共计 8416 个字符，预计需要花费 22 分钟才能阅读完成。
人工智能编程领域正经历一场深刻的变革，而Cursor的迅速崛起恰好印证了这一发展趋势。从创始人的反思中，我们可以了解到，AI编程工具如何在重塑开发流程的同时，帮助优秀产品在竞争中脱颖而出。
AnySphere的联合创始人兼首席执行官Michael Truell所创建的Cursor，不仅是现阶段增长最快的AI编程工具之一，更是未来“后代码时代”的初步表现。
截至目前，团队人数已增至60人，而在产品上线仅20个月之际，Cursor便实现了年化经常性收入达到1亿美元，并在短短两年内增长至3亿美元，成为历史上增长最快的开发工具之一。这一成就的背后，不仅归功于代码生成技术的进步，还包括对软件开发全流程的重构与再定义。
Michael在AI领域已有十年经历，早年在麻省理工学院学习数学与计算机，随后在谷歌从事研究型工程。他对AI技术的发展路径与商业历史都有深入的了解。
在与海外科技博主Lenny的对话中，他生动描绘了一个与主流观点截然不同的未来：代码不会彻底消失，但它将不再是人类的主要输出。人们将以接近自然语言的方式描述他们对软件功能和行为的设想，系统则负责将这些意图转换为可执行的程序逻辑。
他指出，当前主流对AI编程未来的两种预设存在误区。一种观点是认为开发方式会保持现状，依旧依赖TypeScript、Go、Rust等语言构建程序；另一种则相信未来仅需与聊天机器人对话，就能完成整个开发流程。
多样化的开发方式
谈到Cursor的起步，Michael回顾了两个重要时刻：
第一个时刻是他们首次接触GitHub Copilot的内部测试版。那是他们第一次体验到真正实用的AI开发工具，它不仅具有实用性，还显著提高了工作效率。
第二个关键时刻则是他们研究了OpenAI及其他研究机构发布的一系列Scaling Law论文。这些论文使他们意识到，即使没有新算法，只要不断扩大模型参数和数据规模，AI便会持续进化。
在2021年底和2022年初，他们确认了一个判断：AI产品的时代已经真正来临。然而，与大多数创业者围绕“构建大模型”的思路不同，Michael和团队从知识工作的角度出发，反向思考在AI增强的背景下，各个具体工作场景将如何演变。
他们选择了一个看似冷门的领域——机械工程。由于这个领域竞争较小且问题空间明确，他们开始尝试开发CAD工具的自动化。然而，他们很快意识到对机械工程缺乏足够的热情，同时数据语料也十分匮乏，开发进展相当困难。
最终，他们决定回归最熟悉的编程领域。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。虽然这是一个竞争激烈的领域，但他们依然认为“天花板”极高，足以支持一家突破性的产品公司。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”的路线。
Cursor的一个核心决策是，不仅仅开发插件，而是构建一个完整的集成开发环境（IDE）。在他们看来，现有的IDE与编辑器架构无法适应未来的开发方式及人机交互逻辑。
“我们希望能够控制整个界面，重新定义开发者与系统之间的交互方式。”这不仅仅是为了实现更自然的控制粒度，更是为了构建能够承载下一代编程范式的系统基础。
Michael同时认为，未来的开发方式将呈现多样化。有时AI会充当助手，在Slack或问题跟踪器中完成任务；有时则会在IDE前台进行交互；也可能在后台运行某个流程，并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，就算是合格的系统。
对于当前行业内流行的“agent热”，他也持保留态度。完全将任务交给AI执行可能会让开发者沦为“工程经理”，需要不断审核、批准和修改一群“笨拙实习生”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分为多个步骤，让AI逐步补全，而人类始终保持主导地位。”
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。最初，他们仅花了五周时间便建立了可用的原型，并迅速取代了之前的开发工具。从零编写代码到上线，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。
但在Michael看来，真正的成功并不仅在于初版的速度，而在于随后的持续优化。他承认：“最初三个月的版本其实并不好用，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。尽管早期并没有明显的“起飞”感觉，但随着指数曲线的积累效应，最终在多次迭代后爆发。
始终朝着正确方向前进
尽管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。”
这听起来平常，但要持续做到极其不易。每一个决策、每一个迭代细节，均需从用户的视角出发，不断贴近实际场景，进行减法和优化。他们从不寄希望于一次性的爆款，而是坚信产品价值必须经过持续使用和真实反馈的磨练。
