Cursor创始人深度对话：代码之死与"品味"的崛起

AI编程工具Cursor背后的公司AnySphere刚刚达到90亿美元估值，成为史上增长最快的创业公司之一——上线仅20个月便实现1亿美元年度经常性收入（ARR）。在最新一期《How to Build the Future》对话中，Cursor联合创始人兼CEO Michael Truell分享了他对编程未来的激进判断：代码本身终将被某种"更好的东西"取代，而人类工程师真正不可替代的能力，是"品味"（taste）。

终极目标：不是辅助编程，而是取代编程

Truell开门见山地抛出了一个颇具野心的观点：公司的目标不是把现有编程做得更快，而是"用某种更好的东西取代编程"。他和三位联合创始人都是资深程序员，他们对编程的热爱源于"能快速把东西造出来"。但现实是，哪怕是描述起来很简单的功能，也需要编辑数百万行晦涩的形式化编程语言代码。

他预判在未来五到十年内，软件构建方式将演化为一种更高层次、更聚焦的形态——开发者只需定义"软件应该如何工作、如何呈现"，而不必亲手编写每一个for循环和if语句。Cursor的路径是：在任何时间点都做"用AI编程的最佳方式"，然后不断把这个过程推离传统编程，演化成完全不同的东西。

"Vibe Coding"行不通？专业开发的真实现状

面对"我们是不是已经到了描述即生成的时代"的追问，Truell给出了相当克制的回答。他承认在小型代码库、小团队场景下，变化已经发生，人们正在"跃升到代码之上"，直接让Agent完成修改。但在专业世界里，所谓"vibe coding"（不看代码、不理解代码就编程）"并不真正奏效"。

原因在于复杂系统的"n阶效应"：当你面对数百万行代码、几十上百人协作多年的项目时，无法回避对代码的思考。他透露，Cursor用户平均让AI编写了40%到50%的代码行数，但整个过程仍然是"阅读AI输出的每一行"。

他把当前AI编程归纳为两种形态：一种是把任务委派给Agent（"去帮我做这件事"），另一种是AI盯着你的屏幕、偶尔接管键盘的Tab自动补全形态。未来六个月到一年的游戏规则，就是把这两种形态的实用性提升一个数量级。他预测当这些成熟后，专业开发中约25%到30%的工作可以端到端依赖AI完成，无需逐行审查。

**年度经常性收入（ARR，Annual Recurring Revenue）**是SaaS行业衡量订阅制业务规模的核心指标，指将当前订阅合同折算为一年周期后的预期收入总额。ARR排除了一次性收入，更能反映业务的可持续性与增长势头。对于投资人而言，ARR增速是判断公司成长轨迹的关键依据——上线20个月达到1亿美元ARR，意味着Cursor的收入增长曲线几乎是垂直的，这在B2B SaaS历史上极为罕见。相比之下，Salesforce用了约五年才达到同等规模。

**"n阶效应"**在软件工程语境中，指对系统某一部分的修改会通过依赖链传导，引发多层级的连锁反应。在大型代码库中，改动一个模块可能触发测试失败、接口不兼容、性能回归等一系列问题，且这些影响往往难以在修改前完全预判。这正是"屎山"代码难以重构、也难以完全交由AI自动处理的根本原因。

让Agent达到超人水平的真实瓶颈

Truell冷静地列举了阻碍编程Agent达到人类水平的技术障碍，这部分内容对理解AI编程的天花板尤为重要。

上下文窗口与持续学习：1000万行代码约等于1亿token，不仅需要模型能物理吞下这些内容，还要以成本可控的方式"真正有效地关注"这些上下文。他特别指出，这不只是代码库的问题，更是一个持续学习（continual learning）问题——模型需要知道组织的历史、过去尝试过什么、同事是谁。而业界目前"对此还没有真正好的解决方案"。他也坦言，训练机构普遍缺乏高质量的长上下文数据。

