共计 8335 个字符，预计需要花费 21 分钟才能阅读完成。
AI 编程领域正在经历一场深远的变革，Cursor 的崛起正是这一趋势的集中体现。通过创始人对过去的回顾，我们能够洞察 AI 编程工具如何重塑开发流程，以及在激烈竞争中持续创造优质产品的关键所在。
AnySphere 的联合创始人兼 CEO Michael Truell 所开发的 Cursor，如今已成为增长最快的 AI 编程产品之一，也标志着未来“后代码时代”的初步形态。
在短短 20 个月内，尽管团队只有 60 人，Cursor 已成功实现年化经常性收入达 1 亿美元，并在两年内跃升至 3 亿美元，成为历史上发展最快的开发工具之一。其背后不仅是代码生成能力的提升，更是对整个软件开发流程的重塑与再定义。
Michael 在 AI 领域的技术背景深厚，曾在 MIT 学习数学与计算机，并在 Google 从事研究工程。他对 AI 技术的发展路径和商业历程都有着深刻的见解。
在与国外科技博主 Lenny 的交流中，Michael 清晰描绘了一幅与主流观点截然不同的未来图景：代码不会被完全取代，但它将不再是人类主要的输出形式。人们将以接近自然语言的方式表达对软件功能和行为的设想，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，当前主流对 AI 编程未来的两种看法都存在误区。一种是认为开发方式将维持现状，继续依赖 TypeScript、Go、Rust 等语言进行编程；另一种则认为只需与聊天机器人对话即可完成整个开发流程。
多元化的开发方式并存
谈及 Cursor 的起步，Michael 回忆起两个重要时刻：
首先，他们第一次接触到 GitHub Copilot 的内部测试版本，那是他们体验到真正实用的 AI 开发工具，它不仅仅是噱头，更显著提升了工作效率。
其次，他们研究了 OpenAI 和其他研究机构发布的一系列 Scaling Law 论文，这些论文让他们意识到：即使没有新算法，只要持续扩大模型参数和数据规模，AI 也会不断进化。
在 2021 年底至 2022 年初，他们确认 AI 产品时代的真正到来。但与许多创业者专注于“构建大模型”不同，Michael 和他的团队从知识工作的角度出发，反向思考在 AI 增强下，各具体工作场景将如何演变。
起初，他们选择了机械工程这一看似冷门的方向，认为该领域竞争较小且问题明确，于是开始研发 CAD 工具自动化。然而，他们很快发现对机械工程缺乏热情，也缺乏足够的数据支持，开发进展十分缓慢。
最终，他们决定回归最熟悉的编程领域。尽管市场上已有 Copilot 和 CodeWhisperer 等产品，他们认为没有人将愿景做到极致。虽然这一领域竞争激烈，但他们依然认为“天花板”足够高，能够支持一家突破性的产品公司。他们放弃了“避开热点”的策略，选择了“在热点中深入”的发展路径。
Cursor 的核心决策之一是不开发插件，而是构建完整的 IDE。他们认为，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完全的控制权，以重新定义开发者与系统的交互方式。”这不仅是为了实现更自然的控制粒度，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 同时认为，未来的开发方式将是多元化共存的。有时 AI 扮演助手角色，完成 Slack 或问题追踪器中的任务；有时则在 IDE 前台进行交互；也可能在后台运行某个流程，再在前台进行迭代控制。这些场景并不矛盾，只要用户能在全自动与手动控制之间灵活切换，便是一个合格的系统。
对于当前流行的“agent 热”，他表达了谨慎的态度。将任务完全交给 AI 执行可能导致开发者变成“工程经理”，需要不断审查、批准、修改一群“笨拙的实习生”的输出。“我们不相信这样的路径。最有效的方式是将任务细化为多个步骤，让 AI 一步步完成，而人类始终保持主导。”
