هزینه استنتاج کدنویسی عامل‌محور در Cursor به ۶ دلار برای هر میلیون توکن رسید

اگر امروز برای توسعه پروژه‌های پیچیده کد می‌زنید، دیگر لازم نیست تک‌تک فایل‌ها را برای هوش مصنوعی توضیح دهید. Cursor Composer اکنون می‌تواند بازنویسی‌های گسترده و رفع باگ در چندین فایل را با سرعتی چهار برابر مدل‌های مشابه انجام دهد. این تغییر، کدنویسی با هوش مصنوعی را از حالت «تکمیل خودکار» (Autocomplete) ساده به «استدلال عامل‌محور» (Agentic Reasoning) منتقل می‌کند؛ وضعیتی که در آن مدل ابتدا برنامه‌ریزی می‌کند، در کل مخزن کد جست‌وجو می‌کند و سپس تغییرات را در سطح کل ریپازیتوری اعمال می‌کند.

این قابلیت در حالی معرفی می‌شود که کل صنعت نرم‌افزار در حال چرخش به سمت جریان‌های کاری «عامل‌محور» است. در حالی که دستیارهای هوش مصنوعی سنتی تنها به درخواست‌های تک‌مرحله‌ای (Single-shot prompts) پاسخ می‌دهند، وضعیت فعلی مهندسی نرم‌افزار نیازمند ابزارهایی است که بتوانند زمینه (Context) را در ده‌ها فایل مختلف حفظ کنند. Cursor با عرضه نسخه ۲.۰ خود، قصد دارد این شکاف را از طریق ادغام مستقیم مدل در ابزارهای بازیابی و نمایه‌سازی (Indexing) ادیتور پر کند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، دسترسی عمیق مدل به بستر کد (Codebase) همواره یک چالش امنیتی و فنی بوده است. Cursor در نسخه ۲.۰ با ادغام مستقیم مدل در ابزارهای بازیابی و نمایه‌سازی ادیتور، این شکاف را پر کرده است.

Cursor Composer چیست؟

Composer یک مدل کدنویسی در سطح پیشرو (Frontier-grade) است که به عنوان بخشی از Cursor 2.0 معرفی شد. این ابزار یک اپلیکیشن مجزا نیست، بلکه یک گزینه مدل (Model Option) است که در محصولات دسکتاپ و وب Cursor در دسترس است. این مدل به‌طور خاص برای جریان‌های کاری مهندسی نرم‌افزار و وظایف عامل‌محور چندمرحله‌ای تنظیم (Tune) شده است.

به نقل از Cursor، این مدل برای کاهش تأخیر (Latency) و تکرار سریع (Fast Iteration) بهینه شده است. در کاربردهای عملی، اکثر نوبت‌های گفتگو (Conversational turns) در کمتر از ۳۰ ثانیه تکمیل می‌شوند. این سرعت بالا به‌طور هدفمند طراحی شده است تا اصطکاک در چرخه تکرار برنامه‌نویس کاهش یابد.

ویژگی‌های کلیدی و مزایا

Composer به‌طور خاص برای وظایف مهندسی غیرساده (Nontrivial) طراحی شده است. مزایای اصلی آن عبارتند از:

