Wie funktioniert Cursor (AI IDE)?

• Wenn man versteht, wie AI-Coding-Tools wie Cursor, Windsurf und Copilot intern funktionieren, kann man in komplexen Codebasen die Produktivität steigern und eine konsistente Leistung sichern
• Viele behandeln AI-IDEs, ohne ihre Grenzen zu verstehen, wie traditionelle Werkzeuge und erleben dadurch Performance-Probleme
• Dieser Artikel erklärt die interne Funktionsweise von Cursor, System-Prompts sowie Methoden zur Optimierung von Coding- und Cursor-Regeln

Vom LLM zum Coding-Agenten

Large Language Models (LLMs)

• LLMs arbeiten grundsätzlich, indem sie das nächste Wort vorhersagen
• Gibt man einen Prompt vor, erzeugt das LLM seine Antwort per Autovervollständigung
  • Frühe decoderbasierte LLMs (z. B. GPT-2) erforderten spezifische Prompts, um das gewünschte Ergebnis zu erhalten
  • Prompt Engineering ist die Technik, das Modell so zu „lenken“, dass es die gewünschte Antwort liefert
• Mit der Einführung von Instruction Tuning wurde die Bedienung deutlich einfacher
  • Anweisungen wie „Schreibe einen PR zum Refactoring der Methode Foo“ können direkt ausgeführt werden
  • Tatsächlich ist das eine erweiterte Version des Autovervollständigungsprozesses
• Tool Calling kam hinzu
  • Das Modell kann Aufgaben wie Dateien lesen, schreiben oder Befehle ausführen
  • Beispiel: read_file('index.py') → der Client liefert den Dateiinhalt → das Modell setzt die Arbeit fort

Agentenbasiertes Coding

AI-IDEs wie Cursor sind mit einer komplexen Wrapper-Struktur aufgebaut:

• VSCode-Fork → Start auf Basis von Open Source
• Ergänzung einer Chat-UI und Auswahl eines passenden LLMs (z. B. Sonnet 3.7)
• Implementierung von Tools für Coding-Agenten
  • read_file(full_path: str)
  • write_file(full_path: str, content: str)
  • run_command(command: str)
• Prompt-Optimierung
  • Zusätzliche Anweisungen wie „Du bist ein Experte im Coden“ oder „Rate nicht, sondern nutze Tools“
    → Wenn man nur diese Schritte umsetzt, funktioniert es zwar grundsätzlich, aber es können Probleme wie Syntaxfehler, Halluzinationen und mangelnde Konsistenz auftreten

Strategien und Tipps zur Optimierung agentenbasierten Codings

• Um eine gute AI IDE zu bauen, muss man verstehen, welche Aufgaben LLMs gut lösen, und Prompts und Tools sorgfältig auf die Grenzen von LLMs abstimmen.
  • Es ist effektiv, die Hauptaufgabe zu vereinfachen und für Teilaufgaben kleinere Modelle zu verwenden
  • Durch die Verteilung komplexer Aufgaben lassen sich Leistung und Konsistenz verbessern

• Benutzerkontext hinzufügen (mit @file)

  • Nutzer kennen wahrscheinlich bereits die passenden Dateien oder den relevanten Kontext
  • Durch Hinzufügen der @file-Syntax wird Kontext bereitgestellt, indem der Inhalt ganzer Dateien oder Ordner einbezogen wird
  • Tipp: Die aktive Nutzung von @folder/@file wird empfohlen → klarer Kontext verbessert Antwortgeschwindigkeit und Genauigkeit

• Code-Suche optimieren

  • Code-Suche kann komplex sein, insbesondere semantische Suche (z. B. „wo befindet sich der Authentifizierungscode?“)
  • Die Codebasis wird in einem Vectorstore indexiert → bei der Suche filtert und ordnet das LLM die Treffer automatisch neu
  • Tipp: Code-Kommentare und Dokumentation sind wichtig → sie verbessern die Leistung von Embedding-Modellen
    • Am Dateianfang sollte der Zweck der Datei, ihre Bedeutung und Hinweise zum Änderungszeitpunkt ergänzt werden

