•
AI 是比 PC 更深遠的範式轉移！Cursor 創始人復盤：AI 程式設計工具本質是提升人類指令表達能力，持續建構優秀產品才是壁壘
AnySphere 聯合創始人兼 CEO Michael Truell 所建構的 Cursor，不僅是當前增長最快的 AI 程式設計產品之一，更是未來“後程式碼時代”的早期形態。
當前 60 個人的團隊，在產品上線僅 20 個月時，Cursor 即實現了 1 億美元年化經常性收入，兩年之內增長至 3 億美元，成為有史以來增長最快的開發工具之一。支撐這一成就的，不只是程式碼生成能力的提升，更是對整個軟體開發流程的重構與再定義。
Michael 是在 AI 領域打磨了十年的技術人，早年在 MIT 主修數學與電腦，後在 Google 從事研究型工程工作。他對 AI 技術路徑與商業史都有深入理解。
在與海外科技博主 Lenny 的對話中，他清晰描繪了一個不同於主流假設的未來：程式碼不會被完全取代，但它將不再是人類主要的輸出對象。人們將以接近自然語言的方式表達他們對軟體功能與行為的設想，系統則負責將這些意圖轉化為可運行的程序邏輯。
他指出，如今主流對於 AI 程式設計未來的兩種設想都存在偏差。一種是認為開發方式將基本維持現狀，繼續依賴 TypeScript、Go、Rust 等語言建構程序；另一種則相信未來可以僅通過與聊天機器人對話，就完成整個開發流程。
▍多形態並存的開發方式
談及 Cursor 的起點，Michael 回顧了兩個關鍵時刻：
第一個，是他們首次接觸 GitHub Copilot 的內部測試版本。這是他們第一次使用到真正實用的 AI 開發工具，它不僅不是噱頭，而且顯著提升了工作效率。
第二個時刻，是他們研讀了 OpenAI 與其他研究機構發佈的一系列 Scaling Law 論文。這些論文讓他們認識到：即使沒有新演算法，只要持續擴展模型參數與資料規模，AI 也會不斷進化。
在 2021 年末、2022 年初，他們堅定了一個判斷：AI 產品的時代真正到來了。但與大多數創業者圍繞“建構大模型”展開不同，Michael 和團隊試圖從知識工作的角度出發，反向思考在 AI 增強之下，各個具體工作場景會如何演變。
當時他們選了一個看似冷門的方向——機械工程。他們認為這個領域競爭小，問題空間明確，於是開始做 CAD 工具自動化。但很快他們發現，對機械工程缺乏足夠熱情，且缺乏資料語料，開發推進非常困難。
最終，他們決定回到最熟悉的領域：程式設計。雖然當時市場已有 Copilot、CodeWhisperer 等產品，但他們認為沒有人真正把願景推向極致。儘管這是最熱門、競爭最激烈的方向之一，但他們依然判斷“天花板”極高，足以支撐一家極具突破性的產品公司。他們放棄了“避開熱區”的策略，選擇了“在熱區做深”的路線。
Cursor 的核心決策之一，是不做外掛，而是建構一個完整的 IDE。在他們看來，現有 IDE 與編輯器的架構無法適配未來的開發方式與人機互動邏輯。
“我們希望能對整個介面擁有控制權，重新定義開發者與系統之間的互動介面。”這不僅是為了實現更自然的控制粒度，更是為了建構一套真正能承載下一代程式設計範式的系統底座。
Michael 同時認為，未來開發方式將是多形態並存的。有時 AI 像助手，在 Slack 或 issue tracker 中完成任務；有時則是 IDE 前台互動；也可能是背景執行某個流程，再前台迭代控制。這些都不矛盾，只要能讓使用者在全自動與手動控制之間靈活切換，就是合格的系統。
對於業界目前流行的“agent 熱”，他也表達了保留態度。完全將任務交給 AI 執行可能會使開發者變成“工程經理”，要不斷審查、批准、修改一群“很笨的實習生”的輸出。“我們並不相信那樣的路徑。最有效的方式是：將任務細化為多個步驟，讓 AI 一步步補全，而人類始終保持主導。”
Cursor 的早期版本完全從零開發，不依賴任何已有編輯器。最初他們只花了五周時間搭建出可用原型，並迅速替代自己原先的開發工具。整個從零寫程式碼到上線，僅用了三個月時間。發佈後超預期的使用者反饋促使他們快速迭代，最終在性能、體驗與開發速度之間找到平衡，轉而基於 VS Code 框架重構。
