拒绝招聘、产品粗糙，却成史上最快增长软件公司！4 个 00 后“整顿”创业圈：大家都不信，才是我们的机会

Cursor 是当代 AI 编程工具极速崛起的典型代表。3 个月发布、仅 16 个月时间内用户数超 360,000，付费用户转化率极高，到 2025 年 6 月年度经常性收入（ARR）超过 5 亿美元。而这样一个爆款产品背后的操刀手是 4 个 2000 年左右出生的年轻人。

毕业于麻省理工学院的 Michael Truell、Sualeh Asif、Arvid Lunnemark 和 Aman Sanger，于 2022 年共同创立了 Anysphere 公司。去年时候，Anysphere 的员工规模约为 150 人，维持“精干型”团队结构。2000 年出生的 Michael Truell 曾反思早期在招聘中“太过强调名校传统背景”，后来意识到非传统背景人才往往贡献更大。

近日 Michael Truell 在 YC 的炉边谈话中，分享了 4 人多年来失败的项目所带来的经验教训，转型当中的各种细节考虑，并介绍了 Cursor 如何以坚定信念挑战 GitHub Copilot。

从手机小游戏、机器狗“练起”

主持人： 咱们先从你的创始人经历聊起吧。这事儿好像得从你中学时代读研究生论文的时候说起，对吧？

Michael：我很早就对创办公司感兴趣了，当然我这人兴趣很多。我最初是从接触编程开始，也在关注怎么创办商业项目。

我第一次接触编程是在一次寒假。那会儿，我跟我兄弟想开发一款热门手机游戏。我们刚开始毫无经验，所以跑去 Google，问搜索引擎怎么做游戏。我们听说得下个叫 xCode 的程序，照做之后马上被一大堆五颜六色、晦涩难懂的符号吞没了。当时的语言是 Objective-C，其实这语言现在也挺流行的。我兄弟被吓住，很快就放弃了，他现在也走上了完全不同的职业道路，大概就是画画那种。但我坚持了下来，买了本教材，最终开始做手机游戏。这就是我接触编程的起点。另外，我也喜欢关注技术论文和 YC 的消息，这些让我一路走来备受启发。

主持人: 我觉得最厉害的一点在于，你现在才 24 岁，却能在短时间内建立起这样一家庞大的公司。但这些并非一蹴而就的，你之前也酝酿了十多年，一直在参与各种项目的交付。而且你从高中起就参与过 AI 相关工作，能不能聊聊你最早参与的项目？

Michael：我挺幸运的，很早就接触到了编程，也很早就开始对 AI 产生兴趣，还遇到一些很棒的合作伙伴，大家一起做 AI 项目。我虽然是从手游起家的，但做着做着我发现自己其实并不擅长做游戏。

我的开发成果里最受欢迎的产品之一，其实就是那种最简单的手机小游戏、大家比着拿高分的那种，而且可以把结果分享给朋友。各位有意做初创的朋友真的可以试着从简单的东西做起。

我不会自己煞费苦心去自研游戏引擎。但不久之后，我跟一个朋友对打造机器狗有了兴趣，当时我们想：如果有个机器人能不靠编程就教它做事，那该多好啊，用户可以给它正、负面反馈，就像训练小狗一样，还可以教它玩捡球游戏。这个想法让我们很兴奋，但跟当初一样，我们不知道怎么开始。所以我们再次求助于 Google、钻研了很多难题，最终进入了学习遗传算法的领域。就这样慢慢探索，后来我们接触到了神经网络，因为当时有些人正尝试用遗传算法来进化神经网络。

接下来是强化学习，那时候还是 2015 年。没错，十年前大家就已经在认真探索 AI 这事了。

最后，我跟朋友造出了几台机器人，但在商业上没有任何实质性的进展。

不过整个过程还是挺有意思的，我们采用强化学习算法尝试提高数据处理效率，确保能更好地从极少数的数据点（几十个）及噪声数据中学习。毕竟我们要做的是机器狗，人的数据没法直接拿来用。但我们还是造了几个机器人，其中一个是台多轴机械臂，能打乒乓球。只要在上面安装正确的传感器并提供相应的正负反馈，就能教它抓住时机挥拍击球。后来还有 Kiwi Drive 机器人，我们试着让它沿直线前行。当时我们太青涩了，根本没听说过 Torch、TensorFlow 乃至其他现成的构建模块……或者说，我们连 Google 搜索都没用明白。

