不是聊天框，而是一台云电脑

Grok Bot 的核心机制在于”专属云电脑”。当你向普通的 Grok 应用提问时，模型写完一段答案就停止了；而当你把一个任务交给 Grok Bot，它会在 SpaceXAI 托管的一台机器上打开浏览器，用你提供的账号登录相关服务，点击页面、写入文件，并在聊天里汇报结果——即使你合上笔记本电脑，任务也会在后台继续。

SpaceXAI 把这种智能体称为”可以交给真实工作的 AI 同事”。每个 Bot 拥有自己的屏幕，多个 Bot 可以并行工作并相互交接。用户可以用类似给同事发消息的方式下达任务，Bot 会记住对话、学习偏好，并随着完成任务越来越多而变得更好用。

看着学一遍，以后自动做

Grok Bot 不需要复杂的自动化编程。用户可以训练一个智能体：让它观察自己把某项工作做一次，Bot 就会把这套流程保存为”例行程序”，并随着时间推移适配特定偏好、学会处理例外情况。

据 SpaceXAI 介绍，公司内部已经把 Bot 用于销售拓展、市场工作、办公运营、发票处理、招聘、漏洞上报和软件修复等场景。用户也可以同时运行多个 Bot，让它们共享上下文、在群聊里互相分配工作，并在需要人类拍板时把用户拉进来。

先支持苹果与微软设备

Grok Bot 首批以 Mac 和 iPhone 应用的形式推出，这一点在偏企业属性的智能体工具里并不常见。根据 SpaceXAI 的文档，其支持平台包括搭载 Apple 芯片与 Intel 芯片的 macOS、Windows（x64 与 Arm64），以及 iOS 18 及以上的 iPhone；Intel 版 Mac 也在支持之列，这在 2026 年多数已悄悄放弃 Intel 机型的 AI 桌面应用里显得特别。

文档同时明确，Linux 桌面、Android 与 iPad 在首发阶段暂不支持。多家媒体在发布当天的报道中称已有 Linux 版本，这与官方常见问题解答相矛盾，因此 Linux 支持仍应以 SpaceXAI 自己更新的页面为准。

没有免费档

Grok Bot 不单独售卖，而是绑定在三档既有订阅之上，且全部为高级套餐：SuperGrok Heavy 每月 300 美元、Cursor Ultra 每月 200 美元、Cursor Teams Premium 每席位每月 120 美元；企业客户则需进入等待名单。换言之，对个人用户而言，最低门槛也要通过 Cursor Ultra 的每月 200 美元进入。

第三方拆解显示，每个账户实际只对应”一台”云电脑、一个浏览器会话和一组登录凭证，多个 Bot 共享同一台机器。SpaceXAI 自己的文档也提醒，不要把不同的 Bot 当作安全边界来对待——这一点值得任何打算把账号凭证交给 Bot 的用户留意。

从对话式 AI 到”数字劳动力”

Grok Bot 当前处于早期测试阶段，首批向 macOS、iOS、Windows 和 Linux 开放（Android 列为即将推出），访问权限严格限制在 SuperGrok Heavy、Cursor Ultra 与 Cursor Teams Premium 订阅用户范围内。9to5Mac 在 8 月 21 日的后续报道中提到，SpaceXAI 在发布 10 天后已扩大了对 Grok Bot 的开放范围。

这款产品的发布，标志着从”对话式 AI”向”可执行的持久数字劳动力”的又一次行业转向：智能体不再只是回答问题，而是真正登录软件、操作界面、把工作做完。对于中国市场的开发者与企业用户而言，这类把编码智能与智能体能力结合的平台，也提供了新的自动化思路——只是其高昂的订阅门槛与凭证安全边界，仍是落地前必须权衡的现实问题。

Grok Bot 与 Cursor 深度绑定——Cursor 是 SpaceX 正以约 600 亿美元收购的 AI 编程公司。订阅用户可以用自然语言从手机或桌面端给某个智能体发消息，SpaceXAI 强调，相较于许多需要预先搭建工作流和定时任务的产品，Grok Bot 靠一次对话就能把任务办妥。

