代码之后：Cursor 创始人谈逻辑设计、自研模型和这个市场为什么会出一家赢家

主持人 Lenny 介绍嘉宾 Michael Truell：他是 Anysphere 联合创始人兼 CEO，公司产品 Cursor 是增长最快的 AI 代码编辑器之一，上线约二十个月做到一亿美元年经常性收入，两年做到三亿美元。Truell 在 MIT 学计算机和数学，做过 AI 研究，还在 Google 待过。他说 Cursor 的目标是发明一种新的编程：把人对软件该怎么工作、该长什么样的意图，蒸馏成尽可能简洁的形式。

他对照两种流行想象。一种认为未来仍是在 TypeScript、Go、C、Rust 里做文本编辑；另一种认为你只要对着聊天机器人说话，像在 Slack 里指挥工程部门。他认为两者都不对，真正的形态会比这两种都更奇怪。聊天缺少精度：人如果要完整控制软件，就需要能精确地指着该改的地方，而不是在一个脱离现场的文本框里写「把我的应用改成这样」。

「代码之后」在他看来，是一种更像英文、像伪代码的逻辑表示：更短、更好导航，也能在高层编辑。它不会是几百万行难以穿透的符号，而是人能读、能改的东西。这条路会穿过现有的职业工程师，人仍坐在驾驶座上，并保有快速迭代，而不是把活交给后台某个慢到要几周的东西。

被问到哪些技能会升值，Truell 先答品味，但不只是视觉品味。界面、动画、配色已有很好的工具；软件的另一半是逻辑，而逻辑目前最好的表示仍是代码，或一个能跑的原型。Figma 和笔记只能比划。他预期当工程师会越来越像当逻辑设计师：规定「是什么」，少操心引擎盖下「怎么做」。

他承认离那天还很远，网上那些「太信 AI、做出漏洞百出的应用」的梗就是证据。但他认为将来工程师可以不那么小心——而小心现在是极其重要的技能——并把重心挪向品味。他所谓品味，是对「该做成什么、该怎么工作、该长什么样」有正确判断，并能几乎不费力地把它变成计算机能跑的东西。翻译层会变薄，不再是团队脑子里有一幅图，再辛苦铺成机器能执行的格式。

谈到 vibe coding，他认为相关，但有缺陷。大量生成代码却不懂细节，项目一旦大到改不动，人就会卡住。开放问题是：即便你不懂代码，仍能持续控制所有细节。现在的工具还没法让有品味的人真正完全掌控软件，AI 会做出你管不住的笨拙决定。

Truell 把 Cursor 说成「先有方案、再找问题」。两件事把创始人推向 AI 产品：GitHub Copilot 的第一版测试，是他们用过的第一个真正有用、而不只是演示的 AI 工具，甚至是他们采用过的最有用的开发工具之一；以及 OpenAI 等地的缩放定律论文，说明即使没有新想法，只要放大模型和数据，AI 也会变好。二零二一年底到二零二二年初，他们开始做一场思想实验：知识工作的各个领域，会随着 AI 成熟变成什么样。

走错的一步是觉得编程太拥挤。他们花了大约四个月做机械工程师的自动化和增强工具。创始人都不是机械工程师，网上也几乎没有三维模型和建模步骤的数据，结论是必须从一开始自研模型，取数还很麻烦。他们后来「醒过来」，发现自己并不想把一生献给机械设计。回头看编程，过了不少时间却几乎没变，在场的团队对软件创造将如何穿过这些模型，似乎不够有野心。

Lenny 总结的教训是：看起来来晚了也没关系，只要在位者不够有野心。Truell 同意，并补了一句：AI 的天花板异常高，即便拿今天最好的工具，未来几年仍有大量事可做。有跃迁空间，拥挤的市场仍可能被后来者越过，这在普通软件里很少见。

Truell 解释为什么选 IDE，而不是纯模型或完全端到端的智能体。一上来就做模型的人，想的是端到端自动编程、决策也交给 AI；Cursor 在乎的是人控制最终产品里的每一个决定。团队从第一天起就高强度自己用，从不发布对自己没用的东西。这种自用会带来现实主义：模型在一个地方像魔法，并不等于处处都比聪明人强。人必须坐在驾驶座上。

控制整个应用、而不是给现有环境写插件，是因为编程的形态未来几年会大变，现有环境的可扩展性太有限。他预期前台和后台会活在同一处：像修 bug 这种「正确性很好描述」的任务，可以从 Slack 或问题跟踪器甩给智能体转一圈，再拉回来快速改。IDE 在他嘴里，就是你建造软件的那个地方，而那块玻璃会变很多。

