AI 辅助编程领域一个不得不提的工具—— Cursor，五一假期无意看到了 Cursor 的联合创始人兼 CPO（首席产品官）Sualeh Asif 参与录制的一个播客节目，讲述了他们是怎么从零开始，把 Cursor 做成现在这样一个人见人爱的产品的？他的回答挺有意思，信息量很大，我给大家捋一捋，然后分享一下我的理解。

一切的开始：从“卧槽，Copilot 牛逼！”到“我们能做得更好”

Sualeh 他们几个创始人，背景都挺硬核，搞过算法竞赛，也在 Stripe 这样的大厂干过。他们很早就对 “Scaling Laws”（规模法则）和语言模型（LLMs）这块儿特别感兴趣。Sualeh 自己还搞过类似搜索引擎的项目，那时候就觉得，语言模型这玩意儿潜力巨大，应该能把全世界的信息都压缩起来，搞个端到端的互联网搜索索引，比现在那些靠规则堆出来的强多了。

转折点是 GitHub Copilot 的出现。Sualeh 说，Copilot 刚出来的时候，简直是“魔法”，又快又神奇。但问题是，之后的很长一段时间，Copilot 似乎没啥大进步。等到 GPT-4 出来的时候，他们觉得，哇，模型能力天花板这么高，能做的产品上限肯定也水涨船高啊！而且模型还在不断变强，未来的可能性简直太诱人了。

加上他们自己本来就是 hardcore coder，天天写代码，就想着能不能搞个自己用着爽的工具。于是，Cursor 就这么诞生了，一开始很大程度上就是给自己做的。后来发现大家也都很喜欢，那纯属意外之喜了（当然，我猜他们心里早有预期）。

有趣的是，他们团队一开始居然是 Vim 党！后来是因为 Copilot 这“杀手级应用”太香了，才逐渐转到了 VS Code 阵营。这也解释了为啥 Cursor 是基于 VS Code 魔改，而不是另起炉灶或者基于 Vim——他们想站在巨人的肩膀上，用大家最熟悉的方式，渐进式地把编码带入 AI 时代。

产品迭代心法：疯狂实验，但只上“自己离不开”的功能

Cursor 的早期文化就是各种实验。他们尝试过各种姿势来用 LLMs 辅助编程：

  • 是不是应该搞个文档，你在里面写需求，模型帮你生成代码？
  • 能不能预测你的下一步操作，光标应该跳到哪，帮你改啥？
  • 能不能直接对整个代码库进行大规模修改？

有些想法很快落地成了核心功能，比如现在很受欢迎的“预测下一个编辑位置”（就是你按 Tab 就能跳到下一个该改的地方，甚至帮你把改动生成好），这个功能他们打磨了快一年了，据说马上还要有大升级。还有些想法，比如跨整个代码库的编辑，还在持续迭代中，因为这玩意儿挑战太大了。

Swale 提到一个关键点，我觉得特别实在：很多想法在内部原型阶段就被毙掉了，原因很简单——他们自己试用后觉得不够好用，甚至自己日常开发都用不起来。比如那个 Agent 功能，他们内部搞了至少三个版本都没发布，就是因为觉得模型有时候会“掉链子”，不够可靠，怕砸了口碑。直到他们觉得这东西真的能在日常工作中帮上忙了，才推出来。

这种“dogfooding”（自己吃自己的狗粮）的文化，我觉得是他们产品做得好的一个重要原因。不像有些产品，发布时吹得天花乱坠，实际用起来各种坑。

技术细节：长上下文、模型蒸馏和“好玩”的秘密

聊到技术，Sualeh 透露了不少干货：

  1. 上下文窗口是关键： 早期模型（4K、8K 上下文）能力有限，连当前文件都塞不进去，别说理解整个项目了。现在模型能处理几十万 token 的上下文，成本也下来了，这才让很多酷炫的功能（比如代码库级别的理解和编辑）成为可能。
  2. 模型蒸馏大法： 那个“Apply”按钮（就是让 AI 把生成的代码块自动放到文件里的正确位置）为啥感觉那么丝滑，甚至有点像确定性算法？其实背后是个模型在重写整个文件。他们先训练一个大模型，上线收集用户数据，然后用这些数据蒸馏（distill）出更小、更快的模型，再上线，再收集，再蒸馏… 这样不断迭代，让模型又快又好，现在处理一两千行的文件基本感觉不到延迟。
  3. “好玩”也是生产力： Sualeh 的观点是，“好玩”其实是个综合体验指标。比如，为啥很多人觉得用 Claude Sonnet 模型比 o1 更爽？因为 Sonnet 延迟低，交互起来更流畅，更能让你保持“心流”状态。这种“好玩”的感觉会直接影响你的编码意愿和效率。所以他们会优先选择那些延迟低、连贯性好的模型（比如 Sonnet），甚至自己训练模型去优化这些体验。他们会考虑：
    • 模型是不是太“聒噪”了？在你思考的时候老跳出来建议，烦不烦？
    • 模型能不能记住你最近打开的文件？老是需要重复提醒，烦不烦？
    • 那个连按 Tab 就能完成整个重构的功能，是不是让你觉得很爽？为了实现这种“爽”，需要做什么样的模型优化？