长时间跨度任务：他引用了一张广为流传的图表——AI能在单个任务上持续推进的最长时间，过去一两年从"几秒"增长到了"大约一小时"。

多模态与工具使用：软件工程师需要运行代码、查看输出、翻阅Datadog日志。"如果不需要这些，AI早就超人了，那会很疯狂。"因此计算机操作能力（computer use）是编程未来的关键。

**持续学习（Continual Learning）**是机器学习领域的一个核心难题，又称"终身学习"。传统深度学习模型在训练完成后参数固定，当需要学习新知识时，往往会出现"灾难性遗忘"（catastrophic forgetting）——模型在吸收新信息的过程中覆盖了原有知识。对编程Agent而言，这意味着它需要在不忘记通用编程能力的前提下，持续内化某个特定代码库的历史决策、组织约定和团队文化。当前主流解决方案包括检索增强生成（RAG）——将历史信息存入外部向量数据库实时检索，以及微调（fine-tuning）——在特定数据上继续训练。但两者都有明显局限：RAG受限于检索精度和上下文窗口，微调成本高且易遗忘。Truell指出业界"对此还没有真正好的解决方案"，正是点明了这一领域的核心工程瓶颈。

品味：唯一不可替代的能力

这是整场对话最具启发性的部分。Truell认为，无论技术如何演进，有一样东西永远不会消失——品味（taste），即"定义你究竟想造什么"。

人们通常只在视觉层面讨论品味，但他强调逻辑层面同样存在品味问题——软件逻辑该如何运作。当前的编程行为其实捆绑了两件事：一是搞清楚你到底想要什么产品，二是把它映射到物理计算机上的实现细节。后者本质上是一种"人肉编译"——你心里清楚要什么，却必须用for循环、if语句、变量和方法把一切拼写出来给计算机。

他的判断是，这种"人肉编译"步骤会越来越多地消失，计算机将能填补空白。但对"什么才是真正有用、符合你意图"的品味，永远不会消失。他借用了一句话来形容：优秀的人能帮你达到某个标准，但真正大师级的人，能达到一个你甚至看不见的高度。

由此，他提出未来程序员将成为"逻辑设计师"（logic designers）——转向意图驱动的编程。

更深远的影响：专业开发者的生产力与长尾软件

Truell描绘了技术成熟后的两个二阶效应。其一是专业开发者生产力的巨大跃升。他指出大型软件项目"慢得惊人"，很大程度源于既有逻辑的重量——改一个地方就会牵连一堆东西崩掉。当编程被自动化后，下一个分布式训练框架、下一个数据库、下一个AI模型都会快得多。而据他了解，各大实验室在很大程度上正是被工程产能所瓶颈制约。

其二是大量利基软件的涌现。他回忆自己第一份工作是在一家生物科技公司担任首位软件工程师，那家公司的核心能力是湿实验室科学，却不得不费尽周折组建软件团队来做内部工具。未来这类公司将拥有多得多的选择——"你想在计算机上发生的事情，就能发生"。

从CAD到Cursor：一次价值连城的"错误"

Cursor并非一蹴而就。四位MIT出身的创始人在2022年起步时，最初做的竟是机械工程方向——为CAD（计算机辅助设计）打造副驾驶，训练"3D自动补全"模型，尝试预测用户在SOLIDWORKS或Fusion 360中的下一步几何操作。

这段"旷野期"持续了约一年，最终因两个原因搁置：团队对机械工程远不如对编程热情，且当时的科学还没准备好处理3D——预训练模型表现不佳，互联网上的CAD数据比代码数据少几个数量级。但这段经历并非徒劳：训练数十亿参数规模模型的实战经验（当时fork了Megatron-LM和Microsoft DeepSpeed并改写内核），为日后Cursor每天超过5亿次模型调用的推理能力打下了基础。

驱使他们转向的核心信念，Truell称之为"跟随那条线"（follow the line）——即规模化定律：只要扩大数据和算力，模型就会持续变好。这个在2022年还属于"没人相信"的信念，比Sam Altman后来公开强调"永远要押注模型会变得更聪明"早了整整一年。