Lenny 开玩笑说，大家都会变成管着一堆不太聪明下属的工程经理。Truell 说真正用得好的客户仍然相当保守：他们靠下一步编辑预测，编码本身还是正常的，再把交给机器人的范围收得很小。一种做法是先花大量时间规定、AI 去写、再一次性审查；另一种是切成「规定一点、写一点、再审查」的小循环。自动补全就在这个光谱的一端。目前最成功的用户往往是把活切碎。

第一版 Cursor 是手搓的，没有建在 VS Code 上，等于自己实现语言支持、导航、错误追踪、集成终端和远程连接。大约五周后，团队已经全日住在这个编辑器里，扔掉了以前的工具。从第一行代码到对外发布大约三个月，中间只有很短的内测。他们本以为会长时间只服务几百人，结果兴趣和反馈立刻涌进来，这才改成以 VS Code 为底座，像许多浏览器以 Chromium 为底座一样。

Truell 坦白说，三个月那一版并不好。他把增长归功于持续的偏执：终点是发明一种大量自动化今日编码的新编程形态，无论 Cursor 走到哪，都离那个终点很远。没有过度沉溺于首发，而是不断把工具做更好。增长是相当稳定的月度指数，会因发布加速；指数在数字还小的时候感觉很慢，一开始并不像开跑。

他们把销售和营销这类「火」放着烧了很久，把时间放在产品和团队上，也包括客服轮值。这听起来像「做出来他们就会来」，但执行很难，方向也很多。这个领域还很跨学科：介于普通软件公司和基础模型公司之间，既要对几百万人把产品体验做好，又要在说得通的地方做科学和模型。优先排序因此格外难。

最反直觉的教训，Truell 说，是他们最后做了大量模型开发。团队算过从零预训练的账，排除了这条路，也觉得把精力花在复制别人已经做好的模型上方向不对。他们原以为现有模型做不到某些事，只是因为缺对的工具。结果他们现在大量自研，招聘上也是重点，「每一个魔法时刻都有某种定制模型」。做法是仔细挑点：不去基础模型已经很强的地方重复造轮子，去补它们的弱项。

最清楚的例子是自动补全。写代码和写邮件不同：有时你接下来五到三十分钟的工作，从背后看一眼就完全可预测。Cursor 训练模型去预测你接下来要做的那组 diff，跨文件、也在文件内部。这些模型必须在大约三百毫秒内给出补全，还要便宜到每个按键都能重算。它们不是补下一个通用 token，而是补一组增删改。应用里几乎没有单独品牌，却是产品很核心的一块，也不用最大的那些基础模型。

另一组定制模型围着 Sonnet、Gemini、GPT 这类大模型转。输入侧像一台迷你搜索引擎，找出代码库里该给大模型看的部分；输出侧用又小又快的专用模型，加上一些推理技巧，把大模型花少量 token 画出的高层草图落成完整代码 diff。这些工作大多从开源预训练模型出发，有时也和闭源厂商合作做微调，因为他们在乎的是能做后训练，而不是逐行读权重矩阵。Lenny 联想到 OpenAI 产品负责人 Kevin Weil 说的「模型合奏」：把各自最强的一面和成本优势叠在一起。

谈到护城河，Truell 承认可以做惯性和传统壁垒，但大体上每个人都必须持续做出最好的产品：天花板太高，任何盘踞都可能被跃过。他拿这个市场比一九九九年前后的搜索引擎，以及上世纪七八十年代个人电脑：聪明人和研发投入很长时间都能继续换来价值，不会很快把有用的事做完。搜索里分发还能反过来改善产品，因为有数据和反馈可调。这些动态在他们的市场里都在。

Lenny 听成更像消费级护城河：靠一直最好让人留下，而不是靠 Salesforce 那种全公司合同锁死。Truell 说，如果很快就把有用的事做完，处境会很糟；如果大规模投入和走对路的优秀人才还能持续创造价值，研发的规模经济本身就能变成可守的东西。有人觉得编辑器是烂生意，因为过去十年 IDE 市场碎片化、赚钱的那家也不算巨大。他觉得漏掉的是：二零一零年代给程序员能做的，无非是导航、报错、类型检查和调试；现在要自动化的是大量知识工作，市场远大于过去的开发者工具。

他预期会有利基活下来，服务特定人群或研发生命周期的某一段；但会有一家公司做出生产世界上几乎所有软件的通用工具，那会是一代人里很大的生意，是否是他们还不一定。被问到微软有 Copilot 和分发却显得落后，他给了结构性和历史性两个理由。这个市场对在位者不友好：切换很容易，工具能直接对比，创新产品更占便宜；而最初做 Copilot 的那批人大多已经去了别处，跨部门协调也很难。他同时强调 Copilot 曾是 Cursor 很大的灵感来源。

