共计 8292 个字符，预计需要花费 21 分钟才能阅读完成。
AI 编程领域正经历着深刻的变革，Cursor 的迅猛发展充分证明了这一趋势。从其创始人的回顾中，我们能够了解到 AI 编程工具如何重塑开发流程，并如何在竞争中不断推出卓越产品。
AnySphere 的联合创始人兼首席执行官 Michael Truell 所创造的 Cursor，不仅是如今增长速度最快的 AI 编程产品之一，更是“后代码时代”的早期代表。
如今拥有 60 名员工的团队，Cursor 在上线仅 20 个月的时间里，就实现了 1 亿美元的年化经常性收入，并在两年内飙升至 3 亿美元，成为历史上增速最快的开发工具之一。这个成就的背后，除了代码生成能力的提升，更在于对整个软件开发流程的重构与再定义。
Michael 是一位在 AI 领域深耕十年的技术专家，他在麻省理工学院主修数学和计算机，之后在谷歌从事科研工程工作。他对 AI 的技术演进与商业发展有着深刻的理解。
与海外科技博主 Lenny 的交流中，他清晰地描绘了一个不同于普遍观点的未来：代码不会被完全替代，但将不再是人类的主要输出形式。人们将以接近自然语言的方式表达对软件功能和行为的期望，而系统则负责将这些想法转化为可执行的程序逻辑。
他指出，目前关于 AI 编程未来的主流看法存在偏差。一种观点认为开发方式将保持现状，继续依赖 TypeScript、Go、Rust 等编程语言；另一种则认为未来可以通过与聊天机器人对话来完成整个开发过程。
多样化的开发模式
谈到 Cursor 的起源，Michael 提到了两个重要时刻：
第一次，是他们首次体验 GitHub Copilot 的内部测试版本。这是他们第一次接触到真正实用的 AI 开发工具，显著提升了工作效率，远非简单的噱头。
第二个时刻，则是在他们研读 OpenAI 和其他研究机构发布的一系列 Scaling Law 论文后。他们意识到，只要不断扩大模型参数和数据规模，即使没有新算法，AI 也会不断进步。
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。但与大多数创业者专注于“构建大模型”不同，Michael 和团队从知识工作的角度出发，反向思考 AI 增强下具体工作场景的演变。
他们选择了一个看似冷门的方向——机械工程，认为该领域竞争相对较小，问题空间清晰，因此开始研究 CAD 工具的自动化。但不久后，他们发现自己对机械工程缺乏热情，数据语料也不足，开发进展十分缓慢。
最终，他们决定重回熟悉的编程领域。尽管市场上已有 Copilot、CodeWhisperer 等产品，但他们认为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”极高，足以支持一家具有突破性的产品公司。因此，他们放弃了“避开热门领域”的策略，选择了“在热门领域深耕”的路径。
Cursor 的一个核心决策是构建一个完整的 IDE，而非插件。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控制权，以重新定义开发者与系统之间的交互方式。”这不仅为了实现更自然的控制粒度，也为了构建一个真正能够承载下一代编程范式的系统基础。
Michael 认为，未来的开发方式将是多种形态共存。AI 有时像助手，在 Slack 或问题追踪器中完成任务；有时则在 IDE 前台进行交互；也可能在后台运行某个流程，同时在前台进行迭代控制。这些模式并不矛盾，只要能够让用户在全自动与手动控制之间灵活切换，就能算是合格的系统。
对于当前流行的“代理热”，他也表达了谨慎的态度。将所有任务交给 AI 执行可能会使开发者沦为“工程经理”，不断审查、批准、修改一群“笨拙的实习生”的输出。“我们并不相信这样的路径。最有效的方式是将任务细化为多个步骤，让 AI 一步步补充，而人类始终保持主导。”
Cursor 的早期版本完全从零开始开发，不依赖于任何现有编辑器。最初，他们仅用五周时间搭建出可用原型，并迅速替代了原有的开发工具。从零到上线，仅用了三个月的时间。发布后，超出预期的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了平衡，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，而在于持续的优化。他承认：“最初的三个月版本实际上并不好用，关键在于我们始终保持着偏执的改进节奏。”这种持续优化的节奏，最终形成了 Cursor 稳定的增长轨迹。尽管早期并没有明显的“起飞”迹象，但通过多次迭代，指数曲线的积累效应最终爆发。
始终朝着正确的方向前进
虽然 Cursor 的爆发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：“每天朝着正确的方向前进。”
听起来似乎平凡，但要持续做到却极其不易。每一个决策和迭代细节，都是从用户的角度出发，贴近实际场景，不断做减法和优化。他们从不寄希望于一次性的大热产品，而是深信产品的价值必须经得起持续使用和真实反馈的考验。
