Cursor 发布了首份开发者习惯报告（Developer Habits Report），基于 2025 年 1 月至 2026 年 5 月的真实产品数据，量化了 AI 编码工具如何改变软件开发。报告围绕五大主题展开，用数据回答了一个核心问题：AI 到底让开发者快了多少？
一、开发者加速：代码产出翻倍#
整体产出激增#
最直观的变化是代码产出的爆发式增长：
- 每周人均代码行数从 2025 年初的 3.6K 增长到 2026 年 5 月的 8.6K，增长 2.4 倍
- 增长在 2026 年初显著加速，从 5.5K 跃升至 8.6K
虽然”代码行数”不是完美的生产力指标，但作为方向性基准，这个增长幅度足够惊人。
PR 规模扩大#
开发者不仅写得更多，单次提交的规模也在扩大：
- 单个 PR 代码行数（p75 分位）从 126 行增长到 345 行，增长 2.7 倍
- Mega PR（≥1000 行变更）占比从 8% 增至 13.8%
2026 年 1 月出现明显跳跃，与新一代模型（如 GPT-5.5、Opus 4.7）和 Agent 能力提升同步。开发者开始用 AI 处理更大粒度的工作单元。
另一面的思考：Mega PR 增长是双刃剑。传统软件工程推崇 Small PR、Frequent PR、Easy Review，因为 Review 成本低、回滚容易、Bug 定位简单。当一个 Agent 一口气生成 30 个文件、1000+ 行代码时，人类从”写代码”变成”审核 AI 代码”，Review 质量可能下降。Cursor 后来推出 Bugbot，本质上就是因为 AI 生成代码越来越多，人类 Review 已经跟不上。
Agent 会话深度增加#
Coding Agent 不再是简单的”代码补全”，而是执行复杂的多步骤任务：
- 近两个月内，平均每次会话的工具调用次数从 113 增至 145，增长 30%
- Agent 频繁执行：读写文件、搜索代码、运行 shell 命令、浏览网页
这意味着 Agent 正在承担更复杂的工程任务，而非仅仅生成代码片段。
AI 代码存活率提升#
生成代码的”存活率”是质量的重要指标：
- 60 分钟后仍保留的 AI 代码比例从 76% 提升至 81%
这说明开发者修改/删除 AI 代码的比例下降，对 AI 生成代码的信任度提升。
二、智能经济学：成本差异与性价比#
模型成本差异巨大#
不同模型家族的成本差异远超预期：
| 模型 | 成本/请求 | 成本/接受行 |
|---|---|---|
| Opus 4.7 | $1.57 | 1.10¢ |
| Opus 4.6 | $0.86 | 1.19¢ |
| GPT-5.5 | $0.81 | 1.09¢ |
| GPT-5.4 | $0.46 | 0.54¢ |
| Sonnet 4.6 | $0.44 | 0.54¢ |
| GPT-5.3 Codex | $0.30 | 0.56¢ |
| Composer 2.5 | $0.18 | 0.18¢ |
关键发现：
- 按请求计算，成本差异达 9 倍（0.18）
- 按接受代码行计算，差异缩小至 7 倍（1.19¢ vs 0.18¢）
高成本模型通过生成更多可接受代码，部分弥补了成本劣势
成本-质量前沿#
Cursor 在内部评测套件 CursorBench 3.1 上测试了不同模型的表现：
- Composer 2.5：$0.55/任务，63.2% 准确率（性价比之王）
- Opus 4.7 (max)：$11.02/任务，64.8% 准确率（质量天花板）
- GPT-5.5 (extra high)：$4.37/任务，64.3% 准确率（平衡选择）
值得注意的是，Composer 2.5 是 Cursor 自研的编码专用模型，以不到 Opus 4.7 (max) 1/20 的成本，达到了 97.5% 的准确率。这可能代表了新一代专用编码模型的方向：针对编码任务深度优化，而非追求通用能力。
不过需要指出，这是 Cursor 在自家报告中展示自家模型的表现，且评测基于 Cursor 内部的 CursorBench 套件。在其他平台或评测标准下，结果可能有所不同。
三、超级用户鸿沟：AI 放大不平等#
使用高度集中#
Cursor 用洛伦兹曲线和基尼系数量化了 AI 使用的不平等程度：
- AI 代码行数 Gini 0.77（高度集中）
- AI 支出 Gini 0.75
- Token 消耗 Gini 0.72
基尼系数越接近 1，分布越不平等。0.77 意味着 Top 5% 用户占据约 50% 的 AI 活动。
产出差距扩大#
顶尖开发者与普通开发者的产出差距正在拉大：
- p99 开发者产出是中位数的 46 倍（AI 代码行/天）
- p99 开发者合并 PR 数是中位数的 15 倍
- p90 开发者产出是中位数的 10 倍（差距小得多）
更直观的绝对数字：
- 2025 年初：p90 为 2.5K 行/周，p50 为 176 行/周
