文章来源于：Z Finance
在 ChatGPT 引发的 AI 风暴中，编程的世界悄然迎来一场革命。AI 不再是简单的辅助工具，它正在逐渐走向更深层次的应用——重写编程这件事本身。在这期Decoder 中，Platformer 创始人 Casey Newton 将与 Anysphere 的联合创始人兼 CEO Michael Truell 深度对话，探讨这一变革背后的机遇与挑战。
Michael Truell，年仅 25 岁，刚刚带领着 Anysphere 成功推出全球最受欢迎的 AI 编程工具之一——Cursor。他是一个典型的 MIT 毕业生，但与许多同行不同，他并不相信 AGI（通用人工智能）会在短时间内突现，也不认同“只需加大模型参数就能出现 AI 神明”的说法。相反，他认为，未来 AI 将逐步改变的是人类工作流的方式，尤其是在编程领域。
Cursor 并不仅仅是一个智能补全代码的 IDE（集成开发环境），它背后的核心理念是将编程从一个纯粹的技术操作转变为一种与 AI 合作的创作过程。在这种新模式下，程序员不再是埋头苦干的“代码工人”，而是充当任务设计师的角色，主导 AI 代理完成复杂的软件构建工作。更重要的是，未来的编程语言可能不再局限于传统的低级语言，而是成为一种更高阶、更抽象、能够直接与 AI 进行交互的“人机对话语言”。
Michael 强调，AI 进步的真正关键并非突破性的技术飞跃，而是如何将它逐步融入具体工作场景，帮助人类提升工作效率，同时保持人的创造性和判断力。他坚信，AI 不会一夜之间取代人类，而是通过长期的、渐进式的提升，逐步改变我们与技术交互的方式。对于那些期待 AGI 会像电影中那样一夜降临、突然改变世界的人，Michael 提出了自己的反思：技术的发展从不会一蹴而就，真正的改变是由无数微小的创新和优化积累而来。
然而，这也引发了关于 AI 在编程领域的潜力和边界的深刻讨论。随着 Cursor 这类工具的崛起，软件开发的角色和门槛是否会因此彻底改变？在未来，普通人是否也能像使用 Midjourney 一样，用简单的指令生成代码，而不需要掌握传统的编程语言？Michael 对此提出的挑战是，虽然 AI 能帮助我们更高效地完成工作，但这并不意味着编程的“专业性”会消失。相反，随着 AI 越来越多地承担基础性任务，程序员将更多地转向设计任务和系统结构优化，这要求他们拥有更高层次的判断力和战略思维。
而当我们谈论未来编程的“大门槛消失”时，我们是否忽略了技术对人类独特能力的要求？在这种新的工作方式中，AI 并非简单地替代人类，而是将人类从繁琐的重复劳动中解放出来，使我们能在更宏观、更具创意的层面上发挥作用。这种变化既令人兴奋，也引发了关于“技术进步带来的失业”与“技能再定义”的争论。
Michael 的观点与许多硅谷技术乐观派有所不同。他并不急于迎接“AGI”带来的终极变革，而是坚定地认为，我们正在迈向一个渐进式的智能化世界，这个过程将会是一个充满挑战与机遇并存的长期战斗。他对 AI 在编程领域的未来充满信心，但他相信，这条路不可能是一蹴而就的，而是需要一步一个脚印，真正为每个领域带来切实可行的变化。
主持人：Michael Truell，欢迎做客 Decoder。
Michael Truell：谢谢邀请，很高兴来到这里。
主持人：我们先从基本问题开始：Cursor 到底是什么？它能做什么，又是为谁设计的？
Michael Truell：我们的初衷，是希望 Cursor 能成为写代码、做软件开发的最佳方式，尤其是在 AI 参与的前提下。如果是非技术背景的听众，我建议把 Cursor 想象成一个“超级版”的文字编辑器。在这个编辑器里，工程师通过大量“写作”的方式完成软件构建。他们坐在一个类似 Word 的界面前，但他们写的不是普通文字，而是成千上万行复杂的逻辑结构。而 Cursor 的价值在于，它能借助 AI，让这个过程变得更加高效。
Cursor 目前主要有两种工作方式：第一种是“预测型协助”，也就是它会实时观察你的操作，预测你接下来可能要做的事——就像自动补全，但远比写作时的补全功能强大得多。因为在编程中，未来20分钟你要干什么，往往是高度可预测的，而写作就没那么确定性了。
第二种方式，更像是你把 Cursor 当成一个虚拟的“对桌程序员”——你开始学会把一些小任务交给它，让它自己完成。
