Cursor 开发者习惯报告

1

AI 写的代码增量在变大

代码增速、PR 规模、Agent 深度全面提升，且增速本身仍在加快。

2.4×

每周人均代码行数
年同比增长

2.5×

每个 PR 新增行数
年同比增长 (p75)

13.8%

超大 PR 占比
(≥1000 行变更)

+30%

平均每次会话
Tool Calls 增幅

每周人均代码行数 · 趋势

2025 年初至今，增速持续加快

AI 生成代码的60 分钟存活率从 76% 升至 81%，说明 AI 代码质量在提升——写出来的代码不只是更多，而且更经得住审查。

2

每行"有效"代码的真实成本

单次请求成本差距达 9×，但从每行被接受代码的成本看，差距收窄至 7×。

模型经济学对比

请求成本 vs. 每行接受代码成本

模型	请求均价	请求成本	每行接受代码	行成本

Opus 4.7 的单次请求价格是 GPT-5.5 的 约 2×，但每行被接受代码的成本却几乎相同（1.10¢ vs 1.09¢）。更强的模型出错更少，减少了反复修改，摊薄了单行代码成本。

3

高级用户 vs 大众用户：差距在扩大

AI 带来了普遍的生产力提升，但顶部用户的增益远超平均水平。

46×

p99 vs p50 开发者
每日代码行数之比

15×

p99 vs p50 开发者
每周合并 PR 数之比

10×

p90 vs p50 开发者
代码行数之比

用量集中度 (Lorenz 曲线)

Gini 系数：AI 行数 0.77 · 消费 0.75 · Token 0.72

p50 vs p90 代码产出差距

绝对差距随时间持续扩大

头部效应极度集中：Top 1% 用户消耗约 15\~25% 的 Token，Top 5% 消耗约 40%。随着整体 AI 使用量增长，这一绝对差距仍在扩大。

4

模型在写代码前，读了更多

输入/输出 Token 比值从 4.5× 飙升至 13×，上下文正在成为主要成本。

输入/输出 Token 比值趋势

模型生成前消耗的上下文量大幅增加

>90%

输入 Token 占非缓存
Token 总量的比例

47%→70%

输入成本占比
年初至今提升

~90%

缓存读取 Token
占总 Token 比例

虽然输入 Token 单价低，但输入成本占比已从年初的 47.5% 升至约 70%。缓存读取占总 Token 近 90%，KV Cache 效率正成为成本控制的关键杠杆。

5

自动化：从工具到基础设施

开发者越来越信任 Agent，自动接受代码变更的比例年初以来增长超 5×。

无需手动审查即接受的变更比例

2026 年 1 月 7% → 5 月近 38%

Cursor Automations（安全审查等场景）与 SDK 运行量均在快速增长，AI 编码工具正从加速个体开发者，演化为自动化整个软件开发生命周期的基础设施。