什么是 Grok Bot

它本质上是一组可以长期驻留的 AI 智能体。用户发出一个目标，智能体去调用网站（包括那些没有开放 API 的站点）、应用和工具推进任务。SpaceXAI 尚未公开其登录认证的具体实现方式，只说明智能体具备代用户登录网站的能力。

多个智能体可以并行工作，其中一个负责统筹其他智能体，并针对不同类型的任务派出专项智能体。它们还能加入同一个群聊，自行协调、交接工作、认领归属，只在需要做判断时才把用户拉进来。

能做什么

Grok Bot 支持「教学式」工作流：它观察用户完成某项任务的过程，把这套流程保存下来，下次就能照着同样的步骤独立完成。SpaceXAI 称智能体会随时间学习，最终可能在用户开口之前就开始动手。

官网上给出了几个示例：销售智能体把通话转写要点更新进客户关系管理系统；运维智能体负责新员工入职，并在 Gmail 里处理发票；工程智能体在产品界面里复现一个缺陷、提交工单，再把修复任务交给调试智能体。这些场景的共同点是把跨应用、跨网站的重复操作打包成可复用的自动化。

目前怎么用

Grok Bot 目前处于测试阶段，面向 SuperGrok Heavy、Cursor Ultra 以及 Cursor Teams Premium 订阅用户开放，支持 macOS 与 iOS 端；企业用户可加入等候名单，等待后续开放。

从定位上看，它试图把「搭工作流」的门槛降到「说一句话」。这类常驻智能体的价值在于替用户盯着跨系统的事务，但其实际可靠性、对无 API 网站的认证安全性，以及长期自主运行带来的数据访问范围，仍有待用户与监管视角进一步检验。

来源：MacRumors，作者 Juli Clover

根子在底层。Cursor 是 VS Code 的衍生版，扛着 Electron 框架，里面打包了 Chromium 和 Node.js——光是把文本文件打开就要启动一整套浏览器内核。它自己又往上叠了 AI 功能、后台索引和项目分析，还没让你跑 agent，资源已经吃一大块。Zed 完全不同：用 Rust 写成，界面走自研的 GPU 加速框架 GPUI，启动、开项目、搜代码的响应都明显更快，日常占用内存也更少。

想从 Cursor 切过来，先做好三件事

1. 直接下载安装 Zed，首次启动选”从 VS Code 导入设置”，快捷键、主题、插件偏好一次带过来，不用从头配；
2. 把 AI 接上：打开 Agent Panel，填自己的 API Key，或连 OpenRouter、Amazon Bedrock，本地模型走 Ollama / LM Studio 也行。Claude、GPT、Gemini 这几个前沿模型都在，想要更强外部能力还能通过 Agent Client Protocol 挂载 Claude、Codex、Gemini CLI 等；
3. 确认常用语言支持：Zed 已内置或通过扩展覆盖 Python、JavaScript、TypeScript、Rust、Go、Java、C++、C#、PHP、Ruby 等数十种语言的 LSP，终端、调试器、任务、原生 Git、SSH 远程、开发容器都自带，多数工作流不用再找替代插件。

它也有短板

说白了，Zed 的 AI 还追不上 Cursor。Cursor 的 Agent 更懂大代码库、会自己攒上下文，还有 Plan Mode、专用子 agent、能脱离编辑器跑的云 agent；Zed 的原生 agent 偶尔得多给点引导。插件市场也比 VS Code/Cursor 小一圈，特别冷门的扩展得自己凑。

我的判断是，个人开发者值得花十分钟换过去试试，流畅度提升立竿见影；但如果你在团队里、得守公司统一工具规范，Cursor 或 VS Code 仍是更稳妥的选择。你被 Cursor 的卡顿劝退过吗？