• Dateischreiben optimieren

  • Perfekten Code zu schreiben ist schwierig und teuer
  • Statt einer vollständigen Datei wird ein Semantic Diff erzeugt → nur geänderte Codefragmente werden bereitgestellt
  • Auf Basis dieses Semantic Diffs schreibt ein separates Apply-Modell die eigentliche Datei und korrigiert Syntaxfehler
  • Tipp: Dem Apply-Modell können keine Prompt-Anweisungen direkt gegeben werden → mehr Kontrolle durch Bereitstellung der gesamten Datei
  • Tipp: Das Apply-Modell wird bei der Bearbeitung großer Dateien langsamer und fehleranfälliger → Dateigröße unter 500 LoC halten
  • Tipp: Linter-Feedback ist ein sehr wichtiges Signal → ein starker Linter ist unverzichtbar
    • Auch Feedback aus kompilierenden und typisierten Sprachen kann genutzt werden
  • Tipp: Eindeutige Dateinamen verwenden → statt page.js besser konkrete Namen wie foo-page.js, bar-page.js
    • In Dokumenten den vollständigen Dateipfad angeben → beseitigt Mehrdeutigkeiten für Editier-Tools

• Agentenspezifische Modelle verwenden

  • Es wird empfohlen, keine allgemeinen Code-Generierungsmodelle, sondern agentenspezifische Modelle zu verwenden
  • Das ist ein Grund, warum die Modelle von Anthropic in IDEs wie Cursor so starke Leistung zeigen
  • Tipp: Nicht einfach ein Modell fürs Code-Schreiben wählen, sondern eines, das für agentenbasierte IDEs optimiert ist
    • Die Modellleistung lässt sich auf dem Leaderboard von WebDev Arena prüfen

• Self-Fix-Tools einsetzen (fortgeschrittene Strategie)

  • apply_and_check_tool → führt teure Linter aus und sammelt Konsolenlogs sowie Screenshots in einem Headless-Browser
  • MCP (Model Context Protocol) → stärkt die Autonomie des Agenten und die Bereitstellung von Kontext

Detaillierte Analyse des Cursor-System-Prompts

• Cursors aktueller Prompt (März 2025) wurde mittels prompt injection auf MCP-Basis extrahiert
  • Cursors Prompt Engineers verfügen selbst im Vergleich zu anderen AI-IDEs über herausragende Fähigkeiten beim Schreiben von Prompts.
  • Durch die Analyse der Prompt-Struktur lassen sich Fähigkeiten in der Code-Generierung und im Design von Agentenarchitekturen verbessern

