在 ChatGPT 引發的 AI 風暴中，編程的世界悄然迎來一場革命。AI 不再是簡單的輔助工具，它正在逐漸走向更深層次的應用——重寫編程這件事本身。在這期Decoder 中，Platformer 創始人 Casey Newton 將與 Anysphere 的聯合創始人兼 CEO Michael Truell 深度對話，探討這一變革背后的機遇與挑戰。

Michael Truell，年僅 25 歲，剛剛帶領著 Anysphere 成功推出全球最受歡迎的 AI 編程工具之一——Cursor。他是一個典型的 MIT 畢業生，但與許多同行不同，他并不相信 AGI（通用人工智能）會在短時間內突現，也不認同“只需加大模型參數就能出現 AI 神明”的說法。相反，他認為，未來 AI 將逐步改變的是人類工作流的方式，尤其是在編程領域。

Cursor 并不僅僅是一個智能補全代碼的 IDE（集成開發環境），它背后的核心理念是將編程從一個純粹的技術操作轉變為一種與 AI 合作的創作過程。在這種新模式下，程序員不再是埋頭苦干的“代碼工人”，而是充當任務設計師的角色，主導 AI 代理完成復雜的軟件構建工作。更重要的是，未來的編程語言可能不再局限于傳統的低級語言，而是成為一種更高階、更抽象、能夠直接與 AI 進行交互的“人機對話語言”。

Michael 強調，AI 進步的真正關鍵并非突破性的技術飛躍，而是如何將它逐步融入具體工作場景，幫助人類提升工作效率，同時保持人的創造性和判斷力。他堅信，AI 不會一夜之間取代人類，而是通過長期的、漸進式的提升，逐步改變我們與技術交互的方式。對于那些期待 AGI 會像電影中那樣一夜降臨、突然改變世界的人，Michael 提出了自己的反思：技術的發展從不會一蹴而就，真正的改變是由無數微小的創新和優化積累而來。

然而，這也引發了關于 AI 在編程領域的潛力和邊界的深刻討論。隨著 Cursor 這類工具的崛起，軟件開發的角色和門檻是否會因此徹底改變？在未來，普通人是否也能像使用 Midjourney 一樣，用簡單的指令生成代碼，而不需要掌握傳統的編程語言？Michael 對此提出的挑戰是，雖然 AI 能幫助我們更高效地完成工作，但這并不意味著編程的“專業性”會消失。相反，隨著 AI 越來越多地承擔基礎性任務，程序員將更多地轉向設計任務和系統結構優化，這要求他們擁有更高層次的判斷力和戰略思維。

而當我們談論未來編程的“大門檻消失”時，我們是否忽略了技術對人類獨特能力的要求？在這種新的工作方式中，AI 并非簡單地替代人類，而是將人類從繁瑣的重復勞動中解放出來，使我們能在更宏觀、更具創意的層面上發揮作用。這種變化既令人興奮，也引發了關于“技術進步帶來的失業”與“技能再定義”的爭論。

Michael 的觀點與許多硅谷技術樂觀派有所不同。他并不急于迎接“AGI”帶來的終極變革，而是堅定地認為，我們正在邁向一個漸進式的智能化世界，這個過程將會是一個充滿挑戰與機遇并存的長期戰斗。他對 AI 在編程領域的未來充滿信心，但他相信，這條路不可能是一蹴而就的，而是需要一步一個腳印，真正為每個領域帶來切實可行的變化。

以下是全文翻譯。

主持人：Michael Truell，歡迎做客 Decoder。

Michael Truell：謝謝邀請，很高興來到這里。

主持人：我們先從基本問題開始：Cursor 到底是什么？它能做什么，又是為誰設計的？

Michael Truell：我們的初衷，是希望 Cursor 能成為寫代碼、做軟件開發的最佳方式，尤其是在 AI 參與的前提下。如果是非技術背景的聽眾，我建議把 Cursor 想象成一個“超級版”的文字編輯器。在這個編輯器里，工程師通過大量“寫作”的方式完成軟件構建。他們坐在一個類似 Word 的界面前，但他們寫的不是普通文字，而是成千上萬行復雜的邏輯結構。而 Cursor 的價值在于，它能借助 AI，讓這個過程變得更加高效。

Cursor 目前主要有兩種工作方式：第一種是“預測型協助”，也就是它會實時觀察你的操作，預測你接下來可能要做的事——就像自動補全，但遠比寫作時的補全功能強大得多。因為在編程中，未來20分鐘你要干什么，往往是高度可預測的，而寫作就沒那么確定性了。

第二種方式，更像是你把 Cursor 當成一個虛擬的“對桌程序員”——你開始學會把一些小任務交給它，讓它自己完成。

主持人：我們等下再詳細拆解 Cursor 的具體功能，但我想先回到你們的創業起點。當初你們創立 Anysphere 時，其實是在做 CAD（計算機輔助設計）軟件。你們是怎么從那里轉向 Cursor 的？

