Cursor预测程序员行业倒计时:CTO应做好50%裁员计划

提供AI咨询 +AI项目陪跑服务,有需要回复1

前两天跟几个业内同学做了一次比较深入的探讨,时间从15.00到21.00,足足6个小时!

其中有个问题特别有意思:从ChatGPT诞生到DeepSeek爆发2年多了,真正的文字类爆款AI应用是什么?

不出所料,大家一致认为是Cursor ,原因很简单:开源生态的繁荣为代码领域的AI突破提供了关键燃料,而程序员群体对开源的"狂热"在客观上创造了大量高质量语料库。

GitHub上有超过2亿个开源仓库,涵盖几乎所有编程语言和技术栈,这种结构化、标注清晰(通过代码逻辑隐式标注)的文本数据是训练代码模型的理想素材。

而开源项目通过社区协作(Pull Request审核、Issue讨论)天然筛选出较高质量的代码,相比通用文本(如社交媒体内容),代码的噪声更低、逻辑更严谨。

对比其他领域的数据困境:

  1. **医疗AI:**患者数据涉及隐私,获取难度极高;
  2. **法律AI:**判例和合同文本分散且版权敏感;
  3. **金融AI:**交易数据封闭性强,且噪声复杂;

代码领域几乎是唯一一个数据既开放又结构化的大规模垂直场景,这直接导致代码AI的"先发优势"。

但怎么说呢,其结果也许不是好的,因为他真的会大量杀死码农 ,所谓程序员**"杀死"**程序员,老程序员"断送"新生程序员后路,就是如此...

今天,我们就来简单介绍下这个**"程序员AI杀手:Cursor"!**

Cursor

Cursor 是 Anysphere 公司推出智能代码编辑器 。先从资本情况来看看这个产品,恐怖如斯

  1. 2022年获得1100万美元种子轮融资;
  2. 2024年完成4亿美元A轮融资
  3. 2024年底,完成1亿美元B轮融资
  4. 2025年3月,Anysphere正与投资者洽谈新一轮融资,目标估值接近100亿美元

Cursor基于 VS Code 深度开发,提供⾃然语⾔⽣成代码、上下⽂感知补全、实时错误诊断以及修复等 AI 增强功能,并能⽆缝融⼊现有开发环境,显著提升开发效率与代码质量。

这里先来个案例尝尝鲜:

实际案例

复制代码
你是⼀位优秀的 Java ⼯程师,现在需要根据以下需求构建⼀个 Java Web 系统。
技术栈要求
Spring Boot + MyBatis + MySQL + Maven
功能需求
你需要开发⼀个简单的图书管理系统,主要包含以下三个管理模块:
图书管理:包括图书的增、删、改、查功能,每本图书需要关联出版社和货架。
出版社管理:独⽴管理出版社信息,⽀持增、删、改、查。
货架管理:独⽴管理货架信息,⽀持增、删、改、查。
数据库设计
设计数据库结构,创建合适的表,确保数据关联性(如图书与出版社、货架的关联关系)。
注意数据库设计不要设计外键的关联关系
⽣成 init.sql ⽂件,并将其放⼊ 项⽬/scripts/ ⽬录下。
开发要求
采⽤ Spring Boot 构建后端,并使⽤ MyBatis 进⾏数据库操作。
设计 RESTful API,提供对应的增、删、改、查接⼝。
采⽤ Maven 进⾏项⽬构建和依赖管理。
项⽬结构清晰,遵循分层架构(如 controller、service、mapper、entity 等)。
编写适当的测试代码,确保接⼝功能正常。
请按照以上需求进⾏开发,并确保代码清晰、可读、易维护。

上图是Cursor完成后⽣成的readme⽂件,项⽬可以正常启动,我阅读了⼤部分代码,都是正常可运⾏,但是测试⽤例并没有⽣成。

接下来,我们需要让他将测试⽤例⽣成,另外我会给他增加⼀个需求,就是查询货架的时候,需要将上⾯关联的图书返回:

Cursor最终⽣成了所有接⼝的测试⽤例,货架管理模块要求查询时返回关联图书列表功能也添加成功。

虽然Cursor通过MyBatis的 collection 标签实现了延迟加载,但这种⽅式与惯⽤的 JOIN 查询结合DTO映射模式存在实现路径差异,并不符合常见开发习惯和实际项⽬中代码⻛格。

以下是一些实际技巧,大家可参考:

