Cursor 的崛起：年入三亿美元的 AI 编程工具为何让工程师欲罢不能

摘要

Michael Truell 是 Anysphere 的联合创始人兼 CEO，这家公司打造了全球增长最快的 AI 代码编辑器 Cursor。Cursor 在上线仅 20 个月后便突破 1 亿美元 ARR（Annual Recurring Revenue，年度经常性收入），两年内飙升至 3 亿美元——这在企业软件史上几乎前所未有。Michael 毕业于 MIT 计算机科学与数学专业，曾在 MIT 和 Google 从事 AI 研究，对技术史和商业史有着深厚的研读习惯。

在本次访谈中，Michael 系统阐述了他的核心愿景：Cursor 的目标不是在现有编程方式上做增量改进，而是发明一种全新的编程范式——他称之为"代码之后的世界"（the world after code）。在那个世界里，编程语言将逐渐演化得更接近伪代码和自然语言，工程师的角色将从逐行书写代码转变为"逻辑设计师"（Logic Designer），核心能力将从"细致"转向"品味"（Taste）。他坦率分享了 Cursor 的反直觉发现：团队最初完全不打算做模型研发，如今 Cursor 中每一个"魔力时刻"都离不开自研模型的参与。他还深入谈论了为什么选择 IDE 路线而非聊天机器人路线、为何微软 Copilot 未能守住先发优势、如何保持团队在 AI 狂潮中的专注力，以及他相信 AI 变革将是跨越数十年的深刻转型——其影响将超越互联网，但绝非一蹴而就。

正文

"代码之后"的世界

Cursor 的终极目标并非改进现有编程体验，而是发明一种全新的软件构建方式。Michael 将其概括为：将构建软件的过程蒸馏为用最简洁的方式向计算机描述你的意图（Intent），即只定义你认为软件应该怎样运作、应该呈现什么形态。

Michael 认为当前流行着两种关于软件构建未来的愿景，而 Cursor 对两者都有异议。第一种认为未来与今天大同小异——依然是以文本编辑为主，使用 TypeScript、Go、C、Rust 等形式化编程语言。第二种则认为未来只需对聊天机器人下达指令，让它构建应用、修改功能，类似在 Slack 上与工程部门对话的模式。

聊天机器人式的问题在于缺乏精度。如果要让人类对软件的形态和运作方式拥有完全控制权，就需要一种比"改一下我的应用"更精确的表达形式。而"什么都不变"的愿景之所以错误，是因为 AI 技术将变得远比现在强大。

在"代码之后"的世界里，软件逻辑的表示形式将更接近英语——可以想象为编程语言向伪代码（Pseudocode）的演化。你写下的不再是数百万行难以穿透的代码，而是更简洁、更易理解和导航的逻辑描述。那些晦涩难懂的符号体系将逐渐演化成更人类可读、人类可编辑的形式。Michael 强调，这条路径必须经过现有的专业工程师，而非绕过他们；人类始终处于驾驶位，对软件的所有方面保有完全控制权，且拥有快速的迭代循环。

品味将成为核心能力

当被问及在"代码之后"的世界里哪些技能将更具价值时，Michael 给出了他的答案：品味（Taste）。

人们谈论软件中的"品味"时，往往想到视觉层面——流畅的动画、配色、UI/UX 设计。视觉设计确实是定义软件的重要部分，但另一半是软件的逻辑——它如何运作。目前我们有出色的工具来定义视觉（如 Figma），但当你进入软件逻辑的领域，最好的表示形式仍然是代码。随着 AI 能力的提升，工程师的角色将越来越像逻辑设计师，核心工作是精确表达你希望一切如何运作的意图——更多关注"是什么"，更少关注底层"怎么做"。

Michael 也坦承，当前 AI 在工程中仍有大量问题——网上随处可见关于盲目信任 AI 导致功能缺陷的笑料。但终将到达一个节点：工程师可以不再那么"小心翼翼"，重心从谨慎性（Carefulness）向品味迁移。不过，他特别强调这与当前所谓的"氛围编程"（Vibe Coding）有关键区别——氛围编程描述的是一种生成大量代码但不理解底层细节的创作状态，这会导致你很快达到某个无法继续修改的瓶颈。Cursor 想解决的问题恰恰是：当人们不完全理解代码时，如何仍然给予他们对所有细节的持续控制权。