Michael Truell：我和幾位聯合創始人都從很早開始就在寫代碼，也做 AI 相關的研究。我們中的一位曾在大廠做推薦系統，另一位一直專注于計算機視覺，還有人研究如何用極少數據讓機器學習算法學會東西，甚至還有人試圖在早期嘗試打造比肩谷歌的搜索引擎——那個年代還沒有 LLM（大語言模型）這一說。

我們對 AI 和編程的熱愛持續了很多年。2021年，有兩個時刻點燃了我們的創業沖動：一是第一次真正用到覺得“有用”的 AI 產品；二是一系列研究表明，即便不發明新架構，只要模型做大、數據更多，AI 的能力就能持續進化。

于是我們想：能不能找到一個知識工作領域，圍繞這個領域構建一個“AI 正在介入”的工作平臺？一方面讓用戶在里面做事，另一方面不斷觀察 AI 在什么環節表現良好，在哪些地方仍需人類修正，從而推動產品和底層技術一同演進。這個路徑也許能帶我們走向“重構知識工作”的未來。

當然，我們最愛的知識工作其實是編程，但一開始我們反而沒做這個方向。最初我們嘗試幫助機械工程師，也就是你提到的 CAD 領域。問題在于，我們四個人里沒有一個是機械工程師。雖然我們對機器人感興趣，有朋友在這個領域，但說到底那不是我們的專長。

我們當時之所以沒選編程領域，是因為已經有一批團隊在探索“AI+編程”的方向。但做了六個月 CAD 之后，我們發現：一方面我們還是太喜歡編程了；另一方面，那些原本被我們視為“這個領域已經有人在做”的方向，其實做得還不夠深入，也不夠有野心。

于是我們決定回到老本行，去打造“AI時代下最好的編程方式”，Cursor 就由此誕生。

主持人：我看你們很早就用上了 GitHub Copilot，這個工具是在 ChatGPT 推出前一年左右發布的。你當時用它的第一反應是什么？它對你們后來的產品設計有沒有影響？

Michael Truell：Copilot 非常棒，毫無疑問對我們影響很大。它是我們第一次真正覺得“AI 作為核心”是有用的產品。在這之前，AI 大多還停留在實驗室或者“玩具”階段。雖然我們從很早就研究 AI，但說實話，在它變得“有用”之前，我們日常生活中真正感受到 AI 存在的地方，幾乎就只有推薦系統，比如信息流、YouTube 算法這些。

而 Copilot 是我們第一個遇到的、真正讓人感到“AI 在工作”的產品，它不是幻覺，不是Demo，它真正在寫代碼。

我們當時其實還在考慮要不要繼續走學術路線，Copilot 算是給了我們一個明確的信號——該走進現實了，去做真正能落地的 AI 系統了。即使在 2021 年那個版本的 Copilot 仍有許多缺陷，比如經常寫錯代碼，或者輸出很難信任，但它已經足夠驚艷。

還有一點值得一提的是，Copilot 不只是第一個“AI有用”的產品，它還是我們用過的“最有用的開發工具”之一。你要知道，我們幾個都是那種喜歡把開發環境“折騰到極致”的程序員。那時候我們還在用 Vim 這種非常硬核的文本編輯器?？删褪?Copilot 讓我們重新定義了“寫代碼”這件事。

主持人：你剛才說 Cursor 有點像一個“超級文字編輯器”。程序員可能會更熟悉另一個術語——集成開發環境（IDE）。事實上，從上世紀80年代開始，程序員就一直在使用 IDE。不過現在，像 OpenAI 的 Codex、Anthropic 的 Claude Code 這類 AI 工具，已經可以直接在終端中運行。那為什么還需要 Cursor？它和這些工具相比，優勢在哪？

Michael Truell：我覺得這些工具本身都非常有用，但我們想做的事情，遠不止是一個 IDE 或終端工具。我們真正關注的，是讓編程方式發生徹底轉變，特別是朝著這樣一個方向前進：用戶可以不看代碼，也能開發出專業級的軟件系統。

我們想象中的未來，是你只需要傳達最低限度的“意圖”，系統就能幫你把軟件構建出來。也就是說，只要給出最核心的需求，AI 就能把中間所有的步驟填補完整。而現在的編程方式，還非常繁瑣、耗時——就算是一個簡單的功能，從設計到實現，也需要耗費數千小時、組建大團隊、層層測試。