Cursor 的早期版本完全是从零开始开发，不依赖任何现有的编辑器。他们最初只花了五周时间搭建出可用的原型，并迅速取代了原先的开发工具。从零开始编写代码到上线，仅用了三个月。发布后的用户反馈超出预期，促使他们快速迭代，最终在性能、体验和开发速度之间达成平衡，基于 VS Code 框架重新构建。
然而，在 Michael 看来，真正的成功不在于初版的发布速度，而在于后续的持续优化。他承认：“最初的三个月版本并不好用，关键在于我们始终保持偏执式的改进节奏。”这种持续优化的节奏，最终形成了 Cursor 稳定的增长轨迹。尽管初期并未显现明显的“起飞”迹象，但经过多次迭代后的指数增长效应，最终爆发了出来。
始终保持正确的方向
虽然 Cursor 的迅猛发展似乎源于某个关键功能或产品决策，但 Michael Truell 表示，真正的秘诀其实非常简单：“每天都在正确的方向上前进。”
这听上去平凡，但要持续做到，极其不易。每一个决策和每一个迭代细节，都是基于用户的视角，不断贴近实际场景，进行减法和优化。他们从不期望一蹴而就，而深信产品的价值必须经得起长期使用和真实反馈的考验。
与这一理念相呼应的是 Cursor 背后的技术选择。Michael 提到，在最初构建 Cursor 时，团队并未打算自己训练模型。他认为，已经存在足够强大的开源和商用基础模型，投入算力、资金和人力去从零构建新模型，不仅成本高昂，还偏离了他们真正关注的焦点：构建实用的工具，解决具体的问题。
随着产品的深入迭代，他们逐渐意识到，现有的基础模型虽强大，却无法满足 Cursor 中的关键场景。这些模型多是为了通用对话、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 有一个重要特性，即对“下一步编辑行为”的预测。这在写作中难以实现，但在代码场景中却极具可能性。由于程序的上下文连贯性，开发者修改某个函数或文件后，接下来的操作往往是可预测的。
Cursor 的模型正是基于这种上下文逻辑，推理出用户可能修改的文件、位置和结构，并以几乎无感的延迟提供补全建议。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，这类自研模型还能显著降低产品使用门槛。要做到这一点，模型必须具备两个特性：响应快速、成本低。
Cursor 要求每一次补全推理必须在 300 毫秒内完成，并且在长时间的连续使用中，不能产生过高的资源消耗。这种严格的要求，使得他们必须掌控模型的设计和部署。
除了承担核心交互功能，Cursor 的自研模型还承担了另一项重要任务——作为“编排器”辅助调用大型模型。例如在代码库规模庞大时，大型模型难以确定关注哪些文件、哪些模块及上下文。
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，再将其输入主模型。这就像为 GPT、Claude、Gemini 等大模型构建了一个专业的“信息投喂管道”，使其表现更为精准。
在模型输出端，这些草图式的代码修改建议也会先由 Cursor 的自研模型进行处理和重写，转化为真正可执行、结构化的补丁。
Cursor的未来展望与用户指导
这种系统架构，多个模型相互协作，正是 OpenAI 所称的“模型集成”。Michael 并不执念于从头开始构建模型，而是务实地选择了现有的开源模型，例如 LLaMA，作为基础。
在某些特定场景中，他们还会与闭源公司合作，调整模型参数以适应特定任务。他指出，关键不在于底层模型是否掌握在自己手中，而是能否实现有效的训练和定制，以满足实际产品需求。
随着技术不断进步，另一个问题逐渐浮出水面：Cursor 的竞争优势在哪里？对此，Michael 的回答非常清晰。他认为，依靠“产品绑定”和“合同锁定”并不足以建立真正的长期防御力。
与传统的 B2B 软件市场不同，AI 工具市场的门槛变化频繁，用户试错成本低，对新工具的接受度也相对较高。他坦言，这样的市场并不利于老牌巨头，反而更适合新兴公司不断试错、快速迭代，从而争取用户的青睐。
从这个视角来看，Cursor 的护城河并不是模型的控制权或数据的垄断，而在于“持续打造卓越产品的能力”。