这种对“体感”的极致追求，可能也是他们能在一众竞品中脱颖而出的秘诀。

基础设施和模型选择：自己动手，丰衣足食

Cursor 不仅做应用层，底层基建也没少下功夫：

  • 自建索引设施： 为了让 AI 能快速理解你的代码库（尤其是大项目），他们搞了一套索引系统，每天处理几十亿个文件。这套系统基于 S3 和类似 TurboBuffer 这样的向量数据库（存算分离架构），并且还在不断优化，比如研究怎么更高效地支持团队共享代码库的索引（类似 Git 分支的向量数据库实现）。
  • 自建推理服务： 无论是做代码嵌入（embedding）还是跑那个高频使用的 Tab 补全模型，他们都自己搭了推理服务。Sualeh 提到他们的 Tab 模型（基于 DeepSeek V2 定制）每天调用量上亿次，这计算量想想都吓人。
  • GPU 资源调度： 这是个甜蜜的烦恼。GPU 资源是有限的，怎么分配给大项目索引和小项目索引？怎么平衡不同用户的需求？目前还没有完美的“Serverless GPU”方案，他们也在摸索最佳实践。
  • 模型选择的眼光 ： Sualeh 很淡定地说，他们用 DeepSeek 的模型（从 1.5 到 V2）已经很久了，选它的原因很简单——模型底子好，预训练扎实，尤其是在代码方面表现突出，而且推理成本相对可控。这让我感觉，他们对模型技术的判断确实有两把刷子，不是跟风型的。

未来展望：编码方式的进化是渐进的，但潜力无限

聊到未来，Sualeh 认为编码的方式会持续进化，AI 会越来越多地参与进来，但核心还是让开发者坐在驾驶位上。

  • 更强大的 Agent： 现在的 Agent 还比较初级，未来随着模型连贯性（coherency）的提升（通过更好的 RL 和 Post-training），Agent 能处理更复杂的任务，比如你只要说一句“把我项目中 gRPC 安全传输部分的实现，切换为使用 rustls 这个TLS库。”，它就能理解你的整个项目结构，自动完成跨文件的修改。Agent 的价值在于帮你省去写冗长需求文档的麻烦，让模型自己去探索和理解代码库。
  • 渐进式变革： 他不认为软件开发岗位会突然消失，或者出现一个“完全不需要程序员”的工具。变革会像 Copilot 的普及一样，是逐步发生的，大家会很自然地适应新的、更高效的编码方式。从一开始的“卧槽，这能行？”，到后来的“真香”，这个过程可能比我们想象的要平滑。
  • 人人都是架构师？： 随着 AI 的加持，开发者可以更大胆地尝试更复杂的项目，无论是个人项目还是公司项目。过去因为怕麻烦、怕返工而不敢做的大型重构或实验，未来可能会变得更容易。这可能会催生更多的创新。

写在最后

听完 Sualeh 的讲述，我最大的感受是，Cursor 的成功不是偶然。这帮人既有技术前瞻性（很早就看好 LLM 和 Scaling Laws），又有深厚的技术功底（能自己搞定模型、索引、推理），更重要的是，他们非常务实，始终以开发者自身的体验和需求为核心，坚持迭代那些“自己用了都说好”的功能。他们不追求短期噱头，而是稳扎稳打地提升产品的核心价值和用户体验。

对于我们开发者来说，有 Cursor 这样的工具是幸运的。它不仅提升了我们的生产力，也让我们提前感受到了未来编码方式的变革。至于未来会怎样，谁也说不准，但可以肯定的是，AI 正在让写代码这件事变得越来越“好玩”，也越来越强大。

大家对 Cursor 或者 AI 编程有什么想法，欢迎在评论区留言交流！