所以，我們的目標是重新發明“寫程序”這件事。雖然今天 Cursor 仍然表現為一個“編輯器”，但這只是起點，它終將向更高級別的交互方式進化。

目前 Cursor 支持的是“一對一”的人機協作模式，你可以和 AI 代理逐步完成工作，尤其是通過我們的 Tab 系統。接下來，我們要推進的是讓你可以“一對多”地委派任務，讓多個虛擬助手并行處理不同的子任務，系統再把這些結果有序組織起來。這個過程中，你不需要讀每一行代碼，卻可以對整個系統的邏輯保持理解和控制。

很多工具也在追求“編程效率提升”，但如果只靠終端界面，能表達的信息和交互的維度是很有限的。我們從一開始就相信：要想真正革新代碼自動化這件事，必須從“交互界面”和“底層模型”兩端同時入手。換句話說，你要構建一個讓程序員工作變得更自然的操作界面，同時也要構建一套更強大的底層智能。

這也是為什么我們在 UI 控制力上的表現和終端工具相比是不同層級的。

主持人：你剛提到你們不僅關注界面，也在底層模型方面做了不少工作，甚至超出了 API 的默認能力。能不能詳細講講你們是如何打造自己的模型的？這背后有何技術路線？你們如何避免被當作“套殼產品”來看待？

Michael Truell：這是個好問題。首先我想說，所謂“套殼”這個說法，其實是早期 AI 應用出現時大家的一個慣性判斷。當時確實很多團隊只是在別人的 API 上套了個 UI，還沒來得及深挖產品。但現在已經不一樣了。哪怕只基于 API 模型，很多領域也已經能做出非常深入的產品，尤其像我們這樣的“開發者工具”，它本身就有巨大的打磨空間。

不過，我們從很早開始就想做的是“規?；a品”——我們希望能讓很多人來使用它。人多了，你就能清晰看到 AI 在哪里真正幫上了忙，哪里沒幫上，哪里需要人類反復介入。這個反饋回路是模型優化的關鍵。

舉個例子，我們目前的 Tab 模型每天執行的推理調用次數已經超過 10 億次，從活躍度來看，它是目前世界上“寫生產級代碼最多”的語言模型之一。

我們現在已經迭代到第4或第5代模型了，全部是基于真實的用戶交互數據訓練出來的。這不僅需要模型設計和數據工程，還需要底層基礎設施和頂尖的人才支持。

比如，我們團隊有一位成員 Jacob Jackson，他是最早發明 TabNine（也就是 GitHub Copilot 的前身）的開發者。他也是最早做出百萬 token 上下文窗口模型的人之一。這樣的人才加入我們，把模型理解和應用能力提升到了一個新層次。

而且我們在很多功能上不僅僅依賴 API 模型，比如自動補全（super autocomplete）模塊就是我們完全自研的。這也讓 Cursor 在“好用程度”上，和同類工具拉開了差距。

主持人：我最近和一家大型科技公司的 CTO 共進晚餐，特地問了他一個問題：你們公司內部現在最受歡迎的 AI 編程工具是哪一個？他告訴我，他經常會發內部問卷去了解工程師的偏好，其中就提供了 Cursor 的試用版本。結果沒想到，收到了一堆“驚慌”的回復——很多程序員都在發消息說：“拜托千萬別下線 Cursor！我們已經離不開它了！”

你能不能具體講講，為什么 Cursor 會讓程序員產生這種“用了就回不去”的感覺？對他們的日常工作來說，到底改變了什么？

Michael Truell：我覺得這背后其實有兩個層面的原因。一方面，現在這類工具的能力確實已經很強，可以實實在在地幫程序員分擔不少工作。另一方面，我們其實還遠遠沒有達到“AI 替代編程”的上限。這才剛剛開始。

編程這個領域尤其適合用 AI 來做事情，原因有幾個：首先，它是基于文本的，而文本正是當前大語言模型最擅長處理的形式。其次，網絡上有海量的開源代碼可以被學習，所以訓練數據基礎很好。而且編程結果是可驗證的——你寫了代碼，能不能跑通、是不是你要的效果，一試就知道。

過去幾年，AI 模型的進步，一開始主要靠“大規模預測”：通過大量訓練，讓模型預測網絡上的下一個詞。但這個路徑已經逐漸到頂。接下來，推動 AI 進化的，是“強化學習”方法——簡單說，就是讓模型像玩游戲一樣去試錯優化，就像當年 AlphaGo 玩圍棋、后來打 Dota 一樣。

而編程恰好適合這種玩法。你讓模型寫代碼，然后運行它，立刻就能知道輸出是不是對的，是不是你要的結果。這就給了模型一個非常清晰的反饋機制。

所以說，編程這個場景在技術上特別“契合”，它讓模型既能學得快，又能學得準，也能快速試錯、快速成長。這也是為什么我們現在看到，在整個 AI 應用領域，編程可能是落地速度最快、效果最明顯的那一個。