这一行业的竞争类似于90年代的搜索引擎，或者更早期的PC行业，每一次技术进步都带来显著的收益。竞争壁垒源于持续迭代带来的“深度惯性”，以及团队的组织能力和产品打磨体系的优劣。
Michael 提出一个重要观点：在市场仍然存在大量未满足需求和可优化技术结构的情况下，持续的研发就是最大的护城河。这并不依赖于用户的绑定，而是通过自身的不断进化，积累时间和质量的优势。
他强调，这种“进化护城河”并不排斥竞争，也不意味着市场只能有一个赢家。但在“建立全球通用软件构建平台”的目标下，最终有可能出现一家规模庞大的超级公司。
虽然将来可能会有多个产品共存，但若问题是“谁能承担全球范围内最大的代码逻辑转译任务”，那么最终可能只剩下一家公司。这并不是因为其他公司表现不佳，而是用户自然会倾向于选择最通用、最稳定、最理解上下文的平台。在这一领域，产品质量和快速迭代的能力决定了市场的集中程度。
他进一步指出，不能用传统IDE市场的碎片化经验来判断当前技术演变的格局。2010年代的IDE市场“没有人赚大钱”，因为那个时期的编辑器能力已接近上限，能优化的仅是语法高亮、调试器集成等基础功能。而如今，开发者工具正处于新的起点，目标已不再是优化单一编辑器，而是重塑整个知识工作者的工作流和表达结构。
AI 编程工具的本质在于提升人类指令的表达能力，缩短从构想到实现的过程。这是一个比传统开发工具更为广阔的市场，也是一条具备平台特性的未来路径。在这条路径上，谁能提供最流畅、最可靠、最具上下文理解力的编程体验，谁就能成为“软件构建基础设施”的代名词。
Lenny 提到 Microsoft Copilot 时，也引出了一个典型的问题：最早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来源，尤其是在初版发布时，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，也有结构性难题。最早开发 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，产品路径也容易受到内部博弈和复杂流程的影响。
更根本的是，这一市场本身对 incumbents 并不友好。它并不像企业级 CRM 或 ERP 系统那样依赖集成与绑定，且没有强大的用户粘性和“防切换成本”。用户的选择完全基于体验差异，这决定了“产品力”而非“销售能力”将是决定性因素。在这样一个动态、开放、高频试错的市场中，真正能够胜出的公司，是那些能够每周迭代、每月进步，并持续向技术上限冲刺的创业团队。
Cursor 当前所展现的方向与产品节奏，正是在这样的背景下形成的回应。它并不依靠“封闭”，而是通过“持续构建全球最好用的开发工具”这一简单明了但极具挑战性的使命，吸引了开发者的主动选择。
如何有效运用 Cursor？
在打造面向全球开发者的 AI IDE 平台的过程中，Michael Truell 重点关注的并非模型能力的极限，而是用户如何正确理解和运用这些能力。
当被问及如果能够坐在每位初次使用 Cursor 的用户旁边，他会给出什么建议时，他并没有详细讲解功能或操作技巧，而是强调了一种思维模式的养成——对模型“能与不能”的本能判断能力。
他坦诚，目前 Cursor 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，许多用户很容易陷入两个极端：要么对模型抱有过高期待，试图用一条提示解决复杂问题；要么因首次结果不理想而彻底放弃。
他建议的方式是任务拆解，即通过“小提示–小生成”的策略逐步推进，与 AI 进行持续双向互动，从而获得更稳定、更高质量的结果。
另一个建议更具策略性。他鼓励用户在没有业务压力的情况下，进行“放手一搏”的 side project，尝试将 AI 能力发挥到极致。
在不影响主要工作的前提下，通过一整套实验性项目，去感受模型的真实能力，以及失败的边界。这种“摔跤式探索”可以帮助开发者建立更准确的直觉，使他们在面对正式项目时更加自信。