- 2026 年 5 月：p90 为 8.8K 行/周，p50 为 712 行/周
虽然相对倍数从 14 倍降至 12 倍，但绝对差距从 2.3K 行扩大到 8.1K 行。
为什么会出现鸿沟？#
AI 工具在提升所有人生产力的同时，放大了顶尖开发者的优势。可能的原因：
- Prompt 工程能力：超级用户更擅长与 AI 协作
- 任务分解能力：知道如何将复杂任务拆解为 AI 可处理的单元
- 上下文管理：更好地利用缓存和上下文窗口
- 工具链整合：将 AI 深度整合到工作流中
深层含义：这与历史技术革命完全一致——Excel 没有消灭顶级分析师，Photoshop 没有消灭顶级设计师，Google 没有消灭顶级程序员。AI 是放大器而非均衡器，高手获得指数级收益，普通人只是生成更多代码。
四、上下文崛起：从生成到理解#
输入/输出比激增#
模型的工作模式正在发生根本性转变：
- Input/Output Token 比率从 4.5× 增至 12.4×（2026 年 1-5 月）
- 模型在生成每一行代码前，消耗的上下文是输出的 12 倍以上
这是”先读后写”的范式转变：模型花更多时间理解代码库，而非急于生成。
输入 Token 主导非缓存成本#
Token 构成的变化印证了这一趋势：
- 输入 Token 占非缓存 Token 的 90%+（从 82% 增至 92%）
- 按价格等价计算，输入成本占比从 47% 增至 70%
关键洞察：优化上下文管理比优化输出质量更重要。未来 AI 编码工具的竞争力将取决于如何高效利用上下文窗口。
缓存读取主导总 Token 活动#
加入缓存后，Token 构成更加极端（2026 年 5 月）：
- Cache Read: 89.9%
- Cache Write: 2.5%
- Input: 7.0%
- Output: 0.6%
Agent 工作高度依赖缓存复用，而非每次从头读取。Cursor 在博客中提到，他们持续优化跨模型/提供商的缓存策略。
结论：上下文窗口扩大 + Prompt Caching 是 AI 编码能力跃升的基础设施。没有高效缓存，Agent 无法处理复杂任务。
更深层的变化：Token 增长主要来自输入而非输出，说明 AI 越来越像是在阅读代码库、文档、PR、Issue、历史记录，然后才开始写代码。Coding 正在从”生成代码问题”变成”管理上下文问题”。未来竞争优势会更多体现在谁能组织 Context、构建知识图谱、维护 Rules、管理长期记忆。
五、自动化转向：从工具到系统#
自动接受率飙升#
开发者对 AI 的信任度正在快速提升：
- 无需人工审查即提交的 AI 变更占比从 7% 增至 38%（5 倍增长）
- 这意味着超过 1/3 的 AI 代码直接进入 commit，跳过人工 diff review
这是从”辅助工具”到”自主系统”的关键转折点。
需要警惕的是：这个数据有两种解读——表面上是 AI 越来越强、代码质量提升；但也可能是人类越来越懒得检查、审核疲劳。这两种解释在数据上无法区分。连 Cursor CEO 自己都公开警告：不要把 AI 当成无需审查的代码生成器，否则系统最终会崩塌。
自动化工作流扩散#
Cursor 展示了三条增长曲线（具体数值未公开）：
- Automation agents（通用自动化）
- Security review automation（安全审查自动化，增长最快）
- SDK runs（可编程 Agent 平台，最新趋势）
安全审查成为首个规模化自动化场景，这并非偶然。安全审查具备两个关键特征：
- 规则明确：有清晰的检查清单（SQL 注入、XSS、敏感信息泄露等）
- 可验证性：结果可以通过测试和扫描工具验证
这为其他自动化场景提供了启示：结构化、可验证的任务最适合自动化。
结语#
这份报告用真实数据量化了”AI 如何改变编程”。除了那些快速增长的曲线，还有一些需要注意的事实：
-
软件开发正在从编程问题变成上下文管理与审查问题。Token 增长主要来自输入而非输出，说明未来更重要的能力是定义任务、组织上下文、审查结果和维护系统复杂度。输入 Token 成本占 70%，意味着优化上下文管理的重要性，Prompt Caching 已成为生产级 AI 编码工具的刚需。
-
生产力提升与技术债务并存。代码量增长不等于价值增长，Mega PR 增加可能意味着审核能力被突破，自动接受率提升可能是信任也可能是疲劳。
-
AI 放大不平等而非拉平差距。Power User Gap 的扩大说明，AI 是放大器而非均衡器——高手获得指数级收益，普通人只是生成更多代码。p99 用户的工作流可能代表未来 2-3 年的主流模式，值得深入研究他们如何分解任务、管理上下文、整合 AI 到工作流。
- 数据来源: Cursor 产品和工程数据（Agent 使用、Token 消耗、PR 活动等）
- 相关链接： Cursor Developer Habits Report