主持人：我自己的感受是，以前做一件事要花八個小時，現在可能只需要五六個小時。這種效率提升是真實存在的嗎？

Michael Truell：是的，你說的這種提升確實是存在的。在一些公司，過去需要八小時的工作，現在五六小時就能完成，這是實打實的效率紅利。當然不是所有公司都一樣，但在我們觀察到的一些客戶中，這已經是現實。

不過我也要補充一點：雖然效率提高了，但程序員的工時并沒有因此變少。你會發現，他們還是每天工作那么久。原因是編程本身的任務彈性很大，而且很多非技術管理者其實低估了“專業級編程”到底有多低效、多復雜。

想象一下，一個像 Salesforce 這樣的公司，代碼庫可能有幾千萬行，分布在上百萬個文件里，程序員每做一個功能改動，都要在這個“代碼泥潭”里去翻找、修補、調試。很多人不明白，為什么一個軟件的版本更新要拖那么久，原因就在這里。

所以，雖然 AI 讓你“跑得更快”了，但真正的挑戰還是在你要“跑的那條路”有多長、多爛。提高效率不等于減少工作時間，它只是讓原本的任務更有可能完成。

主持人：說到非程序員，這一年大家也開始討論“vibe coding”這個概念，意思是一些非專業人士、甚至完全沒寫過代碼的人，也能通過像 Cursor 這樣的工具，試著自己動手做軟件。你怎么看這個現象？這類用戶在 Cursor 里算是主流嗎？

Michael Truell：我們的核心目標還是服務“靠寫軟件謀生的人”——也就是專業工程師，這是我們的主要用戶群。但確實，在我們不斷提升 AI 編程能力、提高代碼抽象層級的過程中，我們也發現：這樣反而讓非程序員也更容易上手。

我們很認同一件事：從長期看，寫軟件這件事會變得越來越普及，越來越容易。未來你可能不需要理解編譯器、不需要掌握編程語言，也能做出相當復雜的系統。

但現實是，我們距離“人人都能寫專業軟件”的世界，還有一段路要走。目前雖然已經有不少人能用 Cursor 搭個小工具、原型產品，但要真正做出商業級、長期可維護的軟件，仍然需要專業積累。

不過這個趨勢確實令人興奮。我們看到越來越多設計師開始用 Cursor 自己做 demo，甚至有些非技術團隊成員，會在項目里直接修改一小段代碼、修復一個 bug、增加一個小功能。這種“輕量級貢獻”正在變得越來越常見，這就是 vibe coding 的現實樣貌——雖然不是我們的主力用戶群，但它在增長，也很有意義。

主持人：我挺認同的。我以前在傳統公司上班的時候，每次公司換一個新軟件，大家都會一片抱怨。所以我也不太相信“所有人都愿意寫代碼”這種說法。雖然我個人挺喜歡軟件，也對 vibe coding 有點好奇——也許再過兩三代 Cursor，我也能親手做點什么出來。

你之前提到 Cursor 有兩種使用方式：一種是“代碼補全”模式，AI像你的助手一樣陪你寫代碼；另一種是“任務委派”模式，你告訴它要做什么，然后離開，回來之后看結果。

我看到你最近在《Stratechery》那期采訪里說，預計再過六到十二個月，大概有 20% 到 25% 的工程師工作可以完全交由 AI 獨立完成。你現在還維持這個判斷嗎？還是說這個比例已經發生了變化？你認為這個數字未來能增長到多高？

Michael Truell：我覺得這個問題確實很難精確預測。要讓 AI 承擔 100% 的程序員工作，仍有很多關鍵技術瓶頸。

其中一個大問題是“模型如何持續學習”，也就是如何理解整個代碼庫、吸收組織上下文、從過往錯誤中不斷積累經驗。而目前行業在這個方向上，其實還沒有特別理想的解決方案。

目前有兩種嘗試在解決這個問題：

第一種叫“擴展上下文窗口”。意思是讓大語言模型一次能“看得更多”，輸入的內容越多，它理解上下文的能力就越強。但這終究只是一次性的輸入——就像你給一個 AI 一篇文章，它能理解這篇文章，但不能像人一樣把它“記住”。

第二種方法是“訓練模型”，也就是不斷加入新的訓練數據，讓模型持續更新、掌握新能力。但這個方法成本極高，也很慢，更新周期長。

這兩種路徑目前都遇到了挑戰。而且從整個行業看，其實這些年 AI 領域產生“真正范式級”的新想法并不多，大概三年才會有一個能改變游戲規則的新技術。所以這些瓶頸的突破還需要時間。

還有一個值得注意的方向是“多模態”。雖然聽上去和寫代碼關系不大，但其實你要真正理解和構建軟件，往往不只是靠文字。你需要點按鈕、拖動組件、打開可視化調試工具，比如 Datadog 這類可觀察性工具，就對系統調試非常關鍵。如果模型未來要獨立完成完整的開發流程，多模態能力必不可少。