• Wichtige Prompt-Elemente und ihre Bedeutung

  • Verwendung von Tags wie "<communication>", "<tool_calling>"
    • Mischung aus Markdown- und XML-Tags → gut lesbar für Menschen und leicht verarbeitbar für LLMs
  • "powered by Claude 3.5 Sonnet"
    • Stärkt die Modellkonsistenz → verhindert, dass das LLM falsche Angaben zum laufenden Modell macht
  • "the world's best IDE"
    • Verhindert, dass das LLM bei Fehlern andere Produkte empfiehlt
  • "we may automatically attach some information…follow the USER's instructions…by the <user_query> tag."
    • Der Benutzer-Prompt wird nicht direkt weitergereicht, sondern in spezielle Tags eingebettet, um Verwirrung zu vermeiden
  • "Refrain from apologizing"
    • Verhindert unnötige Entschuldigungen (zur Kompensation einer Eigenheit des Sonnet-Modells)
  • "NEVER refer to tool names when speaking"
    • Zusätzliche Anweisung, Tool-Namen nicht zu erwähnen → wird vom tatsächlichen Modell aber manchmal ignoriert
  • "Before calling each tool, first explain"
    • Zustand vor dem Tool-Aufruf erklären → verbessert die User Experience
  • "partially satiate the USER's query, but you're not confident, gather more information"
    • Verhindert vorschnelle Antworten durch übermäßiges Selbstvertrauen → regt zum Einholen zusätzlicher Informationen an
  • "NEVER output code to the USER"
    • Direkte Ausgabe von Code verboten → Code-Erzeugung nur über Tools erlaubt
  • "If you're building a web app from scratch, give it a beautiful and modern UI"
    • Soll mit einem einzigen Prompt die Erstellung attraktiver Web-Apps fördern (für Demo-Zwecke)
  • "you MUST read the the contents or section of what you're editing before editing it"
    • Erzwingt das Lesen des Kontexts vor Code-Änderungen → stärkt das Kontextverständnis
  • "DO NOT loop more than 3 times on fixing linter errors"
    • Begrenzt Korrekturschleifen → verhindert Endlosschleifen
  • "Address the root cause instead of the symptoms."
    • Fördert die Behebung der Grundursache statt bloßer Symptome
  • "DO NOT hardcode an API key"
    • Anweisung zur Verbesserung der Sicherheit → verhindert Hardcoding
  • "codebase_search", "read_file", "grep_search", "file_search", "web_search"
    • Verschiedene Suchwerkzeuge, um vor dem Schreiben von Code den richtigen Kontext zu beschaffen
  • Anforderung "One sentence explanation…why this command needs to be run…"
    • Stärkt die Logik bei der Verarbeitung von Tool-Argumenten → eingesetzte Technik zur Prompt-Verbesserung
  • Das Tool "reapply" ist "Calls a smarter model to apply the last edit"
    • Wendet die letzte Änderung mit einem fortschrittlicheren Modell erneut an → verbessert die Qualität der Bearbeitung
  • Das Tool "edit_file" ist "represent all unchanged code using the comment of the language you're editing"
    • Unveränderter Code wird per Kommentar dargestellt → verbessert die Genauigkeit des Editiermodells
• Nutzung von Prompt Caching
  • System-Prompt und Tool-Beschreibungen bleiben als statischer Zustand erhalten
  • Keine Anpassung an Codebasis oder Benutzer → Prompt Caching kann Kosten senken und die Verarbeitung beschleunigen

Cursor-Regeln effektiv schreiben und verwenden

• Die richtige Art, Cursor-Regeln zu schreiben, kann je nach Situation variieren, aber auf Basis von Prompt-Erfahrung und Verständnis der internen Cursor-Struktur lassen sich einige nützliche Tipps geben
• Wichtig ist, Regeln nicht als bloße Anweisungen, sondern als enzyklopädische Leitlinien zu formulieren.

• Zentrale Konzepte beim Schreiben von Regeln

  • Das LLM ruft fetch_rules(…) auf Grundlage der Namen und Beschreibungen der Regelliste auf
  • Regeln werden nicht dem System-Prompt hinzugefügt, sondern bei Bedarf referenziert
  • Daher ist ein enzyklopädischer Beschreibungsstil statt bloßer Befehle wirksamer

• Was man beim Schreiben von Regeln vermeiden sollte

  • Keine Definition einer Identität
    • Beschreibungen wie „Du bist ein TypeScript-Experte“ vermeiden
    • Das LLM kennt seine Identität bereits aus dem eingebauten Prompt → Konfliktrisiko
  • Nicht versuchen, den System-Prompt zu überschreiben
    • Anweisungen wie „Füge keine Kommentare hinzu“ oder „Stelle vor dem Schreiben von Code Fragen“ → können die Nutzung interner Tools durcheinanderbringen
  • Keine negativen Anweisungen
    • Positive Anweisungen wie „Tu X“ sind für LLMs wirksamer als „Tu X nicht“
    • Beispiel für eine positive Anweisung: „Beim Bearbeiten einer Datei zuerst den gesamten Kontext prüfen“

