Cursor ने एक नए लोकल इंडेक्सिंग सिस्टम के ज़रिए AI कोड सर्च में अपने कहे अनुसार 99% की स्पीड सुधार की घोषणा की, जो कोडबेस को पहले से प्रोसेस करके AI एजेंटों को मिलीसेकंड में प्रासंगिक फाइलें खोजने में मदद करता है। कंपनी का दावा है कि यह “इंस्टेंट ग्रेप” सुविधा उनके AI कोडिंग असिस्टेंट को रीजेक्स क्वेरी चलाने से पहले बड़े कोडबेस को छोटा करने देती है, जिससे उस सर्च लेटेंसी में भारी कमी आती है जो पहले AI-सहायता प्राप्त डेवलपमेंट वर्कफ्लो की रफ्तार रोकती थी।
यह एंटरप्राइज़ कोडबेस के साथ काम करने वाले AI कोडिंग टूल की एक असली दिक्कत को दूर करता है। जब GitHub Copilot या इसी तरह के असिस्टेंट को हज़ारों फाइलों से संदर्भ चाहिए होता है, तो सीमा तय करने वाला कारक मॉडल की इन्फरेंस स्पीड नहीं, बल्कि सर्च लेटेंसी बन जाती है। अगर Cursor के दावे सही साबित होते हैं, तो यह उन AI सुझावों के बीच का फर्क बन सकता है जो तुरंत जवाब देते महसूस होते हैं और उनके बीच जो आपके काम की लय तोड़ देते हैं। लोकल इंडेक्सिंग पर ध्यान देना उन प्राइवेसी चिंताओं से भी बचाता है जो पूरे कोडबेस को बाहरी सेवाओं पर अपलोड करने के साथ आती हैं।
हालांकि, Cursor ने यह इंडेक्सिंग असल में कैसे काम करती है, इस बारे में हैरानी भरे तौर पर बहुत कम तकनीकी विवरण दिए हैं। मेमोरी की ज़रूरतों, बड़े रिपॉज़िटरी के लिए इंडेक्सिंग के समय, या सिस्टम कोड बदलावों को कैसे संभालता है, इस बारे में कोई जानकारी नहीं है। 99% का आंकड़ा सुनने में प्रभावशाली लगता है लेकिन इसमें संदर्भ की कमी है, यह किस आधार से 99% तेज़ है? उनके पुराने सिस्टम से? प्रतिस्पर्धियों से? कच्चे grep से? ripgrep या ag जैसे टूल के मुकाबले बेंचमार्क के बिना, यह आंकना मुश्किल है कि यह वाकई एक बड़ी उपलब्धि है या मामूली सुधारों के इर्दगिर्द चतुराई भरी मार्केटिंग।
जो डेवलपर पहले से Cursor इस्तेमाल कर रहे हैं, अगर वे बड़े कोडबेस पर काम करते हैं तो उन्हें यह सुधार साफ महसूस होना चाहिए। AI कोडिंग असिस्टेंट को परखने वाली टीमों के लिए, तेज़ लोकल सर्च अब एक बुनियादी ज़रूरत बनती जा रही है, लेकिन इसे कोई निर्णायक कारक बनाने से पहले ज़्यादा विस्तृत बेंचमार्क का इंतज़ार करें।