AI 编程的领域正在经历深刻的变革，Cursor 的崛起便是这一趋势的有力证明。通过其创始人的回顾，我们能够洞察 AI 编程工具如何改变开发流程，以及在竞争中持续提供出色产品的关键所在。

AnySphere 的联合创始人兼 CEO Michael Truell 所创建的 Cursor，不仅是现阶段增长最迅猛的 AI 编程工具之一，更是“后代码时代”的早期代表。

在仅仅20个月的产品上线时间里，团队的规模已经达到60人，Cursor 年化经常性收入便达到了1亿美元，并在两年内增长至3亿美元，成为史上增长最快的开发工具之一。这一成绩的取得，既归功于代码生成能力的提升，更在于对软件开发流程的全面重构和重新定义。

Michael 在 AI 领域积累了十年的技术经验，早期在麻省理工学院攻读数学与计算机专业，随后在 Google 从事研究型工程工作。他对 AI 技术发展路径及其商业历史有着深刻的见解。

在与科技博主 Lenny 的对话中，他清晰地描绘了一个与主流观点不同的未来：代码不会完全消失，但将不再是人类的主要输出内容。人们将以接近自然语言的方式表达对软件功能和行为的期望，而系统则负责将这些意图转化为可执行的程序逻辑。

他指出，目前主流对 AI 编程未来的两种预测均存在误区。一种观点认为开发方式会保持现状，继续依赖 TypeScript、Go、Rust 等语言进行编程；另一种则认为未来只需与聊天机器人交流，就能完成整个开发过程。

多样化的开发方式

谈及 Cursor 的起步，Michael 回想起两个重要时刻：

第一个时刻是他们第一次接触到 GitHub Copilot 的内部测试版本。这是他们首次体验到真正有效的 AI 开发工具，其显著提升了工作效率，远非简单的噱头。

第二个关键时刻是他们深入研究 OpenAI 和其他研究机构发布的多篇 Scaling Law 论文。这些研究让他们意识到，即使没有新的算法，只要持续扩展模型参数和数据规模，AI 也会不断进化。

在2021年底和2022年初，他们坚定了一个判断：AI 产品的时代已经来临。但与大多数创业者聚焦于“构建大模型”不同，Michael 和团队从知识工作的视角出发，反向思考在 AI 赋能下，各种具体工作场景的演变。

当时他们选择了一个看似冷门的领域——机械工程，认为竞争较小，问题空间明确，于是开始开发 CAD 工具自动化。然而，他们很快发现对机械工程缺乏足够的热情，并且数据语料匮乏，导致开发进展缓慢。

最终，他们决定重返最熟悉的编程领域。尽管市场上已有 Copilot、CodeWhisperer 等产品，他们认为仍然没有人真正将愿景推向极致。尽管这是一个竞争激烈的领域，他们依然认为“天花板”很高，足以支撑一家具有突破性的产品公司。他们选择了“在热区深耕”的策略，而非“避开热区”。

Cursor 的一项核心决策是，不仅仅做插件，而是构建一个完整的 IDE。在他们看来，现有的 IDE 和编辑器架构无法适应未来的开发方式和人机交互逻辑。

“我们希望对整个界面拥有控制权，以重新定义开发者与系统之间的交互方式。”这不仅是为了实现更自然的控制体验，更是为了构建一套能够承载下一代编程范式的系统基础。

Michael 还认为，未来的开发方式将是多样化的。AI 有时将作为助手，在 Slack 或问题跟踪系统中完成任务；有时则是在 IDE 前台进行交互；也可能是在后台执行某个流程，再在前台进行迭代控制。这些方式并不矛盾，只要能让用户在全自动与手动控制之间灵活切换，便是一个合格的系统。

对于当前业界流行的“代理热”，他也持保留态度。完全将任务交给 AI 处理，可能会使开发者变成“工程经理”，需要不断审查、批准和修改一群“初学者”的输出。“我们不相信这条路。最有效的方式是将任务细化为多个步骤，让 AI 逐步补全，而人类始终保持主导。”

Cursor 的早期版本完全从零开始开发，并不依赖任何现有编辑器。他们最初仅用五周时间搭建出可用原型，并迅速替代了原本的开发工具。从零写代码到上线，仅用了三个月。发布后获得的超预期用户反馈促使他们快速迭代，最终在性能、体验与开发速度之间找到平衡，转而基于 VS Code 框架进行重构。