主持人：我们等下再详细拆解 Cursor 的具体功能，但我想先回到你们的创业起点。当初你们创立 Anysphere 时，其实是在做 CAD（计算机辅助设计）软件。你们是怎么从那里转向 Cursor 的？
Michael Truell：我和几位联合创始人都从很早开始就在写代码，也做 AI 相关的研究。我们中的一位曾在大厂做推荐系统，另一位一直专注于计算机视觉，还有人研究如何用极少数据让机器学习算法学会东西，甚至还有人试图在早期尝试打造比肩谷歌的搜索引擎——那个年代还没有 LLM（大语言模型）这一说。
我们对 AI 和编程的热爱持续了很多年。2021年，有两个时刻点燃了我们的创业冲动：一是第一次真正用到觉得“有用”的 AI 产品；二是一系列研究表明，即便不发明新架构，只要模型做大、数据更多，AI 的能力就能持续进化。
于是我们想：能不能找到一个知识工作领域，围绕这个领域构建一个“AI 正在介入”的工作平台？一方面让用户在里面做事，另一方面不断观察 AI 在什么环节表现良好，在哪些地方仍需人类修正，从而推动产品和底层技术一同演进。这个路径也许能带我们走向“重构知识工作”的未来。
当然，我们最爱的知识工作其实是编程，但一开始我们反而没做这个方向。最初我们尝试帮助机械工程师，也就是你提到的 CAD 领域。问题在于，我们四个人里没有一个是机械工程师。虽然我们对机器人感兴趣，有朋友在这个领域，但说到底那不是我们的专长。
我们当时之所以没选编程领域，是因为已经有一批团队在探索“AI+编程”的方向。但做了六个月 CAD 之后，我们发现：一方面我们还是太喜欢编程了；另一方面，那些原本被我们视为“这个领域已经有人在做”的方向，其实做得还不够深入，也不够有野心。
于是我们决定回到老本行，去打造“AI时代下最好的编程方式”，Cursor 就由此诞生。
主持人：我看你们很早就用上了 GitHub Copilot，这个工具是在 ChatGPT 推出前一年左右发布的。你当时用它的第一反应是什么？它对你们后来的产品设计有没有影响？
Michael Truell：Copilot 非常棒，毫无疑问对我们影响很大。它是我们第一次真正觉得“AI 作为核心”是有用的产品。在这之前，AI 大多还停留在实验室或者“玩具”阶段。虽然我们从很早就研究 AI，但说实话，在它变得“有用”之前，我们日常生活中真正感受到 AI 存在的地方，几乎就只有推荐系统，比如信息流、YouTube 算法这些。
而 Copilot 是我们第一个遇到的、真正让人感到“AI 在工作”的产品，它不是幻觉，不是Demo，它真正在写代码。
我们当时其实还在考虑要不要继续走学术路线，Copilot 算是给了我们一个明确的信号——该走进现实了，去做真正能落地的 AI 系统了。即使在 2021 年那个版本的 Copilot 仍有许多缺陷，比如经常写错代码，或者输出很难信任，但它已经足够惊艳。
还有一点值得一提的是，Copilot 不只是第一个“AI有用”的产品，它还是我们用过的“最有用的开发工具”之一。你要知道，我们几个都是那种喜欢把开发环境“折腾到极致”的程序员。那时候我们还在用 Vim 这种非常硬核的文本编辑器。可就是 Copilot 让我们重新定义了“写代码”这件事。
主持人：你刚才说 Cursor 有点像一个“超级文字编辑器”。程序员可能会更熟悉另一个术语——集成开发环境（IDE）。事实上，从上世纪80年代开始，程序员就一直在使用 IDE。不过现在，像 OpenAI 的 Codex、Anthropic 的 Claude Code 这类 AI 工具，已经可以直接在终端中运行。那为什么还需要 Cursor？它和这些工具相比，优势在哪？
Michael Truell：我觉得这些工具本身都非常有用，但我们想做的事情，远不止是一个 IDE 或终端工具。我们真正关注的，是让编程方式发生彻底转变，特别是朝着这样一个方向前进：用户可以不看代码，也能开发出专业级的软件系统。
我们想象中的未来，是你只需要传达最低限度的“意图”，系统就能帮你把软件构建出来。也就是说，只要给出最核心的需求，AI 就能把中间所有的步骤填补完整。而现在的编程方式，还非常繁琐、耗时——就算是一个简单的功能，从设计到实现，也需要耗费数千小时、组建大团队、层层测试。
