海外Agent实践：让问题直达源码，助力团队提效！

爱奇艺海外事业部在AI编程全面普及的背景下，进一步探索实践，基于Cursor TypeScript SDK先后构建Code Chat MCP（代码即时问答）、Intl Chat Debug Agent（国际站排障助手）两个云端智能服务，针对业务咨询、反馈排障、产品迭代联调等场景，按实际业务路径自动跨系统串联多方数据并结合代码综合分析汇总，助力产研工作提效。本文梳理Cursor SDK的能力边界、方案优势、案例实践与可扩展方向，供参考复用。

1.1 协作痛点

目前公司已实现研发 100% AI 编程普及，进入「人手必备智能IDE/助手」智能发展轨道，但在业务迭代过程中依旧存在协作痛点；例如：大量项目服务，长期迭代后功能逻辑日渐复杂，人员流动，文档失真难对齐，虽然现在逐步应用沉淀业务知识库，但无法保证覆盖所有业务逻辑；工作中常常需要多方人员核对确认业务逻辑，再推进迭代，其中多方串行依赖、需人工介入、沟通成本不可忽视；

典型场景：

• 产品咨询代码逻辑：帮忙确认目前线上标题多语言优先级、AI海报图分发策略是怎么样的 ？需开发确认后回复；

• 运营反馈终端问题：为什么配置了某重点剧目\某页面\模块，但未展示?  为什么XXX未展示多音轨角标 ？需同时排查后台配置、业务逻辑、推荐分发策略等上下游多系统才能定位原因；

• 需求开发迭代联调：需求迭代过程中，需要多方联调协同，不断对齐功能，排除产\研\测各方疑问，耗时费力；

• 报警排查分析处理：当触发某些业务报警时，需要人工介入，协调兄弟团队处理。

  
  

1.2 核心需求

通过飞书机器人\个人助手，可实现代码逻辑即时智能问答、实现业务跨系统全链路自动化智能分析与答复，打破多方人员串行依赖；

基于第一性原理：业务最新最完整功能逻辑全部沉淀在代码\配置\运行的服务之中。查文档、问研发，不如让 Agent 直接按需读代码、调接口、查日志，在 IM 里给出综合结论。

期望效果：工作中，可以通过飞书机器人\AI agent咨询了解所负责业务的底层逻辑，可获得即时响应、可跨系统分析定位问题，降低团队沟通成本，促进业务高效迭代；

通过飞书机器人对话界面，用自然语言表达意图（例如：「展示配音超剧集有哪些条件？」、「泰国用户为什么XXX播放失败？附：客服反馈链接」、「XX节目配置都正常，为什么未展示？附：APP截图」、「接口没有返回最新的多音轨列表？附：播放页接口case」），

AI Agent系统能在云端分析用户反馈的图文信息，按需调用相关Skill、MCP服务，分析相关日志、配置、代码、关联服务数据等、综合分析理解、归因与结论输出。

2.1 Cursor SDK

Cursor TypeScript SDK 是 Cursor 官方客户端库，可在代码中程序化创建 Agent、选择模型与工作区，让 Agent 在指定目录下读取与推理——能力形态接近 IDE 内 AI 助手，可通过 API Key 运行在服务端 / CI / 容器等无界面环境。自研Agent 与 基于Cursor SDK 构建Agent对比，Cursor SDK已封装满足需求的核心功能；特别是在多项目工程代码分析处理方面优势明显；

2.2 对比优势

💰 无额外模型成本

SDK 运行走既有 Cursor 套餐与用量池，与 IDE 内使用同计价规则，无需单独采购大模型 API。可建团队共享API KEY池，分享个人账号Auto模式的Token余量；

⚡ 研发成本低

快速嵌入业务，无需自研多模型对接 + Tools 编排 + 上下文裁剪；团队聚焦业务 Skill、MCP、Prompt 与集成层。开启隐私模式，内网部署，代码不出内网；

🔌 通用适配快

飞书 Bot、OpenClaw 、ArkClaw等均支持 MCP；可构建 MCP Server用于智能分析代码，一次开发、多方复用，集中授权管理。

可快速实现：

① 用 云端私有部署local: { cwd } 保证源码不出内网；

② 用 Skill（.cursor/skills/）封装领域知识技能，Agent 按需读取而非全量加载；

③ 用 MCP 对团队项目Code Debug、关联业务逻辑分析 等外部能力；

④ 用 Prompt 约束回答格式、合规脱敏与工具调用顺序；

⑤ 用 Agent 池化 + sessionKey 绑定实现多轮对话与资源回收。

2.3 项目实践

针对目前工作中的提效诉求与技术调研，海外基于Cursor SDK 先后探索性构建了 Code Chat MCP、Intl Chat Debug Agent（国际站排障助手） 两个云端服务，在实践中验证可行性；