与这种理念相呼应的是 Cursor 在技术路径上的选择。Michael 提到，团队在最初构建 Cursor 时，完全没有计划自己训练模型。在他看来，当时已经有足够强大的开源与商用基础模型，投入算力、资金和人力去从零构建新模型，不仅成本高昂，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，他们逐渐认识到，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、问答或文本任务训练，缺乏对“多文件结构化代码编辑”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。在写作中难以实现，但在代码场景中却极具可能性。因为程序具有强烈的上下文连贯性——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，推理出用户可能会修改的文件、位置和结构，并以近乎无感延迟的速度提供补全建议。这不仅仅是 token 级别的补全，而是基于结构化的代码片段预测，完全依赖于为此场景特别训练的自研模型，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：响应速度快、成本低。
Cursor 要求每一次补全推理必须在 300 毫秒内完成，并且在长时间连续使用中，不能产生过高的资源消耗。这种严格的约束使得他们必须掌握模型的设计与部署。
除了承担核心交互功能，Cursor 的自研模型还承担了另一类重要任务——作为“编排器”辅助调用大型模型。在代码库规模庞大的情况下，大型模型往往难以判断应该关注哪些文件、模块和上下文。
Cursor 的模型会首先进行一次搜索与归纳，从整个代码库中提取相关信息，然后将其提供给主模型。这就像为 GPT、Claude、Gemini 等大型模型构建了一个专业的“信息输入管道”，使它们的表现更加精准。
在模型输出阶段，这些初步的代码修改建议也会先由 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。
AI工具的未来与用户使用策略
这种由多个模型协同合作、各自发挥作用的架构，正如OpenAI所称之为“模型集成”。Michael并不执念于从头开始构建模型，而是非常务实地选择了现成的开源模型作为起点，例如LLaMA。
在某些情境下，他们也会与封闭源的厂商合作，通过调整模型参数来适应特定任务。他强调，关键在于是否能够获得可操作的训练和定制权，以满足产品的实际需求，而不仅仅是掌握模型的底层结构。
随着技术的不断演进，Cursor面临了一个新问题：在这个快速发展的领域，其竞争优势究竟在哪里？对于这一点，Michael显得相当清醒。他认为“产品绑定”和“合同锁定”并不能形成真正的长期防御。
与传统的B2B软件相比，AI工具市场的门槛变化非常剧烈，用户在试错中的成本较低，对新工具的接受度也高。他坦言，这并不是一个对传统巨头友好的市场，反而是一个鼓励新兴公司进行持续试错和快速迭代以争取用户选择的环境。
从这个视角来看，Cursor所依赖的竞争优势，并非模型掌控权或数据垄断，而是“持续创造卓越产品的能力”。
这一行业更像是90年代的搜索引擎或早期的PC行业，每一次改进都能带来显著的收益。竞争壁垒主要来自于不断迭代所形成的“深度惯性”，以及团队的组织能力与产品打磨体系的优劣。
Michael提出了一个核心观点：在市场上仍有大量未被满足的需求和优化空间时，持续研发本身就是最大的护城河。这并不依赖于用户绑定，而是依靠自身的不断进化，从而获得时间和质量上的优势。
他进一步指出，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“构建全球通用软件开发平台”的目标下，最终可能会出现一家规模庞大的超级公司。
尽管未来可能会有多个产品共存，但如果问题是“谁能够承担全球范围内最大规模的代码逻辑转译任务”，那么最终可能只剩下一家公司。原因在于，用户自然倾向于使用最通用、最稳定、最具上下文理解力的平台。在这个领域，产品的质量和进化速度将直接影响市场集中度。
他还指出，不能用传统IDE市场的碎片化经验来判断这一轮技术演化的格局。在2010年代，IDE市场“没有人赚大钱”，是因为那个时代的编辑器能力已接近极限，能优化的部分仅限于语法高亮、调试器集成和快捷导航等基础功能。而现在，开发者工具正处于新的起点，其目标不再是优化一个编辑器，而是重塑整个知识工作者的任务流与表达结构。
AI编程工具的本质在于提升人类指令的表达能力，缩短从想法到实现的路径。这是一个远比传统开发工具庞大的市场，且具备平台属性的未来通道。在这一通道中，谁能提供最流畅、最可靠、最理解上下文的编程体验，谁就有机会成为下一代“软件构建基础设施”的代表。
当Lenny提到Microsoft Copilot时，也提出了一个典型问题：最早进入市场的公司是否有能力持续引领？Michael承认，Copilot曾是行业的灵感来源，尤其在其初始版本发布时，引入了前所未有的开发交互模式。