所以，我们的目标是重新发明“写程序”这件事。虽然今天 Cursor 仍然表现为一个“编辑器”，但这只是起点，它终将向更高级别的交互方式进化。
目前 Cursor 支持的是“一对一”的人机协作模式，你可以和 AI 代理逐步完成工作，尤其是通过我们的 Tab 系统。接下来，我们要推进的是让你可以“一对多”地委派任务，让多个虚拟助手并行处理不同的子任务，系统再把这些结果有序组织起来。这个过程中，你不需要读每一行代码，却可以对整个系统的逻辑保持理解和控制。
很多工具也在追求“编程效率提升”，但如果只靠终端界面，能表达的信息和交互的维度是很有限的。我们从一开始就相信：要想真正革新代码自动化这件事，必须从“交互界面”和“底层模型”两端同时入手。换句话说，你要构建一个让程序员工作变得更自然的操作界面，同时也要构建一套更强大的底层智能。
这也是为什么我们在 UI 控制力上的表现和终端工具相比是不同层级的。
主持人：你刚提到你们不仅关注界面，也在底层模型方面做了不少工作，甚至超出了 API 的默认能力。能不能详细讲讲你们是如何打造自己的模型的？这背后有何技术路线？你们如何避免被当作“套壳产品”来看待？
Michael Truell：这是个好问题。首先我想说，所谓“套壳”这个说法，其实是早期 AI 应用出现时大家的一个惯性判断。当时确实很多团队只是在别人的 API 上套了个 UI，还没来得及深挖产品。但现在已经不一样了。哪怕只基于 API 模型，很多领域也已经能做出非常深入的产品，尤其像我们这样的“开发者工具”，它本身就有巨大的打磨空间。
不过，我们从很早开始就想做的是“规模化产品”——我们希望能让很多人来使用它。人多了，你就能清晰看到 AI 在哪里真正帮上了忙，哪里没帮上，哪里需要人类反复介入。这个反馈回路是模型优化的关键。
举个例子，我们目前的 Tab 模型每天执行的推理调用次数已经超过 10 亿次，从活跃度来看，它是目前世界上“写生产级代码最多”的语言模型之一。
我们现在已经迭代到第4或第5代模型了，全部是基于真实的用户交互数据训练出来的。这不仅需要模型设计和数据工程，还需要底层基础设施和顶尖的人才支持。
比如，我们团队有一位成员 Jacob Jackson，他是最早发明 TabNine（也就是 GitHub Copilot 的前身）的开发者。他也是最早做出百万 token 上下文窗口模型的人之一。这样的人才加入我们，把模型理解和应用能力提升到了一个新层次。
而且我们在很多功能上不仅仅依赖 API 模型，比如自动补全（super autocomplete）模块就是我们完全自研的。这也让 Cursor 在“好用程度”上，和同类工具拉开了差距。
主持人：我最近和一家大型科技公司的 CTO 共进晚餐，特地问了他一个问题：你们公司内部现在最受欢迎的 AI 编程工具是哪一个？他告诉我，他经常会发内部问卷去了解工程师的偏好，其中就提供了 Cursor 的试用版本。结果没想到，收到了一堆“惊慌”的回复——很多程序员都在发消息说：“拜托千万别下线 Cursor！我们已经离不开它了！”
你能不能具体讲讲，为什么 Cursor 会让程序员产生这种“用了就回不去”的感觉？对他们的日常工作来说，到底改变了什么？
Michael Truell：我觉得这背后其实有两个层面的原因。一方面，现在这类工具的能力确实已经很强，可以实实在在地帮程序员分担不少工作。另一方面，我们其实还远远没有达到“AI 替代编程”的上限。这才刚刚开始。
编程这个领域尤其适合用 AI 来做事情，原因有几个：首先，它是基于文本的，而文本正是当前大语言模型最擅长处理的形式。其次，网络上有海量的开源代码可以被学习，所以训练数据基础很好。而且编程结果是可验证的——你写了代码，能不能跑通、是不是你要的效果，一试就知道。
过去几年，AI 模型的进步，一开始主要靠“大规模预测”：通过大量训练，让模型预测网络上的下一个词。但这个路径已经逐渐到顶。接下来，推动 AI 进化的，是“强化学习”方法——简单说，就是让模型像玩游戏一样去试错优化，就像当年 AlphaGo 玩围棋、后来打 Dota 一样。
而编程恰好适合这种玩法。你让模型写代码，然后运行它，立刻就能知道输出是不是对的，是不是你要的结果。这就给了模型一个非常清晰的反馈机制。