来源：XDA Developers

瓶颈不在算力，在搬运

Cursor 训练的是自家的智能体编程模型 Composer。团队在博客中写道，随着训练和推理规模不断放大，混合专家层始终是最主要的瓶颈——视工作负载和训练配置而定，这一层可以吃掉端到端训练时间的一半以上。

原因在于 MoE 的工作方式。这类模型不会让每个 token 都走完整个网络，而是由一个路由器为它挑选少数几个“专家”子网络。省算力的代价是，专家权重被切分存放在不同显卡上，token 必须先被分发（dispatch）到持有对应专家的卡上算完，再被收回（combine）原处加权求和。通信耗时可能和计算本身一样长，两者若串行执行，效率极低。

过去一年 Cursor 也写过自己的 MXFP8、NVFP4 训练算子和面向推理的“warp decode”方案，但那些工作只优化了计算部分，默认通信由别的库另行处理。到了生产环境，通信反而成了限制因素，于是团队决定从第一性原理出发，把整个 MoE 层连同通信一起重写。

一个内核吞下所有环节

MoK 的做法是把 MoE 的全部通信与计算融进单一内核，并且保证完全确定性——同样的输入必定得到逐位一致的输出。它专为英伟达 GB300 NVL72 机架设计：72 张显卡处在同一个 NVLink 域内，为细粒度的计算通信重叠创造了条件；但同一机架里集成的 Grace 中央处理器相对偏慢，显卡很容易空转等它，因此内核必须尽量抹掉主机侧的工作与同步。

团队的几项关键选择颇具反直觉色彩。业界惯例是用“推”（push）的方式散发 token，认为协议开销小、更能跑满链路；Cursor 的实测却发现，分发环节改用“拉”（pull）在专家负载不均时能把 NVLink 带宽利用率再提升最多 29%。更关键的是信令开销：推式分发要等最多 71 个对端的完成信号并刷新整个机架的内存，而拉式分发无需跨卡同步，微基准里两者延迟相差约 5.8 倍——103 微秒对 18 微秒。最终 MoK 选定了前向拉式分发、推式收回的组合。

此外，内核用环形 token 缓冲区复用固定内存，免去主机每步重新计算和分配缓冲区；并把流式多处理器拆开，一部分做矩阵乘法，一部分继续搬数据。在 Blackwell 架构上，凑够 256 个 token 就足以触发一条完整的张量核心矩阵乘指令，于是下一批还在路上时，这一批已经开算。

快了多少

在单个 MoE 层的对比测试中，MoK 的 MXFP8 前向吞吐最高达到最强公开基线的 2.37 倍。参与对比的是 NCCL 加 PyTorch、DeepEP 加 PyTorch、DeepEP 加 Transformer Engine，以及英伟达 HybridEP 加 Megatron 四套组合。

更有说服力的是生产数据。在横跨多个 NVL72 机架、共 512 张显卡的真实训练栈上，端到端每秒处理的 token 数从此前基于 DeepEP 方案的 760.9 提升到 1070.2，相当于 1.41 倍。Cursor 表示，MoK 目前已经支撑着数万张显卡规模的 Composer 训练。

谁会用得上

MoK 针对的是 DeepSeek-V3 式的 MoE 结构——一个共享专家加上数以百计的路由专家。Cursor 在文中直接点名，这一结构被 GLM、Qwen、Kimi（直到 K2.7）等开放权重模型广泛采用。换句话说，任何一家在 NVL72 机架上训练同类架构的团队，理论上都能直接受益。

代码已按 Apache 2.0 协议发布在 GitHub 的 cursor/mixture-of-kittens 仓库。署名作者为 Stuart H. Sul、Nash Brown、Henry Wildermuth、William Lin 和 Federico Cassano。

值得玩味的是发布者的身份：一家靠卖编程助手赚钱、不做芯片也不卖基础设施的应用层公司，公开了能从同一批硬件里多榨出四成吞吐的底层算子。这既说明模型训练成本对它已是实打实的支出项，也说明大规模训练的竞争，正越来越多地落在那些看不见的内核细节上。

来源：Cursor 官方博客