但在 Michael 看來，真正的成功並不是初版的速度，而是其後持續的最佳化。他承認：“最初三個月版本其實並不好用，關鍵是我們始終保持偏執式的改進節奏。”這份持續最佳化的節奏，最終形成了 Cursor 非常穩定的增長軌跡。雖然初期並沒有明顯“起飛”的感覺，但指數曲線的積累效應，最終在多次迭代後爆發。
▍每天跑在正確方向上
雖然 Cursor 的爆發看似源於某個關鍵功能或產品決策，但 Michael Truell 表示，真正的秘訣其實非常簡單：“每天跑在正確方向上”。
這聽起來平凡，但要持續做到，極其不易。每一個決策，每一個迭代細節，都是從使用者視角出發，不斷地貼近實際場景，不斷地做減法、做最佳化。他們從不寄希望於一次性的爆款，而是深信產品價值必須經得起持續使用與真實反饋的打磨。
與這種理念相呼應的是 Cursor 背後的技術路徑選擇。Michael 提到，團隊在最初建構 Cursor 時，完全沒有打算自己訓練模型。在他看來，當時已經有足夠強大的開源與商用基礎模型，投入算力、資金和人力去從零建構新模型，不僅成本高昂，而且方向偏離了他們真正關注的焦點：建構有用的工具、解決具體的問題。
但隨著產品深入迭代，他們逐漸意識到，已有的基礎模型雖然強大，卻無法滿足 Cursor 中的關鍵場景。這些模型大多是為通用對話、問答或文字任務訓練的，缺乏對“多檔案結構化程式碼編輯”這類問題的原生理解。
於是，他們開始在內部進行自研模型的嘗試。最初是某個具體功能對延遲要求極高，現有模型的呼叫不具備可行性；嘗試自己訓練後發現效果遠超預期。自此，自研模型逐步成為 Cursor 的核心組成，不僅支撐了關鍵功能，也成為團隊招募的重要方向。
Cursor 中有一個關鍵特性，就是對“下一步編輯行為”的預測。這在寫作中難以實現，但在程式碼場景中卻極具可能性。因為程序具有很強的上下文連貫性——開發者修改了某個函數或檔案之後，接下來的若干操作往往可預測。
Cursor 的模型正是基於這種上下文邏輯，推理出使用者下一步可能會修改的檔案、位置、結構，並以近乎無感延遲的速度提供補全建議。這不僅僅是 token 等級的補全，而是結構化的程式碼片段級預測，其背後完全依賴專為此場景訓練的自研模型，而非通用基礎模型。
在模型呼叫成本極高的現實下，這類自研模型還能大幅降低產品使用門檻。要做到這一點，模型必須具備兩個特性：響應快、成本低。
Cursor 要求每一次補全推理必須在 300 毫秒內完成，而且在長時間連續使用中，不能產生過高的資源消耗。這種硬性約束，使得他們必須掌控模型本身的設計與部署。
除了承擔核心互動功能，Cursor 的自研模型還承擔了另一類重要任務——作為“編排器”輔助呼叫大型模型。例如在程式碼庫規模龐大時，大型模型很難知道該關注那些檔案、那些模組、那些上下文。
Cursor 的模型會先進行一次搜尋與歸納，從整個程式碼庫中提取相關資訊，再將其投喂給主模型。這就像為 GPT、Claude、Gemini 等大模型建構了一個專業的“資訊投喂管道”，讓它們的表現更加精準。
而在模型輸出端，這些草圖式的程式碼修改建議，也會先由 Cursor 的自研模型進行處理與重寫，轉化為真正可執行、結構化的補丁。
這種以多個模型協作、各司其職的系統架構，正如 OpenAI 所稱的“模型整合”。Michael 並不執著於從零建構模型，而是極其務實地選擇了現成的開源模型作為起點，比如 LLaMA。
部分場景下，他們也會與閉源廠商合作，微調模型參數，使之適配特定任務。他強調，重要的不是模型底層結構是否掌控在自己手裡，而是能否獲得可操作的訓練和定製權，以服務於產品的實際需求。
隨著技術體系不斷完善，另一個問題也逐漸浮現：在這樣一個快速演進的賽道上，Cursor 的護城河在那裡？對於這個問題，Michael 的回答極為清醒。他不相信“產品繫結”和“合同鎖定”可以建構真正的長期防禦力。