所以说，编程这个场景在技术上特别“契合”，它让模型既能学得快，又能学得准，也能快速试错、快速成长。这也是为什么我们现在看到，在整个 AI 应用领域，编程可能是落地速度最快、效果最明显的那一个。
主持人：我自己的感受是，以前做一件事要花八个小时，现在可能只需要五六个小时。这种效率提升是真实存在的吗？
Michael Truell：是的，你说的这种提升确实是存在的。在一些公司，过去需要八小时的工作，现在五六小时就能完成，这是实打实的效率红利。当然不是所有公司都一样，但在我们观察到的一些客户中，这已经是现实。
不过我也要补充一点：虽然效率提高了，但程序员的工时并没有因此变少。你会发现，他们还是每天工作那么久。原因是编程本身的任务弹性很大，而且很多非技术管理者其实低估了“专业级编程”到底有多低效、多复杂。
想象一下，一个像 Salesforce 这样的公司，代码库可能有几千万行，分布在上百万个文件里，程序员每做一个功能改动，都要在这个“代码泥潭”里去翻找、修补、调试。很多人不明白，为什么一个软件的版本更新要拖那么久，原因就在这里。
所以，虽然 AI 让你“跑得更快”了，但真正的挑战还是在你要“跑的那条路”有多长、多烂。提高效率不等于减少工作时间，它只是让原本的任务更有可能完成。
主持人：说到非程序员，这一年大家也开始讨论“vibe coding”这个概念，意思是一些非专业人士、甚至完全没写过代码的人，也能通过像 Cursor 这样的工具，试着自己动手做软件。你怎么看这个现象？这类用户在 Cursor 里算是主流吗？
Michael Truell：我们的核心目标还是服务“靠写软件谋生的人”——也就是专业工程师，这是我们的主要用户群。但确实，在我们不断提升 AI 编程能力、提高代码抽象层级的过程中，我们也发现：这样反而让非程序员也更容易上手。
我们很认同一件事：从长期看，写软件这件事会变得越来越普及，越来越容易。未来你可能不需要理解编译器、不需要掌握编程语言，也能做出相当复杂的系统。
但现实是，我们距离“人人都能写专业软件”的世界，还有一段路要走。目前虽然已经有不少人能用 Cursor 搭个小工具、原型产品，但要真正做出商业级、长期可维护的软件，仍然需要专业积累。
不过这个趋势确实令人兴奋。我们看到越来越多设计师开始用 Cursor 自己做 demo，甚至有些非技术团队成员，会在项目里直接修改一小段代码、修复一个 bug、增加一个小功能。这种“轻量级贡献”正在变得越来越常见，这就是 vibe coding 的现实样貌——虽然不是我们的主力用户群，但它在增长，也很有意义。
主持人：我挺认同的。我以前在传统公司上班的时候，每次公司换一个新软件，大家都会一片抱怨。所以我也不太相信“所有人都愿意写代码”这种说法。虽然我个人挺喜欢软件，也对 vibe coding 有点好奇——也许再过两三代 Cursor，我也能亲手做点什么出来。
你之前提到 Cursor 有两种使用方式：一种是“代码补全”模式，AI像你的助手一样陪你写代码；另一种是“任务委派”模式，你告诉它要做什么，然后离开，回来之后看结果。
我看到你最近在《Stratechery》那期采访里说，预计再过六到十二个月，大概有 20% 到 25% 的工程师工作可以完全交由 AI 独立完成。你现在还维持这个判断吗？还是说这个比例已经发生了变化？你认为这个数字未来能增长到多高？
Michael Truell：我觉得这个问题确实很难精确预测。要让 AI 承担 100% 的程序员工作，仍有很多关键技术瓶颈。
其中一个大问题是“模型如何持续学习”，也就是如何理解整个代码库、吸收组织上下文、从过往错误中不断积累经验。而目前行业在这个方向上，其实还没有特别理想的解决方案。
目前有两种尝试在解决这个问题：
第一种叫“扩展上下文窗口”。意思是让大语言模型一次能“看得更多”，输入的内容越多，它理解上下文的能力就越强。但这终究只是一次性的输入——就像你给一个 AI 一篇文章，它能理解这篇文章，但不能像人一样把它“记住”。
第二种方法是“训练模型”，也就是不断加入新的训练数据，让模型持续更新、掌握新能力。但这个方法成本极高，也很慢，更新周期长。
这两种路径目前都遇到了挑战。而且从整个行业看，其实这些年 AI 领域产生“真正范式级”的新想法并不多，大概三年才会有一个能改变游戏规则的新技术。所以这些瓶颈的突破还需要时间。