然而，他认为微软并未能保持其初始的势头，这既有历史原因，也存在结构性难题。最初开发Copilot的核心团队人员更替频繁，难以在大型组织中形成统一的方向，产品路径容易被内部博弈和复杂流程稀释。
更根本的是，这一市场对现有厂商并不友好。与企业级CRM或ERP系统不同，它不依赖于集成与绑定，也没有强大的用户黏性“防切换成本”。用户的选择完全基于体验的差异，这决定了“产品力”而非“销售能力”是决定性因素。在这个动态、开放且高频试错的市场中，获胜的公司往往是那些能够每周进行产品迭代、每月推进进步，并持续向技术极限冲刺的创业团队。
Cursor当前展现出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”这一简单而清晰但极其困难的使命，吸引开发者的主动选择。
如何有效使用Cursor？
在构建一个面向全球开发者的AI IDE平台过程中，Michael Truell最看重的并不是模型能力的极限，而是用户如何理解并合理运用这些能力。
当被问及如果他能坐在每一个首次使用Cursor的用户旁边，会给出什么建议时，他并没有讲解功能或操作技巧，而是强调建立一种思维模式——对模型“能与不能”的本能判断。
他直言，当前Cursor产品在引导用户理解模型边界方面仍显不足。在缺乏明确提示和交互反馈的情况下，许多用户容易落入两个极端：要么期望模型过高，试图用单条提示解决复杂问题；要么因首次结果不佳而彻底放弃。
他建议采用任务拆解的方法，通过“小提示-小生成”的方式逐步推进，与AI进行持续的双向互动，从而获得更稳定、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“放手一搏”，尝试将AI能力推向极限。
在不影响主线工作的前提下，通过一整套实验性项目，去探索模型的实际能力与失败的边界。这种“摔跤式探索”能够帮助开发者建立更准确的直觉，使他们在未来面对正式项目时更有信心。
随着模型版本的持续更新，比如GPT-4.0或Claude的迭代上线，用户的判断力也需要随之调整。他希望未来Cursor的产品能够内置引导机制，使用户无需每次都自行摸索模型的“脾气”和界限。然而在目前，这依然是用户需要主观积累的技能。
对于常被问到的另一个问题——这类工具究竟更适合初级工程师还是高级工程师——Michael给出了明确的分类描述。
他指出，初级开发者往往过于依赖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的潜力，未能充分探索其应用。前者的问题是“依赖过度”，后者的问题则是“探索不足”。
他还特别提到，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，实际上是最积极使用这类工具的人群。他们既理解系统的复杂性，又关注工具的效率，因此在AI编程场景中往往取得最佳效果。
Michael认为，最理想的用户画像并不是初学者，也不是已经固化流程的老手，而是那些“资深但尚未僵化”的中段工程师——他们具备系统理解力，同时对新方法保持好奇与开放的态度。
如何打造一流团队？
当被问及如果能够回到创办Cursor的初期，会对自己说些什么建议时，Michael选择了一个非技术化的回答——招聘。他强调，“找到合适的人”是仅次于产品本身的重要工作。
尤其在早期，组建一支世界级的工程和研发团队，不仅关系到产品质量，也是组织专注力、节奏和文化的关键所在。他所寻找的人才，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，Cursor在招聘过程中曾经历许多曲折。一开始，他们过于重视“高光履历”，倾向于招募来自名校、年轻且拥有标准成功路径的候选人。但最终他们意识到，真正合适的人才往往并不符合这些传统标准。相反，那些职业生涯稍晚、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，他们逐步建立了一整套有效的方法。最核心的部分是为期两天的“工作测试”制度。候选人需要在规定时间内，与团队一起完成一个高度贴近真实项目的任务。
这一流程看似繁重，实际上不仅可扩展，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，也测试了协作、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。他们将招聘过程视为一种双向选择，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，团队自身就是最大的吸引力。
他坦言，早期许多员的加入，源于一次或多次的共处经历，而非对薪资或估值的考虑。如今，这一制度仍然被保持并应用于每位新候选人。Cursor的团队规模目前仍保持在约60人，这在许多SaaS公司中已算精简。
