太疯狂了，仅100行56KB的LLM框架，用Cursor复刻一个一模一样的cursor | 已开源

少即是多，简单才有力量

现在各种框架满天飞，你是否想过这个问题，一个真正优秀的框架究竟需要多少代码？研究者Zach给出了一个令人惊讶的答案：仅需100行。这个名为PocketFlow的框架不仅体积小到令人难以置信（仅56KB），还能用来构建一个完整的Cursor编码助手。这个发现不仅挑战了我们对框架复杂性的认知，更揭示了一个重要的设计哲学：真正的创新往往来自于化繁为简。

图片来自本项目

https://github.com/The-Pocket/PocketFlow

https://github.com/cursor-ai-agent/Tutorial-Cursor

从需求到创新：PocketFlow的诞生故事

作为一名LLM agents研究者，Zach在过去几年中参与了超过10个AI项目的开发。在这个过程中，他发现一个普遍的痛点：现有的LLM框架往往过于庞大和复杂。以LangChain为例，其代码量达到405K行，安装包体积高达166MB。这种复杂性不仅增加了学习成本，还常常导致AI助手（如Cursor）在处理复杂问题时出现幻觉或错误。

正是这种困境促使研究者开始思考：如果LLM agents真的那么强大，为什么不能让它们来帮助我们构建agents呢？这个想法最终催生了PocketFlow——一个仅有100行代码的极简框架。

核心设计：简约而不简单

PocketFlow的核心是一个基于图（Graph）的抽象，这个设计看似简单，却能支持各种复杂的应用场景。让我们来看看它的主要组件：

1. 基础节点系统

class BaseNode:

def __init__(self):

self.params = {}

self.successors = {}

def prep(self, shared): pass

def exec(self, prep_res): pass

def post(self, shared, prep_res, exec_res): pass

这个看似简单的节点类实际上定义了一个强大的计算单元。每个节点都有三个关键步骤：

• prep：从共享存储读取数据
• exec：执行具体任务
• post：将结果写回共享存储

2. 工作流管理

class Flow(BaseNode):

def __init__(self, start):

super().__init__()

self.start = start

Flow类通过简单的图结构连接各个节点，实现了复杂的工作流程控制。这种设计允许你轻松构建各种复杂的应用流程，从简单的串行处理到复杂的条件分支都能优雅地实现。

3. 上下文长度管理

在LLM应用中，上下文长度管理是一个关键挑战。即使是最先进的模型也有其上下文长度限制，而且随着上下文增长，处理质量往往会下降。LLM通常会只记住头尾的上下文，而丢失中间的部分。这一点在Cursor的设计上也能体现出来，每次只读250行，PocketFlow采用了这样的设计策略来解决这个问题：

分块处理策略

class ContextManager:

def __init__(self, max_chunk_size=250):

self.max_chunk_size = max_chunk_size

def split_content(self, content):

return [content[i:i+self.max_chunk_size]

for i in range(0, len(content), self.max_chunk_size)]

• 自动将长文本分割成可管理的块
• 保持语义完整性
• 在块之间维护必要的重叠以保持连贯性

动态加载机制

• 按需加载相关上下文
• 使用滑动窗口维护活跃上下文
• 智能卸载不再需要的内容

优先级管理

• 最近操作优先
• 相关性权重计算
• 关键信息保留机制

4. 动作空间定义

动作空间定义决定了AI助手能做什么、不能做什么，这对于构建可靠且安全的系统至关重要。PocketFlow通过清晰的动作空间定义来规范AI助手的行为：

基础动作集

class ActionSpace:

def __init__(self):

self.actions = {

'read': FileReader(),

'edit': FileEditor(),

'search': CodeSearcher(),

'analyze': CodeAnalyzer()

}

• 文件操作：读取、编辑、删除
• 代码分析：语法检查、依赖分析
• 搜索操作：代码搜索、符号查找
• 工具调用：终端命令、外部API

安全约束

• 文件访问限制
• 命令执行控制
• 资源使用限制
• 操作频率限制

动作组合

• 原子操作组合
• 条件执行
• 错误处理
• 回滚机制

这种设计确保了AI助手在发挥强大功能的同时，始终在可控和安全的范围内运行。

猜测这个极简框架与强化学习的联系

PocketFlow的动作空间设计的理念可能与强化学习中的核心概念相关：

1. 马尔科夫决策过程(MDP)

class MDPAgent(BaseAgent):

def __init__(self, action_space):

self.states = CodeState() # 代码状态

self.actions = action_space # 可用动作

self.rewards = QualityMetrics() # 代码质量度量

def select_action(self, state):

# 基于当前状态选择最优动作

return self.policy.get_action(state)