與傳統的 B2B 軟體不同，AI 工具市場的門檻變化非常劇烈，使用者試錯成本低，對新工具的接受度高。他坦言，這不是一個對傳統巨頭有利的市場，反而是鼓勵新生公司持續試錯、快速迭代、爭奪使用者選擇權的土壤。
從這個角度看，Cursor 所能依賴的護城河，並不是模型控制權，也不是資料壟斷，而是“持續建構最優秀產品的能力”。
這個行業更像 90 年代的搜尋引擎，或更早期的 PC 行業，每一次改進都能帶來顯著收益，競爭壁壘來自於不斷迭代形成的“深度慣性”，以及團隊組織能力與產品打磨體系的優劣差。
Michael 提出一個核心觀點：當一個市場仍存在大量未被滿足的需求，仍有大量可以最佳化的技術結構時，持續研發本身就是最大的護城河。它不需要靠繫結使用者，而是依靠自身的不斷進化，獲得時間與質量上的累計優勢。
他強調，這種“進化護城河”並不排斥競爭，也不代表市場只有一個贏家。但在“建構全球通用軟體建構平台”這一命題下，最終的確可能誕生一家規模巨大的超級公司。
儘管未來很可能有多個產品共存，但如果問題是“誰能承載全球範圍內最大規模的程式碼邏輯轉譯任務”，那麼最終可能只剩一家公司。原因並不在於其他公司做得不好，而在於使用者自然會趨向於使用最通用、最穩定、最具上下文理解力的平台。在這個領域，產品質量和進化速度決定著市場集中度。
他進一步指出，不能以傳統 IDE 市場的碎片化經驗去判斷這一輪技術演化的格局。2010 年代的 IDE 市場“沒有人賺大錢”，是因為那個時代的編輯器能力已經接近上限，能夠最佳化的部分只是語法高亮、偵錯程式整合、快捷導航等基礎功能。但今天，開發者工具正處於新的範式起點，這個起點的目標，不再是最佳化一個編輯器，而是重塑整個知識工作者的任務流與表達結構。
AI 程式設計工具的本質不是替代程式碼，而是提升人類指令的表達能力、壓縮從想法到實現的路徑。這是一個比傳統開發工具更大得多的市場，也是一個具備平台屬性的未來通道。在這個通道里，誰能夠提供最流暢、最可靠、最理解上下文的程式設計體驗，誰就有機會成為下一代“軟體建構基礎設施”的代名詞。
Lenny 提及 Microsoft Copilot 時，也帶出了當前一個典型問題：最早進入市場的公司是否具備持續引領的能力？Michael 承認，Copilot 曾是整個行業的靈感來源，尤其在最初版本發佈時，帶來了前所未有的開發互動方式。
但他認為，微軟並未真正延續其初始勢頭，這既有歷史原因，也有結構性難題。最早開發 Copilot 的核心團隊人員變動頻繁，在大型組織中難以形成統一方向，產品路徑很容易被內部博弈與流程複雜性所稀釋。
更根本的是，這一市場本身對 incumbents 不友好。它不像企業級 CRM 或 ERP 系統那樣依賴整合與繫結，也不具備使用者粘性極強的“防切換成本”。使用者選擇完全基於體驗差異，這決定了“產品力”而非“銷售能力”將是決定性因素。在這樣一個動態、開放、高頻試錯的市場中，真正能勝出的公司，是那些能用產品每周迭代、每月進步，並持續向技術上限衝刺的創業團隊。
Cursor 當前所展現出的方向感與產品節奏，恰恰是在這種背景下形成的回應。它並不靠“封閉”，而是靠“持續建構一個世界上最好用的開發工具”這一簡單、清晰但極難實現的使命，吸引了開發者的主動選擇。
▍如何正確使用 Cursor？
在建構一個面向全球開發者的 AI IDE 平台過程中，Michael Truell 最在意的不是模型能力的極限，而是使用者如何理解並善用這些能力。
當被問及，如果他能坐在每一個首次使用 Cursor 的使用者旁邊，會給什麼建議時，他並沒有講解功能或操作技巧，而是強調了一種思維模式的建立——對模型“能與不能”的本能判斷力。
他坦率地承認，目前 Cursor 產品本身在引導使用者理解模型邊界方面做得還不夠。在沒有明確的提示軌道和互動反饋機制下，很多使用者容易陷入兩個極端：要麼對模型寄予過高期望，嘗試用一條提示解決複雜問題；要麼因為第一次結果不理想便徹底放棄。
他建議的方式是任務拆解，即通過“小提示–小生成”的方式逐步推進，與 AI 進行持續的雙向互動，從而獲得更穩定、更高品質的結果。