与这种理念相呼应的是Cursor背后的技术路径选择。Michael提到，团队最初构建Cursor时，并没有计划自己训练模型。在他看来，当时已有足够强大的开源与商用基础模型，投入算力、资金和人力从零构建新模型，不仅成本高昂，而且偏离了他们真正关注的焦点：打造有用的工具，解决具体问题。
然而，随着产品的深入迭代，他们逐渐意识到，虽然已有的基础模型强大，但并不能满足Cursor中某些关键场景的需求。这些模型大多针对通用对话、问答或文本任务训练，缺乏对“多文件结构化代码编辑”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。这在写作中难以实现，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，接下来的一系列操作往往是可预测的。
Cursor的模型正是基于这种上下文逻辑，推测出用户可能会修改的文件、位置和结构，并以几乎无感延迟的速度提供补全建议。这不仅是逐个token的补全，而是结构化代码片段级的预测，其背后完全依赖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情况下，这类自主研发的模型还显著降低了产品的使用门槛。要实现这一目标，模型必须具备两个特性：反应迅速、成本低廉。
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，不能消耗过多资源。这一硬性约束使得他们必须掌控模型本身的设计与部署。
除了承担核心交互功能，Cursor的自研模型还承担了另一项重要任务——作为“编排器”辅助调用大型模型。例如，当代码库规模庞大时，大型模型难以判断应关注哪些文件、哪些模块、哪些上下文。
Cursor的模型会首先进行搜索和归纳，从整个代码库中提取相关信息，再将这些信息输入给主模型。这就像为GPT、Claude、Gemini等大型模型构建了一个专业的“信息投喂管道”，使得它们的表现更加精准。
而在模型输出阶段，这些草图式的代码修改建议，也会先经过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。
构建高效开发平台的秘诀
这种多模型协同工作、各尽其职的架构，被称为“模型集成”，正如OpenAI所描述的那样。Michael并不追求从零开始自行开发模型，而是务实地选择开源模型作为基础，例如LLaMA。
在某些特定场景中，他们也会与封闭源的公司合作，通过微调模型的参数，使其适应特定任务。他特别指出，关键并不是底层模型是否掌握在自己手中，而是能否获得用于训练和定制的实际操作权限，以满足产品的需求。
随着技术架构的逐步完善，另一个问题开始显现：在快速发展的市场中，Cursor的护城河究竟在哪里？对于这一点，Michael的看法非常明确。他不认为“产品绑定”或“合同锁定”能够提供持久的防护。
与传统的B2B软件市场相比，AI工具的市场门槛变化剧烈，用户的试错成本低，接受新工具的意愿高。他坦诚，这并不是一个对传统巨头有利的领域，反而是鼓励新兴公司不断尝试、快速迭代、争夺用户青睐的沃土。
从这个角度来看，Cursor所依赖的护城河并不在于对模型的控制或数据的垄断，而在于“持续打造卓越产品的能力”。
这个行业更像是90年代的搜索引擎，或更早的PC行业，每一次的技术提升都能带来显著的收益，而竞争壁垒则源于不断迭代产生的“深度惯性”，以及团队的组织能力和产品打磨水平的差异。
Michael提出了一个核心观点：当市场中仍存在大量未被满足的需求和可优化的技术结构时，持续的研发就是最大的护城河。它不依赖于用户的绑定，而是依靠自身的不断进化，积累时间和质量上的优势。
他还强调，这种“进化护城河”并不排斥竞争，也并不意味着市场只有一个赢家。然而，在“构建全球通用软件平台”的背景下，最终确实可能会产生一家规模庞大的超级公司。
尽管未来可能会有多个产品并存，但如果问题是“谁能够承担全球最大规模的代码逻辑转译任务”，那么最终可能只剩下一个公司。其原因并非其他公司表现不佳，而是用户会自然倾向于使用最通用、最稳定且理解上下文能力最强的平台。在这个领域，产品的质量和进化速度将决定市场的集中度。
他进一步指出，不能用传统IDE市场的碎片化经验去评估当前技术演变的格局。2010年代的IDE市场“没有人赚大钱”，是因为当时的编辑器功能接近极限，能够优化的部分仅限于语法高亮、调试器整合、快捷导航等基础功能。而今天，开发者工具正处于新的范式起点，目标不再是简单优化一个编辑器，而是重塑整个知识工作者的任务流程和表达结构。
AI编程工具的本质在于提升人类指令的表达能力，缩短从想法到实现的路径。这是一个比传统开发工具更广阔的市场，也是一个具有平台属性的未来通道。在这个通道中，谁能提供最流畅、最可靠、最具上下文理解的编程体验，谁就有可能成为下一代“软件构建基础设施”的代名词。