还有一个值得注意的方向是“多模态”。虽然听上去和写代码关系不大，但其实你要真正理解和构建软件，往往不只是靠文字。你需要点按钮、拖动组件、打开可视化调试工具，比如 Datadog 这类可观察性工具，就对系统调试非常关键。如果模型未来要独立完成完整的开发流程，多模态能力必不可少。
另外，模型现在虽然可以连续工作几分钟甚至几个小时，但要让它处理一项“相当于人类需要花几周时间完成”的任务，还存在巨大鸿沟。所以无论是架构设计、执行稳定性还是上下文记忆能力，想要达到真正“全权委托”的程度，还有很长一段路。
不过，回到你最初的问题，我确实认为——如果我们只说“用一句话的文本指令，让 AI 对整个代码库做出修改”这种操作，未来一两年内，也许有可能覆盖现在编程工作中超过一半的场景，尤其是在最理想的技术演进路径下。
主持人：我看到 Meter 等机构做的一些研究也在印证你的观点，他们发现 AI 模型的“连续处理任务时间”正在快速上升，几乎是成倍增长。虽然你提到的那些技术障碍确实存在，但从大趋势看，模型的执行能力正在变得越来越强。更何况，大多数人类工作任务本身其实也并不都是“长流程”，这让 AI 更容易代替其中的大部分。
Michael Truell：确实如此。现在的问题不只是“技术能不能做到”，更是“你怎么把这项技术用好”。就像预测未来 AI 能力的发展节奏，其实非常难，很多事情没法定量。
但我觉得可以类比另一个领域的故事：自动驾驶。
比如说 Waymo、特斯拉这些公司，其实在自动驾驶方面已经取得了惊人的进展。特别是在旧金山，你现在已经能看到 Waymo 的商业自动驾驶车辆在路上运营。但你还记得吗？在 2017 年的时候，行业几乎一致认为自动驾驶将在一年内全面落地。结果直到现在，仍然有很多“边界问题”没法彻底解决。
所以，虽然自动驾驶是个非常复杂的任务，但相比于通用智能编程，它其实是一个“更低上限”的目标。就连这个任务都走了这么久、这么艰难，AI 编程的路径自然也不会那么快就“飞升”。
我们还是得脚踏实地，持续向前。
主持人：那我们来聊聊《Decoder》节目标志性的几个问题。Anysphere 目前的公司规模有多大？你们现在大概有多少员工？
Michael Truell：我们现在大概有 150 人左右。
主持人：那你对公司未来的规模是怎么设想的？你倾向于建立一个庞大的团队，还是更喜欢保持精干、高效的小组织？
Michael Truell：我们整体倾向后者——小而精。但话说回来，即使我们希望团队“精干”，考虑到我们正在解决的问题跨度很大，未来几年团队规模肯定还是要继续扩张的。
我们一直在想一个问题：有没有可能建立一家真正影响深远的科技公司，它的团队人数却不超过 2000 人？就像《纽约时报》这种量级的公司——不算小，但也远不到传统巨头那种动辄上万人的规模。我们很期待验证这种可能性。当然，从现在的 150 人走到那个阶段，还有很长一段路。
主持人：那你们的组织结构是怎么样的？毕竟你们有好几位联合创始人，怎么划分彼此的职责？
Michael Truell：我们目前最主要的两个职能部门，一个是“技术与研发”，也就是工程和模型研究；另一个是“市场与客户运营”，也就是 go-to-market（GTM）这边。
我们其实非常幸运，创始团队本身就非常强，而且组合得也很好。因此，很多事情可以分头推进、各自专注。
比如，在早期，公司的 GTM 业务完全是创始团队一部分成员拉起来的，他们做得特别出色。所以我们常常采用“分工+信任”的方式，不用 CEO 一个一个去盯。
当然，回到技术这一块，四位联合创始人都非常关注，我们会把大量精力集中投入进去。我们始终相信：做出这个领域里最好的产品，是最不能妥协、最核心的任务。其他事情都可以相对“轻运营”，但产品和技术必须是重中之重。
所以现在，我们在其他职能上保持相对精简，但在工程和研究上，投入的资源和人员是远高于行业平均的。
主持人：那你自己现在的核心工作聚焦在哪里？你日常最在意、最舍不得放手的事情是什么？或者说，什么事别人一碰你就会“炸毛”？
Michael Truell：我现在投入最多时间的事情，可能是“招聘”。
我们特别重视“个人贡献者（IC）”的招聘，认为这是一家技术公司能不能活下去的根本。说得夸张一点，如果一个技术公司缺少顶级 IC，即使管理层再优秀，最终也会出问题。
所以我把很多精力花在亲自参与招聘上。其实我们早期公司前 75 个员工，基本全是创始人自己招的，都没有专业的招聘负责人介入。
