Totemize
  • Rutas totémicas
  • Precios
  • Quiénes somos
Iniciar sesiónÚnete gratis
Únete gratis
Ctrl+K
Modelo mental
  • Base de conocimiento
  • Cloud
    • Azure
      • Web Apps
        • App Service
        • App Service Plan
        • Configuración
        • Managed Identity
        • Deployment Slots
        • Networking
        • Observabilidad
      • Storage Accounts
        • Blob Storage
        • Containers
        • Azure Files
        • Queue Storage
        • Table Storage
        • Redundancia
        • Access Tiers
        • Lifecycle Management
        • Seguridad y red
  • Frontend
    • React
      • Componentes
      • Props y Estado
      • Hooks
      • Renderizado de listas
  • IA
    • Fundamentos
      • Determinismo y probabilismo
      • LLM
      • Proveedor
      • Modelos fundacionales
      • Plataforma
      • Mapa del ecosistema
      • Entrenamiento y fine-tuning
      • Tokens
      • Ventana de contexto
      • Inferencia y sampling
      • Alucinaciones y límites
    • Interacción con el modelo
      • Prompts e instrucciones
      • Context engineering
      • Salidas estructuradas
      • Validación
      • Evaluaciones
      • Tool calling
    • Economía de uso
      • API pricing
      • Tokens de entrada y salida
      • Tokens en caché
      • Créditos
      • Suscripciones
      • Límites de uso
      • Selección de modelo
    • Recuperación de conocimiento
      • Vectores
      • Embeddings
      • Chunking
      • Bases de datos vectoriales
      • Búsqueda semántica
      • Búsqueda híbrida y reranking
      • Retrieval
      • RAG
      • Citas y grounding
      • LlamaIndex
    • Agentes
      • Workflows
      • Anatomía de un agente
      • Harness
      • Agentic loop
      • Planificación y human-in-the-loop
      • Memory
      • Permisos
      • Verification
      • MCP
      • Orquestación
      • Multiagentes
      • A2A
      • Frameworks de agentes
        • Microsoft Agent Framework
        • OpenAI Agents SDK
        • Google ADK
        • LangGraph
    • Coding agents
      • Skills
      • Spec-Driven Development
      • Claude Code
        • CLAUDE.md
        • Commands
        • Hooks
        • Plugins
        • Permisos
        • Subagents
      • Codex
        • CLI
        • Extensión de IDE
        • Codex app
        • Cloud
        • AGENTS.md
        • Worktrees
      • Cursor
        • Agent mode
        • Rules
        • Models
        • Precio por uso
  • Soporte
  • Comentarios
  1. IA
  2. Coding Agents
  3. Cursor
Árbol de habilidades

Models

1 min de lecturaActualizado el 9 jul 2026

Cursor te permite elegir el modelo que usa el agente, de entre varios proveedores (Anthropic, OpenAI y otros). Esto ilustra bien una idea central de la ruta: el harness y el modelo son piezas separadas.

Harness vs. modelo, otra vez

El editor (el harness) aporta la experiencia: agent mode, rules, diffs, herramientas. El modelo aporta la inteligencia que genera y decide. Cursor desacopla ambos: puedes cambiar de modelo sin cambiar de editor. En cambio, Claude Code y Codex están más ligados al modelo de su propio proveedor.

Cómo elegir modelo por tarea

No siempre quieres el modelo más grande:

  • Tareas complejas (arquitectura, debugging difícil): un modelo potente rinde mejor.
  • Tareas mecánicas o de alto volumen: un modelo más rápido y barato suele bastar, y cuida la economía.

Elegir bien el modelo es una palanca directa de coste y velocidad (ver API pricing).

Temas relacionados

Refuerza la separación harness ↔ modelo, y conecta con la economía de uso y el precio por uso de Cursor.