随着模型版本的不断更新，如 GPT-4.0 或 Claude 的迭代，这种判断力也需要不断更新。他希望未来的 Cursor 产品能够内置一套引导机制，使用户无需每次都自行摸索模型的“脾气”和界限。但在当下，这仍然是用户需要主观积累的技能。
对于常被问到的一个问题——这类工具究竟更适合初级工程师还是高级工程师，Michael 提供了精准的分类描述。
他指出，初级开发者往往倾向于“完全依赖 AI”，试图用其完成整个开发流程；而高级工程师则可能因经验丰富而低估 AI，从而未能充分挖掘其潜力。前者面临“依赖过重”的问题，后者则是“探索不足”。
他还强调，某些公司内部的资深技术团队，特别是专注于开发者体验的架构师，实际上是最积极使用这类工具的人群。他们既理解系统的复杂性，又注重工具的效率，因此在 AI 编程场景中往往能获得最佳效果。
在他看来，理想的用户画像并非初学者或固守流程的老手，而是那些“资深但尚未僵化”的中层工程师——具备系统理解能力，同时对新方法保持好奇和开放的态度。
如何建立一流团队？
当被问及如果能回到创办 Cursor 的初期，会给自己什么建议时，Michael 选择了一个非技术化的回答——招聘。他反复强调，“找到合适的人才”是仅次于产品本身的重要任务。
尤其是在早期，组建一支世界级的工程和研究团队，不仅是保证产品质量的关键，也是决定组织专注力、节奏和文化的重要因素。他所寻求的人才，必须具备技术好奇心、实验意愿，以及在浮躁环境中保持冷静判断的能力。
他回忆起 Cursor 在招聘过程中经历的许多曲折。一开始，他们过于关注“高光履历”，倾向于招募来自名校、年轻且拥有标准成功轨迹的人。但最终他们意识到，真正合适的人才往往不在这些传统模板中。相反，那些职业生涯稍晚、经验高度契合、技术判断力成熟的人，才是推动团队进步的关键力量。
在招聘流程中，他们逐渐建立了一整套有效的方法。其中最核心的是一项为期两天的“工作测试”制度。候选人需要在规定时间内，与团队合作完成一个高度贴近真实项目的任务。
这一流程虽然看似繁琐，但实际上不仅具有可扩展性，还显著提高了团队的判断准确性。它不仅考察了候选人的编码能力，还测试了协作沟通、思维方式和动手能力，甚至帮助候选人判断“是否愿意与这支团队长期共事”。
这种“共事式面试”机制逐渐演变为 Cursor 团队文化的一部分。他们将招聘过程视作双向选择，而非单向评估。在公司尚未被广泛认知、产品尚未成熟时，团队本身就是最重要的吸引力。
他坦言，早期许多员工的加入，源于一次甚至多次的共处经历，而非对薪酬或估值的考量。如今，这一制度依然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 公司中已算精简。
Michael 指出，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，但目前他们依然是一家高度工程、研究和设计驱动的公司。
谈及如何在快速变化的 AI 行业中保持专注，Michael 并不依赖复杂的组织制度。
他认为，组织文化的根基在于招聘过程。如果能够招募到理性、专注、不被热点情绪所左右的人，团队自然会形成良好的节奏感。他承认 Cursor 仍有改进的空间，但总体来看，他们在“专注于打造卓越产品”的文化引导上取得了不错的成效。
许多公司试图通过流程与组织设计解决的问题，实际上可以通过“找对人”来提前避免。他们的开发流程极为简洁，这得益于团队成员普遍具备自律性和协作精神。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而成。早在2021年和2022年，Cursor 团队就已开始探索 AI 编程方向。当时 GPT-3 还未推出 Instruct 版本，DALL·E 和 Stable Diffusion 也尚未公开，整个生成式 AI 行业仍处于技术萌芽期。
他们经历了图像生成的爆发、对话模型的普及、GPT-4 的发布、多模态架构的发展、视频生成的兴起……但这些看似热闹的技术潮流中，真正对产品产生实质性影响的，实际上寥寥无几。
