额和开发者分发）。合作后，Grok 能快速变成顶级编码Agent。 2）算力变现 + 止血，xAI 自建了海量 GPU（Colossus 集群），每月运营亏损巨大（此前报道超3亿美元/月）。对外出租算力给 Cursor，是向“云算力服务商”转型的第一步，能带来新收入，同时降低数据中心成本。 3）人才与数据双赢，已挖走关键人才，现在再绑定产品和编码数据，能加速 xAI 内部编程工具开发（据说 Grok Build、Grok CLI 等即将推出）。 4）SpaceX 的火箭/星舰/Starlink 等工程项目高度依赖代码，引入 Cursor 能直接提升内部生产力。 2对Cursor来说 1）解决算力瓶颈：AI 训练最缺的就是 GPU，尤其在当前算力荒下，xAI 的 Colossus 是稀缺资源。Cursor 能用数万块 GPU 训练模型，加速追赶 Anthropic、OpenAI 等对手。 2）高估值退出路径 Cursor 近期融资估值已在 290-500 亿美元区间，600 亿收购期权提供了一个明确的 premium 退出选项（或 100 亿合作费作为保底）。 3）风险对冲 在竞争激烈的 AI 编码赛道（OpenAI Codex、Anthropic Claude Code 等），绑定马斯克生态能获得更多资源和曝光。 3、对于整个AI行业层面来说 1）AI 基础设施竞争加剧，xAI 从“纯模型公司”转向兼具算力输出的角色，潜在竞争对手包括微软 Azure、Google Cloud、CoreWeave 等。 2）人才战与并购战升级，类似此前 OpenAI/Anthropic 等也对 Cursor 的编码数据感兴趣，现在老马抢先一步深度绑定。 3）整个AI从大模型，到算力设施再到编码灯各个领域竞争会更加激励、前面说到xAI联创基本上都走了、xAI近期其实陷入了一个困境。这次明显是老马找到了一个破局之道。重新给xAI在AI领域找到了一个强劲的支撑点。 这应该是一笔典型的马马杠杆交易——用算力换产品、人才和期权，快速补短板，同时为 xAI 找新营收模式。当然最终是否会行使 600 亿收购权，还取决于合作成果、SpaceX IPO 进展以及市场估值变化。目前看，双方已经“绑定得很紧”，最后spacex完全收购curaor的概率不低。

AI研究员 @natolambert ，AI 时事通讯 Moonshot, Zhipu, Meituan, Xiaomi, Qwen, Ant Ling, and 等AI Lab 写了个笔记 从研究心态对比中美差异： -在中国一些杰出个人的工作成果需要被搁置，以保证整体模型能够最大化多目标优化（个体服从整体）， -而美国研究者更注重个人表达和自我利益，他举了个meta的例子（传言），Llama组织正是由于这些利益集团将自身利益嵌入到层级分明的组织结构中而最终崩溃。听说其他实验室也表示，有时需要向顶尖研究人员支付报酬，才能让他们停止抱怨自己的想法最终没有被纳入模型 -中国模型的构建者是谁，中国很大一部分核心贡献者都是在校学生。这些实验室都比较年轻，这让我想起了我们在Ai2的模式，在那里学生被视为同龄人，并直接融入LLM团队。这与美国顶尖实验室截然不同，像OpenAI、Anthropic、Cursor等公司根本不提供实习机会。 -关于教育和产业人才，中国也面临着与美国类似的“人才流失”问题，许多原本考虑走学术道路的人现在都打算留在工业界。最搞笑的是一位研究人员的发言，他原本想当教授，以便更贴近教育体系，但他却说教育问题可以通过法学硕士（LLM）来解决——“学生为什么要跟我说话！” AI影响上的思维方式差异： -AI影响上的思维方式差异，这些学生的思维方式也异常直接，不受一些可能分散科学家注意力的哲学思辨所干扰。当被问及他们对模型的经济性或长期社会风险的看法时，很少有中国研究人员拥有成熟的见解，也没有动力去影响这些见解。