然而，Michael 认为，真正的成功并不在于初版的速度，而在于后续的持续优化。他承认：“最初的版本其实并不好用，关键在于我们始终保持偏执的改进节奏。”这种持续的优化最终形成了 Cursor 非常稳定的增长轨迹。虽然初期并没有明显的“起飞”感觉，但指数曲线的积累效应在多次迭代后得以释放。

始终朝着正确方向前行

虽然 Cursor 的快速发展似乎源于某个关键功能或产品决策，但 Michael Truell 强调，真正的秘诀非常简单：“每天朝着正确的方向前进。”

这听起来平常，但要做到这一点却极其困难。每一个决策、每一个迭代细节，都是从用户的视角出发，紧密贴近实际场景，不断进行优化与简化。他们从不寄希望于一次性的热门产品，而是坚信产品的价值必须经得起持续使用和真实反馈的锤炼。

与这种理念相契合的是 Cursor 背后的技术路径选择。Michael 提到，团队在最初构建 Cursor 时，完全没有计划自行训练模型。在他看来，当时已有足够强大的开源和商用基础模型，投入算力、资金和人力从头构建新模型，不仅成本高昂，而且偏离了他们真正关注的焦点：构建有用的工具，解决具体问题。

然而，随着产品的深入迭代，他们逐渐意识到，现有的基础模型虽然强大，却无法满足 Cursor 中的关键场景。这些模型大多是为通用对话、问答或文本任务而训练的，缺乏对“多文件结构化代码编辑”这类问题的原生理解。

Cursor 的一个关键特性是对“下一步编辑行为”的预测。虽然在写作中难以实现，但在代码场景中却大有可为。因为程序具有很强的上下文连贯性——开发者修改某个函数或文件后，接下来的若干操作往往是可以预测的。

Cursor 的模型正是基于这种上下文逻辑，推测出用户下一步可能会修改的文件、位置和结构，并以几乎无感延迟的速度提供补全建议。这不仅是 token 级别的补全，而是结构化的代码片段级预测，完全依赖于专为此场景训练的自研模型，而非通用基础模型。

在模型调用成本极高的现实下，这类自研模型能够显著降低产品使用门槛。为了实现这一点，模型必须具备两个特性：快速响应和低成本。

Cursor 要求每次补全推理必须在 300 毫秒内完成，并且在长时间连续使用中，不能产生过高的资源消耗。这一硬性约束迫使他们必须掌控模型本身的设计与部署。

除了负责核心交互功能，Cursor 的自研模型还承担了另一重要任务——作为“编排器”辅助调用大型模型。例如，当代码库规模庞大时，大型模型往往无法确定关注哪些文件、哪些模块和哪些上下文。

Cursor 的模型会先进行一次搜索与归纳，从整个代码库中提取相关信息，再将其传递给主模型。这就如同为 GPT、Claude、Gemini 等大模型构建了一个专业的“信息传递管道”，使其表现更加精准。

在模型输出端，这些草图式的代码修改建议也会首先由 Cursor 的自研模型进行处理与重写，转化为真正可执行、结构化的补丁。

Cursor：构建AI编程工具的未来之路

这种多模型协作的系统架构，OpenAI 称之为“模型集成”，展现了强大的灵活性。Michael 选择不从头开始构建模型，而是务实地利用现有的开源模型，比如 LLaMA，作为开发的基础。

在某些特定场景下，他们与封闭源代码的公司合作，通过微调模型参数，使其更好地适应具体任务。他指出，关键不在于是否完全掌控模型底层结构，而在于能否获得有效的训练和定制能力，以满足产品的实际需求。

随着技术体系的不断完善，另一个问题逐渐显现：在这个快速变化的市场上，Cursor 的竞争优势何在？对此，Michael 的看法十分清晰。他认为，依靠“产品绑定”或“合同锁定”并不能构建持久的护城河。

与传统的 B2B 软件市场相比，AI 工具的竞争门槛变化剧烈，用户的试错成本较低，对新工具的接受度也较高。他坦言，这个市场并不对传统巨头友好，反而更鼓励新兴公司进行持续试错和快速迭代，以争取用户的青睐。