• استدلال کد عامل‌محور: برخلاف تکمیل‌های تک‌مرحله‌ای، Composer از جریان‌های کاری چندمرحله‌ای پشتیبانی می‌کند. این مدل می‌تواند یک باگ را درک کند، در مخزن کد جست‌وجو کند، چندین فایل را ویرایش نماید، تست‌ها را اجرا کند و بر اساس نتایج به‌دست‌آمده، کد را اصلاح کند. این توانایی در مدیریت وظایف پیچیده، تکامل‌یافته‌ی رویکردهای Cursor برای تسریع برنامه‌نویسی در فریم‌ورک‌هایی مانند React است که پیش‌تر به کاهش چشم‌گیر زمان توسعه کمک کرده بود.
• تأخیر پایین: توان عملیاتی (Throughput) بالای تولید متن، امکان چرخه‌های تکرار سریع‌تری را در مقایسه با سایر مدل‌های پیشرو فراهم می‌کند.
• ادغام عمیق با کدبیس: این مدل با دسترسی به ابزارهای بازیابی، ابزارهای ویرایش و نمایه‌سازی کدبیس Cursor آموزش دیده است. این امر توانایی مدل را در حفظ زمینه (Context) در پروژه‌های بزرگ به‌شدت بهبود می‌بخشد.
• حالت‌های عامل و MCP: Composer با حالت‌های عامل (Agent Modes) در Cursor و پروتکل زمینه مدل (Model Context Protocol یا MCP) کار می‌کند. این قابلیت به مدل اجازه می‌دهد ابزارهای تخصصی را فراخوانی کرده و کدهای نمایه‌سازی شده را بخواند، بدون اینکه کاربر مجبور باشد ساختار پروژه را مکرراً توضیح دهد.

برای تیم‌هایی که ویرایش‌های عمیق کد و بازنویسی‌های چندفایلی (Multi-file refactors) انجام می‌دهند، این ویژگی‌ها نیاز به تکرار دستی و جابه‌جایی بین زمینه‌های مختلف (Context Switching) را کاهش می‌دهد. با این حال، چون این مدل عامل‌محور است و در هر درخواست محاسبات بیشتری انجام می‌دهد، مصرف توکن در هر درخواست معمولاً بیشتر از مدل‌های ساده‌ی تکمیل کد است. این اتوماسیون پیشرفته به توسعه‌دهندگان اجازه می‌دهد تا بسیاری از وظایف تکراری و خسته‌کننده را به هوش مصنوعی بسپارند و بر معماری کلان پروژه تمرکز کنند.

معماری Composer

بر اساس گزارشی در وب‌سایت dev.to که در ۲۲ سپتامبر ۲۰۲۶ منتشر شد، Composer بر پایه معماری ترکیب خبره‌ها (Mixture of Experts یا MoE) ساخته شده است. این طراحی به مدل اجازه می‌دهد ظرفیت خود را برای وظایف با زمینه طولانی (Long-context) افزایش دهد، بدون اینکه هزینه محاسباتی هر توکن به‌طور کلی بالا برود. MoE به مدل «ظرفیت اپیزودیک» (Episodic capacity) می‌دهد؛ به این معنا که می‌تواند بسته به نوع وظیفه، به‌طور انتخابی به تعداد بسیار زیادی از پارامترها دسترسی داشته باشد.

برای اصلاح رفتار مدل، Cursor از یادگیری تقویتی (RL) با سیگنال‌های پاداش استفاده کرد که به‌طور خاص برای مهندسی نرم‌افزار تنظیم شده بودند. برخلاف مدل‌هایی که صرفاً بر اساس پیش‌بینی توکن بعدی آموزش دیده‌اند، Composer برای به حداکثر رساندن رفتارهای زیر آموزش دیده است:

• نوشتن برنامه (Plan writing)
• استفاده از ابزارهای جست‌وجو
• ویرایش کد
• نوشتن تست‌ها
• به حداکثر رساندن استفاده موازی از ابزارها

Composer همچنین «آگاه به ابزار» (Tool-aware) است. در طول آموزش، این مدل دسترسی مستقیم به مجموعه‌ای از ابزارها داشت، از جمله:

• عملیات خواندن و نوشتن فایل
• دسترسی به ترمینال و دستور grep
• جست‌وجوی معنایی (Semantic Search) در کدبیس

برای پشتیبانی از این آموزش در مقیاس بزرگ، Cursor زیرساخت‌های سفارشی را با استفاده از PyTorch و خط لوله‌های مبتنی بر Ray توسعه داد. آن‌ها هسته‌های MXFP8 MoE را پیاده‌سازی کردند و از خوشه‌های بزرگ ماشین مجازی (VM clusters) برای فعال کردن یادگیری تقویتی (RL) غیرهمزمان و ابزار-محور استفاده کردند. این انتخاب‌ها در زمینه آموزش با دقت پایین (Low-precision training) و موازی‌سازی خبره‌ها (Expert parallelism) به‌طور خاص برای کاهش هزینه‌های ارتباطی و پایین نگه داشتن تأخیر استنتاج (Inference latency) صورت گرفت.