他们的职责是构建最佳模型，一位学者甚至引用了王丹的著名论断——中国是由工程师主导，而美国则是由律师主导。 -试图让中国科学家就人工智能引发的经济不确定性、超出通用人工智能（AGI）能力范围的问题，以及关于模型行为方式的道德辩论发表评论，都展现了这些科学家极其谦逊的态度。他们不仅敬业，而且不愿就自己不了解的问题发表评论。 中国人工智能产业与西方实验室的异同之处： -国内人工智能需求初现端倪，中国SaaS生态不发达，付费意愿差，市场规模小，而云计算则发展的很好。而目前来看中国的AI市场更像云计算市场，而不是saas生态。 -大多数开发者都对 Claude 趋之若鹜 -中国企业拥有技术所有权意识，一些头部科技企业都在自己做模型，如美团，小米等。而美国则头部企业会使用第三方服务。 -数据产业的发展远不及美国，数据标注类公司，和RL模拟环境类公司相对较少，模型公司大部分是自己做数据和做RL模拟环境来训练。美国则大部分都是采用第三方服务。 （备注：昨天研究了下RL模拟环境的美国市场地图，可以看到确实非常庞大，并且有实际采用，可以看看 也） -对英伟达芯片的迫切需求

SBF风投能力被重估，若未入狱或坐拥1000亿美元级财富。如果其未因FTX崩盘入狱，其风险投资回报可能在理论上带来高达约1000亿美元级别的财富增长。在FTX崩溃前，SBF曾构建覆盖多家明星公司的投资版图，包括Anthropic,SpaceX,Robinhood以及Cursor等，其中Cursor估值达600亿美元，Anthropic估值已接近900亿美元。Scale Venture Partners合伙人RoryO'Driscoll表示， SBF在ChatGPT时代之前就已押中多家关键人工智能公司，展现出罕见的投资嗅觉。

给大家推荐一个我这两天用着很好的工具，叫做 PicGo。 它解决的痛点是我目前把所有的工作流都放到了 Markdown，然后使用 Cursor 进行编辑。 但 Markdown 有个核心的问题，就是图片的预览显示问题：如果保存在本地再引入路径，整个仓库会很大，最好是保存在云端。 PicGo 的功能非常实用： 1. 你可以配置对应云存储的 bucket。 2. 截图或复制图片后，它会直接上传到你的 bucket。 3. 自动生成 Markdown 语法到你剪贴板，你直接粘贴进去就行了。 真的非常好用！

在语境中学习英语的提示词模版 比方说今天学到了6个英语单词/短语：cursor，in for a hard time, grasp, lifespan, revalidate, out of luck. 用这6个单词/短语生成一段英语小故事帮助记忆理解，英语故事要求在B1-B2级别,并基于词英语故事生成详细的信息图，可以打印出来纸质化学习有感觉 提示词模版⬇️ 生成一张【主题：{主题名称}】的高密度信息图海报，标题为“{主标题}”。 【整体风格】 - 教育类信息图（infographic），现代UI设计 - 扁平插画 + 轻微漫画风，配色清爽（马卡龙/柔和色） - 结构清晰、信息密度高但不杂乱 - 中英双语排版（英文为主，中文辅助） - 适合英语学习/知识记忆 【版式布局】 采用网格布局，包含以下模块： 1. 左侧：主题故事/引入（英文，难度{难度级别}，关键词高亮） 2. 右侧：核心知识卡片（{数量}个模块） 3. 中下：记忆链路（流程图/图标串联） 4. 下方：例句模块（每个词1句） 5. 底部：一句话总结 + 学习提示 【知识卡片结构（每个都要有）】 - 单词/概念：{word} - 词性/类别 - 中文释义（简洁） - 英文解释（简短） - 插画（表达含义） - 常见搭配或短语 【视觉元素要求】 - 每个词配一个直观图标/小场景 - 使用统一人物（如学生/程序员）增强连贯性 - 图标风格统一（线性+填充结合） - 适当加入箭头/流程/连接线 【插画内容建议】 根据词义自动匹配视觉： - 抽象词 → 用人物表情或灯泡等隐喻 - 动作词 → 展示动作过程 - 技术词 → 电脑/UI界面风格 【输出规格】 - 竖版海报（3:4 或 2:3） - 高分辨率 - 清晰字体，适合阅读 - 信息层级明显（标题>小标题>正文） 【额外要求】 - 所有关键词用不同颜色高亮 - 画面整体“像一张可以打印的学习海报”