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进进行类比：尽管每年有无数新论文问世，但真正推动 AI 进步的，往往是少数优雅而根本的结构突破。
回顾整个技术范式的变迁，Michael 认为，当前 AI 的发展正处于一个极为深刻的转折点。
AI时代的转型与机遇：从工具开发到工程师角色的重塑
在外界的讨论中，常常出现两种截然相反的观点：一方面，有人信心满满地认为 AI 革命即将来临，似乎一夜之间就能改变一切；而另一方面，另一些人则将其视为纯粹的炒作和泡沫，认为其影响力微不足道。然而，Michael 认为，人工智能将会带来比个人计算机更为深远的变革，但这一变革将是一个漫长的“多年代”过程。从 I/O 到 iO，Jony Ive 将引领一场全新的设计潮流——AI 正在重新定义计算的范式和硬件的内涵，这也将成为新的市场竞争领域。
这一演进并不是依赖于某一特定系统或技术途径，而是由众多独立问题的解决组合而成。存在科学性的问题，例如如何让模型理解更多类型的数据、加快运行速度、提高学习效率；也有交互性的问题，比如人类如何与 AI 协作、如何设定权限边界，以及如何建立信任机制；此外，还有应用层面的问题，例如模型如何真正改变现实工作流程，如何在不确定性中提供可控的输出。
在这个转型过程中，Michael 预见到将会涌现出一类关键企业——专注于特定知识工作场景的 AI 工具公司。这些公司不仅会深度整合基础模型，甚至可能自主开发核心模块，以构建最优的人机协作体验。他们的目标不仅是成为“模型调用器”，而是将技术与产品的结构极致打磨，发展成为新一代的平台企业。这类公司不仅将提升用户的工作效率，还可能成为推动 AI 技术进步的主要力量。
Michael 期望 Cursor 能够成为这一领域的佼佼者，并期待在设计、法律、市场等多个知识工作领域，能够涌现出一批同样专注、扎实，具备技术深度与产品敏感度的 AI 创业者。未来的市场不属于炒作者，而是属于那些能够真正解构问题、重塑工具、理解人与技术关系的建设者。
他还特别提到，2025 年对 Cursor 至关重要的两项任务：一是开发出行业内最优秀的产品，二是实现大规模的市场推广。他将当前的状态形容为“土地争夺战”：市场中大多数人尚未接触这些工具，或者仍在使用更新缓慢的替代品。因此，Cursor 正在加大对市场拓展、销售和客户支持等方面的投入，同时不断寻找能够推动产品技术边界的优秀人才。
谈到 AI 对工程师岗位的影响，Michael 的看法显得十分冷静。他并不认为工程师会被迅速取代，反而认为在 AI 驱动的未来，工程师将比以往更加重要。
在短期内，编程方式必将经历巨大的变革，但不太可能出现一个“只需输入需求，系统自动完成”的场景。虽然 AI 确实可以让人类摆脱繁琐的底层实现，但方向、意图和结构设计等核心决策，仍需要专业开发者来掌控。
这一判断也意味着，软件构建效率的显著提升，将释放出需求端的巨大弹性。换句话说，软件的构建将变得愈加简便，成本大幅降低，最终将推动整个市场规模的扩大。越来越多的问题能够被建模，越来越多的流程能够被系统化，更多组织也会尝试定制内部工具，而不仅仅满足于通用解决方案。
他以自己早期在一家生物科技公司工作的经历为例，团队当时迫切需要开发一套适合内部流程的工具，但市场上的方案并不符合需求，自主开发的效率也十分有限，结果导致大部分需求被搁置。
这种现象在各行业中依旧普遍存在，显示出软件开发的门槛依然很高。如果有一天，软件开发能像移动文件或编辑幻灯片那样简单，那么我们将迎来一个全新的应用时代。
最后，他强调 AI 不会减少工程师的数量，反而会导致工程岗位结构的变化。那些能够与 AI 高效协作、理解系统逻辑并具备产品直觉的工程师，将在新一代工作体系中发挥更加重要的作用。
本文由人人都是产品经理的作者【江天 Tim】撰写，微信公众号：【有新Newin】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。
题图来源于 Unsplash，基于 CC0 协议。