این آموزش به Composer اجازه می‌دهد تا ابزارهای تخصصی را از طریق پروتکل زمینه مدل (MCP) فراخوانی کند و نیاز برنامه‌نویسان به توضیح مکرر ساختار پروژه در هر پرامپت را کاهش دهد. با ادغام در ابزارهای بازیابی و ویرایش Cursor، مدل می‌تواند درباره پروژه‌های بزرگ استدلال کرده و ویرایش‌ها را در حالی که زمینه را در چندین فایل حفظ کرده است، انجام دهد.

سطوح اشتراک و دسترسی

دسترسی به Composer یک خرید مجزا نیست، بلکه در طرح‌های اشتراکی لایه‌بندی شده‌ی Cursor ادغام شده است. دسترسی توسط این اشتراک‌ها مدیریت می‌شود و پس از اتمام سهمیه‌های هر طرح یا هنگام استفاده از مسیریابی «Auto»، سیستم پرداخت مبتنی بر توکن اعمال می‌شود.

برای توسعه‌دهندگان انفرادی، گزینه‌ها از سطح رایگان Hobby تا طرح‌های پولی با ظرفیت بالا متغیر است:

• Hobby (رایگان): دسترسی سطح ورودی با درخواست‌های محدود برای عامل‌ها و تکمیل‌های Tab. این طرح شامل یک دوره آزمایشی کوتاه Pro برای آزمایش‌های سبک است.
• Pro (۲۰ دلار در ماه): نقطه ورود استاندارد برای توسعه‌دهندگان انفرادی. این طرح استفاده گسترده‌تر از عامل‌ها، تکمیل‌های Tab نامحدود، عامل‌های پس‌زمینه و حداکثر پنجره‌های متنی (Context windows) را ارائه می‌دهد.
• Pro+ (۶۰ دلار در ماه): توصیه شده برای کاربران حرفه‌ای (Power users). این سطح سهمیه بیشتری از مدل‌های پیشرو (Premium models) را فراهم می‌کند.
• Ultra (۲۰۰ دلار در ماه): برای کاربران انفرادی بسیار سنگین که به سهمیه مدل به‌مراتب بزرگ‌تر و دسترسی اولویت‌دار نیاز دارند.

برای سازمان‌ها، طرح Teams با هزینه ۴۰ دلار به ازای هر کاربر در ماه ارائه می‌شود که قابلیت‌هایی مانند صورت‌حساب متمرکز، تحلیل‌های مصرف (Usage analytics)، کنترل‌های مبتنی بر نقش (Role-based controls) و SSO را اضافه می‌کند. مشتریان سازمانی (Enterprise) قیمت‌گذاری سفارشی با سهمیه مشترک (Pooled usage)، صورت‌حساب از طریق PO/Invoice، قابلیت SCIM، گزارش‌های حسابرسی (Audit logs) و پشتیبانی اولویت‌دار دریافت می‌کنند.

تغییرات Cursor در اواسط سال ۲۰۲۵ در مورد استخرهای مصرف (Usage pools) شفاف کرد که طرح‌های Pro یک استخر از اعتبارات مدل برای استفاده از مدل‌های پیشرو فراهم می‌کنند. پس از اتمام این اعتبارات، استفاده‌های اضافی با نرخ‌های cost-plus یا از طریق صورت‌حساب توکنی محاسبه می‌شود.