• Empfehlungen für das Schreiben von Regeln

  • Klare und intuitive Regelnamen und Beschreibungen verfassen
    • Regeln sollten sich schon mit minimalen Informationen über die Codebasis anwenden lassen
    • Doppelte Regeln können sinnvoll sein → verbessert die Suchgenauigkeit
  • Regeln enzyklopädisch formulieren
    • Statt konkreter Befehle Erklärungen zu Situationen und Zielen liefern
    • Bei Bedarf können Code-Dateien verknüpft werden, um den Kontext zu stärken
  • Cursor zum Entwurf von Regeln verwenden
    • LLMs sind stark darin, Kontext für andere LLMs zu schreiben
    • Beispiel: „Erstelle unter @folder/ eine Markdown-Datei zu häufig bearbeiteten Codepfaden und Definitionen“
  • Nicht zu viele Regeln schreiben
    • Zu viele Regeln sind ineffizient und deuten auf eine unübersichtliche Codebasis hin
    • Eine ideale Codebasis sollte es dem Agenten ermöglichen, mit möglichst wenigen Regeln zu arbeiten

• Beispiele für effektive Regeln

  • ✅ Regelanweisungen:
    • „Vor dem Bearbeiten einer Datei den gesamten Kontext lesen“
    • „Bei Änderungen am Server-Code die Logik des Authentifizierungscodes prüfen“
    • „Bei Fehlern zuerst die Ursache beheben“
  • ❌ Regelanweisungen (vermeiden):
    • „Lösche keine Kommentare“
    • „Stelle mir vor Änderungen Fragen“
    • „Nimm keine unnötigen Code-Änderungen vor“

• Kernstrategie beim Schreiben von Regeln

  • Regeln nicht als Befehle, sondern als Situationsbeschreibungen formulieren
  • Intuitive Namen und Beschreibungen verwenden → maximale Leistung mit minimalen Regeln
  • Situationen erklären und Code-Verknüpfungen stärken statt allzu konkreter Anweisungen

Fazit

• Dass Cursor, entstanden aus einem VSCode-Fork und aufgebaut auf Open-Source-basierten Prompts sowie öffentlichen Modell-APIs, mit fast 10 Milliarden US-Dollar bewertet wird, ist bemerkenswert
  • Cursor wird derzeit auf Basis eines „wrapper multiple“ mit dem 6-Fachen bewertet
• Cursor liefert dank optimierter Prompts und eines starken Tool-Calling-Systems eine hohe Leistung
• Es ist eher unwahrscheinlich, dass Cursor ein eigenes Agentenmodell entwickelt
  • Wahrscheinlicher ist, dass Anthropic mit Claude Code und Sonnet-basierten Konkurrenzprodukten auf den Markt kommt

• Zentrale Erkenntnisse

  • Codebasis, Dokumentation und Regeln korrekt aufzusetzen, bleibt auch künftig eine wichtige Fähigkeit
  • Wer die Optimierungsstrategien von AI-Coding-Tools versteht, kann Produktivität und Genauigkeit steigern
  • Wenn Cursor nicht richtig funktioniert, liegt das wahrscheinlich eher an der Art der Nutzung

„Wenn Cursor nicht funktioniert, sollte man zuerst die eigene Nutzung überprüfen.“

[bluekai17]

Das sollte ich wohl mal ausprobieren.

[ohyecloudy]

Mit Cursor einen Regelentwurf erstellen
LLMs sind stark darin, Kontext für andere LLMs zu schreiben

Interessant. Liegt es vielleicht daran, dass sie aus demselben Wasser trinken?

[linker]

Da steckt viel Einsicht drin. Vielen Dank.

[nicewook]

• Detaillierte Analyse des Cursor-System-Prompts – beeindruckend.
• Dass Anthropic möglicherweise eine AI IDE auf den Markt bringt, macht schon jetzt gespannt.