# AI 行业三个月变天，模型榜单已经解释不了全部 1小时46分钟里，这期《半球观察》播客的主持人 把 DeepSeek V4、约 1000 条 Cursor 工作轨迹、OpenClaw 出圈、Manus 交易流产和 AI 中转站放在同一张桌上。单看每条都像行业新闻，连起来看就很刺眼：AI 公司正在被新的尺子衡量。模型榜单还重要，但已经解释不了全部。 过去我们习惯问一个问题：谁的模型更强？ 现在还得问另一组问题：谁有真实任务数据，谁掌握用户入口，谁能把价格打下来，谁能穿过监管和资本的窄门。 > **编者注：** 这篇按播客原文提炼判断。DeepSeek 估值、Cursor/xAI 交易、Manus 价格等数字均先按“节目说法”处理，不能直接当作已确认事实。 ## DeepSeek 的强，变成了另一种强 主播对 DeepSeek V4 的评价并不客气。V4 Pro 被认为 reasoning 过长，很多任务里像是在思维链中自己和自己打架。V4 Flash 的体感更好，接近 GPT5.4 mini 或 instant API 的水平，但这已经不是 R1 那种“全行业被迫重新估值”的时刻。 这就产生了第一个反差：DeepSeek 仍然技术很硬，但它的产品冲击力没有天然压倒别人。 节目里提到，Kimi、GLM、MiniMax 等国产模型在 coding 和迭代速度上都给了 DeepSeek 压力。DeepSeek 自己也因为适配国产硬件、减少 CUDA 技术债、拥抱 TileLang 等路线，承受了延期和成本变化。 这听起来像掉队。 但节目给了另一个定位。 节目里说“DeepSeek 正好填补了这个空白”。 这个“空白”指的是 OpenAI 不再开放权重、不再详细公开技术路线之后，全球开发者和研究者仍然需要一个前沿模型的公开参照物。DeepSeek 的价值就从“谁最强”变成“谁还愿意把技术路线摊开”。 这是一种新的强。 它可能不总是最会做产品的公司，也不一定每个版本都压住榜单。但它像开源社区的技术坐标系。大家看它的 report，看它的注意力机制，看它的后训练方法，再把这些东西吸收到自己的模型和产品里。 所以，写 DeepSeek V4 不适合写成“王者归来”或“彻底掉队”。更准确的说法是：DeepSeek 正在从爆款模型公司，变成公开 research lab 的基础设施。 DeepSeek 没有消失，它只是从王者变成了坐标系。 ## 数据飞轮开始压过架构叙事 这期最有信息量的技术段，落在 OPD 上。 节目用一个很好的类比解释 On Policy Distillation：传统后训练像老师先写一大本习题集，学生之后自己看、自己背、自己消化。问题是题太多，领域太杂，学生容易学歪，甚至出现 reward hacking。 OPD 的感觉更像现场教学。 > “学生遇到不会了，老师就过来告诉他为什么不对。” 写代码时，代码老师在旁边；做数学时，数学老师在旁边。学生先尝试，老师实时纠错，模型训练从离线习题集变成在线反馈。 这个机制把问题引向更深一层：老师从哪里来？ 答案是数据。更具体地说，是真实任务里的高质量轨迹。 节目提到 Cursor 的 Composer 2 争议时，有一个关键细节：Cursor 被转述为在 Kimi base model 上加入约 1000 条真实用户工作轨迹做 SFT，使 coding 表现明显强于原始 base model。这个数字需要核查，但方向很重要。 如果模型架构的边际差距变小，真实任务数据就会变成更贵的东西。 Claude Code 和 Codex 为什么会越做越强？