从这个角度来看，Cursor 的护城河并不在于模型的控制或数据的垄断，而是其“持续打造卓越产品的能力”。

这个行业的性质类似于 90 年代的搜索引擎，或更早的 PC 行业，每一次技术进步都能带来显著的收益。竞争壁垒来自于持续迭代所形成的“深度惯性”，以及团队的组织能力与产品打磨体系的优劣。

Michael 强调了一个核心观点：在需求未被满足且技术结构仍有优化空间的市场中，持续研发本身就是最大的竞争优势。这不需要依靠用户的绑定，而是通过自身的不断进化，积累时间和质量上的优势。

他还指出，这种“进化护城河”并不排斥竞争，也并不意味着市场只能有一个赢家。然而，在“构建全球通用软件构建平台”这一目标下，确实可能会出现一家具备巨大规模的超级公司。

尽管未来可能存在多个产品并存，但若问题是“谁能承担全球最大规模的代码逻辑转译任务”，最终可能只会剩下一个赢家。原因不在于其他公司表现不佳，而是用户自然会倾向于使用最通用、稳定且具备上下文理解能力的平台。在这个领域，产品质量和迭代速度将直接影响市场的集中度。

他进一步指出，不能仅凭传统 IDE 市场的碎片化经验来判断这一轮技术演变的格局。2010 年代的 IDE 市场“没有人赚大钱”，因为当时的编辑器功能已接近极限，只有语法高亮、调试集成、快捷导航等基本功能可以优化。如今，开发者工具正处于新的范式起点，目标不再是优化单一编辑器，而是重塑整个知识工作者的任务流程与表达结构。

AI 编程工具的本质在于提升人类指令的表达能力，缩短从创意到实现的路径。这是一个规模远超传统开发工具的市场，也是一个具有平台属性的未来通道。在这个通道中，谁能够提供最流畅、可靠、理解上下文的编程体验，谁就将有机会成为下一代“软件构建基础设施”的代表。

Lenny 提到 Microsoft Copilot 时，也引出了当前一个典型问题：早期进入市场的公司是否具备持续引领的能力？Michael 承认，Copilot 曾是整个行业的灵感源泉，特别是在初始版本发布时，带来了前所未有的开发交互方式。

然而，他认为微软并未真正延续其初始的势头，这既有历史原因，也有结构性挑战。最初开发 Copilot 的核心团队人员频繁变动，导致在大型组织中难以形成统一的方向，产品发展路径容易受到内部博弈与流程复杂性的影响。

更根本的是，这一市场本身对现有企业并不友好。它不像企业级的 CRM 或 ERP 系统那样依赖于集成与绑定，也缺乏强大的“防切换成本”。用户的选择完全基于体验差异，这使得“产品力”而非“销售能力”成为决定性的因素。在这个动态、开放且高频试错的市场中，能够胜出的公司，往往是那些能够每周迭代、每月进步，并持续向技术极限冲刺的创业团队。

Cursor 当前展现的方向感与产品节奏，正是在这样的背景下形成的回应。它并不依赖“封闭”，而是通过“持续构建全球最好用的开发工具”这一简单而清晰但极具挑战的使命，吸引了开发者的主动选择。

如何有效使用 Cursor？

在构建面向全球开发者的 AI IDE 平台过程中，Michael Truell 最关心的并非模型能力的极限，而是用户如何理解并充分利用这些能力。

当被问及如果他能陪伴每一位首次使用 Cursor 的用户时会给出什么建议时，他并未讲解功能或操作技巧，而是强调了一种思维模式的建立——对模型“能与不能”的直觉判断。

他坦诚，当前 Cursor 产品在引导用户理解模型边界方面做得还不够。在缺乏明确提示和交互反馈的情况下，许多用户容易陷入两个极端：要么对模型期望过高，试图用一句提示解决复杂问题；要么因为第一次结果不如预期而完全放弃。

他建议采用任务拆解的方法，通过“小提示–小生成”的步骤逐步推进，实现与 AI 的持续双向互动，从而获得更稳定、更高质量的结果。

另一个更具策略性的建议是，鼓励用户在没有业务压力的副项目中大胆尝试，探索 AI 能力的极限。

在不影响主线工作的情况下，通过一系列实验性项目，去感受模型实际能够完成的任务，及其失败的边界。这种“摔跤式探索”能帮助开发者建立更准确的直觉，并使他们在未来面对正式项目时更加自信。