主持人：所以你们从零开始建立自己的神经网络吗？

Michael：是的。

主持人：在你十六、十七岁的时候？

Michael：问题在于，我们面对的是机器人，也就是微控制器，而微控制器的内存特别小，装不下任何标准机器学习库。因此，我们在工棚里实现了自研的微型神经网络库。其实当时我们根本不理解这些东西的内部工作原理，也不懂微积分，只是笨手笨脚地做了些重新实现。过程中确实学到了很多，但还有不少基础知识上的空白后面用了很多年才慢慢补齐。

“大家都不信，才是我们的机会”

主持人： 那咱们快进到 Anysphere 的创立吧。Sphere 是“球体”，而 Cursor“光标”完全不同。那时候你们刚从麻省理工毕业吧，大概是 2022 年。你们四个人最初是怎么选择研究方向的？

Michael：Cursor 的起源是在 2021 年。我跟联合创始人们一直对 AI 抱有兴趣，大家也都经历过自己的“自研机器狗”时光。其中一位联合创始人曾在 2021 年尝试开发一款跟谷歌竞争的机器狗，还训练过自己的对比模型。另一位创始人在学术界从事计算机视觉研究，还有人在谷歌公司做过推荐系统研究。但我们都会人工智能感兴趣。

到 2021 年，我们迎来了人生中的转折点：到底是投身学术界研究 AI，加入现有大型 AI 项目，还是说自己创业？

有两个时刻让我们非常兴奋：一是看到第一批 AI 产品问世，比如说 GitHub Copilot 就是典型，另一个是随着模型的发展，AI 似乎在未来会变得更好。2022 年，我们开始选择研究一个知识工作领域有关的想法并构建它，就像一个为期一个月的黑客马拉松，

主持人：你们为第一个想法收集了不少数据吧？

Michael：是的，我们想长期努力的第一个想法是机械工程。我们尝试为机械工程师们打造“副驾驶”，试着训练模型来预测 Solidworks 或者 Fusion 360 等 CAD 系统中的操作。我们选择这个是因为我们认为它很无聊、乏味而且缺乏竞争力。我们有点像在做纸上谈兵的 MBA 课程，毕竟我们都不是真正的机械工程师，当时的技术成果也支撑不起这样的需求。

主持人：但你们还是坚持了好几个月，抓取了所有数据并真的实现了自动补全功能。

Michael：是的，我们做了很多数据抓取工作，当时甚至打算从互联网上提取所有 CAD 模型。另外还有各种文件格式，我们尝试将其全部转换成规范格式。CAD 软件其实是一种非常奇特的软件分类，里面有各种不同的主流系统，而且彼此分散。很多 CAD 系统都在云端，没办法轻松导出文件，而且厂商也不希望数据外流，所以抓取工作还挺困难。

此外，当时用于建模的训练基础设施相当简陋，还涉及模型实验、如何在 CAD 系统中安装扩展程序等等，但很多工程软件压根不支持扩展程序。

实际上，当时我们还在做其他项目，我的两位联合创始人正在开发一套端到端加密消息系统，因为其中一个人有安全背景。这是一款类似 Signal 和 WhatsApp 这样的应用，只会加密消息正文，但不会隐藏是谁在什么时间对谁说了话。

主持人：那会已经到了 2022 年年中，就是说你们在这个想法上花了半年时间？那你们获得了多少用户？

Michael：这类项目基本都失败了，几乎没有吸引到用户。

主持人：你们是在什么时候意识到想法行不通的？是意识到不是自己不够努力，不是公司不行，而是方向错了？

Michael：不同的项目有不同的点。我们有两位联合创始人在消息系统的技术上面水平很高，但却是用糟糕的可扩展性换来的。他们尝试把产品卖给普通用户，效果不好；后来又接洽过企业用户，还是鲜有人问津。前后几个月时间里，我们一边在改善模型，一边也在思考自己对这些方向是不是真有兴趣，或者说是否还有让我们更兴奋的方向。