被问到给新用户耳语一两句什么，Truell 说成败取决于你对模型的品味：它能扛多复杂的任务、你需要规定到什么程度、缺口在哪。产品目前还没把这件事教好，也没画好泳道。第一条建议是：别写一个巨型提示、再整段接受或整段丢掉。同样多的规定时间，切成小块，规定一点、拿到一点活，再规定一点。现在一次甩出整件大事，很容易变成灾难配方。

第二条正好相反：在业余项目里故意摔跟头，大胆用 AI，去发现极限。很多开发者没给过它公平的机会，因而低估它。Lenny 把它概括成要建立直觉，而且新模型出来还得重建。Truell 说每个模型都有不同的怪癖和个性，Cursor 希望将来把这副担子从用户身上拿掉。过去几年，这种落差还没有人们第一次见到大模型时那么剧烈，但仍在。

谁受益更多，初级还是资深？两边都大，只是踩的坑不同。初级工程师往往整包依赖 AI，而今天还做不到在长期、多人、几十上百人共事的代码库里端到端这么干。资深工程师平均会低估 AI，守着旧工作流；不过公司里的开发者体验团队常常由非常资深的人组成，他们反而是把技术推到最前的人。相对排名不好说，两端的反模式却很清楚：期望太多，或期望不够。

回看自己，Truell 说 Cursor 在招聘上耐心到了招得太慢。他们要智力好奇、爱实验、诚实、头脑清醒，甚至带一点微观悲观和直率，因为噪音很大、生意在涨，保持水平很重要。后来他们花很长时间、有时好几年去招世界级的人。早期偏得太厉害：名校、很年轻、在那种环境里高光的履历。他们后来也遇到很出色、职业阶段更晚的人，以及并不完全像「片场标准配置」的年轻人。许多硬知识是默会的，要么自己摔，要么身边有卓越的榜样。

流程里意外耐用的一块，是两天现场工作测试：候选人大多独自在他们的代码库里做一件真实的迷你项目，知识产权不会被用进产品。面试官的时间可以摊开，也顺便检验你是否想跟这个人待在一起、一起吃饭。早期产品还弱的时候，这两天几乎是唯一能让候选人见到「这支队伍值得加入」的机会。公司当时接近六十人，工程、研究和设计占比极高；许多软件公司四十个工程师时已经超过一百人，因为一上来就很销售驱动。他们从精益的产品驱动起步，企业客户已经在服务，但那边还有很多要建。

如何在 AI 新闻里保持专注？Truell 归功于招头脑清醒、不太靠外部认可的人，经常把这件事拿出来谈，并以身作则。任何组织工具能达到的效果，很大一块其实可以用招对人来替代；工程上他们因此还没上太多流程。他们从二零二一、二二年就做 AI，见过 InstructGPT 还不存在、没有 DALL·E 也没有 Stable Diffusion 的日子，后来图像、ChatGPT、GPT-4、视频模态一波波来，真正影响生意的只有很少几件。深度学习研究也一样：真正留下来的是少数简单优雅的想法。团队因此有了一套免疫系统，知道哪次事件真的重要。

Truell 说人们对 AI 的误解，是坐在光谱两端：要么全是炒作，要么一切马上发生。他认为这比互联网、比计算机出现以来的任何技术转变都更重大，但会花几十年。科学侧要把模型变得更能理解不同数据、更快更便宜更聪明、能按我们在乎的模态行动；人这一侧则要决定人在屏幕上该看到什么、控制什么。两边都有大量独立问题要一个个打掉。

他特别看重那种同时做底层技术和产品体验、去自动化并增强某一块知识工作的公司。做到规模后，它们还会反过来推动技术。Cursor 想在软件上做这件事。今年两件最重要的事是做出这个领域最好的产品，并在他所说的圈地模式里把它做大：世界上几乎每个人要么还没用这类工具，要么用的是迭代更慢的那一个。他们各处都缺人，工程、设计、研究，以及商业侧；如果你觉得他们没有适合你的岗位，也可以找上门，也许他们会因此意识到自己缺一块。

工程岗位会不会变少？他不认为会跳到「你往后退、整个工程部替你干活」。即便到终局，人仍要决定软件长什么样，这件事需要专业人士。软件需求很持久，简单工具贵得荒唐，像拍一部商业大片那样去做普通效率软件。他早期在一家生物技术公司做内部工具，现成软件完全不合用，需求远远超过他能做完的量。创造软件更便宜之后，计算机上能做的事会多得多，长期对工程师的需求会增加。他们也在思考：一支团队如何既改进现有产品，又不断做出新东西——能骑过多次跃迁的公司很少，所以他们会读历史、也从第一性原理去想。