随着模型版本的持续更新，如 GPT-4.0 或 Claude 的迭代，这种判断力也需随之升级。他希望未来 Cursor 的产品能够内建一套引导机制，使用户不必每次都自行摸索模型的“脾气”和界限。但目前，这仍然是用户需要主观积累的技能。

对于一个常见的问题——这些工具适合初级工程师还是高级工程师——Michael 给出了清晰的分类。初级开发者往往倾向于“完全依赖 AI”，试图用它完成整个开发流程，而高级工程师则可能因经验丰富而未能充分挖掘 AI 的潜力。前者的困境在于“依赖过多”，后者则在于“探索不足”。

他还指出，某些公司内部的资深技术团队，尤其是专注于开发者体验的架构师，实际上是最积极拥抱这类工具的人。他们既懂得系统的复杂性，又关注工具的效率，因此在 AI 编程场景中往往能够取得最佳效果。

在他看来，理想的用户画像并非初学者，也不是固守既有流程的老手，而是那些“资深却未僵化”的中级工程师——具备系统理解能力，同时对新方法保持好奇和开放的态度。

如何组建世界一流的团队？

当被问及如果能回到创办 Cursor 的初期，他会对自己说些什么时，Michael 选择了一个非技术化的回答——招聘。他反复强调，“找到合适的人”是仅次于产品本身的重要任务。

尤其在早期，组建一支世界级的工程和研究团队，不仅关乎产品质量，也是组织专注度、节奏和文化的关键。他所寻找的人才，需具备技术的好奇心、实验的意愿，以及在快速变化环境中保持冷静判断的能力。

他回忆起 Cursor 在招聘过程中曾经历的许多弯路。一开始，他们过于看重“光鲜履历”，倾向于招募来自名校、年轻且有着标准成功路径的候选人。但最终意识到，真正合适的人才往往并不符合这些传统模板。相反，那些职业生涯已稍晚、经验高度匹配、技术判断力成熟的人，才是推动团队飞跃的关键。

在招聘流程上，他们逐渐建立了一套有效的方法。核心是一项为期两天的“工作测试”制度，候选人需在规定时间内与团队共同完成一个接近真实项目的任务。

虽然这一流程看似繁琐，但在实践中不仅可扩展，还显著提高了团队的判断准确性。它不仅考察候选人的编码能力，也评估了协作沟通、思维方式和动手能力，甚至帮助候选人判断“是否愿意与该团队长期合作”。

这种“共事式面试”机制，逐渐演变为 Cursor 团队文化的一部分。他们将招聘视为一种双向选择过程，而非单向评估。在公司尚未被市场广泛认知、产品尚未成熟时，团队本身便是最重要的吸引力。

他坦言，早期许多员工的加入，源自于一次甚至多次的共处经历，而非对薪酬或估值的考虑。如今，这一制度仍然被保留并适用于每一位新候选人。Cursor 的团队规模目前保持在 60 人左右，这在许多 SaaS 公司中已算是精简。

Michael 提到，他们有意维持这种精干配置，尤其在非技术岗位的扩展上保持克制。他承认，未来一定会扩大团队，以增强客户支持和运营能力，但现阶段，他们依旧是一家高度依赖工程、研究和设计的公司。

谈及如何在 AI 行业快速变化的发布节奏中保持专注，Michael 不依赖复杂的组织结构。他认为，组织文化的根基在于招聘本身。如果能够招到那些理性、专注、不易受到热点情绪驱动的人，团队自然会形成良好的节奏感。他承认 Cursor 仍有改进空间，但整体来看，他们在“专注于打造卓越产品”的文化引导上已取得不小的成功。

许多公司试图通过流程与组织设计解决的问题，其实可以通过“找对人”来提前避免。他们的开发流程极为简洁，之所以能够顺利运作，是因为团队成员普遍具备自律性与协作精神。他特别强调了一个共同的心理特质：对外界喧嚣的“免疫力”。

这种免疫力并非与生俱来，而是在长期行业经验中逐渐培养的。早在 2021 年和 2022 年，Cursor 团队便已开始在 AI 编程方向上探索。当时，GPT-3 还没有 Instruct 版本，DALL·E 和 Stable Diffusion 也尚未公开，整个生成式 AI 行业依旧处于技术萌芽阶段。