现在当然有更成熟的招聘团队了，有很棒的招聘伙伴在支持我们。但我自己仍然花很多时间在这上面。
其次就是产品和工程这块，我也会持续投入很多时间。基本上，我的精力就集中在这两块。
主持人：你现在也就二十五六岁，已经需要做各种重大决策，比如融资、收购、招人、产品方向等等。你做决策是靠什么？有没有一套清晰的方法论，还是比较随性？
Michael Truell：说实话，我觉得没有一套统一的“模板”。
但我们在公司内部确实有一些通用做法，比如，我们会尽量把决策“下沉”——不仅是我自己，整个公司都在尝试推行这样一种文化：每项决策都有明确的“DRI”（直接负责人），同时也要广泛征求大家的反馈。
此外，我们也会按“影响程度”来区分决策策略：对公司影响很大、但可以反悔的决策，我们会更快做出；而如果决策是“高影响+不可逆”的，那就会非常慎重。
还有一点就是“决策透明”。我们会通过“清晰地写下这个决策是怎么做出来的”方式，来倒逼自己真正想清楚了。
主持人：既然聊到招聘，我就忍不住要问一个传言。之前有消息说 OpenAI 曾考虑收购你们，还有传闻说 Mark Zuckerberg 最近特别爱“挖人”，开出了超高签字费，甚至会请候选人去他在太浩湖的别墅吃饭。你有没有被 Zuckerberg 邀请去“喝茶”？
Michael Truell：（笑）没有，真的没有。
主持人：他没有拿着两千万美元签字费走过来跟你说：“Michael，来 Meta 干 AGI 吧”？
Michael Truell：没有（笑）。对我们来说，这家公司是我们愿意用一生去投入的事业。
我们真的很幸运，有机会站在这样一个 AI 技术拐点，有这样一批志同道合的伙伴，又刚好做了我们最热爱的事——用 AI 重新定义编程方式。这种匹配是很难得的。
如果我们能实现这个目标，那不仅能推动整个编程行业进化，也可能为其他垂直领域带来巨大的启发。所以我们更愿意把这件事做成，而不是被其他人“打包带走”。
主持人：那你怎么看 Meta 最近这一波“高调挖人”？他们开出很夸张的薪资，对你们招聘有没有造成明显影响？
Michael Truell：说实话，影响并不大。我们现在整个团队本身就不算大，而我们的研究团队则更加精简。
我觉得，不同的人在考虑加入一家公司时，关注的重点是不同的。有些人更看重资源平台，有些人更在意自己的使命感。我们吸引的是那种希望参与一个高度专注、节奏迅速的小团队的人——他们希望解决真实世界的问题，而且愿意深入技术底层。
我们有点像一个“混合体”：既不是传统做软件的初创公司，也不是纯粹做基础模型的大实验室。我们在“产品”这端和“模型”这端都希望做到最好，并且让两者互相推动。这种定位，正好吸引了一类非常独特的机器学习人才。
主持人：那我再追一个更具体的问题。最近有报道说，你们挖来了两位原本主导 Claude Code 的前高管，但他们加入没多久又离开了。这件事方便谈谈吗？
Michael Truell：Cat（Wu）和 Boris（Cherny）确实非常出色。他们是 Claude Code 背后的关键人物，那是他们一手做起来的项目。
我完全能理解那种“归属感”。作为一个也从零开始做 Cursor 三年半的人，我太清楚那种对产品的情感了。他们对 Claude Code 还有很多想法，愿意继续推进自己亲手做起来的东西，所以最终选择回去，这一点我很尊重。
主持人：你刚才也提到了 Cursor 的定位比较特别，夹在大模型实验室和传统软件公司之间。那么当你在对外招聘时，你们会怎么描述 Cursor 的“公司文化”？
Michael Truell：我们的团队文化其实挺鲜明的，几个关键词可能是：对流程保持怀疑、对等级制度保持怀疑。
虽然随着公司承担的项目越来越复杂，协作变得更密集，但我们始终在试图保持组织的轻量和弹性。
还有一点很重要——我们内部是一个非常诚实、反馈开放的群体。大家在工作中批评彼此的提案是很自然的事，不会让人有心理负担。大家讨论事情，都是为了把事情做好，而不是为了谁对谁错。
除此之外，我觉得我们这群人也特别好奇、认真、投入。大家并不只是把这份工作当成一份“职业”，而是真心相信我们做的事是有意义的，是值得花时间去实现的。
虽然我们对外沟通不多，有点“低调内敛”，但其实内部的热情是很饱满的。
