> 原创文章，来源于 AI 技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。

Cursor 与 Claude Code 工具观察

## 1. micropython-wasm alpha 包发布：用 WASM 给 AI 代码执行加一层沙盒

Simon Willison 最近公开了一个偏实验性质的工具方向：通过 MicroPython 和 WebAssembly 在沙盒里运行 Python 代码。相关成果以 micropython-wasm alpha 包形式发布，并被用于 Datasette 插件 datasette-agent-micropython。它解决的不是“让模型更聪明”，而是一个更具体的问题：当 AI 应用需要执行用户生成或模型生成的代码时，怎样把风险限制在可控范围内。

这个方向适合做 AI 数据分析助手、轻量自动化工具、Notebook 替代工作流、Datasette 数据探索插件的开发者。典型流程是：用户提出数据处理需求，Agent 生成一段受限 Python，插件把代码交给 MicroPython WASM 运行时执行，再把结果返回给 Datasette 或上层应用。代码运行在 WASM 沙盒中，理论上比直接调用本机 Python 进程更容易收敛权限边界。

短期真正值得试的点，是把它当成“AI 生成代码的低权限执行层”，而不是完整 Python 后端替代品。MicroPython 本身不是 CPython，生态、标准库覆盖、第三方包兼容性都会受限。需要 NumPy、Pandas、复杂文件系统访问、网络请求或长时间任务的场景，不适合直接迁移到这个方案。它更像一个给小段脚本、表达式计算、数据清洗逻辑准备的隔离执行器。

上手路径可以从两个层面看。开发者可以先关注 micropython-wasm 包，确认其在本地或浏览器 WASM 环境中能否稳定执行目标代码；如果已经在用 Datasette，则可以继续查看 datasette-agent-micropython 插件，把它接到数据查询、结果解释或 Agent 工具调用链路里。原文没有给出可直接复用的大段代码，因此更稳妥的试用方式是先跑最小样例：输入一段不依赖外部包的 Python，限制执行时间和输出大小，记录异常类型，再逐步接入真实数据任务。

部署成本相对低，WASM 运行时通常不需要单独拉起容器或虚拟机，这对个人项目、小团队和插件型产品很友好。但“沙盒”不是免审计标签。需要重点检查几类边界：执行超时、内存上限、stdout 输出大小、文件访问能力、模块导入白名单，以及模型生成死循环或构造高消耗代码时的处理方式。AI 代码执行失败最麻烦的地方，不一定是报错，而是看似成功却返回了错误结果。

可复用建议是把这类能力封装成独立工具，而不是散落在 Agent 提示词里。至少保留三项记录：输入代码、执行结果、异常或超时信息。对数据分析类应用，还应记录数据表名、行数范围和被允许访问的字段，避免模型在没有权限边界的情况下“猜”数据结构。

这项工作仍处于 alpha 阶段，更适合愿意读源码、能接受接口变化的开发者试验；不适合对 Python 生态兼容性、性能和审计合规有强要求的生产系统直接采用。它的价值在于把 AI 应用里最敏感的一步，也就是执行代码，拆成一个可限制、可替换、可观察的组件。

关键词：沙盒、WASM、插件、代码执行

## 2. Cursor SDK 支持自定义工具：把团队脚本直接接入代理运行

Cursor 在 2026 年 6 月 4 日更新了 TypeScript SDK 和 Python SDK，新增自定义工具能力。开发者现在可以通过 local.customTools 提供自己的工具定义，让代理在运行过程中调用本地能力，而不只依赖 Cursor 内置工具或外部 MCP 服务器。这个变化不算炫技，但对已经在用 Cursor 做半自动开发、测试、代码迁移的小团队来说，比较实用。

它解决的问题很具体：很多团队的开发流程里都有一批“只有自己懂”的脚本，比如生成接口类型、跑内部 lint、查询私有服务状态、拉取测试数据、执行数据库只读检查、触发某个本地验证命令。过去这些能力要么靠人手动跑，要么包装成 MCP Server，再处理进程、权限和通信配置。local.customTools 的价值在于，它把一部分轻量工具接入门槛降到了 SDK 层，代理可以在任务上下文里直接请求这些工具，而不是让开发者复制粘贴命令结果。

典型工作流可以这样设计：开发者在 TypeScript 或 Python SDK 中声明工具名称、参数结构和执行逻辑；代理收到任务后判断是否需要调用工具；工具在本地环境执行脚本或查询；结果再返回给代理，用于下一步代码修改、测试判断或错误定位。这里的关键不是“让 AI 什么都能干”，而是把可控、可重复、输入输出清晰的动作交给代理。短期真正值得试的是内部脚本工具化，而不是把高权限部署、删库、生产写入操作一股脑交给代理。