节目里的解释是，它们有真实工程师每天使用的轨迹：怎么打开项目，怎么读代码，怎么改错，怎么跑测试，怎么回退，怎么完成一个长任务。 这些数据很难从普通互联网文本里直接获得。它是任务过程。 这也是 Cursor、Claude Code、Codex、OpenClaw、Manus 这一类产品被重新定价的原因。它们表面是工具，底层是数据采集口。谁的用户每天把真实任务交给它，谁就能反过来训练更懂任务的模型。 模型能力当然还重要。但当大家都足够强时，数据会把差距重新拉开。 模型教会产品说话，用户轨迹教会模型做事。 ## OpenClaw 出圈，说明入口开始变形 节目把 OpenClaw 称为 Agent 的 ChatGPT 时刻。 这句话很大，但它有具体场景支撑。主播把 OpenClaw 接进 Telegram 家庭群，当成一个会记忆、会查资料、会调用 skill 的“电子宠物”。更重要的是，在这个框架里，本地 27B 模型和 GPT5.5 的体感差距被缩小了。 原因很简单：OpenClaw 有 memory，有 skill，有连续任务，有工具调用。 这就改变了用户感知。单独问一个小模型，它可能不如大模型；把它放进一个 agent 框架里，它能记住昨天说过什么，能查资料，能跑工具，能把一个任务接着做下去。用户看到的是任务完成，而不是模型参数。 这也是 OpenClaw 出圈的意义。它把 skills 从程序员小圈子带到普通人场景。 节目里提到阿里的电商出海 agent。它可以帮助小商家处理 Shopify、商品上架、趋势分析、网站设计、运营链路。过去这些工作可能需要助理、外包、懂代码的人和运营经验。现在一个小老板可能第一次感到，agent 能把一整套流程接起来。 这个变化比模型榜单更接近商业。 因为用户不会每天比较 benchmark。他们会比较：这个东西能不能帮我把店开起来，能不能生成网页，能不能做 PPT，能不能整理调研表格，能不能少雇一个人。 Agent 的入口价值，不在会聊天，而在能接活。 ## Manus 的稀缺性，被同类产品反向证明 OpenClaw 出来以后，很多人会自然认为 Manus 不稀缺了。节目里的判断正好相反：OpenClaw 爆火，反而证明 Manus 更稀缺。 这个判断的逻辑是产品体验。 主播说，很多 computer use 或 open cloud 服务“根本不想用”，Perplexity 的 computer use 被点名为几乎不可用。相反，Manus 能做出详尽网页、PPT、真实调查表格，任务保持程度更好。 换句话说，壳不稀缺，稳定交付稀缺。 这和 ChatGPT 早期很像。聊天界面谁都能做，真正难的是持续给出有用答案。Agent 时代也是一样。浏览器自动化、工具调用、任务规划、记忆系统、失败恢复，单独看都不是秘密。难的是把它们组合成用户愿意反复使用的产品。 Manus 交易流产把这个问题又推到监管层面。 节目讨论了 Meta 交易被撤销、VIE、IP、人才和公司归属问题。这里最值得保留的不是情绪判断，而是创业者面临的新现实：AI agent 这种产品绑定了用户数据、任务轨迹、人才供给、模型合作和国家监管。 对中国 AI 创业者来说，路径选择可能会提前。你从第一天就要想清楚，是进入国内生态，还是走海外资本路径；是把团队、IP、数据和客户都放在一个监管框架里，还是冒着未来交易被叫停的风险做跨境结构。 这已经超出普通商业选择。 这是 AI 产品变成战略资产后的副作用。 Manus 的问题不是卖没卖成，而是它到底属于哪里。 ## AI 开始说钱，也开始被低价倒卖 节目后半段最现实。 大厂模型开始收费，推理框架项目开始公司化，IPO 和融资叙事吸走市场流动性，AI 中转站开始变成生意。主播说得很直接： 节目里那句“大家都开始说钱了，不再说 AGI 的梦想了”，把这层现实说得很直。 这句话有点刺耳，但它解释了很多现象。 当模型差距大时，用户会追逐最强模型。当多数日常任务都已经够用时，用户会开始追逐便宜、稳定、可接入、不封号、不断线。