Учебник по Cursor Agent Mode: создание REST API с GPT-5.6 Luna

Если вы используете Cursor Agent Mode для разработки, выбранная модель может как улучшить, так и сломать ваш рабочий процесс. Агентный режим передаёт автономные задачи по написанию кода LLM: она редактирует файлы, запускает команды и итерирует, пока задача не будет выполнена. Такая автономность означает, что каждая сессия совершает десятки, а иногда и сотни вызовов модели. Стоимость токенов и задержка ответа быстро растут. В этом учебнике вы создадите REST API с помощью Cursor Agent Mode на базе GPT-5.6 Luna — экономичной модели, доступной через OneMux. Мы рассмотрим, почему Luna — хороший выбор для агентной разработки, как её настроить, и пройдём весь путь создания конкретного API.

Почему GPT-5.6 Luna — разумный выбор для Cursor-агентов

GPT-5.6 Luna — часть семейства GPT-5.6 от OpenAI, в которое также входят Terra и Sol. Luna — начальный уровень: она стоит $0.60 за 1M входных токенов и $3.60 за 1M выходных токенов. Это значительно дешевле, чем Terra ($1.50/$9.00) и Sol ($2.50/$15.00). Для агентной разработки, где за одну сессию могут сгорать сотни тысяч токенов, такая экономия имеет значение.

Но «дёшево» не значит «слабо». Luna — универсальная модель, которая хорошо справляется с генерацией кода, отладкой и рефакторингом. В Cursor Agent Mode она может анализировать структуру файлов, писать функции и исправлять ошибки. Для большинства задач REST API — создание эндпоинтов, моделей, валидации и шаблонного кода — Luna даёт достаточно мощности за небольшую цену.

OneMux упрощает сравнение моделей. Вот выдержка из каталога моделей OneMux:

Когда вы используете Cursor как агента, вам не нужна самая дорогая модель на каждом шаге. Стандартные CRUD-эндпоинты, Pydantic-схемы и каркасы тестов вполне по силам Luna. Для сложных архитектурных решений или тонкой отладки можно переключиться на Sol или Claude Opus — но для большинства задач Luna остаётся экономичным выбором по умолчанию.

Настройка GPT-5.6 Luna в Cursor

Cursor позволяет подключать собственные модели через OpenAI-совместимый API. OneMux предоставляет именно это: единый API-эндпоинт для множества ведущих моделей, включая GPT-5.6 Luna. Вот как начать работу.

1. Создайте аккаунт на OneMux и получите API-ключ.
2. В Cursor откройте Settings > Models > OpenAI API Key и вставьте ключ OneMux.
3. Укажите базовый URL API — эндпоинт OneMux. Точный URL приведён в кратком руководстве OneMux.
4. Выберите модель. Вам понадобится идентификатор модели Luna — его можно найти на странице моделей или в документации.

После настройки Cursor Agent Mode будет направлять свои вызовы через OneMux. Модель появится в вашем списке моделей, и вы сможете использовать её для агентных задач. OneMux также даёт контроль расходов и управление кредитами, так что вы всегда будете знать, сколько токенов потратил ваш агент.

Создание REST API с помощью Cursor Agent Mode

Давайте задействуем Luna. Мы создадим простое REST API для списка задач в памяти на базе FastAPI. Откройте Cursor Agent Mode и отправьте модели такой запрос:

Создай FastAPI REST API для приложения со списком задач. Оно должно поддерживать создание, просмотр, обновление и удаление задач. Храни задачи в памяти. Добавь валидацию через Pydantic и включи эндпоинт для проверки состояния (health).

Cursor Agent Mode создаст файлы проекта, напишет код и, возможно, даже установит зависимости. Вот пример кода, который может сгенерировать Luna:

from fastapi import FastAPI, HTTPException, status
from pydantic import BaseModel
from typing import List, Optional

app = FastAPI()

class TodoCreate(BaseModel):
    title: str
    completed: bool = False

class Todo(TodoCreate):
    id: int

todos = []
next_id = 1

@app.get("/health")
def health():
    return {"status": "ok"}

@app.get("/todos", response_model=List[Todo])
def list_todos(completed: Optional[bool] = None):
    if completed is None:
        return todos
    return [t for t in todos if t.completed == completed]