适合尝试的人群包括：已经使用 Cursor 的插件作者、AI 编程工具链开发者、需要把本地脚本接进代理流程的工程团队，以及做 SDK 封装或自动化测试的开发者。不太适合刚开始用 Cursor 写代码的个人用户，也不适合缺少权限边界和审计习惯的团队。工具一旦能被代理调用，就要默认它可能被误触发、重复调用，或者在上下文误判时拿到错误参数。

上手路径可以保持克制：<ol><li>先选一个低风险脚本，例如读取项目元信息、运行单元测试、生成 mock 数据；</li><li>用 Cursor TypeScript SDK 或 Python SDK 注册到 local.customTools；</li><li>明确参数 schema、返回格式和失败信息，不要只返回一段模糊日志；</li><li>在代理任务中观察它是否会在正确时机调用工具；</li><li>再逐步接入更复杂的内部能力。</li></ol>

部署成本主要来自本地环境和维护成本，而不是云资源。相比独立 MCP Server，自定义工具少了一层服务部署，但也更依赖 Cursor SDK 的运行环境和 Cursor 生态。风险点也很现实：本地凭据可能被脚本间接读取，工具调用失败边界不一定被代理正确理解，长耗时命令会拖慢交互，日志里还可能泄露内部路径、token 或客户数据。如果团队没有最小权限、调用日志和人工确认机制，这类工具最好只从只读能力开始。

可复用建议是把工具写得像 API，而不是像随手脚本：名称要稳定，参数要少，输出要结构化，错误要可解释。对于会改文件、发请求、触发构建的工具，建议加入 dry-run、超时、白名单路径和人工确认。Cursor 这次更新的看点不在功能列表本身，而在它让开发者更容易把“团队自己的开发动作”纳入代理工作流。用得好，它能减少上下文切换；用得粗糙，它只会把自动化脚本变成更难排查的黑盒。

关键词：Cursor、SDK、工具、MCP、代理

## 3. MemPalace 开源发布：把 Claude Code 会话和项目历史变成本地长期记忆

MemPalace 是一个面向本地优先场景的开源 AI 内存系统，项目已在 GitHub 以 MIT 协议发布，并提供 PyPI 包。它解决的不是“再做一个向量数据库”的问题，而是把开发者分散在项目文件、Claude Code 会话、Agent 日志里的上下文，按可检索的长期记忆保存下来。官方 README 给出的关键事实是：默认使用 ChromaDB，核心路径不需要 API Key，LongMemEval 500 个问题上原始语义检索 R@5 为 96.6%，混合检索在留出集上达到 98.4%。

它的设计思路比较明确：MemPalace 不对历史内容做摘要、改写或抽取，而是保留原文，再通过语义搜索召回。数据结构被组织成 palace、wing、room、drawer：人或项目可以是 wing，主题可以是 room，原始内容存放在 drawer。对开发者来说，这比把所有聊天记录塞进一个扁平向量库更容易控制搜索范围，也更适合多项目、多 Agent 的工作流。

实际使用路径并不复杂。推荐用 uv tool install mempalace 安装 CLI，再对项目目录执行 mempalace init 或 mempalace mine；如果要接入 Claude Code，可以挖掘 ~/.claude/projects/ 下的会话记录，或把 MemPalace 作为 MCP stdio server 接入。Docker 方案也可用，数据统一持久化到 /data；需要 GPU 加速 embeddings 时，项目提供 Dockerfile.gpu。

短期来看，MemPalace 更适合正在使用 Claude Code、Gemini CLI、MCP 工具或本地模型做连续开发的个人开发者和小团队；如果只是偶尔问答、没有跨会话记忆需求，直接用普通 RAG 或编辑器历史就够了。

它的工作流可以概括为：<ol><li>把项目文件、会话 JSONL 或 Agent diary 导入 palace；</li><li>由本地 embedding 模型建立索引，默认后端是 ChromaDB；</li><li>在新任务开始前通过 mempalace search 或 wake-up 拉回相关上下文；</li><li>通过 MCP 工具让 AI 编程助手在需要时读取、写入或更新记忆。</li></ol>

成本上，它的核心优势是本地运行和零 API 调用，但并不等于零代价。README 提到 embedding 模型大约需要 300MB 磁盘空间，embeddinggemma-300m 支持 100 多种语言，all-MiniLM-L6-v2 体积约 30MB 但主要面向英文；如果改用 Qdrant 或 pgvector，原文和元数据会写入外部服务，隐私边界必须重新评估。真正的坑点在于“记忆质量”不是装好工具就自动变好：导入范围、项目分 wing、会话自动保存 hook、重复数据清理和召回评测都需要人为设计。