另一個建議則更具策略性。他鼓勵使用者在沒有業務壓力的 side project 中“放手一搏”，嘗試將 AI 能力推向極限。
在不影響主線工作的情況下，通過一整套實驗性的項目，去感受模型真正能完成多少，失敗的邊界在那裡。這種“摔跤式探索”能夠幫助開發者建立更準確的直覺，也能讓他們在未來面對正式項目時更有把握。
隨著模型版本持續更新，比如 GPT-4.0 或 Claude 的迭代上線，這種判斷力也需隨之更新。他希望未來 Cursor 的產品能夠內建一套引導機制，使使用者無需每次都自己摸索模型的“脾氣”和界限。但在今天，這仍然是使用者需要主觀積累的技能。
對於常被問到的另一個問題——這類工具究竟更適合初級工程師，還是高級工程師——Michael 給出了精確的分類描述。
他指出，初級開發者往往更傾向於“完全依賴 AI”，試圖用它完成整個開發流程；而高級工程師則可能因經驗豐富而低估 AI，未能充分探索其潛力。前者的問題是“依賴太多”，後者的問題是“探索太少”。
他也強調，某些公司內部的資深技術團隊，尤其是專注於 Developer Experience 的架構師等級人才，實際上是最積極擁抱這類工具的一群人。他們既懂系統複雜性，又關注工具效率，因此往往在 AI 程式設計場景中取得最佳效果。
在他看來，最理想的使用者畫像並非初學者，也非已固化流程的老手，而是那些“資深但尚未僵化”的中段工程師——具備系統理解力，同時對新方法保持好奇和開放。
▍如何組建世界一流團隊？
當被問到，如果能回到最初創辦 Cursor 的那一年，會對自己說什麼建議時，Michael 選擇了一個並不技術化的回答——招聘。他反覆強調，“找到對的人”是僅次於產品本身的最重要工作。
尤其在早期，組建一支世界級的工程和研究團隊，不僅是產品質量的保障，也是組織專注力、節奏和文化的決定性因素。他所尋找的人才，必須兼具技術好奇心、實驗意願，以及在浮躁環境中保持冷靜判斷的能力。
他回憶道，Cursor 在招聘過程中曾走過很多彎路。一開始，他們過於看重“高光履歷”，傾向於招來自名校、年紀輕、擁有標準成功路徑的年輕人。但最終他們意識到，真正合適的人才往往不在這些傳統範本中。相反，那些職業生涯稍晚、經驗高度匹配、技術判斷力成熟的人，反而是推動團隊飛躍的關鍵力量。
在招聘流程上，他們逐漸建立了一整套行之有效的方法。最核心的是一項為期兩天的“工作測試”制度。候選人需要在規定時間內，與團隊共處並完成一個高度貼近真實項目的任務。
這個流程看似繁重，但在實際操作中不僅可擴展，還顯著提升了團隊的判斷精準性。它不僅考察了候選人的程式碼能力，也測試了協作溝通、思維方式和動手能力，甚至也幫助候選人判斷“是否願意與這支團隊長期共事”。
“共事式面試”機制，逐漸演化為 Cursor 團隊文化的一部分。他們將招聘過程視為一種雙向選擇，而非單向評估。在公司尚未被市場廣泛認知、產品尚未成熟時，團隊本身就是最重要的吸引力。
他坦言，早期許多員工的加入，源自於一次甚至多次的共處經歷，而非對薪酬或估值的判斷。如今，這一制度仍被保留並運用於每一位新候選人。Cursor 的團隊規模目前仍保持在 60 人左右，這一數字在很多 SaaS 公司中已算精簡。
Michael 指出，他們有意保持了這種精幹配置，尤其是在非技術崗位的擴張上保持克制。他承認，未來一定會擴大團隊，以增強客戶支援和營運能力，但就目前而言，他們依舊是一家高度工程、研究和設計驅動的公司。
談到如何在 AI 行業日新月異的發佈節奏中保持專注，Michael 並不依賴複雜的組織制度。
他認為，組織文化的根基在於招人本身。如果能招到那些理性、專注、不被熱點情緒左右的人，團隊自然會擁有良好的節奏感。他坦承 Cursor 仍然有改進空間，但整體來看，他們在“只關注做出卓越產品”的文化引導上取得了不錯的效果。
很多公司試圖通過流程與組織設計解決的問題，其實可以通過“找對人”提前避免。他們的開發流程極為簡潔，之所以能成立，是因為團隊中成員普遍具備自律性和協作精神。他特別強調了一個共同的心理特質：對外界喧囂擁有“免疫力”。