@app.post("/todos", response_model=Todo, status_code=status.HTTP_201_CREATED)
def create_todo(todo: TodoCreate):
    global next_id
    new_todo = Todo(id=next_id, **todo.dict())
    todos.append(new_todo)
    next_id += 1
    return new_todo

@app.put("/todos/{todo_id}", response_model=Todo)
def update_todo(todo_id: int, todo: TodoCreate):
    for t in todos:
        if t.id == todo_id:
            t.title = todo.title
            t.completed = todo.completed
            return t
    raise HTTPException(status_code=404, detail="Todo not found")

@app.delete("/todos/{todo_id}", status_code=status.HTTP_204_NO_CONTENT)
def delete_todo(todo_id: int):
    for i, t in enumerate(todos):
        if t.id == todo_id:
            todos.pop(i)
            return
    raise HTTPException(status_code=404, detail="Todo not found")

Это прочная основа. Затем агент может запускать тесты, добавлять новые функции или рефакторить код — всё в рамках Cursor Agent Mode. Luna уверенно обрабатывает контекст и правки без сбоев.

Разбираем стоимость: Luna против более мощных моделей

Типичная агентная сессия для небольшого API может потреблять около 100 000 входных токенов (включая контекст кодовой базы и запросы) и 20 000 выходных токенов (сгенерированный код и правки). Вот какова стоимость этого при использовании разных моделей:

Итак, Luna не просто дешевле — она радикально дешевле для итеративных рабочих процессов. Если вы создаёте API в течение нескольких дней, экономия накапливается. Для более сложных проектов, требующих глубоких рассуждений, вы всегда можете переключиться на Sol или Claude Opus. Но для большинства задач агентной разработки REST API Luna — прагматичный выбор.

Советы для достижения лучших результатов с Cursor Agent Mode

• Будьте точны в запросе: Опишите фреймворк, модели данных, эндпоинты и любые ограничения. Качество вывода значительно повышается, когда вы даёте агенту чёткое ТЗ.
• Просите о тестах: Пусть Cursor сгенерирует и запустит тестовый набор. Luna сможет итерировать по ошибкам и исправлять краевые случаи.
• Используйте встроенный контекст: Указывайте агенту на существующие файлы и папки, чтобы он работал в архитектуре вашего проекта.
• Следите за расходами: OneMux даёт видимость использования токенов и затрат в реальном времени, так что вы сможете заметить неожиданные всплески.
• Начинайте с Luna, повышайте уровень при необходимости: Если вы упёрлись в стену, переключитесь на более крупную модель для конкретной подзадачи, а затем вернитесь к Luna.

Часто задаваемые вопросы

Доступна ли GPT-5.6 Luna в Cursor Agent Mode?

Да. Cursor поддерживает пользовательские OpenAI-совместимые эндпоинты. Указав API-ключ и базовый URL OneMux в настройках Cursor, вы сможете использовать Luna как модель для агентных задач.

Как Luna соотносится с Terra и Sol в семействе GPT-5.6?

Luna — самая доступная: вход $0.60/1M, выход $3.60/1M. Terra и Sol стоят дороже и рассчитаны на более тяжёлые рассуждения. Для типичной генерации REST API возможностей Luna обычно достаточно.

Можно ли переключать модели в середине проекта с Cursor и OneMux?

Конечно. Поскольку OneMux работает через единый API, вы можете поменять модель в настройках Cursor без изменения кода. Это позволяет начать с Luna и перейти на более мощную модель, если задача усложнится.

Где найти полную таблицу бенчмарков для моделей GPT-5.6?

В учебнике DataCamp Cursor Agent Mode tutorial приводится полная таблица бенчмарков и руководство по трём ценовым уровням GPT-5.6 Sol, Terra и Luna. Там можно найти более подробные данные о производительности.

Заключение

Cursor Agent Mode превращает ваши идеи в работающий код, но выбранная модель определяет как качество, так и стоимость. GPT-5.6 Luna, доступная через OneMux, попадает в самую точку для создания REST API: достаточно интеллекта, чтобы писать чистый и функциональный код, плюс цены, которые делают агентные эксперименты доступными.

Настройте Luna в Cursor сегодня через единый API OneMux и начните создавать быстрее — не следя за каждым токеном, который раздувает бюджет. Подробнее о моделях, ценах и интеграции — на странице OneMux pricing и в кратком руководстве.

Источники

• DataCamp: Cursor Agent Mode Tutorial