另外，模型現在雖然可以連續工作幾分鐘甚至幾個小時，但要讓它處理一項“相當于人類需要花幾周時間完成”的任務，還存在巨大鴻溝。所以無論是架構設計、執行穩定性還是上下文記憶能力，想要達到真正“全權委托”的程度，還有很長一段路。

不過，回到你最初的問題，我確實認為——如果我們只說“用一句話的文本指令，讓 AI 對整個代碼庫做出修改”這種操作，未來一兩年內，也許有可能覆蓋現在編程工作中超過一半的場景，尤其是在最理想的技術演進路徑下。

主持人：我看到 Meter 等機構做的一些研究也在印證你的觀點，他們發現 AI 模型的“連續處理任務時間”正在快速上升，幾乎是成倍增長。雖然你提到的那些技術障礙確實存在，但從大趨勢看，模型的執行能力正在變得越來越強。更何況，大多數人類工作任務本身其實也并不都是“長流程”，這讓 AI 更容易代替其中的大部分。

Michael Truell：確實如此?，F在的問題不只是“技術能不能做到”，更是“你怎么把這項技術用好”。就像預測未來 AI 能力的發展節奏，其實非常難，很多事情沒法定量。

但我覺得可以類比另一個領域的故事：自動駕駛。

比如說 Waymo、特斯拉這些公司，其實在自動駕駛方面已經取得了驚人的進展。特別是在舊金山，你現在已經能看到 Waymo 的商業自動駕駛車輛在路上運營。但你還記得嗎？在 2017 年的時候，行業幾乎一致認為自動駕駛將在一年內全面落地。結果直到現在，仍然有很多“邊界問題”沒法徹底解決。

所以，雖然自動駕駛是個非常復雜的任務，但相比于通用智能編程，它其實是一個“更低上限”的目標。就連這個任務都走了這么久、這么艱難，AI 編程的路徑自然也不會那么快就“飛升”。

我們還是得腳踏實地，持續向前。

主持人：那我們來聊聊《Decoder》節目標志性的幾個問題。Anysphere 目前的公司規模有多大？你們現在大概有多少員工？

Michael Truell：我們現在大概有 150 人左右。

主持人：那你對公司未來的規模是怎么設想的？你傾向于建立一個龐大的團隊，還是更喜歡保持精干、高效的小組織？

Michael Truell：我們整體傾向后者——小而精。但話說回來，即使我們希望團隊“精干”，考慮到我們正在解決的問題跨度很大，未來幾年團隊規模肯定還是要繼續擴張的。

我們一直在想一個問題：有沒有可能建立一家真正影響深遠的科技公司，它的團隊人數卻不超過 2000 人？就像《紐約時報》這種量級的公司——不算小，但也遠不到傳統巨頭那種動輒上萬人的規模。我們很期待驗證這種可能性。當然，從現在的 150 人走到那個階段，還有很長一段路。

主持人：那你們的組織結構是怎么樣的？畢竟你們有好幾位聯合創始人，怎么劃分彼此的職責？

Michael Truell：我們目前最主要的兩個職能部門，一個是“技術與研發”，也就是工程和模型研究；另一個是“市場與客戶運營”，也就是 go-to-market（GTM）這邊。

我們其實非常幸運，創始團隊本身就非常強，而且組合得也很好。因此，很多事情可以分頭推進、各自專注。

比如，在早期，公司的 GTM 業務完全是創始團隊一部分成員拉起來的，他們做得特別出色。所以我們常常采用“分工+信任”的方式，不用 CEO 一個一個去盯。

當然，回到技術這一塊，四位聯合創始人都非常關注，我們會把大量精力集中投入進去。我們始終相信：做出這個領域里最好的產品，是最不能妥協、最核心的任務。其他事情都可以相對“輕運營”，但產品和技術必須是重中之重。

所以現在，我們在其他職能上保持相對精簡，但在工程和研究上，投入的資源和人員是遠高于行業平均的。

主持人：那你自己現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？或者說，什么事別人一碰你就會“炸毛”？

Michael Truell：我現在投入最多時間的事情，可能是“招聘”。

我們特別重視“個人貢獻者（IC）”的招聘，認為這是一家技術公司能不能活下去的根本。說得夸張一點，如果一個技術公司缺少頂級 IC，即使管理層再優秀，最終也會出問題。