对了，还有一点我们特别看重：虽然我们鼓励野心，但我们不欣赏浮躁。我们希望招来的人，是那种既有目标感，又能保持专注和冷静的人。因为 AI 圈子现在真的“吵得很”，每天都有新新闻、新传言，真的很容易被带偏。我们更希望团队成员能“把头埋下去”，专注在自己该做的事情上。
主持人：你刚才说到你们团队对外沟通还不够，其实 Cursor 一直给人的印象确实是“默默做产品，用户自己来传播”。不过最近你们也有一次“刷屏”时刻——就是你们调整价格机制那次，很多用户在社交媒体上表达了不满。可以聊聊你们从这次事件中学到了什么吗？
Michael Truell：我们确实在这件事情上学到了很多，也意识到我们在很多地方做得不够好，特别是在沟通和解释上。
先说背景吧：从一开始，Cursor 的定价模型其实就包含“订阅+使用上限”的机制。你付费订阅之后，会获得一部分“AI 调用额度”，也就是你可以使用多少次 AI。这种机制其实从最早就存在，只是形式上后来有过一些变化，比如不同功能占用额度的权重不同，或者能不能加钱突破上限等等。
但过去这段时间发生了两个很大的变化：第一，用户调用 AI 的方式变了；第二，底层的成本结构也变了。
最典型的变化是：现在当用户“用一次 AI”，这一次调用所代表的计算资源，已经远远超过过去。
你提到过一张图，显示 AI 的“连续工作时间”从几秒变成几分钟、再到几小时——我们作为第一线的开发者，其实是最早感受到这股变化的。以前你问 AI 一个问题，它几秒就答完；现在你可能让它“从头实现一个子系统”，结果是生成 300 行代码，跑了好几分钟，调用了多个模型。这对用户来说，价值变大了；但对我们来说，成本也变高了。
于是我们决定调整计费方式，从“按调用次数”变为“按计算资源消耗量”（也就是 token、模型推理等底层指标）。这其实是希望让定价机制更合理——谁用得多、用得重，谁多付一点；而普通用户，还是可以继续享受基础套餐。
主持人：但问题在于：用户不是 AWS 工程师，大多数人根本不知道“计算资源”意味着什么。他们习惯的是 Spotify 或 Netflix，那种“包月听/看不限量”的逻辑。所以一旦被提示“你超出额度了”，他们就懵了。
Michael Truell：对，这正是我们低估的地方。
其实 Cursor 从一开始就存在“使用量限制”，但我们过去给出的额度基本够用，大家不会真正遇到“被打断”的体验。而这次调整之后，确实有部分重度用户在不知情的情况下就“撞线”了，体验就断了，心里肯定不爽。
所以说，我们的问题并不在于“收了钱”，而在于“没把变化讲清楚”。定价调整这种事，本来就应该是用户参与讨论、获得提前预期的。但我们这次确实沟通不到位，产品提示也做得不够细致，这点我们认了。
主持人：听下来，我感觉你们现在正处在一个很微妙的平衡点：一方面你们的 AI 使用量已经远超普通聊天类产品，比如 ChatGPT；另一方面又得控制成本、保持开放，同时不伤害用户体验。这之间的张力挺大的。
Michael Truell：确实如此。
你要知道，在消费者市场，尤其是“对话类 AI”产品上，这种 tension 可能还没那么大——因为用户日常问的东西没那么复杂，也不会持续调用很多轮模型。模型精度提高、成本反而降低，这是比较典型的路径。
但我们这个领域不一样——**编程场景中的 AI 使用，强度高、持续时间长、任务复杂度大。**未来一名专业用户每天调用的计算量，可能是普通用户的几十倍。而 token 成本下降的速度，并不一定能跟上用户需求上升的速度。
所以我们在考虑未来定价模型时，可能也会更像 AWS，而不是像 Evernote 或 Notion。这可能是整个 AI SaaS 行业都要面对的现实。
不过我们也非常明确一件事：必须给用户选择。
我们希望用户可以自由选择“体验最强、价格最贵”的 AI 套餐，也可以选择“按月订阅、价格固定”的版本，哪怕这个版本能力上稍微受限一点。哪种方式更适合你，你自己决定。
而且，就目前我们的统计来说，在主流订阅方案，比如每月 20 美元的 Pro 套餐下，其实大部分用户并不会超过使用额度，也不会被提示“需要加钱”。这一点也希望大家能安心。
主持人：我就是那种永远用不满额度的用户（笑）。每次都觉得是不是我用得还不够猛。
Michael Truell：哈哈，其实你不是一个人。AI 使用强度真的存在巨大的差异——**Top 5% 的用户和中位用户，行为是两个世界。**有些人一天调用几百次、几千次；也有些人一个月就点几下。