他们经历了图像生成的爆发、对话模型的普及、GPT-4 的发布、多模态架构的演进、视频生成的兴起……然而，在这些看似热闹的技术潮流中，真正对产品产生实质影响的却少之又少。

这种对“结构性创新”与“表面噪音”的辨别能力，成为他们保持专注的重要心理基础。他将这种方式与过去十年深度学习研究界的演变进行类比：尽管每年都有无数新论文问世，但真正推动 AI 进步的，往往是那些优雅而根本性的结构突破。

回顾整个技术范式的转变，Michael 认为，当前 AI 的发展正处于一个极为深刻的转折点。

在外界的讨论中，常常可以看到两个截然不同的观点：有些人坚信 AI 革命即将到来，几乎会瞬间改变一切；而另一些人则将其视为纯粹的炒作与泡沫。Michael 的看法是，AI 的影响将超越个人计算机，形成更深远的范式转变，但这一变革将是一个持续多年的过程。I/O 到 iO，Jony Ive 将引领一场新的设计革命——AI 不仅在重塑计算方式，还在重新定义硬件，同时成为大模型之后的全新战场。

这种演进并不依赖于单一的系统或技术路径，而是由多个独立解决的细分问题构成。比如，有些是科学层面的问题，例如如何让模型理解更多数据类型、提升运行速度以及学习效率；还有一些是交互性的问题，涉及人类与 AI 如何协作、权限边界的界定，以及信任机制的建立。此外，应用层面的问题同样重要，例如模型如何真正改变现实中的工作流程，并在不确定的环境中提供可控的输出。

在这场变革中，Michael 观察到一类关键企业的崛起——专注于特定知识工作场景的 AI 工具公司。这些公司将深度整合基础模型，甚至可能自主研发核心模块，以提供最佳的人机协作体验。他们不仅仅是“模型调用器”，而是将技术与产品的结构精雕细琢，进而成长为新一代的平台企业。这些公司不仅能提升用户的工作效率，更可能成为推动 AI 技术演进的主力军。

Michael 希望 Cursor 能够成为这样的公司的一员，同时他期待在设计、法律、市场等更多知识工作领域，能够涌现出一批同样专注、扎实、具备技术深度与市场敏锐度的 AI 创业者。未来的赢家不是那群炒作者，而是那些真正能够解构问题、重塑工具，并理解人与技术之间关系的建设者。

他还提到，2025 年对 Cursor 来说至关重要的两件事，一是打造行业内最优秀的产品，二是将其大规模推广。他形容当前的市场竞争为“土地争夺战”：大多数人尚未接触此类工具，或仍在使用更新缓慢的替代品。因此，Cursor 正在强化在市场、销售与客户支持等领域的投入，并持续寻找能够从技术层面推动产品边界的优秀人才。

谈到 AI 对工程师职位的影响，Michael 的回答显得相当冷静。他认为工程师不会被迅速取代，相反，在 AI 驱动的未来，工程师的角色将比以往更为重要。

短期内，编程方法将经历巨变，但很难想象软件开发会突然演变为“只需输入需求，系统自动完成”的模式。AI 确实能让人类从低级繁琐的实现中解放出来，但核心的方向、意图和结构设计等决策，仍需专业开发者来把控。

这种判断意味着，随着软件构建效率的显著提升，需求端的弹性将被完全释放。换句话说，软件的构建将变得愈发简单，成本大幅降低，从而推动整个市场的扩展。更多问题将得到建模，更多流程可以系统化，越来越多的组织将尝试定制内部工具，而非接受通用解决方案。

他用自己的经历来阐释这一点。在他早年参与的一家生物科技公司中，团队急需构建适合内部流程的工具系统，但市场上并没有合适的方案，自己开发的效率也有限，最终导致许多需求被搁置。

这种现象在各行各业依然普遍存在，表明软件开发的门槛仍然很高。如果有一天软件开发像移动文件和编辑幻灯片一样简单，那么必将迎来一个全新应用时代的到来。

最后，他强调 AI 不会减少工程师的数量，反而会促使工程岗位的结构发生变化。那些善于与 AI 协作、理解系统逻辑并具备产品直觉的工程师，将在未来的工作体系中扮演更为重要的角色。

本文由人人都是产品经理作者【江天 Tim】原创/授权发布，未经许可禁止转载。

题图来自 Unsplash，基于 CC0 协议。