Cursor 发布的动态上下文发现模式颠覆了传统 AI Agents 采用的静态上下文方式，通过按需动态拉取相关信息，提升了上下文处理的效率和质量。该模式的工作原理包括将大型数据转为文件接口，并使用动态检索工具（如语义搜索和 grep）来获取必要信息。这不仅显著减少了上下文中的 token 消耗（如在 MCP 工具运行中平均降低 46.9%），还避免了无关信息的干扰，提升了响应的准确性和知识的保留能力。尽管存在依赖文件和信息丢失的风险，但整体上，动态模式在提升 Agents 处理复杂任务的能力上表现优异，尤其在多工具环境中表现更为高效。