Cursor 的起源故事

Cursor 的诞生始于"先找解决方案，再找问题"的过程。两个关键时刻塑造了团队的判断。

第一个时刻是首次使用 GitHub Copilot（最初版本叫做 Code Pilot）的 Beta 版。那是他们第一次用到一款真正有用的 AI 产品——不再是演示级的概念验证，而是实实在在提升了开发效率。Copilot 不仅是有用的 AI 产品，更是他们采用过的最有用的开发工具之一。

第二个时刻是 OpenAI 等机构发布的一系列 Scaling Law（缩放定律）论文，表明即使没有新想法，仅靠扩大模型规模和训练数据，AI 也会持续变好。这让他们确信：AI 产品的时代已经到来，而且这项技术将在未来持续成熟。

然而，Cursor 的起步方向并不是编程。2021 年底到 2022 年初，团队做了一次系统性的思考：随着 AI 技术成熟，各个知识工作领域将如何变化？他们刻意选择了一个看似"无聊且无人关注"的领域——机械工程，花了四个月为机械工程师构建自动化和增强工具。

这个选择很快暴露了问题。首先，创始团队并非机械工程师，对领域缺乏深层理解，如同盲人摸象。其次，要让现有模型对机械工程有用，几乎必须从零训练自己的模型，而互联网上关于 3D 零件模型及其构建步骤的数据极其稀缺。最终他们清醒过来：我们并不想为机械工程奉献一生。他们环顾编程领域，发现尽管已有一段时间的探索，变化甚微；现有参与者要么与他们的理念有分歧，要么对软件创作的未来缺乏足够雄心。这正是 Cursor 诞生的起点。

Michael 反思道：人们常说"去一个无聊的行业，因为没人竞争"，但 Cursor 的经验恰恰相反——去最火热、竞争最激烈的领域，如果你发现现有玩家不够雄心勃勃，那仍然是巨大的机会。关键在于是否存在可实现的"跨越"（Leapfrog）——AI 领域的天花板之高，使得即便是最优秀的工具，未来几年仍有大量需要填补的空间。

为何选择 IDE 路线

市场上有三条路径：为工程师构建 AI 增强的 IDE、构建完全自主的 AI 代理开发产品、以及专注于构建最优编程模型。Cursor 选择了 IDE 路线，原因有三。

第一，个人信念。团队始终希望人类对最终产品拥有控制权。那些从第一天就只做模型的公司追求的是端到端自动化——也许 AI 做所有决策——而 Cursor 关心的是让人类保持对软件所有决策的掌控。

第二，对技术现状的务实判断。团队从第一天就高强度地亲身体验（Dogfooding）自己的产品，绝不发布对自己没用的东西。这让他们深刻认识到当前 AI 的局限性：AI 无法做所有事，人类必须在驾驶位。

第三，选择自建 IDE 而非插件，源于一个核心判断：编程将大规模流经模型，编程的形态将在未来几年发生巨变。现有编码环境的扩展性极其有限——如果你认为 UI 和编程形态将大幅改变，就必须掌控整个应用。

但这不意味着 IDE 的形态不会演化。Michael 设想未来用户需要能在不同模式间自如切换：有时让 AI 在后台独立运行，有时快速拉回 AI 的工作成果进行精细调整，然后再次放手。后台模式特别适合那些容易精确描述需求和正确性标准的任务（如 Bug 修复），但绝非编程的全部。IDE 的概念将不断进化——"IDE"只是"你构建软件的地方"的代名词。

从手写编辑器到 VS Code 底座

Cursor 的第一个版本是完全从零手写的编辑器，而非基于 VS Code。这涉及大量工作：多语言支持、代码导航、错误追踪、集成命令行、远程服务器连接等等。团队以极快速度构建了约五周后，自己全员切换到新编辑器日常使用。当它变得足够有用时，他们将其交给少量用户测试，随后在约三个月内（从第一行代码算起）公开发布。

出乎意料的是，团队原以为会在很长一段时间内只为几百人构建产品，但从第一天起就涌入了大量兴趣和反馈。正是这些初始用户反馈促使他们转向基于 VS Code 的架构——类似于许多浏览器基于 Chromium 的方式。此后团队便一直在公开迭代。

增长与专注

从 0 到 1 亿美元 ARR 用了约 20 个月，这在企业软件史上是史无前例的。但 Michael 描述增长的感受时说，指数曲线在早期数字很低时感觉相当缓慢，并非一上来就"一飞冲天"。增长持续让他惊讶——月复一月的环比增长一直保持着指数级，偶尔因产品发布而加速。

Michael 认为成功的关键并非最初那三个月的冲刺，而是持续的偏执——无论 Cursor 处于什么阶段，离终极目标都还很远，总有大量改进要做。团队将几乎所有精力投入产品本身，而非销售和市场。他们让销售和营销方面的"火"烧了很久，优先保证产品优秀。

Michael 还提到，这个领域的产品构建是一种新的形态——介于普通软件公司和基础模型公司之间。一方面要为数百万人打造产品体验，另一方面产品质量的一个重要维度是在科学和模型层面做更多工作。这种跨学科特性使得事情看似简单，但做好极难。

反直觉发现：自研模型

Cursor 最大的反直觉发现是：团队完全没有预料到自己会做模型研发。

起步时，有公司从第一天就专注从零训练模型。Cursor 团队算过训练成本，知道那不是他们能做到的，也觉得那是注意力放错了地方——外面已有众多优秀的模型，何必花力气复制别人的成果？尤其是预训练（Pre-training）阶段，从零教一个神经网络学遍整个互联网。

然而事实是，Cursor 现在做了大量模型研发，内部在招聘上也是重点方向，并组建了出色的模型团队。这在产品质量上也是巨大赢家——如今 Cursor 中每一个"魔力时刻"都涉及自研模型。这是一个渐进过程：最初有一个使用场景确实不适合用最大的基础模型，于是自己训练，效果极好；接着迁移到另一个使用场景，同样成功，逐步扩展。关键经验是：精心挑选突破点，不要试图重新发明轮子，而是聚焦基础模型的薄弱环节来互补。

自研模型的技术栈

Cursor 确实大量使用最强大的基础模型（如 Sonnet、Gemini、GPT），它们是体验的重要组成部分。自研模型主要用在两类场景。

第一类是基础模型因成本或速度原因无法覆盖的场景。典型例子是自动补全（Autocomplete）。代码是一种独特的工作形式——有时你接下来 5 到 30 分钟的工作完全可以通过"看你的肩膀"来预测。这与写作的自动补全截然不同：Gmail 的自动补全帮助有限，因为你无法仅凭已写内容预测接下来写什么；但在代码中，编辑某处后，其他位置需要如何修改往往完全确定。Cursor 的自动补全体验需要模型在 300 毫秒内给出补全，每次按键都要重新预测，并且需要模型专精于预测一系列差异（Diff）而非泛化的下一个 Token。这些自研模型不涉及基础模型，是 Cursor 的核心组件。

第二类是辅助基础模型。在输入侧，自研模型在整个代码库中搜索，找出应该展示给大模型的相关部分——类似于一个专门为代码库构建的迷你搜索引擎。在输出侧，大模型完成高层思考后，自研的更小、更专精、更快的模型配合推理技巧，将高层变更转化为完整的代码差异。这种"模型集成"（Ensemble of Models）架构既推动了专用任务的质量，也推动了速度——这对 Cursor 的产品质量至关重要。

这些自研模型大多基于开源模型（如 Llama），有时也与闭源模型提供商合作调优。团队务实地从最优秀的预训练模型出发，因为他们最不在乎的是逐行读取权重矩阵——他们关心的是训练和后训练（Post-training）的能力。

护城河与可跨越性

关于防御性（Defensibility），Michael 坦言：这个领域存在建立惯性和传统护城河的方式，但根本上，所有参与者都必须持续构建最好的东西。天花板如此之高，无论你建立了什么根基，都可能被跨越（Leapfrog）。

他将当前市场类比为 1990 年代末的搜索引擎市场和 1970-1990 年代的个人电脑市场——天花板极高，每一个聪明人的额外一小时、每一美元额外研发投入都能持续产出价值，有用的东西永远做不完。搜索引擎还额外受益于"分发即产品改进"的飞轮：用户数据和反馈可以直接用来调优算法。这些动态同样存在于 Cursor 的市场中。

Michael 将这种护城河描述为"类消费者"式的——持续做到最好，让人们愿意留下来。而非像 Salesforce 那样通过合同锁定和切换成本构建壁垒。但他指出，如果一个领域很快就耗尽了可做的有用之事，那确实不妙；但如果大规模投入和更多优秀人才持续产生价值，就能获得研发的规模经济，在那个方向上的深耕本身就是防御性。

市场格局与终局

关于市场是否会一家独大，Michael 给出了细致的判断。他首先纠正了一个常见误解：有人看到过去十年 IDE 市场的碎片化和低盈利性，就推断未来也是如此。但问题在于，2010 年代为程序员构建编辑器能做的事情有限——导航代码库、错误检查、调试工具，虽然有用但天花板不高。而 AI 时代的开发者工具能做的事远比这深广——知识工作的自动化、将所有领域推向更高层级的生产力，其市场规模远超人们从历史 IDE 市场得出的结论。

Michael 认为，将出现一家构建通用工具、几乎构建全世界所有软件的公司——那将是一家划时代的大企业。同时也会有细分领域的解决方案，服务于特定市场环节或开发生命周期的特定部分。但当通用编程从书写形式化编程语言转向远比之更高级的方式时，人们用来做这件事的应用——那就是一个赢家通吃的位置。

微软 Copilot 为何未能守住先发优势

Copilot 曾是 Michael 团队的灵感来源，但目前似乎未能达到部分人的期望。Michael 分析了结构性原因和特定历史原因。

结构性原因在于，这个市场对在位者并不友好。对在位者友好的市场特征是：产品很快同质化，可以捆绑销售，不同产品的 ROI 差距很小——此时买创新方案不如买捆绑方案。另一个在位者友好的条件是切换极其痛苦。但在 Cursor 的领域，用户可以轻松试用不同工具并选择最好的——这对在位者不友好，对最创新的产品友好。

特定历史原因方面，Michael 了解的情况是：Copilot 第一版的核心团队大多已离开去做了其他事情，而在微软这样的大公司中协调多个部门推进此类创新本身就极为困难。

高效使用 Cursor 的两条建议

如果能在每位新用户耳边低语几句话，Michael 会给出两条建议。

第一条：偏向于将任务拆碎。与其一次性告诉模型"这就是我要你做的全部"，然后查看结果要么失望要么全盘接受，不如将相同的总指定时间分散使用——指定一点，得到一点成果，再指定一点，再得到一点。写一段巨长指令让模型执行，在当前阶段往往是一剂灾难处方。

第二条：在安全环境中（如副业项目）刻意尝试"摔跟头"——主动探索模型能力的边界，放心大胆地让 AI 做最困难的事。很多开发者还未给 AI 公平的机会，低估了它的能力。在偏向拆碎任务的同时，也去发现那些你以为模型会崩溃但它偏偏没崩溃的惊喜场景。

这种对模型能力的"直觉"需要持续更新——每次新模型发布，都需要重新校准。

初级工程师与高级工程师的不同"反模式"

两类工程师都能从 Cursor 中获得巨大收益，但各自陷入不同的反模式。

初级工程师倾向于过度依赖 AI，让 AI 包办一切。但当前还远未到达可以在专业环境中、与数十上百人协作的长生命周期代码库中端到端依赖 AI 的程度。

高级工程师（总体而言）则倾向于低估 AI 能为他们做的事，固守现有工作流。不过也有例外——公司内部的开发者体验（Developer Experience）团队往往由极为资深的人组成，他们是推动 AI 工具采纳的前沿力量。

简言之：初级工程师期望过高，高级工程师期望不足——正确答案在中间某处。

招聘哲学：招得太慢的代价

Michael 坦承，关于招聘，他们犯了一个与主流建议相反的错误：人们常说你招得太快了，但 Cursor 实际上招得太慢了。

团队极度看重招聘——既出于个人原因，也出于战略考量：拥有一支世界级的工程师和研究员团队对 Cursor 至关重要。他们需要一种智力好奇心与实验精神的混合（因为有太多新东西需要构建），同时又需要智识诚实和某种微观悲观主义与直率（因为在公司成长和业务扩张中保持清醒头脑极为重要）。因此他们花了很长时间才扩充团队。

最终行之有效的招聘方法是：锁定他们认为世界级水准的人才，有时花数年时间招募。但团队在早期并不擅长此道——在正确的人选画像、如何与并不主动求职的人沟通并激发他们的兴趣等方面，都经历了艰苦的学习过程。

关于人选画像，Michael 反思道：团队最初过于偏向"名校、年轻、高学分"的刻板形象，但后来幸运地找到了一些愿意加入的资深人才，发现他们在正确人选画像上花了一些时间走在偏路上。他们确实也招聘了非常年轻且极其出色的人，但这些人的特质有时并不符合"标准模具"。

面试流程的演化也很有趣。Cursor 现在采用一种两天的现场工作测试（Work Test）——候选人来办公室两天，完成一个端到端的模拟项目。这并非候选人产出的 IP 会被使用，而是给他们充分时间展示真实工作能力，同时与团队共处、共进餐食。这种模式在团队极小、产品尚未知名的早期尤为重要——那时唯一能吸引人才的就是让候选人觉得这个团队值得投身。出乎意料的是，这种看似不可扩展的两日测试一直沿用至今，即使在约 60 人的规模下仍然是招聘流程的核心环节。

在 AI 狂潮中保持专注

身处 AI 风暴的中心，如何保持专注？Michael 认为三件事最为关键。

第一是招聘。招聘正确心态的人——更关注构建卓越产品而非外部认可，更关注做出高质量工作，且情绪相对平稳（"高点不很高，低点不很低"）。很多组织问题的解决方案，其实可以通过招聘具备期望行为的人来绕过。Cursor 在工程端至今没有太多流程，靠的就是招募足够优秀的人。

第二是频繁讨论。团队持续谈论专注的重要性。

第三是以身作则。自 2021-2022 年开始，团队已经历了 AI 领域沧海桑田般的变化：从只有 GPT-3（InstructGPT、DALL·E、Stable Diffusion 均不存在），到图像生成技术的涌现、ChatGPT 的崛起、GPT-4、各种新模态、视频生成……但真正影响业务的只有极少数。这让他们建立了一种"免疫系统"，能判断哪些事件真正重要。

Michael 还将这种"大量噪音、少数真正重要"的动态与深度学习领域过去十年的演进做了类比：学术界发表了海量 AI 论文，但 AI 的真正进展可以归功于极少数简洁优雅且经受住时间考验的想法，绝大多数论文并未产生持久影响。

AI 变革将跨越数十年

对于 AI 的未来，Michael 认为人们仍过多地停留在两个极端：要么认为一切会极快发生，要么认为全是炒作和蛇油。他的判断是：我们正处于一场影响将极其深远的技术变革之中——比互联网更重大，比计算机出现以来任何技术变革都更重大。但这将需要时间，是跨越数十年的进程，许多不同群体将共同推动其前进。

要让计算机能越来越多地为我们做事，需要逐一攻克大量独立问题：在科学层面，让模型理解不同类型的数据、变得更快更便宜更聪明、适应我们关心的模态、在现实世界中采取行动；在体验层面，设计人类应该看到和控制什么、如何与 AI 协作。

Michael 特别指出一类他认为将极为关键的角色：专注于自动化和增强某一特定知识工作领域的公司——它们既构建底层技术（整合来自提供商的最佳组件，有时自研），又构建产品体验。这种公司将因终端用户价值而做大，又因规模效应而能推动技术前沿。他期待看到其他领域也出现类似的公司。

工程师的需求不会减少

关于"AI 会写所有代码，工程师还要不要"的问题，Michael 的回答是明确的：工程师仍然需要，而且需求可能更大。

他的逻辑是：当前构建相当简单的软件仍然像拍大片一样昂贵和费力。如果成本大幅降低，人们对软件的需求远未被满足——想想那些内部工具、定制化需求，现有软件远远不够。他在生物技术公司工作时就有切身体验：现成的工具糟糕且不匹配需求，内部工具的需求远超他一个人能构建的范围。

计算机的"物理条件"如此优越——应该能自由地移动和安排一切——但摩擦仍然巨大。所以，在可预见的未来，对工程师的需求不会减少，只会增加。只是工程师的工作方式将从根本上改变：从写代码变为设计逻辑，从"怎么做"转向"做什么"。

持续创新的组织挑战

Michael 最后提到一个他反复思考的问题：如何让团队既能持续创造新东西，又能不断改进现有产品。

如果 Cursor 成功，IDE 将必须大幅改变，编程的形态将必须大幅改变。放眼业界，能持续跨越多次技术飞跃、不断推动前沿的公司确实存在，但非常稀少——这是一件极难做到的事。部分解法是持续反思和第一性原理思考，部分是深入研究历史上伟大公司的经验——这也解释了他为何书架上摆满了计算机行业早期公司的历史著作。

截至访谈时，Cursor（Anysphere）团队约 60 人，其中工程师、研究员和设计师占比极高——同等工程人数的普通软件公司往往超过 100 人，因为运营和销售团队通常更为庞大。Cursor 起步时极其精简、产品驱动，如今正在扩展企业服务能力，但产品本身仍然是核心。

Michael 正在积极招聘，尤其是优秀的工程师、设计师和研究员，同时也需要商业端的各色人才。他甚至表示：如果你觉得我们没有一个适合你的岗位，也请联系我们——也许我们能从你身上学到东西，发现我们尚未意识到的需求。