AI 中转站就在这个缝隙里长出来。 节目提到 Sub-to-API 这类工具，把 Claude 或 Codex 的订阅转换成 API，再用更低价格分发。也提到部分中转站可能收集用户数据，甚至标称 Claude，实际替换成更便宜的国产模型。 > **编者注：** AI 中转站涉及服务条款、数据安全和潜在欺诈风险。这里仅按节目内容记录产业信号，不构成使用建议。 这说明模型正在商品化。 最前沿模型、企业级合规服务、真实工作流数据仍然贵。但对普通聊天、搜索、轻量写作、心理陪伴、日常问答来说，很多用户已经不愿意为“最强”付出太高溢价。 这会倒逼模型公司回到互联网逻辑：获客、留存、价格、渠道、生态、数据闭环。 AGI 叙事还在，商业账本已经来了。 ## 最后 这期《半球观察》最适合被整理成一组暴论，因为它更像一张行业雷达图。DeepSeek 代表公开技术路线，Cursor 代表 coding 数据，OpenClaw 代表 agent 入口，Manus 代表可交付产品和监管敏感性，AI 中转站代表模型商品化。 把这些点连起来，结论很清楚：AI 行业正在从“模型公司竞赛”变成“模型、产品、数据、资本、监管共同定价”的复杂游戏。 接下来不能只看模型榜单。 要看四个信号。 第一，DeepSeek 后续版本能不能重新打出产品体验上的压倒性差距。如果不能，它仍然有开源坐标系价值，但商业位置会不同。 第二，Claude Code、Codex、Cursor、OpenClaw、Manus 谁能沉淀最高质量的任务轨迹。真实用户每天交出的工作过程，会比静态语料更贵。 第三，agent 产品能不能稳定交付。会调用工具不稀奇，能把网页、PPT、调研、代码修改交付到用户满意，才是分水岭。 第四，价格和监管会不会重塑模型分发。中转站、订阅转 API、模型替换套利、跨境交易叫停，都说明 AI 已经离纯技术讨论很远。 我对这期的最终判断是：模型能力仍然重要，但它已经不是唯一的解释变量。谁拥有入口，谁拥有数据，谁能把价格做到用户愿意持续用，谁能在监管和资本结构里活下来，谁才可能赢到下一阶段。 这也是它最值得写成文章的地方。暴论背后真正冲击人的，是我们判断 AI 公司的尺子正在换。 --- 原始播客：

美国企业花了 400 亿搞 AI，95% 没有回报 赚到钱的那 5% 做对了什么？ AI 时代最大的陷阱是 “做很酷的东西” 🦊 Cursor 不酷，它只是让写代码变快了。Harvey 不酷，它只是帮律师省了时间。ElevenLabs 不酷，它只是让任何人都能做配音。 真正的护城河 = 垂直数据 + 分发渠道 + 工作流嵌入，不是模型本身 (Claude 和 GPT 不是你的，你也做不了，开发模型要花很多钱) 95% 的 AI 项目烧钱，因为它们在炫技 剩下 5% 在印钞，因为它们在省人力 MIT 2025 年的一份报告我看简中推几乎没人讨论，数据非常惊人： 1、美国企业在生成式 AI 上投了 350-400 亿美元，但 95% 的 AI 试点项目没有产生任何可衡量的 P&L 影响 2、14000 家 AI 创业公司有 40% 在 24 个月内死亡 与此同时，赚到钱的那 5% 公司却赚到离谱 先来看看炫技派们的墓碑 🪦 1、Builderai：微软投的，估值 15 亿，融了 4.45 亿美元 号称 AI 自动生成代码，实际上是后台靠 700 个印度工程师手写，破产时账上只剩 500 万 2、Jasper AI：AI 写文案的标杆。2023 年营收峰值 1.2 亿美元。2024 年暴跌到 3500 万。跌幅 70%。原因很简单：ChatGPT 的文案能力变好了，用户不需要一个"套壳"了 AI Wrapper 数据显示：8500 家活跃 AI Wrapper 公司 只有 2-5% 月入超过 1 万美元，24 个月累计失败率 80-85% 再看看赚钱的有多赚钱 💸 1、Cursor：零营销：17 个月做到 10 亿 ARR，又 3 个月翻到 20 亿 ARR Slack 用了 5 年，Zoom 用了 9 年，Cursor 不到 2 年就做到了 2、Harvey（法律 AI）：3 年做到 1.9 亿 ARR 42% 的美国顶级律所在用。