我们能做的，是既满足前者，也不打扰后者。
主持人：我们快到尾声了，我想问你一个很多 AI 从业者都会被问到的问题，也算是验证你“是不是 AGI 洗脑派”。
刚刚我们聊了很多模型当前遇到的技术问题，比如上下文窗口的限制、持续学习能力不够、人类式记忆的缺失……这些其实都还没有解决。
可与此同时，也有很多业内人非常笃信：到了 2027、2028 年，AI 就会以指数级加速，彻底改变世界。
你怎么看？你自己在这条“乐观 vs 谨慎”的光谱上，站在哪一侧？
Michael Truell：我们应该算是走在“中间路线”的那一派吧。
我们相信 AI 会是一次非常深远的技术变革，甚至可能是比过去任何技术浪潮都更大的结构性转折。但同时，我们也不认为这件事会“很快就结束”。
我们自己创业初期，就经常听到两种极端声音：
第一种是：“你们干嘛做 AI？这东西还有得搞吗？用处也不大吧。”
第二种是：“你们干嘛做某个具体产品，比如 CAD 或编程？AGI 马上就来了，几个月之后你们所有的应用都会被淘汰。”
而我们坚持的是一个看上去很“笨拙”的路径：去扎实地做一个真实场景下的知识工作产品，然后不断观察 AI 帮上了哪些忙，没帮上哪些，持续把它做深。
我们的判断是：未来的 AI 发展不会是“滑翔”式的，而是像登山一样——**你会有陡坡，也会有平台期，峰值之间的落差会非常大。**它不是均匀线性的，也不会一蹴而就。
所以，我们不相信“某个训练跑完就突然爆炸”，也不认为 AGI 会在某天凌晨突然从服务器跳出来。
我们更倾向于相信，一家 AI 产品公司如果能在“特定工作场景”中做到极致，比如我们做编程，就有可能在推动领域进步的同时，也反过来为通用 AI 的路径提供新的工具与范式。
我有时候会打一个类比：如果你在 1999 年想推动 AI 的进步，也许最有效的方式是做一个像 Google 这样的搜索引擎，让它真正解决问题、影响世界，然后通过这个过程推动基础研究和技术平台。
我们现在在做的事情，也许在某种程度上与当年的 Google 角色是类似的。
主持人：听下来你并不相信“加个大模型参数、跑一轮训练，就能出现 AI 神明”的说法。
Michael Truell：哈哈，对，我的直觉是不会。但当然啦，我们谁都无法完全预测未来。很多事，你要保持一点“健康的怀疑”。
不过就目前我看到的节奏，我的判断是：它会花更久的时间，但最终一定会到来。而我们做的工作，是加速那一步的过程，同时也是验证它能不能真正落地在人类工作里。
主持人：那我们来做个收尾问题。我不要求你预测五年之后的 Cursor 会是什么样，但如果说两年后，你最希望 Cursor 能实现一个什么目标，而它现在还没做到的，会是什么？
Michael Truell：我们现在的短期目标，是让用户能把更多、更复杂的工作“委托”给 AI，交给多个助手并行处理。
然后我们要在这个过程中，打造一种全新的“软件构建体验”：你不是面对几百上千行代码去编辑，而是和一组 AI 代理协作，它们自己会把任务分工、组合、完成，你只需要介入关键决策点，理解它们汇报的结果，并在需要的地方做出调整。
另一个我们长期关注的方向，是编程语言本身的“进化”。
我觉得随着 AI 能力增强，传统代码的“精确+低级”特性可能不再是唯一标准。未来我们可能会看到新的编程语言形式出现，它们更加“抽象”“压缩”“语义清晰”。
想象一下，不再是几百万行代码，而是几十万行高阶表达，程序员甚至可以用更接近自然语言的方式，描述他们想要构建的系统。这种语言既是人和机器的“沟通媒介”，也是一种全新的“系统描述UI”。
我们也不认为“纯对话框式”的编程是最终形态。聊天输入虽然简单，但在真正构建复杂系统时，它缺乏控制力。
主持人：就是你得能“指一指”“点一下”“精准改一小块”。
Michael Truell：没错，写代码的终极体验一定不是“闭着眼和机器人聊天”，也不是一行一行去抠字节。而是你可以“看到逻辑”“操作逻辑”，可以理解和修改系统的每一个精细结构。
从这个意义上说，我们最终的目标，不只是把模型做强，而是要重新设计“人与计算机交互的界面”。而编程语言，正是那个最底层、最需要被重构的“用户界面”。
主持人：太精彩了。今天聊了很多，Michael，非常感谢你做客 Decoder。