可复用的建议是先从一个高频项目试点：只导入该项目的代码、设计讨论和 Claude Code 会话，观察 wake-up 召回是否能减少重复解释；再逐步增加 MCP 写入、agent diary 和知识图谱。不要一开始就把所有历史记录全部灌进去，否则延迟、噪声和权限问题会比收益更早出现。

关键词：记忆、开源、本地、MCP、RAG

## 4. Gemini Spark 登场：Google 把 Gemini 应用推向 24 小时主动助手

Google 在 I/O 2026 前后更新 Gemini 应用，重点不再只是“问答更聪明”，而是让 Gemini 更像一个会在后台持续工作的个人助手。Google Labs、Gemini app 与 AI Studio 负责人 Josh Woodward 披露，Gemini 月活已从去年 I/O 时的 4 亿增长到 9 亿，覆盖 230 个国家和地区、70 多种语言；这次发布的核心变化包括 Gemini 3.5 Flash、Neural Expressive 新界面、Gemini Omni 视频生成、Daily Brief 早报代理，以及 24/7 运行的 Gemini Spark。

真正值得试的点是 Gemini Spark。它运行在 Gemini 3.5 上，使用 Antigravity harness，并接入 Gmail、Docs、Slides 等 Workspace 工具；作为云端 Agent，它可以在电脑合上或手机锁屏后继续执行任务。典型场景不是写一段文案，而是解析信用卡账单中的订阅费、从学校邮件里提取截止日期、把会议原始记录整理成 Google Docs，再起草项目启动邮件。

这类功能解决的是“信息散在多个应用里，人要反复复制整理”的问题。工作流可以理解为：用户授权连接应用，Gemini 从 Gmail、Calendar、聊天或本地文件中读取上下文，抽取关键信息，生成摘要、文档、提醒或下一步建议；Daily Brief 则会在用户选择加入后，按目标和反馈持续调整早间摘要。上手路径很清晰：普通用户可先在 Web、Android、iOS 体验新版 Gemini；Google AI Plus、Pro、Ultra 订阅用户可尝试 Gemini Omni 和 Daily Brief；macOS 应用已开放下载，但 Spark 与新的语音能力要等夏季推送，Spark Beta 短期先面向美国 Google AI Ultra 用户。

短期来看，它更适合已经把 Gmail、Calendar、Docs 作为日常工作台的个人开发者、产品经理、学生和小团队，不适合邮件、文档和日程分散在多套系统、或对数据出境和权限审计要求很高的组织。Google 表示 Spark 在花钱、发邮件等高风险动作前会先询问用户，但隐私边界仍是最大限制：一旦连接多个应用，模型能看到的上下文会明显扩大，敏感合同、客户数据和财务信息不应默认交给自动流程处理。

可复用的做法是从低风险任务开始：<ol><li>只连接必要应用，先用 Calendar 和 Gmail 做摘要，不直接授权发送邮件；</li><li>把会议纪要、票据整理、订阅费检查设为固定试点；</li><li>为每类任务保留人工确认步骤，记录漏提、误提和错误动作；</li><li>对比 Notion AI、Microsoft Copilot、ChatGPT Tasks 等替代工具，看哪一个更贴近现有工作流。</li></ol>对开发者而言，这次更新的信号很明确：个人 AI 工具的竞争正在从模型能力转向权限、上下文和跨应用执行。

关键词：Gemini、助手、多模态、工作流

## 5. Cursor 引入 Auto Review：本地代理少点确认，也少点误删风险

Cursor 在 2026 年 5 月 29 日的 changelog 中加入了 Auto Review，中文可以理解为“自动审查模式”。它解决的不是代码补全速度问题，而是 AI 编程代理在长时间运行时最麻烦的一类摩擦：要么每一步都弹出审批，任务跑不远；要么权限放得太开，Shell 命令、MCP 工具和 Fetch 请求一旦出错，可能直接改坏项目、删掉文件，甚至访问不该访问的数据。

这次变化的核心是把“人类确认”从高频打断，改成更有选择性的审查。Cursor 的本地代理可以在更少手动批准的情况下继续执行任务，但对更敏感的操作保留额外检查，尤其是删除、危险 Shell 命令、外部工具调用和网络抓取这类动作。对已经在用 Cursor Agent 跑重构、补测试、改文档、批量修 lint 的开发者来说，这比单纯增加模型能力更实际。