主持人： 所以有那么一刻，“我决定接受现实、承认自己过去的点子不行”，接着你们不断地迭代灵感再加排除，最终形成一套完整的方案？

Michael：是的，我们很早就受到了 Copilot 这类工具的启发，因此刻意回避去做 AI 和编程方面的工作。市场竞争实在太激烈了，当时是这样，现在更是。

主持人：2022 年，Github Copilot 的收入已经达到了约 1 亿美元。

Michael：对，但我觉得市场空间远不止于此。

主持人：你们觉得自己能比 Github Copilot 做得更好？

Michael：刚开始肯定不敢想，但当时我们很绝望，开始思考自己关心的是什么、目标是什么。我们发现大家关注的其实是编程的未来。根据我们的判断，未来五年内，整个编程流程都将彻底改变，所有软件开发都将有大模型的参与。

但当时在领域中工作的人还没有意识到这一点。他们也有自己的产品、也在改进，但没人想建立一个编程全面自动化的世界。其实直到现在也有人不信。可正是因为大家不信，我们才认为有机会、值得试试。

主持人：这个举动相当大胆了。你们对编程很感兴趣，所以哪怕市场上已经有 GitHub Copilot 这样的产品，你也仍然决定投身进去。

Michael：那时候我们没觉得这事很大胆，毕竟就一群朋友坐客厅里搞嘛。我们没想过要做成家大企业，刚开头的时候我们就是想做款小众工具，主要用于安全审查——比如做代码检测，或者是针对特定需求做点尝试。我们考虑过给量化分析师打造一个平台，或者专门针对量化研究员的一些原型。但一边做，Cursor 的雏形在我们头脑中的形象越清晰，最终被认定为是迈入 AI 的最佳方式。我们越来越兴奋，最终决定放手一搏。

3 个月发布，如何衡量各种细节

主持人：那时候是 2022 年底吧。从做决定开始，你们用了多长时间才发布首款产品？初版是什么样的？

Michael：还是花了点时间才完成开发，从第一行代码到实际发布，大概花了三个月时间。我们从零开始构建了编辑器，当然其中还是用了很多开源模块。虽然借用了不少开源组件，但我们的项目本身完全是从零开始构建的。当时我们搞了远程 SSH 版本和 Copilot 集成，因为我们自己还没做出自动补全这类功能，你必须构建自己的语言服务集成等。

我们大概是用了四周时间才做出一个可以作为日常使用的版本，又改了四周开始交给 beta 测试人员，再过了四周就发布了，当时它还非常粗糙，但感觉向公众开放不是什么大事。

主持人： 你从第一个版本中学到了什么？你们从零构建了一个代码编辑器。

Michael：你知道，有一段时间人们并不喜欢我们的产品，所以我们全身心投入其中，非常专注。但我们从中学到什么呢？我认为我们学到了 AI 的一些初始功能。

刚开始，我们只提供按键命令，编辑器会弹出一个类似万能遥控器的东西，用户下达指令后 AI 会自己想办法解决。我们做了很多权衡，比如是要像聊天回复那样的形式吗？给用户提供可以直接采用的代码建议？还是让它在用户的代码库中搜索并回答问题？

想想 2022 年底时的 AI 技术水平，我们意识到整个使用方式都要彻底颠覆。我们在初版开发当中熟悉了 AI 的早期功能，这些功能后来成为 Cursor 的核心部分。我们不断迭代，并把成果交付给用户。

我们学到的另一件事是，我们快速构建了一款功能完备的常规代码编辑器，还向其中添加了一些我们认为很棒的 AI 功能，但这一切距离面向成熟市场的成熟代码编辑器，还有很长的路要走。

