¿Por qué una arquitectura de dos cerebros?

La mayoría de los asistentes de escritura de código utilizan un único modelo que debe decidir qué construir y escribir el código fuente. En sesiones largas, la ventana de contexto del modelo se llena, lo que provoca una «deriva de contexto» (context drift): el modelo olvida decisiones previas y genera código contradictorio o duplicado. Cursor resuelve esto dividiendo el trabajo mental:

  • Agentes planificadores (Planner agents) se ejecutan en los modelos más potentes (el borrador menciona Opus 4.8 o Fable 5). Desglosan una solicitud de alto nivel en una jerarquía de tareas, resuelven ambigüedades y registran las decisiones de diseño.
  • Agentes ejecutores (Worker agents) se ejecutan en modelos más rápidos y de alto rendimiento (Composer 2.5). Toman tareas concretas de los planificadores y generan los fragmentos de código.

Mantener separados el «qué» y el «cómo» evita la sobrecarga que paraliza a los sistemas de un solo modelo. Cada modelo se mantiene dentro de un tamaño de contexto adecuado para su función, evitando el aumento descontrolado del presupuesto de tokens que obliga a los diseñadores a truncar los prompts.

Escalando el enjambre

Las primeras versiones del enjambre de Cursor procesaban cerca de mil commits por hora. Tras el rediseño de cerebro dividido (split-brain), el sistema alcanzó aproximadamente mil commits por segundo. Esa velocidad expuso un nuevo cuello de botella: las herramientas de control de versiones no estaban diseñadas para tal nivel de contención. Cuando dos planificadores emitían instrucciones superpuestas, el repositorio podía terminar con lógica duplicada, un problema que el equipo denomina «errores de cerebro dividido».

Cursor domó el caos con tres salvaguardas:

  1. Documentos de diseño compartidos – Cada planificador escribe sus decisiones en un documento central vinculado al código generado. Los ejecutores siguen esos enlaces, de modo que el mismo diseño no se recrea en otro lugar.
  2. Revisiones multiángulo – Tres agentes inspeccionan cada uno una parte diferente del trabajo (la transcripción completa, solo la salida o solo el código). Esta verificación cruzada detecta inconsistencias que una sola vista pasaría por alto.
  3. Guías de campo de mantenimiento propio – Los agentes mantienen una «carpeta de conocimientos» con hallazgos sorprendentes y errores comunes. Cuando un nuevo ejecutor comienza, consulta la carpeta para evitar repetir errores conocidos, proporcionando una memoria a corto plazo para todo el enjambre.

Estas medidas mantienen la coherencia de la base de código a pesar del torrente de cambios.

Benchmarks que importan

Cursor puso a prueba el enjambre híbrido reconstruyendo el manual completo de SQLite —una implementación en Rust de 835 páginas—, una tarea que pone a prueba tanto la precisión como el tamaño. Los resultados fueron contundentes:

  • Precisión – La configuración híbrida (planificadores + ejecutores Composer) logró un 100 % de exactitud, superando sistemáticamente la ejecución individual del modelo más avanzado mencionado (GPT-5.5).
  • Tamaño del código – El enjambre híbrido produjo 9.908 líneas de código del motor, frente a las 64.305 líneas del antiguo enjambre monolítico.
  • Coste – Ejecutar una instancia individual de GPT-5.5 costó unos 10.565 $. El enfoque híbrido gastó solo 411 $ en la flota de ejecutores.

La diferencia de coste se debe a Composer 2.5, que el borrador describe como capaz de ofrecer un rendimiento comparable al de los modelos insignia, pero cobrando una fracción del precio por millón de tokens. Al trasladar la mayor parte del consumo de tokens a este modelo más económico, el enjambre mantiene bajos los gastos generales sin sacrificar la calidad.

En resumen

  • Combinar un planificador potente con un ejecutor económico ofrece mejoras de varios órdenes de magnitud en velocidad, compacidad del código y coste.
  • El diseño elimina la deriva de contexto al asignar el «qué» a los modelos de vanguardia y el «cómo» a los modelos especialistas.
  • La carga operativa y las demandas de infraestructura siguen siendo los mayores obstáculos para una adopción más amplia.