Cursor Router 依程式任務逐次選模，以線上行為訊號平衡品質與推論成本

Cursor 推出面向 Teams 與 Enterprise 的 Cursor Router，將原本由開發者固定選擇模型的 Auto 模式，改成每次請求先分類、再送往不同模型。路由器會檢查查詢內容、既有上下文、任務複雜度與領域：例行修改交給價格效率較高的模型，UI 工作選擇較符合產品偏好的模型，長流程或高難度問題則轉交前沿推理模型。

Cursor 表示，分類器以超過 60 萬筆實際請求訓練，並在數百萬筆線上請求中進行 A/B 測試。它沒有只看離線程式基準，而是以使用者是否繼續下一項工作、是否糾正代理，以及生成程式碼日後仍留在程式庫中的比例，估計輸出滿意度。訓練和成本評估也計入切換模型造成的快取未命中，這比單純比較每百萬 token 價格更貼近多輪代理工作負載。

使用者可在 Intelligence、Balance 與 Cost 三種模式間選擇品質和費用位置；管理員則能按團隊啟用、限制模式、設定預設值，以及建立模型允許或封鎖清單。路由器已覆蓋桌面版、Web、iOS、CLI 與 SDK，意味相同的模型選擇政策可跨互動式開發及自動化代理套用。

官方宣稱 Auto Intelligence 的滿意度接近高階模型、團隊成本約低 60%；三個高用量早期客戶相較全數送往 Opus 4.8，節省約 30% 至 50%。這些結果仍應視為供應商內部測量：AFC 滿意度分類器的準確度、各模型實際流量占比及失敗案例沒有公開，且路由會使模型版本成為額外的可變因。導入團隊應保存每次實際選用模型、成本、延遲及回歸結果，避免整體平均改善掩蓋特定語言或任務的品質退化。