毕竟 VS Code 开发了十二年，是最早的 TypeScript 项目之一，很多人在用。“我们可以创造一些东西，让它与其等同。”很快，我们发现事实并非如此，我们的精力最好还是集中到了 AI 上。AI 之于代码编辑器，就应该像 Chromium 渲染引擎之于浏览器。然后我们转向了基于 VS Code 构建。

主持人：你们还建立了自研模型，好像你们当时从 Codex 那获得了不少灵感？

Michael：是的，你知道我们在第一个想法的实现上花了很多时间。我们刚开始尝试帮助机械工程师利用 AI 提高生产力时，在进行首轮融资时，我们一开始就想拿点钱来进行模型训练，因为你无法使用现成的模型来引导，它们都没有很好地完成任务。

我们确实参考了 Codex 的原始论文，我们发现 Codex 是继 Github Copilot 之后的第一个自动补全模型，而且训练成本并不太高。哪怕是在 2022 年左右，人们都在说训练多烧钱，但根据我的计算结果——可能不太准确——训练成本大约就在 10 万美元左右。

后来在这次进军机械工程的过程中，我们已经完成了自己的训练。所以在开发 Cursor 的时候，我们就想尽可能务实、不要重复造轮子，因此一开始就没有再做这些了。但 2023 年期间，在产品调试过程中，这最终成为了一个非常关键的产品杠杆，尤其在扩大规模、有更多用户使用我们的产品时，我们也能够依托使用数据进一步改进产品。这实际上对增强我们公司实力非常重要。

主持人：2023 年时，你还不确定 Cursor 到底能不能成功吧？包括还在跟联合创始人争论，到底要不要转型。

Michael：从收入的角度讲，确实。2023 年那会收入确实在增长，但总的数字还是太小。我们在做事，但有时候想不明白下一步该干什么。以往大家可以跟受众多聊聊，听听他们的意见、确定优先级、再开发相应的解决方案。但现在情况不一样了，AI 编程是个前所未有的新领域，我们也没有那么多预算去做多方面尝试。

所以，很多事情都必须弄清楚，比如基于现在已有的工具你还能做什么？你可以列出很多东西，如果能够实现，它们会很有用。但弄清楚如何构建以及里面的细节，这一进程并不清晰。反正整个 2023 年，我们遇到过很多这类情况。我们没有完全听众早期用户的意见，如果单纯按他们的需求规划路线，那 Cursor 肯定跟现在有所不同。

我们有相当一部分用户群体，对于编程可以说是一无所知。我们讨论过，到底要不要专注服务这部分用户。另一部分用户则希望针对特定技术栈做优化，这会破坏 Cursor 的普适性，我们拒绝这样。

2023 年，我们做过很多早期原型设计，就像在迷宫里左冲右突。我们还思考除了构建软件之外，我们要不要自研更好的 API 模型、要不要让 AI 预测用户的下一项编辑操作、具体要怎么做到。

一个联创成了“网红”

主持人：你们的用户在 2023 年从零增长到了 100 万吧？第一个 100 万的目标可是需要时间的。

Michael：对，好像是 100 万多点，但大致差不多。

主持人：2024 年可是疯狂的一年。你们的用户在这一年实现了从百万到亿。能不能讲讲你们是怎么保持每周 10%的增长速度的？

Michael：复合增长率就是这么厉害，哪怕刚开始数字很小，但后面会迅速变大。我觉得推动 Cursor 增长的因素有这么几点。

首先这个市场很公平，只要把产品做好，就能立即在数字上得到体现。比如当我们让 Cursor 能识别代码库、预测用户下一步操作，当我们提高预测准确性和速度、让模型能在代码库中执行更复杂的操作时，每一步改进都推动了增长。我们一直都只是关注如何让产品变得更好。

复合增长率也始终在保持。其他很多市场不是这样，我认为我们处在一个终端用户偏好非常重要的市场，只要产品够好，人们就会关注并讨论，而且长时间保持热度。

主持人：那段时间好像发生了很多疯狂的变化，YC 在制定孵化名单时也经历了巨大转向，比如会关注申请人使用什么技术工具来构建应用。刚开始使用 Cursor 的比例可能只有个位数，但到 2024 年这个比例增长到了约 80%。Cursor 像野火一样在市场上迅速蔓延。

