Cursor, Copilot e os IDEs Aumentados

Este detalhe técnico muda tudo. O Cursor não é uma extensão do VSCode — é um fork do VSCode (que é open-source). A diferença prática:

A desvantagem: o Cursor fica levemente atrás nas atualizações do VSCode e algumas extensões têm comportamento estranho por incompatibilidades com o fork.

O Cursor tem três formas distintas de interagir com IA, cada uma com filosofia diferente:

Para incluir contexto relevante sem estourar a janela, o Cursor usa embeddings semânticos:

// Indexação do Cursor

1. Divide cada arquivo em chunks (~200-500 tokens)
2. Gera embedding para cada chunk
   (vetor numérico de ~1500 dimensões)
3. Armazena localmente num banco vetorial

// Quando você pergunta ou edita:
4. Sua query vira embedding
5. Busca top-K chunks por cosine similarity
6. Injeta no prompt do LLM

Isso explica por que o Cursor frequentemente acerta quando você diz "usa o mesmo padrão que a função X" — ele encontrou X semanticamente.

Mas há trade-off. Comparação honesta entre estratégias de contexto:

Essa é a evidência mais contraintuitiva de toda essa trilha. O Aider benchmark (Paul Gauthier, mantenedor do Aider) comparou o mesmo LLM pedindo para editar código em formatos diferentes:

// Mesmo modelo (GPT-4), mesma tarefa, edit format diferente:

Whole-file            → o LLM reescreve o arquivo inteiro
                        Alto custo de tokens, alto erro rate

Search/Replace blocks → "encontre esse bloco e troque por esse"
                        Formato que Cursor Cmd+K e Claude Code Edit usam
                        Melhor em muitos modelos

Unified diff          → formato git diff clássico
                        Modelos antigos erram muito o offset de linha

udiff-simple          → diff sem linha de contexto extra
                        Formato otimizado do Aider

// Swing medido entre o melhor e o pior formato
// para o MESMO modelo: 20+ pontos percentuais.

Por isso Cursor, Copilot, Cursor Agent e Claude Code investem tanto em escolher o formato certo por modelo. Não é cosmético — é a diferença entre o agente acertar 40% ou 65% das edições.

O Copilot original (2021) era puramente autocomplete. Em 2024-2025, a Microsoft/GitHub expandiu agressivamente:

Uma mudança estratégica importante em 2024: o GitHub Copilot se tornou model-agnostic. Em vez de só o modelo da OpenAI, você pode escolher:

Isso transforma o Copilot em um harness agnóstico de modelo — o que importa é a integração com o GitHub (issues, PRs, código) e o IDE, não qual LLM roda por baixo.

Para times corporativos, o Copilot Enterprise oferece algo que as outras ferramentas não têm (ainda): a possibilidade de incluir bases de código privadas no índice.

Em vez de só indexar o repositório atual, o Enterprise pode indexar toda a organização no GitHub — incluindo bibliotecas internas, padrões de código da empresa, APIs privadas. O modelo aprende o vocabulário específico do seu time.

Não há certo e errado — há diferentes fluxos de trabalho. A tabela honesta: