AnySphere 联合创始人兼 CEO Michael Truell 所构建的 Cursor，不仅是当前增长最快的 AI 编程产品之一，更是未来“后代码时代”的早期形态。
当前 60 个人的团队，在产品上线仅 20 个月时，Cursor 即实现了 1 亿美元年化经常性收入，两年之内增长至 3 亿美元，成为有史以来增长最快的开发工具之一。支撑这一成就的，不只是代码生成能力的提升，更是对整个软件开发流程的重构与再定义。
Michael 是在 AI 领域打磨了十年的技术人，早年在 MIT 主修数学与计算机，后在 Google 从事研究型工程工作。他对 AI 技术路径与商业史都有深入理解。
在与海外科技博主 Lenny 的对话中，他清晰描绘了一个不同于主流假设的未来：代码不会被完全取代，但它将不再是人类主要的输出对象。人们将以接近自然语言的方式表达他们对软件功能与行为的设想，系统则负责将这些意图转化为可运行的程序逻辑。
他指出，如今主流对于 AI 编程未来的两种设想都存在偏差。一种是认为开发方式将基本维持现状，继续依赖 TypeScript、Go、Rust 等语言构建程序；另一种则相信未来可以仅通过与聊天机器人对话，就完成整个开发流程。
▍多形态并存的开发方式
谈及 Cursor 的起点，Michael 回顾了两个关键时刻：
第一个，是他们首次接触 GitHub Copilot 的内部测试版本。这是他们第一次使用到真正实用的 AI 开发工具，它不仅不是噱头，而且显著提升了工作效率。
第二个时刻，是他们研读了 OpenAI 与其他研究机构发布的一系列 Scaling Law 论文。这些论文让他们认识到：即使没有新算法，只要持续扩展模型参数与数据规模，AI 也会不断进化。
在 2021 年末、2022 年初，他们坚定了一个判断：AI 产品的时代真正到来了。但与大多数创业者围绕“构建大模型”展开不同，Michael 和团队试图从知识工作的角度出发，反向思考在 AI 增强之下，各个具体工作场景会如何演变。
当时他们选了一个看似冷门的方向——机械工程。他们认为这个领域竞争小，问题空间明确，于是开始做 CAD 工具自动化。但很快他们发现，对机械工程缺乏足够热情，且缺乏数据语料，开发推进非常困难。
最终，他们决定回到最熟悉的领域：编程。虽然当时市场已有 Copilot、CodeWhisperer 等产品，但他们认为没有人真正把愿景推向极致。尽管这是最热门、竞争最激烈的方向之一，但他们依然判断“天花板”极高，足以支撑一家极具突破性的产品公司。他们放弃了“避开热区”的策略，选择了“在热区做深”的路线。
Cursor 的核心决策之一，是不做插件，而是构建一个完整的 IDE。在他们看来，现有 IDE 与编辑器的架构无法适配未来的开发方式与人机交互逻辑。
“我们希望能对整个界面拥有控制权，重新定义开发者与系统之间的交互界面。”这不仅是为了实现更自然的控制粒度，更是为了构建一套真正能承载下一代编程范式的系统底座。
Michael 同时认为，未来开发方式将是多形态并存的。有时 AI 像助手，在 Slack 或 issue tracker 中完成任务；有时则是 IDE 前台交互；也可能是后台运行某个流程，再前台迭代控制。这些都不矛盾，只要能让用户在全自动与手动控制之间灵活切换，就是合格的系统。
对于业界目前流行的“agent 热”，他也表达了保留态度。完全将任务交给 AI 执行可能会使开发者变成“工程经理”，要不断审查、批准、修改一群“很笨的实习生”的输出。“我们并不相信那样的路径。最有效的方式是：将任务细化为多个步骤，让 AI 一步步补全，而人类始终保持主导。”
Cursor 的早期版本完全从零开发，不依赖任何已有编辑器。最初他们只花了五周时间搭建出可用原型，并迅速替代自己原先的开发工具。整个从零写代码到上线，仅用了三个月时间。发布后超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平衡，转而基于 VS Code 框架重构。
但在 Michael 看来，真正的成功并不是初版的速度，而是其后持续的优化。他承认：“最初三个月版本其实并不好用，关键是我们始终保持偏执式的改进节奏。”这份持续优化的节奏，最终形成了 Cursor 非常稳定的增长轨迹。虽然初期并没有明显“起飞”的感觉，但指数曲线的积累效应，最终在多次迭代后爆发。
▍每天跑在正确方向上
虽然 Cursor 的爆发看似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：“每天跑在正确方向上”。
这听起来平凡，但要持续做到，极其不易。每一个决策，每一个迭代细节，都是从用户视角出发，不断地贴近实际场景，不断地做减法、做优化。他们从不寄希望于一次性的爆款，而是深信产品价值必须经得起持续使用与真实反馈的打磨。
与这种理念相呼应的是 Cursor 背后的技术路径选择。Michael 提到，团队在最初构建 Cursor 时，完全没有打算自己训练模型。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，而且方向偏离了他们真正关注的焦点：构建有用的工具、解决具体的问题。
但随着产品深入迭代，他们逐渐意识到，已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的，缺乏对“多文件结构化代码编辑”这类问题的原生理解。
于是，他们开始在内部进行自研模型的尝试。最初是某个具体功能对延迟要求极高，现有模型的调用不具备可行性；尝试自己训练后发现效果远超预期。自此，自研模型逐步成为 Cursor 的核心组成，不仅支撑了关键功能，也成为团队招募的重要方向。
Cursor 中有一个关键特性，就是对“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。因为程序具有很强的上下文连贯性——开发者修改了某个函数或文件之后，接下来的若干操作往往可预测。
Cursor 的模型正是基于这种上下文逻辑，推理出用户下一步可能会修改的文件、位置、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，而是结构化的代码片段级预测，其背后完全依赖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，这类自研模型还能大幅降低产品使用门槛。要做到这一点，模型必须具备两个特性：响应快、成本低。
Cursor 要求每一次补全推理必须在 300 毫秒内完成，而且在长时间连续使用中，不能产生过高的资源消耗。这种硬性约束，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类重要任务——作为“编排器”辅助调用大型模型。例如在代码库规模庞大时，大型模型很难知道该关注哪些文件、哪些模块、哪些上下文。
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，再将其投喂给主模型。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”，让它们的表现更加精准。
而在模型输出端，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与重写，转化为真正可执行、结构化的补丁。
这种以多个模型协作、各司其职的系统架构，正如 OpenAI 所称的“模型集成”。Michael 并不执着于从零构建模型，而是极其务实地选择了现成的开源模型作为起点，比如 LLaMA。
部分场景下，他们也会与闭源厂商合作，微调模型参数，使之适配特定任务。他强调，重要的不是模型底层结构是否掌控在自己手里，而是能否获得可操作的训练和定制权，以服务于产品的实际需求。
随着技术体系不断完善，另一个问题也逐渐浮现：在这样一个快速演进的赛道上，Cursor 的护城河在哪里？对于这个问题，Michael 的回答极为清醒。他不相信“产品绑定”和“合同锁定”可以构建真正的长期防御力。
与传统的 B2B 软件不同，AI 工具市场的门槛变化非常剧烈，用户试错成本低，对新工具的接受度高。他坦言，这不是一个对传统巨头有利的市场，反而是鼓励新生公司持续试错、快速迭代、争夺用户选择权的土壤。
从这个角度看，Cursor 所能依赖的护城河，并不是模型控制权，也不是数据垄断，而是“持续构建最优秀产品的能力”。
这个行业更像 90 年代的搜索引擎，或更早期的 PC 行业，每一次改进都能带来显著收益，竞争壁垒来自于不断迭代形成的“深度惯性”，以及团队组织能力与产品打磨体系的优劣差。
Michael 提出一个核心观点：当一个市场仍存在大量未被满足的需求，仍有大量可以优化的技术结构时，持续研发本身就是最大的护城河。它不需要靠绑定用户，而是依靠自身的不断进化，获得时间与质量上的累计优势。
他强调，这种“进化护城河”并不排斥竞争，也不代表市场只有一个赢家。但在“构建全球通用软件构建平台”这一命题下，最终的确可能诞生一家规模巨大的超级公司。
尽管未来很可能有多个产品共存，但如果问题是“谁能承载全球范围内最大规模的代码逻辑转译任务”，那么最终可能只剩一家公司。原因并不在于其他公司做得不好，而在于用户自然会趋向于使用最通用、最稳定、最具上下文理解力的平台。在这个领域，产品质量和进化速度决定着市场集中度。
他进一步指出，不能以传统 IDE 市场的碎片化经验去判断这一轮技术演化的格局。2010 年代的 IDE 市场“没有人赚大钱”，是因为那个时代的编辑器能力已经接近上限，能够优化的部分只是语法高亮、调试器集成、快捷导航等基础功能。但今天，开发者工具正处于新的范式起点，这个起点的目标，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 编程工具的本质不是替代代码，而是提升人类指令的表达能力、压缩从想法到实现的路径。这是一个比传统开发工具更大得多的市场，也是一个具备平台属性的未来通道。在这个通道里，谁能够提供最流畅、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”的代名词。
Lenny 提及 Microsoft Copilot 时，也带出了当前一个典型问题：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来源，尤其在最初版本发布时，带来了前所未有的开发交互方式。
但他认为，微软并未真正延续其初始势头，这既有历史原因，也有结构性难题。最早开发 Copilot 的核心团队人员变动频繁，在大型组织中难以形成统一方向，产品路径很容易被内部博弈与流程复杂性所稀释。
更根本的是，这一市场本身对 incumbents 不友好。它不像企业级 CRM 或 ERP 系统那样依赖集成与绑定，也不具备用户粘性极强的“防切换成本”。用户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，真正能胜出的公司，是那些能用产品每周迭代、每月进步，并持续向技术上限冲刺的创业团队。
Cursor 当前所展现出的方向感与产品节奏，恰恰是在这种背景下形成的回应。它并不靠“封闭”，而是靠“持续构建一个世界上最好用的开发工具”这一简单、清晰但极难实现的使命，吸引了开发者的主动选择。红杉美国 Roelof Botha 谈 AI 时代 VC 观察模型 —— AI 不像互联网那样削弱中心化，但仍有结构机会
▍如何正确使用 Cursor？
在构建一个面向全球开发者的 AI IDE 平台过程中，Michael Truell 最在意的不是模型能力的极限，而是用户如何理解并善用这些能力。
当被问及，如果他能坐在每一个首次使用 Cursor 的用户旁边，会给什么建议时，他并没有讲解功能或操作技巧，而是强调了一种思维模式的建立——对模型“能与不能”的本能判断力。
他坦率地承认，目前 Cursor 产品本身在引导用户理解模型边界方面做得还不够。在没有明确的提示轨道和交互反馈机制下，很多用户容易陷入两个极端：要么对模型寄予过高期望，尝试用一条提示解决复杂问题；要么因为第一次结果不理想便彻底放弃。
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。
另一个建议则更具策略性。他鼓励用户在没有业务压力的 side project 中“放手一搏”，尝试将 AI 能力推向极限。
在不影响主线工作的情况下，通过一整套实验性的项目，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”能够帮助开发者建立更准确的直觉，也能让他们在未来面对正式项目时更有把握。
随着模型版本持续更新，比如 GPT-4.0 或 Claude 的迭代上线，这种判断力也需随之更新。他希望未来 Cursor 的产品能够内建一套引导机制，使用户无需每次都自己摸索模型的“脾气”和界限。但在今天，这仍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 给出了精确的分类描述。
他指出，初级开发者往往更倾向于“完全依赖 AI”，试图用它完成整个开发流程；而高级工程师则可能因经验丰富而低估 AI，未能充分探索其潜力。前者的问题是“依赖太多”，后者的问题是“探索太少”。
他也强调，某些公司内部的资深技术团队，尤其是专注于 Developer Experience 的架构师级别人才，实际上是最积极拥抱这类工具的一群人。他们既懂系统复杂性，又关注工具效率，因此往往在 AI 编程场景中取得最佳效果。
在他看来，最理想的用户画像并非初学者，也非已固化流程的老手，而是那些“资深但尚未僵化”的中段工程师——具备系统理解力，同时对新方法保持好奇和开放。
▍如何组建世界一流团队？
当被问到，如果能回到最初创办 Cursor 的那一年，会对自己说什么建议时，Michael 选择了一个并不技术化的回答——招聘。他反复强调，“找到对的人”是仅次于产品本身的最重要工作。
尤其在早期，组建一支世界级的工程和研究团队，不仅是产品质量的保障，也是组织专注力、节奏和文化的决定性因素。他所寻找的人才，必须兼具技术好奇心、实验意愿，以及在浮躁环境中保持冷静判断的能力。
他回忆道，Cursor 在招聘过程中曾走过很多弯路。一开始，他们过于看重“高光履历”，倾向于招来自名校、年纪轻、拥有标准成功路径的年轻人。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、经验高度匹配、技术判断力成熟的人，反而是推动团队飞跃的关键力量。
在招聘流程上，他们逐渐建立了一整套行之有效的方法。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，与团队共处并完成一个高度贴近真实项目的任务。
这个流程看似繁重，但在实际操作中不仅可扩展，还显著提升了团队的判断准确性。它不仅考察了候选人的代码能力，也测试了协作沟通、思维方式和动手能力，甚至也帮助候选人判断“是否愿意与这支团队长期共事”。
“共事式面试”机制，逐渐演化为 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，团队本身就是最重要的吸引力。
他坦言，早期许多员工的加入，源自于一次甚至多次的共处经历，而非对薪酬或估值的判断。如今，这一制度仍被保留并运用于每一位新候选人。Cursor 的团队规模目前仍保持在 60 人左右，这一数字在很多 SaaS 公司中已算精简。
Michael 指出，他们有意保持了这种精干配置，尤其是在非技术岗位的扩张上保持克制。他承认，未来一定会扩大团队，以增强客户支持和运营能力，但就目前而言，他们依旧是一家高度工程、研究和设计驱动的公司。
谈到如何在 AI 行业日新月异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人本身。如果能招到那些理性、专注、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 仍然有改进空间，但整体来看，他们在“只关注做出卓越产品”的文化引导上取得了不错的效果。
很多公司试图通过流程与组织设计解决的问题，其实可以通过“找对人”提前避免。他们的开发流程极为简洁，之所以能成立，是因为团队中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：对外界喧嚣拥有“免疫力”。
这种免疫力并非天然存在，而是在长期行业经验中逐渐形成的。早在 2021 年、2022 年，Cursor 团队就已在 AI 编程方向上进行探索。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 行业还处于技术萌芽期。
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、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，其实极少。
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。他将这种方式与过去十年深度学习研究界的演进进行类比：虽然每年有无数新论文问世，但真正推动 AI 前进的，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，当前 AI 的发展正处在一个极为深刻的转折点。
外界常常陷入两个极端：一部分人认为 AI 革命即将降临，几乎一夜之间颠覆一切；另一部分人则将其视为炒作、泡沫、不足为道。而他的判断是，AI 将成为比个人计算机更深远的范式转移，但这一过程将是一个“多年代”的持续演进。I/O 到 iO，Jony Ive 将推动一场新的设计运动 —— AI 正在改写计算范式与硬件定义，也是大模型后的新战场
这场演进并不依赖于某一个系统、某一种技术路线，而是由大量细分问题的独立解决所组成。有的是科学问题，比如模型如何理解更多数据类型、更快速地运行、更高效地学习；有的是交互问题，比如人类如何与 AI 协作、如何定义权限边界、如何建立信任机制；有的是应用问题，比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输出。
在这场演进中，他认为会出现一类关键企业——专注于某一知识工作场景的 AI 工具公司。这类公司将深度整合基础模型，也可能自主开发核心模块，同时构建最合适的人机协作体验。他们不会只是“模型调用器”，而是将技术与产品结构打磨到极致，从而成长为新一代平台企业。这类公司将不仅提升用户效率，更可能成为推动 AI 技术演化的主要力量。
Michael 希望 Cursor 能成为这类公司中的一员，同时他也期待看到在设计、法律、市场等更多知识工作领域中，出现一批同样专注、扎实、技术深度与产品敏锐度兼具的 AI 创业者。未来不属于炒作者，而属于那些真正解构问题、重塑工具、理解人与技术关系的建设者。
他还指出，2025 年对 Cursor 来说最重要的两件事，一是打造行业里最好的产品，二是将其大规模推广出去。他形容当前的状态为一场“土地争夺战”：市场中绝大多数人尚未接触这类工具，或者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、客户支持等方面的投入，同时也持续寻找那些能够从技术层面推动产品边界的优秀人才。
谈及 AI 对工程岗位的影响，Michael 给出的回答颇具冷静。他不认为工程师会被快速取代，相反，他认为工程师在 AI 驱动的未来将比以往任何时候都更重要。
短期内，编程方式会发生巨大变化，但很难想象软件开发会突然变成一个“只需输入需求，系统就自动完成”的过程。AI 确实能让人类从低层级的繁琐实现中解放出来，但方向、意图、结构设计等核心决策，仍必须由专业开发者把控。
这种判断也意味着，随着软件构建效率大幅提升，需求端的弹性将被彻底释放。换句话说，软件本身会变得越来越容易构建，成本大幅下降，最终带来的是整个市场规模的扩张。更多问题可以被建模，更多流程可以被系统化，更多组织会尝试定制自己的内部工具，而不是接受通用方案。
他用一段亲身经历说明了这一点。在他早年参与的一家生物科技公司中，团队当时亟需构建一套适配内部流程的工具系统，但市面上的方案并不匹配，自己开发的效率也非常有限，结果是绝大部分需求被搁置。
这种场景在各行各业中仍普遍存在，说明软件开发的门槛依然很高。如果哪一天做软件像移动文件、编辑幻灯片一样简单，那释放出来的，将是一个全新的应用时代。
最后，他强调 AI 不会减少工程师数量，反而会使得工程岗位的结构发生变化。那些善于与 AI 协作、能够理解系统逻辑、具备产品直觉的工程师，将在新一代工作体系中发挥更大作用。a16z 平台战略前世今生：从 VC “不愿擦屁股”到“全栈服务”
文章来自于“有新Newin”，作者“有新”。
