我从去年开始使用 cursor，一直到今年 5 月份左右，我都在高强度的使用，但是我从来没有用过 auto 模式，我会认真的研究每一个新发布的模型的 SWE-bench 分数，然后在 cursor 上线的时候第一时间开始使用 后来 cursor 引入了不太透明的计费机制，MAX mode，老实说这让我有点不舒服，并且在高峰时期，热门模型的回复非常缓慢。当时正值 claude code 和 codex 开始逐渐发力，正好我也开始订阅 Anthropic 和 openai 的 pro 计划，因此我转向了 claude code 和 codex 我个人挺喜欢 terminal coding agent，因为他们事实上是承诺了一种 “不需要打开 IDE/直接编辑代码的编程体验”，我可以聚焦于高层次的意图和设计，而不用关心细枝末节的东西，但是随着编程的深入，我发现“不求甚解” 的编程在一开始可能确实很爽快，但是编码的过程会引入大量潜在的问题，从而使得后续的拓展和维护非常困难 正好这周我用光了 codex 和 claude code 的限额，而我始终保留着 cursor 的订阅，因此我久违的打开了 cursor，并在 tab completion 的帮助下开始编码，并且时不时的用 auto mode 解决一些问题 我开始觉得事情有点不对劲，auto mode 的表现比我预想的好太多了，它在这些情况下表现良好： A：我只是想要关于某端代码的 quick answer。比如：“这个 forward compatible 的配置是否可以安全的移除”，auto mode 能快速精准的给出答案 B：稍微复杂一点的问题。比如我最近正在开发一个比较底层的音频处理流水线，我需要在流水线级别实现一个控制信号，这涉及对非常多的代码逻辑的阅读，以确保引入新的信号不会带来意料之外的副作用，auto mode 表现的很好，它看起来在调用 reasoning model，并准确的沿着 pipe 阅读了相关的代码逻辑，并且提供了非常完整的解决方案和风险预警 C：编码工作。当我定位了问题，有了一个解决方案，并且规划好了 commits，auto mode 能够快速精准的按照我的需求实现代码，并且没有做多余的事情，这一点非常重要，因为我经常在 claude code 中发出 “i didn’t ask you to do that” 这样的感叹，即使我已经很明确的提供了 prompt 我承认一开始我觉得 auto mode 只是一个降低成本的把戏，但是后来我在使用 claude code 和 codex 的时候开始意识到，agentic coding 的用户 token 用量具有极大的方差和不可预测性，因此即使是 claude code MAX plan 这样 200$ 的订阅方案也不得不引入周限流，成本控制对于这类公司来说是一个非常大的挑战 现在，基于我自己的亲身体验，我想为 cursor 团队点赞，auto mode 是一个了不起的产品设计，我对此曾经有误解，但是我越来越意识到在 cost-efficiency-performance 这个不可能的三角中取得平衡是很困难的事情，但是 cursor 团队一直在不断的优化 auto mode 的体验，而这样的体验是 SWE-bench 无法衡量的 更重要的是，我认为这是一个很好的 AI 产品公司商业化模式的探索，我们所看到的情况是 Codex 和 Claude Code 由于 token usage 压力而不同程度的引入了限流措施，最近 reddit 上 claude code 的 sub 也在大量的反馈自己订阅的 plan 所对应的 rate limit 完全不及预期。而 cursor auto model 可能是一条可行的路径，它可以根据任务难度选择合适的模型，跟 GPT-5-Chat 的方向是一致的，长期来看也是更加可持续的 模型发展到现在，各家后训练逐渐成熟，产品的取向也日渐清晰，比如： - GPT：最强的思考，可观的上下文 - Claude：放弃最强智能（怀念老版本的 Opus），All in Agent（terminal、tool calling、coding） - GLM：开始尝试在 agent 和 terminal coding 上挑战 claude - Gemini：超长上下文，Flash 模型速度快成本低 - Qwen：每一项都不差 我自己日常工作里也会搭配这些模型，在不降低效果的情况下获得较低的成本，至少比全部都用 GPT-5 要低很多 我相信没有模型能够在所有的任务上都做到最好，那么这是否意味着 model routing 不但可以缓解成本压力，甚至有可能让路由的结果超过单一的最强模型？结合最近 cursor blog 曝出的 tab completion 通过 online RL 实现了 28% 的采纳率提升，也许 cursor 同样在 auto model 上使用了类似的基于用户反馈的训练机制？如果 cursor 团队真的探索出了一条通过数据反馈提升 model routing 效能的方式，那么我觉得这是非常了不起的 说一个题外话，claude code 在前端时间承认偷偷更新了模型并且导致了不同程度的 “降智” 现象，我原先认为 auto mode 是一种不透明，但现在回过头来看，至少你可以在 cursor 里明确的选择 “我要最好的模型” 还是 “我希望获得一个平衡的体验”，而不是对底层发生的事情一无所知