Die Einrichtung einer robusten Cloud-Agent-Umgebung war der Schlüssel dafür, dass KI-Agenten bei Cursor heute mehr als die Hälfte aller Pull Requests verfassen. Was als internes Experiment begann, hat die Art und Weise, wie das Entwicklerteam arbeitet, grundlegend verändert. Wir zeigen Ihnen, welche Lehren das Unternehmen aus dem Aufbau seiner Agenten-Infrastruktur gezogen hat und welche drei Fragen Sie sich für Ihr eigenes Repository stellen sollten.
Von macOS zur Cloud: Die Umgebung als Produkt
Als Cursor beschloss, KI-Agenten mit eigenen Computern auszustatten, stand zunächst eine technische Herausforderung an: Die meisten Entwickler arbeiteten lokal auf Macs, die Cloud-VMs liefen jedoch unter Linux. Das Team musste alle Setup-Skripte und Werkzeuge plattformagnostisch gestalten und kritische Abhängigkeiten in ein eigenes Cursor-Dockerfile überführen.
Gleichzeitig entstanden gemeinsam mit der Sicherheitsabteilung Mechanismen wie Netzwerk-Egress-Beschränkungen, abgeschirmter Git-Remote-Zugriff, Secret-Scanning in Commits und die automatische Redaktion sensibler Daten in Tool-Ergebnissen. So lassen sich notwendige Geheimnisse sicher in die Agentenumgebung einspeisen, ohne dass die Modelle die Werte selbst auslesen können.
anydev: Eine CLI für Agenten
Auch nach der erfolgreichen VM-Einrichtung scheiterten Agenten noch am Ausführen des Codes. Die interne Entwicklererfahrung war unübersichtlich und erforderte das Auswendiglernen zahlreicher Build-Befehle, Flags und Hilfsskripte. Dokumentationen halfen nur bedingt, da die Befehle selbst kompliziert und fehleranfällig blieben.
Aus dieser Erkenntnis entwickelte das Team anydev, eine eigene CLI, über die Agenten alle Dienste starten können. Häufig genutzte Skripte werden zentral geroutet; umfangreiche Hilfemenüs erklären jeden Subcommand. Ein Supervisor-Prozess überwacht langlaufende Builds und startet sie bei Bedarf neu. Damit entfiel die Notwendigkeit, dass Modelle selbst auf Prozesse aufpassen.
Durch anydev konnten Agenten ihre Änderungen end-to-end testen und per recordScreen Tool Demos aufzeichnen. Diese Aufnahmen teilen sie in Slack oder direkt im Pull Request, sodass menschliche Entwickler Code mergen können, ohne den Branch lokal auszuchecken.
Selbstheilende Systeme mit Cursor Cloud MCP
Da sich die Umgebung ständig ändert, reicht eine einmalige Einrichtung nicht aus. Cursor entwickelte deshalb Cursor Cloud MCP, ein System mit dynamisch auffindbaren Werkzeugen. Agenten nutzen es, um ihre eigene Umgebung auf Setup-Fehler, geänderte Secrets oder Egress-Probleme zu prüfen und selbstständig zu reparieren.
Auf dieser Basis entstand Cloud Doctor, eine Automation, die regelmäßig Fehler erkennt, transiente von relevanten Problemen unterscheidet, Ursachenanalysen durchführt und bei hoher Zuversichtlichkeit direkt Pull Requests zur Fehlerbehebung öffnet.
Kontinuierliche Verbesserung der Agentenerfahrung
Auch in einer gesunden Umgebung greifen Agenten manchmal zu langen oder unnötigen Wegen, um Änderungen zu verifizieren. Cloud Doctor wertet Traces aus, identifiziert irreführende Skills oder langsame Workflows und optimiert die Infrastruktur. Dieser Verbesserungs-Loop erhöht die Zuverlässigkeit der Agenten und damit das Vertrauen des Entwicklerteams – mit dem Ergebnis, dass Cloud Agents inzwischen die Mehrheit des versendeten Codes bei Cursor verfassen.
Ist Ihr Codebase bereit für Cloud Agents?
Die Produktivität der Agenten hängt maßgeblich von der Umgebung ab. Um zu prüfen, ob Ihr Repository bereit ist, sollten Sie sich drei Fragen stellen:
- Haben Agenten Zugriff auf dieselben Tools und Daten wie menschliche Entwickler?
- Lassen sich Skills finden, die dokumentieren, wie Ihr Team tatsächlich arbeitet?
- Können Agenten zentrale Workflows eigenständig testen und verifizieren?
Wenn Sie Unterstützung beim Aufbau einer passenden Infrastruktur benötigen, kontaktieren Sie das Cursor-Team direkt. Ein Praxisbericht von Faire zeigt zudem, wie sich der wöchentliche PR-Durchsatz mit Cloud Agents verdoppeln lässt.
