Cursor давно известен как AI-инструмент, который помогает писать код быстрее и с меньшими усилиями. Но с ростом масштабов проектов часто возникает проблема: как удержать контекст работы над крупным кодом, который тянется неделями и месяцами? Cursor Projects — попытка закрыть этот кейс, позволяющая не только управлять большими объёмами работы, но и делегировать задачи тысячам субагентов.
Давайте разберёмся, как это работает на практике и зачем нам вообще такой подход.
Проблема масштабных проектов и контекст в AI tools
Если коротко — AI-помощники, вроде Codex или Claude Code, отлично помогают с конкретными задачами: написать функцию, починить баг, оптимизировать участок кода. Но когда проект растёт, и нужно держать в голове сотни файлов, взаимоотношения между ними, архитектуру — все эти инструменты начинают нервничать.
Одна из главных болей — потеря контекста. Мы можем попросить AI что-то сделать, он сгенерирует код, но через пару дней уже не понимает, зачем это было нужно, как новая фича связана с предыдущими, и что вообще с проектом происходит.
Cursor Projects заявляет, что именно для таких случаев они создали возможность «проекта» — где можно аккуратно собрать огромный объём работы, сохранить контекст, а главное — разбить задачи на субагентов, чтобы параллельно решать разные части.
Что такое subagents и зачем их тысячи?
Cursor Projects не просто про хранение контекста. Это про агентный подход к разработке, или как сейчас модно говорить — agentic workflows. Суть в том, что проект может быть разбит на мелкие задачи, и каждая из них — как отдельный subagent.
Subagent — это не просто функция AI, а самостоятельный исполнитель, который знает свою часть работы, контекст, цели и ограничения. Ты делегируешь подзадачу, и этот subagent работает автономно, может возвращать результаты и даже взаимодействовать с другими субагентами.
Идея запускать тысячи таких subagents звучит немного дико, но в реальности это позволяет масштабировать работу без потери качества и контекста.
Как это выглядит в реальной работе
Представьте, что вы ведёте фронтенд-проект с несколькими микрофронтендами, кучей API-интеграций и сложной логикой state management. Команда большая, задачи разноплановые, и каждый день появляется десяток новых багов, фич и рефакторинга.
Cursor Projects позволяет завести «проект», где вы собираете все задачи в одном месте, истории диалогов с AI сохраняются, а субагенты отвечают за свои области — например, один subagent занимается только стилизацией, другой — API, третий — оптимизацией рендера.
Вы можете настроить, чтобы субагенты регулярно отчёты присылали, либо сами создавали новые задачи по мере обнаружения проблем. Это похоже на MCP (Multi-agent Collaborative Programming), где несколько агентов взаимодействуют, чтобы покрыть все аспекты работы.
Пример сценария: рефакторинг большого React-кода
Допустим, у вас есть огромный React-код с кучей устаревших классовых компонентов, и вы хотите постепенно перевести их на функциональные с хуками.
В Cursor Projects вы создаёте задачу «Рефакторинг компонентов». Затем делите её на subagents:
- Subagent A отвечает за компоненты формы.
- Subagent B — за навигацию.
- Subagent C — за компоненты отображения списка.
Каждый subagent получает контекст своей части, например, текущий код, требования и ограничения (например, не менять логику, только переписать синтаксис).
Subagents работают параллельно, а вы в любой момент можете проверить прогресс, попросить добавить тесты или изменить подход. Весь процесс управляется в рамках проекта, и вам не нужно каждый раз объяснять AI, что и зачем.
Ограничения и риски
Идея с тысячами subagents звучит круто, но на практике есть несколько подводных камней:
- Стоимость. Запуск сотен и тысяч AI-агентов — не бесплатное удовольствие. На больших проектах расходы могут быстро расти.
- Сложность управления. Чем больше агентов, тем сложнее контролировать согласованность их работы. Нужно продуманное orchestration.
- Не всегда нужен такой масштаб. Для небольших проектов или команд проще пользоваться классическим AI pair programming без деления на subagents.
- Риски безопасности и приватности. Чем больше агентов, тем выше вероятность утечки контекста или данных, если не настроить права и изоляцию.
Кому стоит попробовать Cursor Projects
Если у вас есть длительные проекты, где много кода, задач и участников, и вы хотите попробовать agentic подход с делегированием AI-агентам — Cursor Projects может дать неплохой опыт.
Для стартапов с одной-двумя фичами или для отдельных задач — это, скорее, оверхед и лишняя сложность.
Если в вашей организации есть практика RAG (retrieval-augmented generation) и вы уже пробуете agentic workflows, то Cursor Projects стоит посмотреть как вариант интеграции AI в управление крупными фронтенд-проектами.
Что попробовать дальше
- Запустите небольшой эксперимент с разделением задач на субагентов. Попробуйте, например, разбить рефакторинг или багфиксы на отдельные подзадачи.
- Отследите, насколько хорошо subagents умеют держать контекст и взаимодействовать друг с другом.
- Сравните опыт с классическим использованием AI-инструментов без проектов — насколько выросла продуктивность и уменьшилось ли количество повторных объяснений.
- Обратите внимание на стоимость и overhead — стоит ли масштабировать дальше или лучше остановиться на паре subagents.
Cursor Projects — интересный кейс того, как AI coding инструменты развиваются в сторону agentic development и vibe coding, где AI становится не просто ассистентом, а целой командой субагентов, способной работать параллельно и автономно.
Лично я считаю, что это направление стоит держать на радаре, особенно если вы работаете с большими, длительными и сложными проектами, где классический AI pair programming уже не справляется с нагрузкой. И да, не стоит воспринимать это как панацею — это инструмент для конкретных сценариев и задач, который требует продуманного подхода и контроля.
Попробуй сам: Cursor — AI-редактор для разработчиков.
Источник: https://cursor.com/changelog/projects