Michael指出，他们有意保持这种精干配置，特别是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行业不断变化的发布节奏中保持专注，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。如果能够吸引到那些理性、专注且不被热点情绪左右的人，团队自然会拥有良好的节奏感。他坦承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了不错的效果。
许多公司试图通过流程和组织设计来解决的问题，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心理特质：对外界喧嚣具备“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步形成的。早在2021年和2022年，Cursor团队就已在AI编程方向上展开探索。当时，GPT-3还没有Instruct版本，DALL·E和Stable Diffusion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、多模态架构的演进、以及视频生成的兴起……但在这些看似热闹的技术浪潮中，真正对产品产生实质性影响的其实寥寥无几。
这种对“结构性创新”与“表面噪音”的分辨能力，成为他们维持专注的重要心理基础。他将这一方法与过去十年深度学习研究领域的演变进行对比：尽管每年都有数不胜数的新论文问世，但真正推动AI进步的，往往是极少数优雅而根本性的结构突破。
回顾整个技术范式的变迁，Michael认为，当今的AI发展正处于一个极为深刻的转折点。
AI 变革：未来工程师的新角色与机遇
外界常常会陷入两种极端观点：有些人预测 AI 革命即将到来，认为它将迅速颠覆一切；而另一些人则将其视为炒作和虚幻的泡沫。他的看法则是，AI 将带来比个人计算机更深远的范式转变，但这一过程将是漫长的，持续数年。Jony Ive 将引领一场新的设计潮流——AI 正在重新定义计算方式和硬件，同时也是大模型之后新的竞争领域。
这种演进并不依赖于单一技术或系统，而是通过解决众多细分问题而实现的。有些问题是科学性的，例如如何让模型理解更多类型的数据、如何加快运行速度、如何提高学习效率；另一些则是交互性的，比如人类如何与 AI 协同工作、如何设定权限边界、如何建立信任关系；还有一些是应用层面的问题，比如模型如何真正改变实际工作流程、如何在不确定的环境中提供可控的结果。
在这一发展过程中，他认为会涌现出一类重要企业——专注于特定知识工作场景的 AI 工具公司。这些公司将会深入整合基础模型，甚至可能自主开发核心模块，同时创造最佳的人机合作体验。他们不仅仅是“模型调用器”，而是将技术与产品设计打磨至极致，从而成长为新一代的平台企业。这类公司不仅提升用户的工作效率，也将成为推动 AI 进步的重要力量。
Michael 期望 Cursor 能够成为这类企业之一，同时他也期待在设计、法律、市场等多个知识工作领域中，能够涌现出一批同样专注、扎实且具备技术深度与产品敏锐度的 AI 创业者。未来的优势不属于那些炒作的人，而是属于那些真正深入分析问题、重塑工具、理解人与技术关系的建设者。
他指出，2025 年对 Cursor 来说至关重要的有两件事情：第一，开发出行业内最佳产品，第二，进行大规模推广。他形容当前市场的状态为一场“土地争夺战”：大多数人尚未接触到这些工具，或仍在使用更新缓慢的替代品。因此，他们正在加大对市场、销售和客户支持等领域的投资，并不断寻找能够从技术层面推动产品创新的优秀人才。
当谈到 AI 对工程师职位的影响时，Michael 的回答显得相当冷静。他并不认为工程师会被迅速取代，反而认为在 AI 驱动的未来中，工程师的角色将比以往更为重要。
在短期内，编程的方式将会经历巨大的变化，但很难想象软件开发会变成一个“只需提交需求，系统就会自动完成”的过程。AI 确实能够解放人们摆脱低水平的繁琐任务，但方向、意图和结构设计等核心决策，仍需要由专业的开发者来把控。
这种看法也意味着，随着软件构建效率的显著提升，需求侧的灵活性将被完全释放。换句话说，软件的构建将变得越来越容易，成本将大幅下降，最终导致整个市场规模的扩展。更多的问题将能够被建模，更多的流程将被系统化，更多的组织将会尝试定制内部工具，而不是依赖于通用方案。
他用自己的经历来说明这一点。在他早年参与的一家生物科技公司，团队迫切需要构建一套符合内部流程的工具系统，但市面上的解决方案并未适配，自己开发的效率也十分有限，结果是大部分需求都被搁置。
这样的情形在各行各业依然普遍存在，显示出软件开发的门槛依旧很高。如果有一天，做软件的过程像移动文件或编辑幻灯片一样简单，那么我们将迎来一个全新的应用时代。
最后，他强调，AI 并不会减少工程师的数量，反而会改变工程岗位的结构。那些擅长与 AI 协同工作、能够理解系统逻辑、拥有产品直觉的工程师，将在新一代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。
题图来自Unsplash，基于 CC0 协议。
