驚異的な生産性を実現するために構築されたCursorは、AIを活用したコーディングの最良の方法です。

Cursor

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets

def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)


class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )

  def forward(self, x):
    return self.net(x)

def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets

def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)


class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )

  def forward(self, x):
    return self.net(x)

def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

PyTorch MNIST実験

混合精度トレーニング、学習率スケジューリング、適切な検証を追加してください。また、異なるハイパーパラメータ設定を簡単に実行できるように、実験設定システムを作成してください。

何百万人ものプロフェッショナル開発者に毎日信頼されています。

Agentがアイデアをコードに変換

人間とAIが協働するプログラマー。単独の開発者と比較して桁違いの生産性を実現します。

Agentについて学ぶ →

Cursor

TabとAgentの使用パターンを分析

チーム全体のワークスペースにおいて、タブビューとエージェントパネルにどのように注意を分散しているかを理解するのを手伝ってください。

魔法のように正確な自動補完

当社のカスタムTabモデルは、驚異的な速度と精度で次のアクションを予測します。

Tabについて学ぶ →

Cursor

"use client";

import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";

export default function Dashboard() {

  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

"use client";

import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";

export default function Dashboard() {

  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

ソフトウェア開発のあらゆる場面で

CursorはGitHubでプルリクエストをレビューし、Slackでチームメイトとして、そしてあなたが作業するあらゆる場所に存在します。

Cursorのエコシステムについて学ぶ →

Slack

dylan9/16/2025

細かいことですが、リリースページにアンカーリンクがあると本当に便利だと思います

4件の返信

dylan9/16/2025

cursor.com/changelog#1.0 にアクセスして 1.0 の変更履歴を確認できるようにしたい

eric9/16/2025

checks out

@cursor can you take a stab?

CursorAPP9/16/2025

変更履歴エントリの直接リンク機能を実装し、プロジェクト全体のNode.jsバージョン制約を更新することで、互換性と保守性を向上させました。

PRを表示 Cursorで開く Webで開く

dylan9/16/2025

Nice @eric can you take a look?

GitHub Pull Request

cursorボットレビュー済み1分前

src/vs/workbench/composer/browser/components/ComposerUnifiedDropdown.tsx

3292

- {selectedMode().keybinding}

3293

+ {composerOpenModeToggleKeybinding}

cursorボット1分前

バグ: 関数が文字列ではなくオブジェクトを返す（ロジックバグ） composerOpenModeToggleKeybindingは値を取得するために呼び出す必要がある関数です。直接使用すると、キーバインディングの表示条件が常に真となります。

Cursorで修正

Webで修正

ソフトウェア開発の新しい方法。

It was night and day from one batch to another, adoption went from single digits to over 80%. It just spread like wildfire, all the best builders were using Cursor.

Diana Hu General Partner, Y Combinator

The most useful AI tool that I currently pay for, hands down, is Cursor. It's fast, autocompletes when and where you need it to, handles brackets properly, sensible keyboard shortcuts, bring-your-own-model... everything is well put together.

shadcn Creator of shadcn/ui

The best LLM applications have an autonomy slider: you control how much independence to give the AI. In Cursor, you can do Tab completion, Cmd+K for targeted edits, or you can let it rip with the full autonomy agentic version.

Andrej Karpathy CEO, Eureka Labs

Cursor quickly grew from hundreds to thousands of extremely enthusiastic Stripe employees. We spend more on R&D and software creation than any other undertaking, and there's significant economic outcomes when making that process more efficient and productive.

Patrick Collison Co‑Founder & CEO, Stripe

It's official. I hate vibe coding. I love Cursor tab coding. It's wild.

ThePrimeagen @ThePrimeagen

It's definitely becoming more fun to be a programmer. It's less about digging through pages and more about what you want to happen. We are at the 1% of what's possible, and it's in interactive experiences like Cursor where models like GPT-5 shine brightest.

Greg Brockman President, OpenAI

最先端を走り続ける

変更履歴

2.22025年12月10日

デバッグモード、プランモードの改善、マルチエージェント評価、ピン留めチャット

2.12025年11月21日

プランモードの改良、エディタ内AIコードレビュー、Instant Grep

2.02025年10月29日

新しいコードモデルとエージェントインターフェース

1.72025年9月29日

ブラウザ操作、プランモード、フック

Cursorの新機能を見る →

Cursorは、コーディングの未来を構築することに注力する実践的なチームです。

参加する

今すぐCursorを試す。

macOS版をダウンロード

モバイルエージェントを試す

驚異的な生産性を実現するために構築されたCursorは、AIを活用したコーディングの最良の方法です。

macOS版をダウンロード

モバイルエージェントを試す

Cursor

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets

def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)


class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )

  def forward(self, x):
    return self.net(x)

def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets

def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)


class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )

  def forward(self, x):
    return self.net(x)