**规模化定律（Scaling Laws）**是由OpenAI研究人员（Kaplan等人，2020年）系统提出的一组经验规律：神经语言模型的性能（以损失值衡量）会随着模型参数量、训练数据量和计算量的增加，呈现出可预测的幂律式提升，三者之间存在可量化的最优配比关系。这一发现的革命性在于：它让"模型变大就会变聪明"从直觉猜测变成了有数学依据的工程信念，也为GPT-3、GPT-4等大模型的研发提供了理论基础。Truell在2022年便以此为核心信念，在当时主流舆论普遍对大模型持怀疑态度的背景下押注"跟随那条线"，这一判断在此后两年间被市场充分验证。Megatron-LM是英伟达开源的大规模语言模型训练框架，DeepSpeed是微软开源的分布式训练优化库，两者均专为在数千块GPU上高效训练数十亿至数千亿参数规模的模型而设计。

关键的产品抉择：为什么是编辑器而非插件

一个在当时非常不被看好、如今却被证明正确的决定，是构建完整编辑器而非VS Code插件。Truell解释，这源于"所有编程都将流经这些模型、未来形态会截然不同、需要一个控制UI"的信念。

他还透露了关于GitHub Copilot诞生的二手故事：团队在"沙漠中徘徊"了近一年，尝试过自动化PR等各种疯狂想法，最终才落到简单的自动补全上；即便如此，仅仅为了显示ghost text（灰色预览文本），他们也不得不修改VS Code主线并暴露新API。Cursor团队由此判断："既然连ghost text这么简单的东西都需要改编辑器，那我们将来肯定要改一大堆。"

护城河与度量：警惕"为Demo优化"的塞壬之歌

在增长度量上，Cursor盯的不是DAU/MAU，而是付费重度用户——即每周七天中有四到五天使用AI的付费用户。Truell解释，作为服务专业人士的工具，交付本身有真实成本，让用户"毕业"到付费层级才是可持续的。

他特别警示了AI产品的一个陷阱——"为Demo优化"。用几个精选案例拼出一段看似革命性的视频很容易，但从漂亮Demo到真正可用的产品之间，隔着速度、可靠性、智能和产品体验的大量打磨工作。Cursor的做法是把编辑器变成团队内部每天真实使用的工具（dogfooding）。

谈到护城河，Truell认为AI编程市场更像90年代末的搜索，而非传统企业软件：产品天花板极高，可以持续变好很久。规模化分发带来的数据飞轮至关重要——通过观察用户在哪里接受、在哪里拒绝、拒绝后又如何修正，反哺研发和底层模型，从而造出更好的产品。他把ChatGPT时刻类比为这个时代的iPod/iPhone时刻，认为这个领域还有几个这样的突破点等待抢占。

**数据飞轮（Data Flywheel）**是互联网平台竞争中的核心护城河逻辑：用户使用产品产生行为数据，数据用于改进模型，更好的模型吸引更多用户，形成自我强化的正反馈循环。对AI编程工具而言，这一飞轮尤为关键——用户接受或拒绝AI建议的信号（accept/reject信号），是训练更贴合真实开发场景模型的高价值标注数据，而这类数据在公开互联网上几乎不存在。规模越大的平台，每天能收集到的此类信号越多，模型迭代越快，后来者的复制成本也就越高。这也解释了为何Cursor尽管面对微软GitHub Copilot等巨头竞争，仍能以产品质量形成差异化：不同用户群体产生的行为分布不同，飞轮转速和方向都会产生实质性差异。

招聘哲学：面试仍然禁用AI

一个有趣的细节：尽管自家产品就是AI编程工具，Cursor在技术初筛面试中仍然只允许候选人使用自动补全，不允许用AI。原因有二：无AI编程仍是衡量技能和智力的绝佳限时测试；同时，他们招了许多没有AI工具经验的顶尖程序员，不希望因此不公平地让他们吃亏——这些人反而能贡献"初学者视角"的产品洞察。

对于最后两天的onsite，团队会直接让候选人加入项目、一起吃饭、一起工作，以此考察对问题空间的热情与激情。Truell强调前10名员工的质量至关重要："如果在以年为单位的尺度上想跑快，那么在以六个月为单位的尺度上慢下来会极有帮助。"