• 状态空间：代码库的当前状态
• 动作空间：可执行的编辑操作
• 状态转移：代码修改后的新状态
• 奖励函数：代码质量改进度量

2. 蒙特卡洛树搜索(MCTS)

class MCTSPlanner:

def plan_edits(self, code_state):

root = Node(code_state)

for _ in range(SIMULATION_COUNT):

# 选择-扩展-模拟-回传

node = self.select(root)

child = self.expand(node)

reward = self.simulate(child)

self.backpropagate(child, reward)

return self.best_action(root)

• 通过模拟不同的编辑序列
• 评估每个动作的长期影响
• 选择最优的编辑策略

这种结合让AI助手能够：

• 预测动作的长期影响
• 平衡探索与利用
• 处理复杂的决策场景

工作流模式：灵活而强大

PocketFlow支持多种工作流模式，从简单到复杂，能够满足各种应用场景的需求。让我们通过具体的例子来理解这些模式：

基础模式

1. Node（单步处理）

• 最简单的工作单元，执行单一任务
• 示例：邮件摘要生成器，一次处理一封邮件
• 适用场景：简单的独立任务处理

2. Chain（多步链式）

• 将多个节点按顺序连接
• 示例：邮件处理流程（摘要生成 → 回复草拟）
• 适用场景：需要按特定顺序执行的任务序列

3. Shared（共享通信）

• 节点间通过共享存储交换数据
• 示例：邮件处理系统，多个组件共享邮件内容
• 适用场景：需要数据共享的复杂工作流

4. Nesting（嵌套复用）

• 将一组相关节点封装为可重用单元
• 示例：代码处理任务（测试编写 → 代码生成 → 复杂度分析 → 验证）
• 适用场景：需要重复使用的复杂操作组合

高级模式

1. Batch（批量处理）

• 同时处理多个相似任务
• 示例：批量邮件摘要生成
• 适用场景：需要并行处理多个相似项目

2. Async（异步处理）

• 处理I/O密集型任务
• 示例：定时检查收件箱并处理新邮件
• 适用场景：涉及网络请求或文件操作的任务

3. Branch（条件分支）

• 基于条件选择不同处理路径
• 示例：邮件处理流程中的审核分支
• 适用场景：需要根据中间结果做出决策的场景

4. Looping（循环处理）

• 重复执行直到满足条件
• 示例：问答系统中的持续对话
• 适用场景：需要迭代或持续处理的任务

专业模式

1. Workflow（定向路径）

• 预定义的处理流程
• 示例：邮件处理的标准流程
• 适用场景：固定的业务流程

2. Map-Reduce（分治合并）

• 将大任务分解后并行处理再合并
• 示例：大文档的分块摘要生成
• 适用场景：可并行化的大规模数据处理

3. Chat（对话系统）

• 维护对话历史的循环处理
• 示例：客服聊天机器人
• 适用场景：需要上下文的交互式应用

4. RAG（检索增强生成）

• 结合向量数据库的问答系统
• 示例：基于文档库的智能问答
• 适用场景：需要外部知识支持的生成任务

5. CoT（思维链）

• 包含推理过程的处理模式
• 示例：复杂问题的分步解决
• 适用场景：需要清晰推理过程的任务

高级协作模式

1. Agent（智能代理）

• 具有决策能力的自主处理单元
• 示例：代码审查助手
• 适用场景：需要智能决策的复杂任务

2. Multi-Agent（多智能体）

• 多个代理协同工作
• 示例：团队协作的代码开发系统
• 适用场景：需要多角色协作的复杂项目

3. Supervisor（监督控制）

• 对其他代理的工作进行监督和管理
• 示例：质量控制系统
• 适用场景：需要质量保证的关键任务

这些工作流模式不是孤立的，而是可以灵活组合的构建块。通过组合不同的模式，你可以构建出适应各种复杂场景的应用系统。例如，一个完整的代码开发助手可能同时使用：

• Multi-Agent模式处理不同开发任务
• RAG模式提供API文档支持
• CoT模式进行代码设计推理
• Supervisor模式确保代码质量

突破性创新：任务分解模式

PocketFlow最巧妙的设计之一是其任务分解模式。以代码编辑为例，它将复杂的编辑操作分解为两个步骤：

1. 主agent生成高层代码修改方案
2. 编辑agent处理具体的行级修改

这种设计大大提高了代码编辑的可靠性。就像一个经验丰富的程序员，先规划整体修改策略，再处理具体的代码细节。

简约但不简单

PocketFlow的成功告诉我们，真正的创新往往来自于对问题本质的深刻理解。100行代码，56KB大小，这个看似不可能的目标，通过精心的设计和巧妙的抽象，不仅变为现实，还开创了一种全新的开发范式。

正如研究者所说："如果大语言模型真的那么强大，为什么不能让它们来帮助我们构建agents呢？"这个问题不仅推动了PocketFlow的诞生，也可能引领着AI开发工具的未来方向。

文章来自于“AI修猫Prompt”，作者“AI修猫Prompt”。