国内初创团队打造的 flowith ｜图源：flowith
张鹏：我们深入聊聊 Cursor 这个例子，它背后的技术栈和成长路径是怎样的？
钟凯祺 (Cage)：自动驾驶的例子就很有意思，直到今天，特斯拉也不敢真的把方向盘、刹车和油门去掉。这说明在很多关键决策上，AI 还没办法完全超越人类。只要 AI 的能力和人类差不多，一些关键决策就一定需要人类介入。这正是 Cursor 一开始就想得比较明白的地方。
所以他们最早贴合的特性，就是一个人类最需要的功能：自动补全（Autocompletion），它把这个功能做成了 Tab 键触发，随着 Claude 3.5 这样的模型出来，Cursor 把 Tab 的准确率提高到 90% 以上。在这种准确率下，我可以在一个任务流中连续使用 5 到 10 次，心流体验就出现了。这是 Cursor 作为 Copilot 的第一个阶段。
第二个阶段，他们做的功能是代码重构（Code Refactoring）。Devin 和 Cursor 都想做这个需求，但 Cursor 做得更巧妙。它会跳出一个对话框，当我输入需求时，它可以在文件外开启一个平行的修改模式来重构代码。
这个功能刚出来时准确率也不高，但因为用户对它的预期是 Copilot，所以大家都能接受。而且他们很准确地预判到，模型的 coding 能力一定会快速提升。所以他们一边打磨产品功能，一边等待模型能力提升，Agent 能力就很顺利地浮现了。
第三步就是我们今天看到的 Cursor 状态了，一个相对端到端的、在后台（background）运行的 Agent。它背后有一个像沙盒一样的环境，我甚至可以在上班时把不想做的任务布置给它，它可以在后台用我的计算资源去完成，与此同时，我能专注于自己最想做的核心任务。
最后，它以异步交互的形式，像发邮件或飞书消息一样，把结果告诉我。这个过程很顺利地实现了从 Copilot 到 Autopilot（或者说 Agent）的转型。
关键还是要抓住人的交互心智，从一开始让用户更乐于接受同步交互，这样就能收集到大量的用户数据和反馈。
03 为何 Coding 是通往 AGI 的「关键试炼场」？张鹏：广密刚才说「Coding 是通向 AGI 的关键，如果不能在这个领域实现 ASI（超级智能），其他领域也很难。」为什么？
李广密：有几个逻辑。第一，Code 这个数据是最干净、最容易闭环，并且结果是可以验证的。我有一个猜想，Chatbot 可能没有数据飞轮（一种反馈循环机制，通过从交互或流程中收集数据，持续优化 AI 模型，进而产生更优的结果和更有价值的数据）。但 Code 领域有机会跑出数据飞轮，因为它可以进行多轮的强化学习，而 Code 是跑多轮强化学习的关键环境。