典型工作流大致是：开发者在 Cursor 中发起一个较长任务，例如“为这个模块补充单元测试并修复失败用例”；代理先读取仓库上下文，再调用 Shell 运行测试或安装依赖；如果项目配置了 MCP Server，代理还可能查询 issue、文档库或内部工具；需要访问网页资料时，则通过 Fetch 拉取外部内容。Auto Review 介入的位置就在这些工具调用之间，对普通读取、测试、搜索放宽审批，对删除文件、覆盖配置、执行高风险命令等操作增加审查。

上手路径并不复杂。已经使用 Cursor 的团队，可以从 changelog 中的 Auto Review 入口了解功能状态，再在代理相关设置里检查工具权限策略。更稳妥的做法不是一上来全量打开，而是先选一个低风险仓库试用：<ol><li>从文档、测试、类型修复等任务开始，不要先让代理改数据库迁移或部署脚本；</li><li>开启 Git 工作区保护，确保每次代理修改都能通过 diff 回滚；</li><li>给 MCP 工具划清边界，只暴露必要的只读接口或低风险写接口；</li><li>把 npm test、pytest、go test、lint 等命令作为代理完成任务后的固定检查项。</li></ol>

短期看，Auto Review 最适合已经把 Cursor 当成日常编码环境，并愿意让 Agent 执行半自动任务的个人开发者、小团队和工具链负责人。真正值得试的点不是“让 AI 完全接管编码”，而是把过去需要人盯着点确认的批处理任务，交给代理跑得更久一点，同时保留对危险动作的刹车。

它不太适合两类场景：一类是权限边界还没整理清楚的公司仓库，另一类是缺少测试、缺少代码审查、没有回滚习惯的项目。Auto Review 能减少误操作概率，但不能替代工程纪律。代理调用 Shell 时仍可能装错依赖、执行耗时命令，Fetch 可能拉到过期资料，MCP 工具如果权限过大，也可能把内部数据暴露给不合适的上下文。

成本方面，Auto Review 本身是 Cursor 产品能力的一部分，使用方式仍绑定 Cursor 客户端和其订阅体系；额外成本主要来自模型调用、长任务运行时间、团队配置权限策略的维护成本，以及人类最后审查 diff 的时间。对小团队来说，这笔账要按任务类型算：如果只是偶尔补几行代码，审批自动化价值有限；如果每天都有批量重构、测试修复、文档同步，收益会明显一些。

可复用建议是把 Auto Review 当成“代理权限分层”的起点，而不是一个开关。给工具调用分级：读取类默认放行，构建和测试类有限放行，删除、覆盖、外部写入、凭证相关操作必须审查。再配合 Git diff、测试结果、命令日志和 MCP 调用记录，形成一个最小闭环。AI 编程工具越来越像半自动脚本执行器，Cursor 这次更新提醒开发者：让代理多做事之前，先把它能做什么、不能做什么说清楚。

关键词：Cursor、代理、审查、MCP、工作流


原创文章，来源于 AI 技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。

Cursor 与 Claude Code 工具观察

原创文章，来源于 AI 技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。 Cursor 与 Claude Code 工具观察 Simon Willison 最近公开了一个偏实验性质的工具方向：通过 MicroPython 和 WebAssembly 在沙盒里运行 Python 代码。相关成果以 micropython-wasm

人工智能

开发工具

后端

MicroPython-WASM沙盒技术为AI代码执行提供安全隔离方案，适合轻量数据处理场景。CursorSDK新增自定义工具功能，简化团队脚本接入AI代理流程。MemPalace开源项目帮助开发者管理ClaudeCode会话和项目历史。GeminiSpark升级为24小时主动助手，整合Workspace工具提升工作效率。Cursor引入AutoReview机制，平衡AI代理执行效率与安全风险控制。

向量数据库

数据清洗

数据分析

虚拟机

服务器

数据库

Android

Python

容器

GitHub

Spark 

4核4G3M云服务器 新用户低至38元/年！

2026年中大促 | AI 领航 智绘未来

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

MicroPython-WASM沙盒技术为AI代码执行提供安全隔离方案，适合轻量数据处理场景。CursorSDK新增自定义工具功能，简化团队脚本接入AI代理流程。MemPalace开源项目帮助开发者管理ClaudeCode会话和项目历史。GeminiSpark升级为24小时主动助手，整合Workspace工具提升工作效...

Cursor 与 Claude Code 工具观察-腾讯云开发者社区-腾讯云

Cursor 与 Claude Code 工具观察

Cursor 与 Claude Code 工具观察

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