3.1 架构简介

基于 Cursor SDK 构建的独立 Code Chat MCP Server，可以授权配置给 ArkClaw、AI Agent等。用户自然语言提问后，云端MCP Server 内部Agent 按需按拉取项目代码，完成代码理解、问题诊断与修复建议（目前服务侧不改代码、禁止修改提交操作、源码不出内网）。

应用价值：产品/运营无需排队等研发确认反馈，Agent可以直接读最新正式\测试分支代码给精确的结构化结论；

3.2 使用案例：

配置Code Chat MCP后，可通过智能助手咨询指定项目的业务逻辑；

国际站排障助手是基于 Cursor SDK 重构迭代实现的云端 Agent，可串联图文问题描述、API接口、业务日志、客服反馈、用户访问轨迹、后台配置、数据中心、网关服务、配置中心，并结合相关项目代码等综合分析，在飞书群/话题内给出精确的排障结论。

4.1 核心思路

按照递进式业务路径编排，系统把“问题”先转成一组可执行的业务线索，而不是直接让模型自由回答。线索包括：问题类型、页面或接口路径、实体ID、反馈ID、错误码、站点模式、平台、语言、版本、用户或设备 ID、时间窗口、环境和代码分支。随后按“成本低且接近现象 → 能解释原因且成本更高”的顺序逐层取证。

1. 现象层：飞书文本、截图、引用消息、话题历史、连续图片/文件，以及乐客反馈正文。

2. 运行态层：页面接口、导航、展播一览、数据中心接口、推荐接口、用户轨迹等实时结果。

3. 配置层：运营后台、配置中心、业务配置及本地业务字典。

4. 日志层：网关日志、业务日志、分类索引 与用户访问轨迹。

5. 源码层：按业务归属选择相应项目代码，并支持切换正式\测试分支或用户指定分支。

6. 归因层：网关API负责人为主，应用部署侧 creator 为辅，产品功能负责人由业务知识库补充。

这六层非固定逐步全部执行。Skill 的触发条件承担路由规则：证据足够就停止升级；运行态结果与配置或代码矛盾时才继续下钻。由此避免一开始就分析代码，也避免只凭接口结果猜测代码根因。

4.2 总体架构

4.3 分层说明

4.4 Skill 技能矩阵

系统集成N+Skill技能，按排障链路中的职责分成四个能力域，各域的输入、数据源、输出与升级条件。渐进式执行“什么时候使用哪类技能、什么时候继续深入下一层”的决策。

4.5 多系统与多数据源分工

4.6 核心请求流程

4.7 应用案例

应用场景：目前已应用在内容展示排障群、需求迭代群；

应用价值：支持图文自然语言交互，跨系统综合排障，减少人力强依赖，避免繁琐耗时的工作降低人效；

1. 群聊，运营同学反馈问题，排障机器人自动识别、自动分析回复，综合分析后精准定位原因；

2. 用户私聊，咨询目前多音轨角标最新逻辑是？

3. 协助分析报警，定位问题

4. 小范围授权，七天使用情况

• 业务路径优先：先回答“用户实际遇到了什么”，再决定是否读代码，降低无效代码分析 和错误仓库选择。
  

• 环境一致性：仓库分支与 环境prod/test 配置联动，避免拿测试代码解释正式配置。
  

• 按需加载：Skill 和知识文件仅按场景读取，避免全量知识污染上下文。
  

• 证据可升级：运行态 → 配置/日志 → 源码，每层都有明确进入条件和停止条件。
  

• 会话可持续：飞书话题、Agent 恢复和补充信息保持同一排障上下文，新咨询则隔离。
  

• 安全内建：用户回复对代码和配置脱敏。
  

• 边界明确：Skill 依赖接口可达性、凭证有效性和数据源覆盖；代码只能解释潜在路径，最终现归因仍需运行态或日志闭环。

  
  

Code Chat MCP验证了基于 Cursor SDK 做代码问答的可行性，在此基础上可演进在内网部署云端开发助手(云端Cursor)，通过飞书机器人可随时随地AI Coding。

基于 Cursor SDK 重构的Intl Chat Debug Agent（国际站排障助手），将「飞书对话 + Agent 编排 + 领域 Skill + MCP/HTTP 工具 + 知识沉淀」整合为一体化提效智能体，其核心价值在于可按实际业务路径自动跨系统串联多方数据源并结合代码，综合分析汇总，快速准确的响应产品、运营、研发、测试、项目同学的问题，打破多方人员串行依赖，助力业务提效。

6.1 未来扩展方向

6.2 参考链接