估值 110 亿 3、ElevenLabs（语音 AI）：ARR 超 3.3 亿 从 33 亿估值飙到 110 亿，只用了 3 个月 4、Perplexity（AI 搜索）：ARR 自 2022 年以来增长 1900% 为什么垂直 AI 能赚 10 倍？ 顶级 VC Bessemer给了一个清晰的框架： 传统 SaaS 争夺的是企业 IT 支出——仅占 GDP 的 1% 垂直 AI 争夺的是劳动力支出——占 GDP 的 13% 美国劳动力市场 11 万亿美元，企业软件市场 4500 亿美元，差 24 倍。传统 SaaS 捕获一个员工价值的 1-5%，AI 可以捕获 25-50% Harvey 不是在卖 AI，它是在卖律师的时间 一个 AmLaw 100 律所的初级律师年薪 $20 万+，Harvey 替代掉他 30% 的工作，省下来的钱是任何 SaaS 订阅费的几十倍 而每个赛道都有“Cursor 时刻” 💡 ▪️法律：Harvey 1.9 亿 ARR，Casetext 被 Thomson Reuters 以 6.5 亿美元收购 ▪️医疗：Abridge 估值 53 亿（AI 环境记录），一家医院用 AI 做保险验证，年增收 230 万 ▪️会计：Basis 估值 11.5 亿（AI 报税），CPA 事务所效率提升 30-50% ▪️房产：EliseAI 估值 22 亿，PropTech AI 投资年增长 42% 不是做更通用的 AI，而是做某个行业的"替代人力" 给我的启发是 1、数据"无聊"的 AI 其实最赚钱： 例如 AI 发票自动化、合同审核、销售线索生成，叙事不性感但有人月入 25 万美元 2、90% 的员工在用"影子 AI"： 只有 40% 的公司有官方订阅，但 90% 的员工每天在用个人 AI 工具（牛马们自费开 Claude 写代码，我真的哭死）需求是真实存在的，只是企业产品没跟上 3、AI 公司到 1000 万 ARR 只需 2.5 年 传统 SaaS 需要 6 年 4、最大 ROI 不在销售和营销，在后台自动化 如果你想赚钱，3 条路线可以思考，或者和你的 AI 多讨论 A：做垂直 AI 工具 找一个你熟悉的行业（律师、牙医、房产中介）用现成 API 包装成行业专用工具，月费 SaaS。AI 一直强，重点看你有没有行业 know-how 和分发渠道 B：做 AI 集成 帮企业接入 Claude/GPT API，做定制化部署 MIT 数据说外购成功率高 3 倍，但企业不会自己接（或担心数据风控风险）他们需要人帮忙 C：做"无聊"的 AI 自动化 发票、合同、客服、数据录入。没有人会把这些发到 Product Hunt，但它们的 ROI 最高 今天早上我在公司开会时说： 赚聪明人的钱很难很难，因为聪明人自诩聪明，你能想到的一切他都会自己搭，最好赚的其实是傻子的钱 怎么找到傻子和如何赚到傻子的钱 think think 再 think

Cursor 的设计模式还挺好用的。 但是有个细节问题，当我 "Plan New Idea"，如果提示词使用的中文，那么生成的设计文档最好也是中文。现在每次我中文提示词，设计文档都是英文。 简单来说，设计文档语言默认应该和提示词语言一致。 cc @ryolu_

Cursor 的 Agents Window 是针对 agentic engineering 场景的 agent-first Zen mode 交互界面。 和 Claude Code / Codex / Conductor 这种把 agents 当一等公民对待的 desktop GUI 对齐。 搞笑的是目前这个界面的配色和 Cursor IDE 用的无法统一，看起来非常难受。