Michael：是的，进入了它们的推特推送。

主持人：你感觉采用率算高吗？这样的增长是怎么来的？

Michael：第一次推出编辑器时，我们试过在社交网络上做推广。一位联合创始人早在 2022 年我们研究一些注定失败的想法时，就在网上发帖，目的就是通过讨论 AI 话题先吸引粉丝。我到现在也不敢相信，人们居然能够跟进当时的几乎所有论文、参与几乎一切讨论，然后得到行业影响力人士的认可。

当时开源的模型是 Flan-T5，很多成果都用了这个模型，他们直接从我的联合创始人那里了解到这个模型的好处，只是看到了他在推特上发的帖子。

他属于比较小众的“名人”。有了人气之后，他开始帮产品做早期推广。比如刚上线时，我们会设立一份邀请名单来获取第一批用户，以为这对我们的起步很有帮助。但后来我们放弃了这种刻意营销，开始只专注产品本身，靠使用体验来做裂变传播。

我记得当时很多成员会说“伙计们，这个产品已经足够好了，把它先放一边，让我们只关注增长。”接下来，会有为期两个月的冲刺期。我们就是这样交替进行。

主持人： 到 2024 年，Cursor 的规模有多大了？公司的规模呢？

Michael：2023 年的时候公司规模还很小，只有我们四个联合创始人，不用雇人也可以。我们在招聘第一批员工时也走了些弯路，所以我们一开始都很有耐心，我们早期招聘的员工人数可能比实际应该招聘的要少，一直到 2023 年底，我们的员工也只有个位数。

Cursor 早期团队的部分成员

编程未来：代码依然重要

主持人：这也太厉害了。那咱们换个话题，你怎么看待编程的未来发展？

Michael：2022 年那会儿我们正在开发 CAD 辅助系统，然后是早期代码相关的。我们开始在公司工作并招聘我们的第一批员工时，人们会用奇怪的眼神看我们，觉得我们做的东西很“奇怪”。人们并不完全相信这是对时间的良好利用，也不相信人工智能将会带来大量优秀的应用。

2022 年底 ChatGPT 出来了，然后全世界都“醒悟”了。

有群人只专注根据产品的现有形态做优化。在我的社交圈和职场圈里，有人会说“你为什么还要研究 AGI 以外的东西？”“你当前做的一切很可能在未来一、两年内彻底消失”。未来几十年将会涌现大量极具价值的东西，AI 将是变革性的技术，其影响力可能超越最近几个世纪以来的任何技术革命。但这需要几十年的酝酿，需要整个行业的共同努力，逐步实现各个细分能力的突破，才能最终改变软件开发等知识工作领域。

短期内，对于我们服务的专业工程师来说，代码依然重要。在这段漫长而混乱的过渡阶段，大家将逐渐习惯跟 AI 打交道。AI 会越来越像一位同事，也可能会成为极其先进的编译器，开始隐藏一些代码，你必须读懂其中的逻辑，然后审查和修改。

主持人：那你觉得未来哪些技能仍有价值？大家应该继续学习哪些技能，又该放弃哪些技能？

Michael： 我觉得编程类似于数学，是一种很好的通识教育，我觉得它不会彻底消失。我认为现在学习计算机科学还可以培养很多实用技能。通常当人们进入充满活力的行业时，他们在学校学习的具体内容并不是特别重要，更重要的是在过程中获得的学习能力，这一点是不会改变的。

主持人：对于年轻的观众们，你有什么建议？如果他们从现在起，想要成为三年前的你，那他们到底应该怎么做？

Michael：我觉得最重要的是做自己感兴趣的事，而且要跟其他人一起做。我想对于还没离开学校的年轻人来说，很多东西都能激发兴趣、投身尝试。无论怎么选择，我们都会在过程中积累到一些东西。所以，就是朝着兴趣进发。

 原文链接：

https://www.youtube.com/watch?v=TrXi3naD6Og&t=594s