Cursor baute SQLite mit einem Agentenschwarm nach, und günstige Modelle erledigten den Großteil
Nur mit dem 835-seitigen Handbuch schrieb Cursors neuer Agentenschwarm einen funktionierenden SQLite-Klon in Rust. Die Aufteilung zwischen teurem Planer und günstigen Arbeitern senkte die Rechnung bei gleicher Qualität von 10.565 auf 1.339 US-Dollar.
Cursor stellte seinem Agentenschwarm einen ungewöhnlich reinen Test: SQLite, die Datenbank-Engine in fast jedem Smartphone und Browser, sollte in der Programmiersprache Rust nachgebaut werden, ausschließlich anhand des 835-seitigen Handbuchs. Kein Quellcode, keine vorhandene Testsammlung, kein Internet. Bewertet wurde mit sqllogictest, einer Sammlung aus Millionen SQL-Abfragen mit bekannten Antworten, von deren Existenz die Agenten nichts wussten. Jede Konfiguration des neuen Systems erreichte schließlich 100 Prozent.
Die Änderung ist leicht beschrieben. Agenten werden auf zwei Rollen verteilt. Planer-Agenten mit teuren Spitzenmodellen zerlegen das Ziel in immer kleinere Aufgaben. Arbeiter-Agenten mit schnelleren, günstigeren Modellen führen sie aus. Planer schreiben nie Code, Arbeiter planen nie. Cursor sieht darin die Lösung eines Kontextproblems: Ein einzelner Agent muss gleichzeitig Gesamtziel und aktuelle Teilaufgabe im Kopf behalten, weshalb lange Läufe abdriften. Die Ergebnisse waren deutlich. Der alte Schwarm erzeugte in zwei Stunden 68.000 Commits, rund siebzigmal so viele wie der neue, und der Großteil war Abfall: mehr als 70.000 Merge-Konflikte gegenüber weniger als 1.000. Die alte Architektur brauchte 64.305 Zeilen Engine-Code, die neue 9.908.
Für alle, die keinen Programmieragenten bauen, wird das Geld interessant. Der gesamte Auftrag mit GPT-5.5 kostete 10.565 US-Dollar. Die Aufteilung zwischen Opus 4.8 als Planer und Cursors Composer 2.5 als Arbeiter kostete bei vergleichbaren oder besseren Ergebnissen 1.339 US-Dollar. Arbeiter verbrauchten in jedem Lauf mindestens 69 Prozent der Tokens, meist viel mehr, verursachten wegen der günstigen Modelle aber nicht den Großteil der Rechnung. Im Opus-Hybrid erzeugte der Planer nur einen kleinen Tokenanteil und zwei Drittel der Kosten. Cursors Lehre: Nur wenige Momente einer großen Aufgabe brauchen Spitzenintelligenz, vor allem die Zerlegung und zentrale Designentscheidungen. Ist die Unklarheit beseitigt, können günstigere Modelle dem Plan folgen. Ein fairer Vorbehalt: Die Qualität des Planers blieb wichtig. Ein Fable-5-Planer verbrauchte weniger Planungs-Tokens, ließ seine Arbeiter aber viel mehr benötigen, wodurch der Lauf insgesamt teurer wurde.
Was das für dich bedeutet: Wenn du gerade mit KI anfängst, hat die nützliche Idee nichts mit SQLite zu tun. „Welches Modell soll ich verwenden?“ ist oft die falsche Frage, weil die bessere Antwort lautet: ein kluges zum Planen, ein günstiges zum Ausführen. Du kannst das im Kleinen von Hand tun: Bitte ein teures Modell um einen klaren Schritt-für-Schritt-Plan und gib die einzelnen Schritte anschließend einem günstigeren. Wenn du professionell Agenten baust, hat Cursor den Code eines Laufs als minisqlite auf GitHub veröffentlicht; die Planer-Arbeiter-Aufteilung ist der Teil, den man übernehmen sollte. Bleib dennoch realistisch: Eine Studie von 2025 ergab, dass 68 Prozent der tatsächlich in Unternehmen eingesetzten Agenten höchstens zehn Schritte abschließen, bevor ein Mensch eingreift. Laborschwärme und Produktionsagenten sind noch sehr verschiedene Wesen.
Quellen
Robotern gehen die Trainingsdaten aus, deshalb zeichnet ein Start-up Gehirnwellen auf
In einer Lagerhalle in San Leandro bezahlt Encord Menschen dafür, mit Headsets Jenga zu spielen, die Augen und Gehirnaktivität erfassen. Die Wette: Der Engpass für Roboter-KI ist nicht das Modelldesign, sondern Daten, die hergestellt statt aus dem Netz gesammelt werden müssen.