def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

PyTorch MNIST実験

何百万人ものプロフェッショナル開発者に毎日信頼されています。

Agentがアイデアをコードに変換

人間とAIが協働するプログラマー。単独の開発者と比較して桁違いの生産性を実現します。

Agentについて学ぶ →

Cursor

TabとAgentの使用パターンを分析

チーム全体のワークスペースにおいて、タブビューとエージェントパネルにどのように注意を分散しているかを理解するのを手伝ってください。

魔法のように正確な自動補完

当社のカスタムTabモデルは、驚異的な速度と精度で次のアクションを予測します。

Tabについて学ぶ →

Cursor

"use client";

import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";

export default function Dashboard() {

  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

"use client";

import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";

export default function Dashboard() {

  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

ソフトウェア開発のあらゆる場面で

CursorはGitHubでプルリクエストをレビューし、Slackでチームメイトとして、そしてあなたが作業するあらゆる場所に存在します。

Cursorのエコシステムについて学ぶ →

Slack

dylan9/16/2025

細かいことですが、リリースページにアンカーリンクがあると本当に便利だと思います

4件の返信

dylan9/16/2025

cursor.com/changelog#1.0 にアクセスして 1.0 の変更履歴を確認できるようにしたい

eric9/16/2025

checks out

@cursor can you take a stab?

CursorAPP9/16/2025

変更履歴エントリの直接リンク機能を実装し、プロジェクト全体のNode.jsバージョン制約を更新することで、互換性と保守性を向上させました。

PRを表示 Cursorで開く Webで開く

dylan9/16/2025

Nice @eric can you take a look?

GitHub Pull Request

cursorボットレビュー済み1分前

src/vs/workbench/composer/browser/components/ComposerUnifiedDropdown.tsx

3292

- {selectedMode().keybinding}

3293

+ {composerOpenModeToggleKeybinding}

cursorボット1分前

Cursorで修正

Webで修正

Cursorで修正

Webで修正

ソフトウェア開発の新しい方法。

It was night and day from one batch to another, adoption went from single digits to over 80%. It just spread like wildfire, all the best builders were using Cursor.

Diana Hu General Partner, Y Combinator

The most useful AI tool that I currently pay for, hands down, is Cursor. It's fast, autocompletes when and where you need it to, handles brackets properly, sensible keyboard shortcuts, bring-your-own-model... everything is well put together.

shadcn Creator of shadcn/ui

The best LLM applications have an autonomy slider: you control how much independence to give the AI. In Cursor, you can do Tab completion, Cmd+K for targeted edits, or you can let it rip with the full autonomy agentic version.

Andrej Karpathy CEO, Eureka Labs

Cursor quickly grew from hundreds to thousands of extremely enthusiastic Stripe employees. We spend more on R&D and software creation than any other undertaking, and there's significant economic outcomes when making that process more efficient and productive.

Patrick Collison Co‑Founder & CEO, Stripe

It's official. I hate vibe coding. I love Cursor tab coding. It's wild.

ThePrimeagen @ThePrimeagen

It's definitely becoming more fun to be a programmer. It's less about digging through pages and more about what you want to happen. We are at the 1% of what's possible, and it's in interactive experiences like Cursor where models like GPT-5 shine brightest.

Greg Brockman President, OpenAI

最先端を走り続ける

最高のモデルにアクセス

OpenAI、Anthropic、Gemini、xAIの最先端モデルから自由に選択できます。

モデルを探索 ↗

コードベース全体の理解

Cursorは、規模や複雑さに関わらず、コードベースの仕組みを学習します。

コードベースのインデックス作成について学ぶ ↗

永続的なソフトウェアを開発

Fortune 500の半数以上に信頼され、安全かつ大規模に開発を加速しています。

企業向けプランを見る →

変更履歴

2.22025年12月10日

デバッグモード、プランモードの改善、マルチエージェント評価、ピン留めチャット

2.12025年11月21日

プランモードの改良、エディタ内AIコードレビュー、Instant Grep

2.02025年10月29日

新しいコードモデルとエージェントインターフェース

1.72025年9月29日

ブラウザ操作、プランモード、フック

Cursorの新機能を見る →

Cursorは、コーディングの未来を構築することに注力する実践的なチームです。

参加する

今すぐCursorを試す。

macOS版をダウンロード

モバイルエージェントを試す

驚異的な生産性を実現するために構築されたCursorは、AIを活用したコーディングの最良の方法です。

macOS版をダウンロード

モバイルエージェントを試す

Cursor

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets

def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)


class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )

  def forward(self, x):
    return self.net(x)

def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision import datasets

def get_dataloaders(batch_size=64):
  transform = transforms.Compose([transforms.ToTensor()])
  train = datasets.MNIST(root="data", train=True, download=True, transform=transform)
  test = datasets.MNIST(root="data", train=False, download=True, transform=transform)
  return DataLoader(train, batch_size=batch_size, shuffle=True), DataLoader(test, batch_size=batch_size)


class MLP(nn.Module):
  def __init__(self, hidden=128):
    super().__init__()
    self.net = nn.Sequential(
      nn.Flatten(),
      nn.Linear(28*28, hidden),
      nn.ReLU(),
      nn.Linear(hidden, 10),
    )