這種免疫力並非天然存在，而是在長期行業經驗中逐漸形成的。早在 2021 年、2022 年，Cursor 團隊就已在 AI 程式設計方向上進行探索。當時 GPT-3 還沒有 Instruct 版本，DALL·E 和 Stable Diffusion 尚未公開，整個生成式 AI 行業還處於技術萌芽期。
他們經歷了圖像生成的爆發、對話模型的普及、GPT-4 的發佈、多模態架構的演進、視訊生成的興起……但這些看似熱鬧的技術潮流中，真正對產品產生實質性影響的，其實極少。
這種對“結構性創新”與“表面噪音”的分辨能力，成為他們維持專注的重要心理基礎。他將這種方式與過去十年深度學習研究界的演進進行類比：雖然每年有無數新論文問世，但真正推動 AI 前進的，是極少數優雅而根本性的結構突破。
回顧整個技術範式的變遷，Michael 認為，當前 AI 的發展正處在一個極為深刻的轉折點。
外界常常陷入兩個極端：一部分人認為 AI 革命即將降臨，幾乎一夜之間顛覆一切；另一部分人則將其視為炒作、泡沫、不足為道。而他的判斷是，AI 將成為比個人電腦更深遠的範式轉移，但這一過程將是一個“多年代”的持續演進。
這場演進並不依賴於某一個系統、某一種技術路線，而是由大量細分問題的獨立解決所組成。有的是科學問題，比如模型如何理解更多資料類型、更快速地運行、更高效地學習；有的是互動問題，比如人類如何與 AI 協作、如何定義權限邊界、如何建立信任機制；有的是應用問題，比如模型如何真正改變現實工作流程、如何在不確定性中提供可控輸出。
在這場演進中，他認為會出現一類關鍵企業——專注於某一知識工作場景的 AI 工具公司。這類公司將深度整合基礎模型，也可能自主開發核心模組，同時建構最合適的人機協作體驗。他們不會只是“模型呼叫器”，而是將技術與產品結構打磨到極致，從而成長為新一代平台企業。這類公司將不僅提升使用者效率，更可能成為推動 AI 技術演化的主要力量。
Michael 希望 Cursor 能成為這類公司中的一員，同時他也期待看到在設計、法律、市場等更多知識工作領域中，出現一批同樣專注、紮實、技術深度與產品敏銳度兼具的 AI 創業者。未來不屬於炒作者，而屬於那些真正解構問題、重塑工具、理解人與技術關係的建設者。
他還指出，2025 年對 Cursor 來說最重要的兩件事，一是打造行業裡最好的產品，二是將其大規模推廣出去。他形容當前的狀態為一場“土地爭奪戰”：市場中絕大多數人尚未接觸這類工具，或者仍在使用更新緩慢的替代品。因此他們正在加大對市場、銷售、客戶支援等方面的投入，同時也持續尋找那些能夠從技術層面推動產品邊界的優秀人才。
談及 AI 對工程崗位的影響，Michael 給出的回答頗具冷靜。他不認為工程師會被快速取代，相反，他認為工程師在 AI 驅動的未來將比以往任何時候都更重要。
短期內，程式設計方式會發生巨大變化，但很難想像軟體開發會突然變成一個“只需輸入需求，系統就自動完成”的過程。AI 確實能讓人類從低層級的繁瑣實現中解放出來，但方向、意圖、結構設計等核心決策，仍必須由專業開發者把控。
這種判斷也意味著，隨著軟體建構效率大幅提升，需求端的彈性將被徹底釋放。換句話說，軟體本身會變得越來越容易建構，成本大幅下降，最終帶來的是整個市場規模的擴張。更多問題可以被建模，更多流程可以被系統化，更多組織會嘗試定製自己的內部工具，而不是接受通用方案。
他用一段親身經歷說明了這一點。在他早年參與的一家生物科技公司中，團隊當時亟需建構一套適配內部流程的工具系統，但市面上的方案並不匹配，自己開發的效率也非常有限，結果是絕大部分需求被擱置。
這種場景在各行各業中仍普遍存在，說明軟體開發的門檻依然很高。如果那一天做軟體像移動檔案、編輯幻燈片一樣簡單，那釋放出來的，將是一個全新的應用時代。
最後，他強調 AI 不會減少工程師數量，反而會使得工程崗位的結構發生變化。那些善於與 AI 協作、能夠理解系統邏輯、具備產品直覺的工程師，將在新一代工作體系中發揮更大作用。 (有新Newin)