所以我把很多精力花在親自參與招聘上。其實我們早期公司前 75 個員工，基本全是創始人自己招的，都沒有專業的招聘負責人介入。

現在當然有更成熟的招聘團隊了，有很棒的招聘伙伴在支持我們。但我自己仍然花很多時間在這上面。

其次就是產品和工程這塊，我也會持續投入很多時間。基本上，我的精力就集中在這兩塊。

主持人：你現在也就二十五六歲，已經需要做各種重大決策，比如融資、收購、招人、產品方向等等。你做決策是靠什么？有沒有一套清晰的方法論，還是比較隨性？

Michael Truell：說實話，我覺得沒有一套統一的“模板”。

但我們在公司內部確實有一些通用做法，比如，我們會盡量把決策“下沉”——不僅是我自己，整個公司都在嘗試推行這樣一種文化：每項決策都有明確的“DRI”（直接負責人），同時也要廣泛征求大家的反饋。

此外，我們也會按“影響程度”來區分決策策略：對公司影響很大、但可以反悔的決策，我們會更快做出；而如果決策是“高影響+不可逆”的，那就會非常慎重。

還有一點就是“決策透明”。我們會通過“清晰地寫下這個決策是怎么做出來的”方式，來倒逼自己真正想清楚了。

主持人：既然聊到招聘，我就忍不住要問一個傳言。之前有消息說 OpenAI 曾考慮收購你們，還有傳聞說 Mark Zuckerberg 最近特別愛“挖人”，開出了超高簽字費，甚至會請候選人去他在太浩湖的別墅吃飯。你有沒有被 Zuckerberg 邀請去“喝茶”？

Michael Truell：（笑）沒有，真的沒有。

主持人：他沒有拿著兩千萬美元簽字費走過來跟你說：“Michael，來 Meta 干 AGI 吧”？

Michael Truell：沒有（笑）。對我們來說，這家公司是我們愿意用一生去投入的事業。

我們真的很幸運，有機會站在這樣一個 AI 技術拐點，有這樣一批志同道合的伙伴，又剛好做了我們最熱愛的事——用 AI 重新定義編程方式。這種匹配是很難得的。

如果我們能實現這個目標，那不僅能推動整個編程行業進化，也可能為其他垂直領域帶來巨大的啟發。所以我們更愿意把這件事做成，而不是被其他人“打包帶走”。

主持人：那你怎么看 Meta 最近這一波“高調挖人”？他們開出很夸張的薪資，對你們招聘有沒有造成明顯影響？

Michael Truell：說實話，影響并不大。我們現在整個團隊本身就不算大，而我們的研究團隊則更加精簡。

我覺得，不同的人在考慮加入一家公司時，關注的重點是不同的。有些人更看重資源平臺，有些人更在意自己的使命感。我們吸引的是那種希望參與一個高度專注、節奏迅速的小團隊的人——他們希望解決真實世界的問題，而且愿意深入技術底層。

我們有點像一個“混合體”：既不是傳統做軟件的初創公司，也不是純粹做基礎模型的大實驗室。我們在“產品”這端和“模型”這端都希望做到最好，并且讓兩者互相推動。這種定位，正好吸引了一類非常獨特的機器學習人才。

主持人：那我再追一個更具體的問題。最近有報道說，你們挖來了兩位原本主導 Claude Code 的前高管，但他們加入沒多久又離開了。這件事方便談談嗎？

Michael Truell：Cat（Wu）和 Boris（Cherny）確實非常出色。他們是 Claude Code 背后的關鍵人物，那是他們一手做起來的項目。

我完全能理解那種“歸屬感”。作為一個也從零開始做 Cursor 三年半的人，我太清楚那種對產品的情感了。他們對 Claude Code 還有很多想法，愿意繼續推進自己親手做起來的東西，所以最終選擇回去，這一點我很尊重。

主持人：你剛才也提到了 Cursor 的定位比較特別，夾在大模型實驗室和傳統軟件公司之間。那么當你在對外招聘時，你們會怎么描述 Cursor 的“公司文化”？

Michael Truell：我們的團隊文化其實挺鮮明的，幾個關鍵詞可能是：對流程保持懷疑、對等級制度保持懷疑。

雖然隨著公司承擔的項目越來越復雜，協作變得更密集，但我們始終在試圖保持組織的輕量和彈性。

還有一點很重要——我們內部是一個非常誠實、反饋開放的群體。大家在工作中批評彼此的提案是很自然的事，不會讓人有心理負擔。大家討論事情，都是為了把事情做好，而不是為了誰對誰錯。

除此之外，我覺得我們這群人也特別好奇、認真、投入。大家并不只是把這份工作當成一份“職業”，而是真心相信我們做的事是有意義的，是值得花時間去實現的。

雖然我們對外溝通不多，有點“低調內斂”，但其實內部的熱情是很飽滿的。

對了，還有一點我們特別看重：雖然我們鼓勵野心，但我們不欣賞浮躁。我們希望招來的人，是那種既有目標感，又能保持專注和冷靜的人。因為 AI 圈子現在真的“吵得很”，每天都有新新聞、新傳言，真的很容易被帶偏。我們更希望團隊成員能“把頭埋下去”，專注在自己該做的事情上。

