侧边聊天只是开胃菜
2026年7月，Cursor 在更新日志中悄然加入了侧边聊天功能——用户可以在不打断主智能体对话的情况下开一个分支对话，使用 /side 或聊天面板顶部的加号按钮发起。同时更新的还有智能体对话搜索：Cursor 在本地构建索引，让你用 Cmd+K 搜索数千条历史记录【cursor.com/cn/changelog】。这些改进让日常编码流畅了不少，但真正让内测用户兴奋的，是 V5 版本中那张“图片输入”的入口。
截图即代码：一个Bug修复案例
V5 内测的核心变化，是智能体可以接收图像作为输入。开发者可以直接把 Figma 设计稿截图、UI 异常截图甚至手绘草图丢给 Cursor，它会像理解代码一样理解视觉内容。Cursor 团队表示，这个能力基于自研的视觉-代码联合模型（Vision-Code Model），而非简单调用外部 VLM。
内测中有一个典型例子：在一次修复 CSS 定位 Bug 的任务中，开发者将 Chrome DevTools 的截图（包含渲染偏移的元素和期望位置）输入给 Cursor V5。智能体分析截图后，准确识别出原因是父容器未设置 position: relative，并直接生成了修复代码。整个流程从截图到 PR 提案，耗时不到 40 秒。
准确率边界：结构化高，纹理低
但多模态并非万能。同一批内测中，当输入一张包含斜角阴影和渐变边框的按钮设计图时，Cursor 生成的 CSS 只还原了 60% 的视觉细节——主要卡在 conic-gradient 的角度计算和 box-shadow 的投射方向。团队内部基准测试显示：
- 布局类（Flex/Grid 定位、盒模型）：准确率约 92%
- 样式类（颜色、字体、简单渐变）：准确率约 78%
- 复杂视觉类（不规则图形、多层滤镜、交互动效）：准确率骤降至 45% 以下
这说明 Cursor 对“结构规则”的解析远强于“视觉纹理”。换句话说，它能看懂你有几个按钮、它们怎么排列，但还看不太懂按钮上的毛玻璃效果具体长什么样。
和 Copilot 的“图生代码”有什么不同？
GitHub Copilot 在 2025 年底也推出了视觉效果预览功能，但它的做法更接近“描述+代码审查”，而非直接根据图片生成可运行的工程代码。Cursor V5 的优势在于它能结合整个代码仓库的上下文：当你上传一张报错截图时，智能体会自动关联项目中的对应文件，而不是仅凭图片孤军奋战。一位参与内测的全栈开发者说：“以前遇到奇怪的布局 Bug，我得手动描述，现在贴张图就行。它在有上下文时的理解明显好过一个孤立 Prompt。”
硬件门槛：算力与散热的隐性代价
多模态推理很吃算力。在骁龙 8 Gen 5 手机上跑 INT4 量化 32B 模型的测试已经说明，端侧推理十分钟后速度会从 8 token/s 降到 3 token/s【参考《端侧32B模型上车：手机散热与功耗的隐形天花板在哪？》】。Cursor V5 目前主要跑在云端，官方建议使用 M4 Max 或 RTX 4090+ 显卡的 Mac/PC。不过内测用户反馈，即使在笔记本上，单次截图分析的内存峰值也接近 6GB，对 16GB 内存的机器会造成短暂卡顿。这让人联想到 Arm AI PC 的散热瓶颈——多模态 Agent 长期运行时，持续高负载下的散热表现至关重要【参考《Arm AI PC散热升级：均热板之后，液冷还有多远》】。
从“金鱼脑”到“看图写码”：Agent 记忆的进化
从 0.5 版的链式任务拆解，到 V5 的多模态感知，Cursor 最大的跨越是让 Agent 不再只依赖对话上下文。多轮截图修复任务如果依赖临时上下文，很容易丢失之前的修改意图。Cursor V5 的做法是将截图分析结果以结构化 JSON 写入本地缓存，并与代码 diff 绑定，这样后续对话可以精确回溯某次视觉判断——这类似《解决 Agent “金鱼脑”：构建基于时空索引的长期记忆库实操方案》中讨论的时空索引记忆方案。
适配边界与未来
目前 Cursor V5 仅限受邀用户使用，官方表示 2026 年 Q3 末会开放公开测试。在 AI 编码工具从“自动补全”走向“自主检测”的竞争里，多模态理解可能是最关键的胜负手。毕竟，代码只是思想的编译产物，而屏幕上的像素才是问题发生的第一现场。
（相关阅读：《视觉语言模型进化：2026年多模态理解瓶颈在哪》、《算力泡沫破裂后，2026年夏季 AI 创业公司转向“轻量化”生存模式》）