اقتصاد توکن‌های اندازه‌گیری شده

فراتر از هزینه ماهانه، Cursor از یک سیستم صورت‌حساب اندازه‌گیری شده (Metered billing) برای مسیریابی «Auto» یا زمانی که سهمیه‌های طرح تمام شده است، استفاده می‌کند. اینجاست که هزینه واقعی کدنویسی عامل‌محور آشکار می‌شود، زیرا مدل‌های عامل‌محور در هر درخواست نسبت به مدل‌های ساده‌ی تکمیل کد، محاسبات بیشتری انجام می‌دهند.

دو بستر صورت‌حساب متمایز وجود دارد: حالت «Auto/Max» و قیمت‌گذاری مستقیم «Model-list».

هنگام استفاده از مسیریاب Auto (که به‌طور پویا یک مدل پیشرو را بر اساس نیاز انتخاب می‌کند)، هزینه‌ها به شرح زیر است:

• ورودی + نوشتن حافظه پنهان (Cache Write): ۱.۲۵ دلار به ازای هر ۱,۰۰۰,۰۰۰ توکن
• خروجی (تولید): ۶.۰۰ دلار به ازای هر ۱,۰۰۰,۰۰۰ توکن
• خواندن حافظه پنهان (Cache Read): ۰.۲۵ دلار به ازای هر ۱,۰۰۰,۰۰۰ توکن

با این حال، اگر کاربر به‌جای استفاده از Auto، به‌طور صریح Composer را از لیست مدل‌ها انتخاب کند، قیمت‌گذاری تغییر می‌کند. در مرجع لیست مدل‌ها، Composer با این نرخ‌ها ثبت شده است:

• ورودی: ۱.۲۵ دلار به ازای هر ۱,۰۰۰,۰۰۰ توکن
• خروجی: ۱۰.۰۰ دلار به ازای هر ۱,۰۰۰,۰۰۰ توکن

این اختلاف قیمت — به‌ویژه جهش به ۱۰ دلار برای خروجی — بازتاب‌دهنده هزینه محاسباتی بالاتر برای تولید Diffهای پیچیده در چندین فایل در مقایسه با پاسخ‌های ساده‌ی چت است. توکن‌های ورودی شامل پرامپت‌ها و زمینه فایل‌ها می‌شوند، در حالی که توکن‌های خروجی شامل ویرایش‌های واقعی کد و پیشنهادهای تولید شده توسط مدل هستند.

مقایسه با رقبا

در مقایسه با GitHub Copilot، رویکرد Cursor شفاف‌تر اما برای کاربران سنگین احتمالاً گران‌تر است. Copilot عمدتاً از یک مدل SaaS بر اساس تعداد کاربر (Per-seat) استفاده می‌کند (با لایه‌هایی مانند رایگان، Pro با قیمت حدود ۱۰ دلار در ماه و Business) و مدل‌هایی از گوگل، آنتروپیک و OpenAI را یک‌جا ارائه می‌دهد. برای تکمیل‌های روتین، قیمت کلی Copilot اغلب ساده‌تر و ارزان‌تر است.

در مقابل، سیستم توکن-سنج Composer کیفیت بالاتری برای وظایف عامل‌محور چندمرحله‌ای فراهم می‌کند. در حالی که مدل‌های پیشرو OpenAI (مانند سری GPT-5) استدلال‌های مشابهی ارائه می‌دهند، ممکن است اقتصاد توکنی متفاوتی داشته باشند و فاقد ادغام عمیق با ادیتور و نمایه‌سازی کدبیس باشند که Cursor به‌طور بومی ارائه می‌دهد.

اتصال به درگاه‌های شخص ثالث

برای توسعه‌دهندگانی که به دنبال قیمت‌های جایگزین یا نسخه‌های خاصی از مدل‌ها هستند، Cursor اجازه استفاده از ارائه‌دهندگان سفارشی مانند CometAPI را می‌دهد. CometAPI به عنوان یک درگاه تجمیع مدل (Model-aggregation gateway) عمل می‌کند و یک نقطه اتصال واحد (Endpoint) برای پروکسی کردن بسیاری از فروشندگان مختلف مدل فراهم می‌سازد.