主持人：你剛才說到你們團隊對外溝通還不夠，其實 Cursor 一直給人的印象確實是“默默做產品，用戶自己來傳播”。不過最近你們也有一次“刷屏”時刻——就是你們調整價格機制那次，很多用戶在社交媒體上表達了不滿?？梢粤牧哪銈儚倪@次事件中學到了什么嗎？

Michael Truell：我們確實在這件事情上學到了很多，也意識到我們在很多地方做得不夠好，特別是在溝通和解釋上。

先說背景吧：從一開始，Cursor 的定價模型其實就包含“訂閱+使用上限”的機制。你付費訂閱之后，會獲得一部分“AI 調用額度”，也就是你可以使用多少次 AI。這種機制其實從最早就存在，只是形式上后來有過一些變化，比如不同功能占用額度的權重不同，或者能不能加錢突破上限等等。

但過去這段時間發生了兩個很大的變化：第一，用戶調用 AI 的方式變了；第二，底層的成本結構也變了。

最典型的變化是：現在當用戶“用一次 AI”，這一次調用所代表的計算資源，已經遠遠超過過去。

你提到過一張圖，顯示 AI 的“連續工作時間”從幾秒變成幾分鐘、再到幾小時——我們作為第一線的開發者，其實是最早感受到這股變化的。以前你問 AI 一個問題，它幾秒就答完；現在你可能讓它“從頭實現一個子系統”，結果是生成 300 行代碼，跑了好幾分鐘，調用了多個模型。這對用戶來說，價值變大了；但對我們來說，成本也變高了。

于是我們決定調整計費方式，從“按調用次數”變為“按計算資源消耗量”（也就是 token、模型推理等底層指標）。這其實是希望讓定價機制更合理——誰用得多、用得重，誰多付一點；而普通用戶，還是可以繼續享受基礎套餐。

主持人：但問題在于：用戶不是 AWS 工程師，大多數人根本不知道“計算資源”意味著什么。他們習慣的是 Spotify 或 Netflix，那種“包月聽/看不限量”的邏輯。所以一旦被提示“你超出額度了”，他們就懵了。

Michael Truell：對，這正是我們低估的地方。

其實 Cursor 從一開始就存在“使用量限制”，但我們過去給出的額度基本夠用，大家不會真正遇到“被打斷”的體驗。而這次調整之后，確實有部分重度用戶在不知情的情況下就“撞線”了，體驗就斷了，心里肯定不爽。

所以說，我們的問題并不在于“收了錢”，而在于“沒把變化講清楚”。定價調整這種事，本來就應該是用戶參與討論、獲得提前預期的。但我們這次確實溝通不到位，產品提示也做得不夠細致，這點我們認了。

主持人：聽下來，我感覺你們現在正處在一個很微妙的平衡點：一方面你們的 AI 使用量已經遠超普通聊天類產品，比如 ChatGPT；另一方面又得控制成本、保持開放，同時不傷害用戶體驗。這之間的張力挺大的。

Michael Truell：確實如此。

你要知道，在消費者市場，尤其是“對話類 AI”產品上，這種 tension 可能還沒那么大——因為用戶日常問的東西沒那么復雜，也不會持續調用很多輪模型。模型精度提高、成本反而降低，這是比較典型的路徑。

但我們這個領域不一樣——**編程場景中的 AI 使用，強度高、持續時間長、任務復雜度大。**未來一名專業用戶每天調用的計算量，可能是普通用戶的幾十倍。而 token 成本下降的速度，并不一定能跟上用戶需求上升的速度。

所以我們在考慮未來定價模型時，可能也會更像 AWS，而不是像 Evernote 或 Notion。這可能是整個 AI SaaS 行業都要面對的現實。

不過我們也非常明確一件事：必須給用戶選擇。

我們希望用戶可以自由選擇“體驗最強、價格最貴”的 AI 套餐，也可以選擇“按月訂閱、價格固定”的版本，哪怕這個版本能力上稍微受限一點。哪種方式更適合你，你自己決定。

而且，就目前我們的統計來說，在主流訂閱方案，比如每月 20 美元的 Pro 套餐下，其實大部分用戶并不會超過使用額度，也不會被提示“需要加錢”。這一點也希望大家能安心。

主持人：我就是那種永遠用不滿額度的用戶（笑）。每次都覺得是不是我用得還不夠猛。

Michael Truell：哈哈，其實你不是一個人。AI 使用強度真的存在巨大的差異——**Top 5% 的用戶和中位用戶，行為是兩個世界。**有些人一天調用幾百次、幾千次；也有些人一個月就點幾下。

