Cursor 推出自我總結訓練法：讓 AI 代理突破極限，征服複雜的超長程編程任務

• 隨著 AI 代理處理的任務日益複雜，**代理軌跡（agent trajectories）的增長速度遠超過模型的上下文長度極限，導致資訊遺忘與效能下降。 • Cursor 團隊為 Composer 模型引入了名為自我總結（self-summarization）的強化學習訓練過程，將上下文壓縮納入訓練迴圈中。 • 傳統的基於提示詞的壓縮方法需要數千個標記且容易丟失關鍵資訊，而受過訓練的 Composer 能以極高的標記效率（token-efficient）自動萃取核心內容。 • 實驗顯示，自我總結機制不僅將壓縮誤差顯著降低 50%，還能重複利用 KV 快取，僅需原本五分之一的標記量。 • > 透過自我總結，Composer 能夠在長達數百個回合、涉及超過十萬個標記的複雜工程任務中，自主提煉出結構化的對話摘要，成功解決如 Terminal-Bench 等高難度問題。 • 這項技術大幅拓展了語言模型的潛能，讓 AI 能夠一次性搞定需要長推理鏈（long reasoning chains）**的極端程式設計挑戰。