Lenny提到Microsoft Copilot时，提出了一个典型问题：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源泉，尤其是在其初版发布时，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期的势头，这既有历史原因，也有结构性问题。最初开发Copilot的核心团队人员变动频繁，难以在大型组织中形成统一方向，产品路径很容易受到内部斗争和复杂流程的影响。
更深层次的是，这一市场对于现有企业并不友好。与企业级CRM或ERP系统依赖集成和绑定不同，该市场缺乏用户粘性极强的“切换成本”。用户的选择完全基于体验的差异，这决定了“产品实力”而非“销售能力”将成为决定性因素。在这样一个动态、开放且高频试错的市场中，能够胜出的公司是那些能以产品每周迭代、每月进步，并持续冲击技术上限的创业团队。
Cursor目前展现出的方向感与产品节奏，正是在这一背景下的回应。它并不依赖于“封闭”，而是通过“持续构建世界上最好用的开发工具”这一简单而明确但极具挑战的使命，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最关注的并不是模型能力的上限，而是用户如何理解和善用这些能力。
当被问及如果能坐在每一个首次使用Cursor的用户旁边，他会给出什么建议时，他没有讲解功能或操作技巧，而是强调了一种思维模式的培养——对模型“能够与不能”的直觉判断力。
他坦诚，当前Cursor的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，尝试用一条提示解决复杂问题；要么因首次结果不理想而完全放弃。
他建议采取任务拆解的方式，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、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“放手一搏”，尝试将AI的能力推向极限。
在不影响主要工作的情况下，通过一系列实验性项目，去感受模型真正能完成多少，失败的边界在哪里。这种“摔跤式探索”能帮助开发者建立更加准确的直觉，并在面对正式项目时更具信心。
随着模型版本的不断更新，例如GPT-4.0或Claude的迭代上线，这种判断力也需要随之更新。他希望未来Cursor的产品能够内置一套引导机制，让用户无需每次摸索模型的“脾气”和界限。但在现阶段，这仍然是用户需要自主积累的技能。
对于常被询问的另一个问题——这些工具究竟更适合初级工程师还是高级工程师——Michael做出了准确的分类描述。
他指出，初级开发者往往倾向于“完全依赖AI”，试图用它完成整个开发流程；而高级工程师则因经验丰富而可能低估AI的能力，没有充分探索其潜力。前者的问题是“依赖过多”，后者的问题则是“探索不足”。
他还强调，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，实际上是最积极接受这类工具的一群人。他们既懂得系统的复杂性，又关注工具的效率，因此往往在AI编程场景中取得最佳效果。
在他看来，理想的用户画像并不是初学者，也不是固化流程的老手，而是那些“资深但尚未僵化”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态度。
打造世界一流团队的秘诀
当被问及如果能回到创办Cursor的那一年，会对自己说什么建议时，Michael选择了一个不那么技术化的答案——招聘。他反复强调，“找到合适的人”是除了产品本身外最重要的工作。
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，也决定了组织的专注度、节奏和文化。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在招聘过程中经历了很多曲折。一开始，他们过于看重“光鲜履历”，倾向于招募来自知名高校、年轻且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不在这些传统模板中。相反，那些职业生涯稍晚、经验匹配度高、技术判断力成熟的人，才是推动团队飞跃的关键力量。
在招聘流程中，他们逐渐建立了一套行之有效的方法。最核心的是一个为期两天的“工作测试”制度。候选人需要在规定时间内，与团队共同完成一个高度贴近真实项目的任务。
虽然这个流程看似繁琐，但在实际操作中不仅可扩展，还显著提高了团队的判断准确性。它不仅考察了候选人的代码能力，还评估了协作沟通、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，这一制度依然被保留并适用于每位新候选人。Cursor的团队规模目前仍保持在60人左右，已在许多SaaS公司中算得上精简。
Michael指出，他们有意维持这种精干配置，尤其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，他们仍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并不依赖复杂的组织制度。