我們能做的，是既滿足前者，也不打擾后者。

主持人：我們快到尾聲了，我想問你一個很多 AI 從業者都會被問到的問題，也算是驗證你“是不是 AGI 洗腦派”。

剛剛我們聊了很多模型當前遇到的技術問題，比如上下文窗口的限制、持續學習能力不夠、人類式記憶的缺失……這些其實都還沒有解決。

可與此同時，也有很多業內人非常篤信：到了 2027、2028 年，AI 就會以指數級加速，徹底改變世界。

你怎么看？你自己在這條“樂觀 vs 謹慎”的光譜上，站在哪一側？

Michael Truell：我們應該算是走在“中間路線”的那一派吧。

我們相信 AI 會是一次非常深遠的技術變革，甚至可能是比過去任何技術浪潮都更大的結構性轉折。但同時，我們也不認為這件事會“很快就結束”。

我們自己創業初期，就經常聽到兩種極端聲音：

第一種是：“你們干嘛做 AI？這東西還有得搞嗎？用處也不大吧。”

第二種是：“你們干嘛做某個具體產品，比如 CAD 或編程？AGI 馬上就來了，幾個月之后你們所有的應用都會被淘汰。”

而我們堅持的是一個看上去很“笨拙”的路徑：去扎實地做一個真實場景下的知識工作產品，然后不斷觀察 AI 幫上了哪些忙，沒幫上哪些，持續把它做深。

我們的判斷是：未來的 AI 發展不會是“滑翔”式的，而是像登山一樣——**你會有陡坡，也會有平臺期，峰值之間的落差會非常大。**它不是均勻線性的，也不會一蹴而就。

所以，我們不相信“某個訓練跑完就突然爆炸”，也不認為 AGI 會在某天凌晨突然從服務器跳出來。

我們更傾向于相信，一家 AI 產品公司如果能在“特定工作場景”中做到極致，比如我們做編程，就有可能在推動領域進步的同時，也反過來為通用 AI 的路徑提供新的工具與范式。

我有時候會打一個類比：如果你在 1999 年想推動 AI 的進步，也許最有效的方式是做一個像 Google 這樣的搜索引擎，讓它真正解決問題、影響世界，然后通過這個過程推動基礎研究和技術平臺。

我們現在在做的事情，也許在某種程度上與當年的 Google 角色是類似的。

主持人：聽下來你并不相信“加個大模型參數、跑一輪訓練，就能出現 AI 神明”的說法。

Michael Truell：哈哈，對，我的直覺是不會。但當然啦，我們誰都無法完全預測未來。很多事，你要保持一點“健康的懷疑”。

不過就目前我看到的節奏，我的判斷是：它會花更久的時間，但最終一定會到來。而我們做的工作，是加速那一步的過程，同時也是驗證它能不能真正落地在人類工作里。

主持人：那我們來做個收尾問題。我不要求你預測五年之后的 Cursor 會是什么樣，但如果說兩年后，你最希望 Cursor 能實現一個什么目標，而它現在還沒做到的，會是什么？

Michael Truell：我們現在的短期目標，是讓用戶能把更多、更復雜的工作“委托”給 AI，交給多個助手并行處理。

然后我們要在這個過程中，打造一種全新的“軟件構建體驗”：你不是面對幾百上千行代碼去編輯，而是和一組 AI 代理協作，它們自己會把任務分工、組合、完成，你只需要介入關鍵決策點，理解它們匯報的結果，并在需要的地方做出調整。

另一個我們長期關注的方向，是編程語言本身的“進化”。

我覺得隨著 AI 能力增強，傳統代碼的“精確+低級”特性可能不再是唯一標準。未來我們可能會看到新的編程語言形式出現，它們更加“抽象”“壓縮”“語義清晰”。

想象一下，不再是幾百萬行代碼，而是幾十萬行高階表達，程序員甚至可以用更接近自然語言的方式，描述他們想要構建的系統。這種語言既是人和機器的“溝通媒介”，也是一種全新的“系統描述UI”。

我們也不認為“純對話框式”的編程是最終形態。聊天輸入雖然簡單，但在真正構建復雜系統時，它缺乏控制力。

主持人：就是你得能“指一指”“點一下”“精準改一小塊”。

Michael Truell：沒錯，寫代碼的終極體驗一定不是“閉著眼和機器人聊天”，也不是一行一行去摳字節。而是你可以“看到邏輯”“操作邏輯”，可以理解和修改系統的每一個精細結構。

從這個意義上說，我們最終的目標，不只是把模型做強，而是要重新設計“人與計算機交互的界面”。而編程語言，正是那個最底層、最需要被重構的“用戶界面”。

主持人：太精彩了。今天聊了很多，Michael，非常感謝你做客 Decoder。

Michael Truell：謝謝邀請，真的很開心能來聊這些。