Cursor Agent SDK发布：代理即代码，评测决定一切

Cursor 近日发布了 Agent SDK，将 AI 代理从黑盒工具转变为可版本化、可测试的代码单位。同时，OpenAI 的 Terra 模型也进入 API，价格减半且编码基准分数翻倍。但两个更新背后，一条同样的原则浮出水面：评测比发布图表更值得信任。

Agent SDK：把代理放进仓库，像代码一样管理

根据 YouTube 科技频道的解读，Cursor 在 10 月 26 日开放了 Agent SDK。核心思路很直接：你将一个代理定义为一个文件夹，里面包含 Markdown 格式的提示词和 TypeScript 工具，然后像对待其他代码一样进行审查、测试和版本控制。

这种“代理即代码”的范式解决了此前 AI 代理难以协作和复现的痛点。团队成员可以审查提示词的变更，用版本历史追溯行为差异，也可以在 CI 流程中运行测试。部署层面提供了灵活性——既可以运行在 Cursor 的托管基础设施上，也可以完全自托管，满足对数据主权有要求的企业场景。

该 SDK 还内置了评测机制，据 Cursor 称，这套评测框架与其内部安全审查代理使用的是同一套工具链。这意味着代理的每一次修改都可以被量化衡量，而不是靠感觉判断好坏。不过，公告中并未列出定价信息。

代理即代码（Agent as Code） 是一种将 AI 代理的完整定义（包括提示词、工具调用逻辑、运行配置等）以源代码形式进行管理的工程实践。其核心在于把代理视为软件项目中的一等公民，从而能够利用现有的版本控制、代码审查、持续集成等成熟工具链来保障代理的质量与可维护性。与传统的提示词工程相比，代理即代码强调可复现性和协作性：团队成员可以像审查普通代码一样审查提示词的变更，通过版本历史追溯行为差异，并在 CI 流程中自动运行测试。这种范式将代理的开发从个人化的手工调优转变为系统化的团队协作，为代理在生产环境中的大规模部署奠定了基础。

Terra 模型：价格减半，基准分数翻倍

同一时间线上，OpenAI 的 Terra 模型正式进入 API。据 OpenAI 的说法，标准价格是旧版 Terra 模型的一半，而在一个命令行编码基准测试上，分数超过旧版的两倍。

对于高强度编码任务，OpenAI 仍然推荐其更重的模型。这暗示 Terra 的定位更偏向性价比与吞吐量，而非极致能力上限。对于日常代理任务，更低的成本和更快的响应可能比峰值性能更有价值。

值得一提的是，两个发布都来自同一视频来源的整理，并非独立信源交叉验证。关于 Terra 在基准测试中的具体分数提升幅度，目前仅有 OpenAI 单方面的表述。

命令行编码基准测试（Command-line Coding Benchmark） 是一类专门评估 AI 模型在命令行环境下完成编码任务能力的评测集。这类基准通常模拟真实的开发场景，要求模型根据自然语言指令生成、修改或调试代码，并通过脚本在终端中执行以验证结果。常见的基准如 HumanEval、MBPP 等，但命令行编码基准更侧重于端到端的任务完成，包括文件操作、依赖管理和错误处理。由于命令行环境贴近实际工程实践，该基准的分数能较好地反映模型在自动化编码任务中的实用性，但需注意其仍属于通用场景测试，未必能完全代表特定业务代码库中的表现。

评测优先：在迁移之前，先跑你自己的测试

视频中最具实操价值的建议，是不要直接相信发布图表。在你把代理迁移到 Cursor SDK 或 Terra 模型之前，应该从自己的评测集中抽取 10 个任务，在当前设置和新设置上分别运行，然后对比通过率、成本和运行时间。

这个建议的底层逻辑是：供应商的基准测试针对的是通用场景，而你的代理面对的是你的代码库、你的工具链和你的业务边界。一个在命令行编码基准上翻倍的模型，未必能提升你特定代理任务的通过率；一个内置评测的 SDK，也需要你用自己的数据喂给它才有意义。

实际操作上，这 10 个任务应当覆盖你代理最常处理的几类请求，记录基线数据后再切换，避免“感觉快了”这种模糊判断。成本维度同样重要——单价减半不等于总成本减半，因为代理任务可能涉及多轮调用和工具执行。

自托管（Self-hosting） 是指将软件系统部署在组织自有的基础设施上，而非依赖第三方云服务。在 AI 代理的语境下，自托管意味着代理的定义、运行环境和数据完全由企业内部控制，从而满足数据主权、安全合规和定制化需求。对于处理敏感代码或业务数据的企业，自托管能避免数据外泄风险，并允许根据内部网络策略进行灵活配置。Cursor Agent SDK 同时提供托管和自托管选项，正是为了兼顾不同规模团队的需求：初创公司可能倾向于托管以降低运维成本，而大型企业则可能选择自托管以确保合规性。

代理工程化的信号

把两个发布放在一起看，一条趋势线很清晰：AI 代理正在从演示品走向工程化资产。可版本控制的定义、可自托管的部署、内置的评测工具，这些都指向同一个方向——代理需要像软件一样被测试、审查和迭代。

对开发者而言，这意味着学习曲线从“写提示词”扩展到“管理代理生命周期”。评测集的设计能力，可能比提示词技巧更能决定代理在实际生产中的表现。毕竟，发布图表可以看，但最终做决定的，应该是你自己的评测结果。