برای پیاده‌سازی این مورد، کاربران می‌توانند مراحل زیر را دنبال کنند:

۱. دریافت اعتبارنامه: در CometAPI ثبت‌نام کنید، یک کلید API بسازید و شناسه مدل مورد نظر (مثلاً claude-sonnet-4.5) را شناسایی کنید.
۲. پیکربندی Cursor: به مسیر Settings $\rightarrow$ Models (یا API Keys) بروید.
۳. تغییر Base URL: آدرس Base URL سازگار با OpenAI مربوط به CometAPI (مثلاً https://api.cometapi.com/v1) را جایگذاری کنید.
۴. وارد کردن کلید و مدل: کلید API را وارد کرده و شناسه دقیق مدل را همان‌طور که در مستندات CometAPI آمده است، اضافه کنید.
۵. تأیید: از دکمه «Verify» یا «Test» استفاده کنید تا مطمئن شوید اتصال فعال است.

این روش اجازه دسترسی به مدل‌های تخصصی را می‌دهد که به‌طور خاص برای Cursor طراحی شده‌اند، مانند cometapi-sonnet-4-5-20250929-thinking و cometapi-opus-4-1-20250805-thinking.

بازگشت سرمایه در سرعت عامل‌محور

برای یک توسعه‌دهنده متوسط، یک طرح Pro ۲۰ دلاری به همراه استفاده‌های گاه‌به‌گاه از حالت Auto احتمالاً منجر به صورت‌حساب ماهانه در حد چند ده دلار می‌شود. با این حال، برای تیم‌هایی که بارهای کاری موازی عامل‌محور با خروجی‌های عظیم اجرا می‌کنند، هزینه‌ها می‌تواند به صدها یا هزاران دلار برسد، زیرا نرخ توکن‌های خروجی و هم‌زمانی (Concurrency) هزینه کل را چند برابر می‌کند.

این هزینه، بهای پرداخت شده برای سرعت و قابلیت است. Cursor ادعا می‌کند اکثر نوبت‌های گفتگو در Composer در کمتر از ۳۰ ثانیه تکمیل می‌شوند. برای یک مهندس ارشد، زمانی که در یک بازنویسی در سطح کل ریپازیتوری صرفه‌جویی می‌شود — با کاهش تکرارهای دستی و جابه‌جایی بین زمینه‌ها — اغلب بسیار بیشتر از افزایش جزئی در هزینه‌های توکن است.

این تغییر نشان می‌دهد که آینده کدنویسی با هوش مصنوعی، نه در تکمیل‌های «رایگان»، بلکه در پرداخت هزینه برای محاسباتی است که برای انجام کارهای مهندسی مستقل مورد نیاز است. با جایگزینی هزینه استنتاج حاشیه‌ای بالاتر با قابلیت‌های آگاه به ریپازیتوری، Composer بازگشت سرمایه (ROI) قدرتمندی برای کسانی که بر اتوماسیون چند-عاملی و چرخه‌های تکرار کوتاه‌تر تمرکز دارند، ارائه می‌دهد.

توسعه‌دهندگان اکنون باید مصرف توکن‌های خود را در داشبورد Cursor رصد کنند تا پیش از گسترش استفاده در سطح تیم، شناسایی کنند که کدام جریان‌های کاری بیشترین هزینه را ایجاد می‌کنند.

گام بعدی شما

• در داشبورد Cursor، میزان مصرف توکن‌های خود را رصد کنید تا بفهمید کدام جریان‌های کاری بیشترین هزینه را ایجاد می‌کنند.
• اگر روی پروژه‌های بزرگ کار می‌کنید، حالت Composer را برای بازنویسی‌های چندفایلی تست کنید تا میزان کاهش زمان جابه‌جایی بین فایل‌ها را بسنجید.
• برای کاهش هزینه‌ها، از مدل‌های ارزان‌تر برای کارهای ساده و از Composer فقط برای استدلال‌های پیچیده استفاده کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.