Wayfair 如何借助 Cursor 将 ML 模型成本降低 90%（而且做到了两次！）
在 Cursor 负责执行实验的情况下，Wayfair 将原本需要数月的 ML 研究压缩到了几天内。5 名研究人员测试了 110 多种模型变体，并将标签验证模型的成本降低了 94%。
Wayfair 的应用研究团队使用 Cursor，将原本需要数月的机器学习和 AI 应用研究压缩到了几天内。到 2025 年底，研究人员最多可并行运行 20 多个智能体。这让一个五人团队能够在为期四天的实验冲刺中测试 110 种模型变体，并将一项核心电商商品目录丰富化工作流的推理成本降低 94%。在 2026 年 3 月，团队又借助 Cursor 中的最新模型，沿用同样的方法，将成本再降低了 90%。
Cursor 改变了 Wayfair 开展 ML 研究的方式。Wayfair 的研究人员主导模型改进：提出假设、解读结果，并不断打磨最有潜力的创意。Cursor 则负责具体实现：构建实验、将其接入测试框架，并衡量结果。
根据全球最大的家居用品商品目录验证产品属性数据
Wayfair 目录中的每件商品，都通过结构化“标签”来描述其材质、尺寸、颜色和其他属性。超过 47,000 个不同的属性标签，为数千万件商品的搜索、筛选、推荐、商品展示和广告投放提供支持。
Wayfair 的 Applied AI 团队构建了一个验证模型，结合商品页面上的图片、描述和客户评价，对每个标签进行审查。该模型准确性很高，但如果要在 Wayfair 庞大的商品目录中大规模运行，成本仍然过高。
我们的目标，是让这个模型具备足够高的成本效益，从而能够应用于全球规模最大的家居用品商品目录之一。
为了实现这一目标，团队需要探索庞大的设计空间，包括不同的 LLM、输入预处理策略、提示、输出结构和评估方法。如果手动实现数百种组合，原本要花上数月时间。
因此，Wayfair 使用 Cursor 将实验循环自动化并行化。2025 年 12 月，团队开展了一次为期四天的实验冲刺，朝着降本目标快速推进。在 Cursor 负责实现层工作的情况下，五位研究人员构建并测试了 110 个具有实质差异的模型变体。最终胜出的架构将推理成本降低了 94%，同时提升了模型精度，并作为 Wayfair 标签验证的基线投入生产。
研究中最耗时的部分，是手动构建并评估每个实验。我们把这个循环自动化了，让 Cursor 负责实现和执行每个实验，因此原本需要几个月的工作，四天就完成了。
将实验执行交给 Cursor
在构建模型变体之前，团队先统一了 Cursor 执行和衡量实验的方式：每个变体都在同一测试数据集和同一评估基准上运行，以评估性能。测试与评估框架一旦作为 Cursor 中的自动化工作流固定下来，研究人员就能把全部精力放在实验设计的探索上：更换模型、重写提示、调整输出结构，或重新思考图片选择方式。
“这里有很多可探索的维度：模型、提示、输出结构、图片选择。有了 Cursor 自动化，我就专注于探索设计空间，”高级机器学习科学家 Guillermo Mosse 说道。“我会描述一个想法，有时甚至用语音模式连续讲上 5 分钟，Cursor 就会拉起这个变体、运行 eval，并发布结果。这个框架负责数据采样、评估和指标报告，让这些对比更加可信。”
Cursor 把瓶颈从“构建这个要花多久？”变成了“下一个值得测试的想法是什么？”。对于科学家来说，把注意力放在后者上要好得多。
这让研究人员能够在不到 30 分钟内把一个想法变成一个正在运行的实验。
研究人员大部分时间都花在头脑风暴下一步该尝试什么、审查结果，以及判断哪些想法值得再迭代一轮。Cursor 负责编写并运行每个变体，把最好的方案呈现给我们审查。
到 2026 年 3 月，Wayfair 又进行了一轮实验冲刺，这一次以 12 月已投入生产的模型作为新的基线进行基准测试。随着框架日趋成熟，即使此前从未接触过标签验证的初级工程师，也能在第一天就交付新的模型变体。研究人员运行了 140 多个新实验，并在表现最强的候选方案之上叠加遗传算法搜索，进行最终优化。结果是：成本再次降低了 90%。
将 Cursor 作为智能体优先型机器学习研究的基础
对 Wayfair 开展实验来说，以下几项功能尤为关键：
- 可扩展的智能体并行化： 在实验冲刺期间，研究人员经常会并行运行 20 多个 Cursor 智能体。Mosse 表示：“在 Cursor 中同时运行多个变体既直接又容易。这让我们为期四天的冲刺变得切实可行。”
- 跨平台界面： 一些研究人员主要在 Cursor 桌面应用中工作，另一些则主要使用 Cursor CLI。当桌面端团队需要更直接的底层控制时，他们可以直接在 Cursor 中打开终端或文件。
- 云端智能体： 研究人员希望即使离开笔记本电脑，实验也能继续运行。Mosse 表示：“通常一合上笔记本电脑，实验就会中断。Cursor 让我可以通勤、参加会议，或在白板上梳理创意，同时云端智能体会持续运行，让我们能够 24/7 不间断地开展实验。”
- 访问所有模型： 研究人员会针对不同任务选用不同模型。能在一个工具里访问所有最佳模型，让 Wayfair 可以轻松快速地迭代。
Nick Coleman 是一位高级机器学习科学经理，在试用过其他几个智能体后开始使用 Cursor。他说：“Cursor 是最容易上手的，而且您可以访问所有最佳模型。那些我想手动控制的事情，比如管理 git 分支或跳转到文件，也都可以直接在 Cursor 中轻松完成，不需要在不同工具之间来回切换。”
在 Wayfair 全面推广 Cursor
如今，Cursor 已在应用研究组织内广泛普及，远不止于负责商品目录丰富化的 ML 团队。研究人员正在构建并共享用于 ML 实验的内部技能仓库，进一步提升了开发速度。“我一直在 Cursor 中管理多个探索性研究项目。我来定义规格、设定成本边界，并提供值得一试的创意。智能体会连续运行数天，而我只需在必要时把控方向，”Mosse 说道。
这种全新的研究方式，能把数月的探索压缩到短短几天，这正是我们希望继续推进的方向。
Wayfair 的研究人员也在鼓励公司内的其他相关方使用智能体，其中也包括没有编程经验的合作伙伴。“我的建议是，把它用到超出你认为可能的极限，”Coleman 说道。“先告诉它你想完成什么，然后不断把边界往外推。”您可以在他们的研究博客上了解更多有关 Wayfair 工作的信息。
如果您正使用 Cursor 来加速 ML 研究，或希望在团队内扩大实验规模，请联系我们的团队，开启 Cursor 试用。