  def forward(self, x):
    return self.net(x)

def train_model(epochs=1, lr=1e-3, device=None):
  device = device or ("cuda" if torch.cuda.is_available() else "cpu")
  model = MLP().to(device)
  opt = torch.optim.Adam(model.parameters(), lr=lr)
  loss_fn = nn.CrossEntropyLoss()
  train_loader, _ = get_dataloaders()
+  # Seed for reproducibility
+  torch.manual_seed(42)
+  if device == "cuda":
+    torch.cuda.manual_seed_all(42)
+  # AMP + Scheduler
+  scaler = torch.cuda.amp.GradScaler(enabled=(device=="cuda"))
+  scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs)
  model.train()
  for epoch in range(epochs):
    total, correct = 0, 0
    for x, y in tqdm(train_loader, desc=f"epoch {epoch+1}"):
      x, y = x.to(device), y.to(device)
      opt.zero_grad(set_to_none=True)
      logits = model(x)
      loss = loss_fn(logits, y)
      loss.backward()
      opt.step()
      scaler.scale(loss).backward()
        scaler.unscale_(opt)
+      torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
      scaler.step(opt)
      scaler.update()
+      preds = logits.argmax(dim=1)
+      total += y.size(0)
+      correct += (preds == y).sum().item()
+    acc = correct / max(1, total)
    scheduler.step()
+    print(f"epoch {epoch+1}: acc={acc:.3f}")
  return model`,

PyTorch MNIST実験

何百万人ものプロフェッショナル開発者に毎日信頼されています。

Agentがアイデアをコードに変換

人間とAIが協働するプログラマー。単独の開発者と比較して桁違いの生産性を実現します。

Agentについて学ぶ →

Cursor

TabとAgentの使用パターンを分析

チーム全体のワークスペースにおいて、タブビューとエージェントパネルにどのように注意を分散しているかを理解するのを手伝ってください。

魔法のように正確な自動補完

当社のカスタムTabモデルは、驚異的な速度と精度で次のアクションを予測します。

Tabについて学ぶ →

Cursor

"use client";

import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";

export default function Dashboard() {

  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

"use client";

import React, { useState } from "react";
import Navigation from "./Navigation";
import SupportChat from "./SupportChat";

export default function Dashboard() {

  return (
    <div className="flex h-[600px] border rounded-lg overflow-hidden">
      <div className="w-64 border-r">
      </div>
      <div className="w-80 border-l">
        <SupportChat />
      </div>
    </div>
  );
}

ソフトウェア開発のあらゆる場面で

CursorはGitHubでプルリクエストをレビューし、Slackでチームメイトとして、そしてあなたが作業するあらゆる場所に存在します。

Cursorのエコシステムについて学ぶ →

Slack

dylan9/16/2025

細かいことですが、リリースページにアンカーリンクがあると本当に便利だと思います

4件の返信

dylan9/16/2025

cursor.com/changelog#1.0 にアクセスして 1.0 の変更履歴を確認できるようにしたい

eric9/16/2025

checks out

@cursor can you take a stab?

CursorAPP9/16/2025

変更履歴エントリの直接リンク機能を実装し、プロジェクト全体のNode.jsバージョン制約を更新することで、互換性と保守性を向上させました。

PRを表示 Cursorで開く Webで開く

dylan9/16/2025

Nice @eric can you take a look?

GitHub Pull Request

cursorボットレビュー済み1分前

src/vs/workbench/composer/browser/components/ComposerUnifiedDropdown.tsx

3292

- {selectedMode().keybinding}

3293

+ {composerOpenModeToggleKeybinding}

cursorボット1分前

Cursorで修正

Webで修正

Cursorで修正

Webで修正

ソフトウェア開発の新しい方法。

It was night and day from one batch to another, adoption went from single digits to over 80%. It just spread like wildfire, all the best builders were using Cursor.

Diana Hu General Partner, Y Combinator

The most useful AI tool that I currently pay for, hands down, is Cursor. It's fast, autocompletes when and where you need it to, handles brackets properly, sensible keyboard shortcuts, bring-your-own-model... everything is well put together.

shadcn Creator of shadcn/ui

The best LLM applications have an autonomy slider: you control how much independence to give the AI. In Cursor, you can do Tab completion, Cmd+K for targeted edits, or you can let it rip with the full autonomy agentic version.

Andrej Karpathy CEO, Eureka Labs

Cursor quickly grew from hundreds to thousands of extremely enthusiastic Stripe employees. We spend more on R&D and software creation than any other undertaking, and there's significant economic outcomes when making that process more efficient and productive.

Patrick Collison Co‑Founder & CEO, Stripe

It's official. I hate vibe coding. I love Cursor tab coding. It's wild.

ThePrimeagen @ThePrimeagen

It's definitely becoming more fun to be a programmer. It's less about digging through pages and more about what you want to happen. We are at the 1% of what's possible, and it's in interactive experiences like Cursor where models like GPT-5 shine brightest.

Greg Brockman President, OpenAI