在他看来，组织文化的根基就在于招人。如果能够找到那些理性、专注、不被市场热点左右的人，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“只关注创造卓越产品”的文化引导上取得了不错的成效。
许多公司试图通过流程和组织设计解决的问题，其实可以通过“找对人”提前避免。他们的开发流程极其简洁，之所以能够如此，是因为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：对外部喧嚣拥有“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、2022年，Cursor团队就已在AI编程方向上进行了探索。当时GPT-3尚未推出Instruct版本，DALL·E和Stable Diffusion也未公开，整个生成式AI领域还处于技术萌芽阶段。
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、视频生成的崛起……但在这些看似热闹的技术潮流中，真正对产品产生深远影响的其实非常有限。
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化进行类比：尽管每年都有无数新论文发布，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时代的演进与工程师的未来
外界对人工智能的发展常常抱有极端的看法：一部分人坚信AI的革命即将来临，可能在一夜之间改变现状；而另一部分人则将其视为无足轻重的炒作。对此，他的看法是，人工智能将引发一次比个人计算机更为深远的范式转变，但这一过程将是漫长的“多年代”演进。从I/O到iO，Jony Ive将引领一场新的设计潮流——人工智能正在重新定义计算范式和硬件标准，同时也是大模型之后的新竞争领域。
这场演进并不依赖于单一系统或技术路径，而是由众多细分问题的独立解决方案构成。包括科学问题，例如如何让模型理解更多的数据类型、更快地运行和更高效地学习；交互问题，比如人类如何与AI合作、如何确定权限边界以及如何建立信任机制；还有应用问题，例如模型如何真正改变实际工作流程，以及如何在不确定条件下提供可控的输出。
在这一演化过程中，他预见到将会涌现出一类关键企业——专注于某一特定知识工作场景的人工智能工具公司。这些企业会深度整合基础模型，甚至可能自主研发核心模块，同时打造最佳的人机协作体验。他们的角色不仅是“模型调用器”，更会将技术和产品结构精雕细琢，进而发展为新一代平台企业。这类公司不仅能提升用户的工作效率，更将可能成为推动人工智能技术发展的重要力量。
Michael希望Cursor能够成为这类企业中的一员，同时他也期待在设计、法律、市场等多个知识工作领域，涌现出一批同样专注、扎实且兼具技术深度与市场敏锐度的AI创业者。未来的舞台将属于那些真正解构问题、重塑工具以及深刻理解人与技术关系的建设者，而非投机者。
他指出，2025年对于Cursor而言至关重要，主要有两件事情需要完成：一是打造行业中最优秀的产品，二是实现其大规模推广。他将当前的市场状态比作“土地争夺战”：大多数人尚未接触这些工具，或者依然在使用更新迭代缓慢的替代品。因此，他们在市场、销售和客户支持等方面加大投入，同时积极寻找能够从技术层面推动产品发展的优秀人才。
谈及人工智能对工程岗位的影响，Michael的态度相当冷静。他不认为工程师会被迅速替代，反而认为在AI驱动的未来，工程师的角色将比以往任何时候都更加重要。
在短期内，编程方式会发生显著变化，但想象软件开发完全变成“只需输入需求，系统自动完成”的过程并不现实。尽管人工智能能让人类从繁琐的低层次实现中解放出来，但方向、意图和结构设计等关键决策，依然需要专业开发者来掌控。
这种看法也表明，随着软件构建效率的大幅提升，需求端的灵活性将被充分释放。换句话说，软件的构建将变得愈发简单，成本将显著降低，最终将导致整个市场规模的扩大。更多的问题可以被建模，更多的流程将会被系统化，更多的组织会尝试定制内部工具，而不是接受现成的通用方案。
他通过个人经历来说明这一点。在早年参与的一家生物科技公司中，团队迫切需要构建一套适应内部流程的工具系统，但市场上的解决方案并不匹配，自己开发的效率也非常有限，结果是大部分需求被搁置。
这一情形在许多行业中依然普遍存在，显示出软件开发的门槛依然很高。如果有一天，软件开发能够像移动文件和编辑幻灯片一样简单，那么将会迎来一个全新的应用时代。
最后，他强调，人工智能不会减少工程师的数量，反而会改变工程岗位的结构。那些能够与AI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重要的作用。
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。