Cursor技巧

三种模式

Cursor提供了三种不同的模式:Agent、Ask和Edit:

模式 核心能力 使用场景 边界
Agent 全自主项目构建:代码生成、Shell命令执行、上下文关联 创建完整项目/复杂任务(重构/纠错/自动化) 需清晰需求描述
Ask 交互式代码问答:代码库探索/局部修改/调试支持 理解代码逻辑/快速调试/单文件问题解决 不适合复杂系统级设计
Edit 半自主代码编辑:功能迭代/规模化修改 新功能开发/重复代码生成/中规模代码调整 依赖明确的任务拆解

选择哪种模式取决于具体需求:

  1. 构建新项⽬或解决复杂问题时选择Agent模式;
  2. 理解和探索代码库或进⾏⼩范围调整选择Ask模式;
  3. 专注于添加或修改代码时则选择Edit模式;

Cursor Rules

Cursor Rules 是一系列自定义规则,指导 AI 生成代码、提供建议和进行补全。它们对于提升开发效率和代码质量至关重要:

  1. **提⾼代码质量:**确保 AI ⽣成的代码符合你的编码规范和最佳实践;
  2. **提升开发效率:**减少⼿动编写重复代码的时间,让 AI 帮你完成更多⼯作;
  3. **增强代码⼀致性:**在团队项⽬中,统⼀代码⻛格,避免混乱和冲突;
  4. **定制化 AI ⾏为:**根据你的项⽬需求和个⼈喜好,定制 AI 的⾏为,让它更懂你;

其他技巧

  1. 写好提⽰词。明确表达需求,避免模糊或简略的描述,以确保生成的代码准确;
  2. 定制项目规则
    为项目设置符合团队代码风格和规范的 Cursor Rules,减少后续调整工作量;
  3. 任务拆解细化
    拆解任务:将复杂任务分解为更小、更具体的子任务,以提高生成结果的质量;
  4. 系统设计阶段,考虑 AI 的参与⽅式
    在设计时提前规划 AI 的参与方式,充分利用其优势,规避潜在的局限性,提升整体开发效率;

最后进入争议话题:Cursor到达会不会干掉程序员?

Cursor "杀死"程序员

先说结论:Cursor 确实能在某些场景下实现 10 倍甚⾄ 100 倍的效率提升,但在真实业务开发环境中,实际的效率提升通常不到 30%。

为什么差距会这么⼤?接下来,我们详细拆解这个问题:

10倍提效场景

在许多 Cursor 的宣传案例中,我们经常看到这样的⽰例:

复制代码
输⼊提⽰词:
"帮我实现⼀个数独游戏,使⽤ JavaScript 实现。"

⼤约 30 秒后,Cursor 即可完成从需求分析、问题拆解、编码实现到效果预览的完整流程。⽰例效果:

这个数独游戏不仅实现完整,还⽀持响应式布局。

如果让开发者⼿动编码实现,⼤约需要 4-8 ⼩时,⽽ Cursor 仅需 30 秒,提升的效率何⽌ 10 倍?甚⾄ 100 倍。

这类场景的确容易让⼈认为 AI 具备颠覆性的效率提升。但我们需要拆解这些案例的特点:

  1. 需求清晰、任务简单:数独游戏的规则固定,AI 只需基于已有的训练数据⽣成代码,⽽不需要额外的上下⽂理解;
  2. **代码质量不重要:**在展⽰"AI 速度"的场景中,代码的健壮性、可维护性往往被忽略。哪怕⽣成的代码不符合团队规范、不易扩展,也不会影响展⽰效果;
  3. 极端场景的放⼤:⼀些演⽰视频可能会挑选 AI 表现最优的时刻,⽽忽略它犯错的情况。例如,在 Cursor ⽣成 UI 代码时,可能会遗漏复杂交互的细节,导致实际使⽤时需要⼤量修改;

这种能⼒对于⾮专业开发者、初创团队或需要快速验证 MVP、短平快的原型开发、简单⼯具编写的场景⾮常有帮助,让技术⻔槛⼤幅降低。

然⽽,这仅仅是理想化的场景,现实中的业务开发却远⽐这个复杂得多。

真实场景提效

为了分析 Cursor 在业务开发中的实际提效,我们先拆解前端开发的典型流程,以及各环节的⼤致时间占⽐:

开发环节 时间占比
需求分析 10%
技术方案设计 5%
UI 设计与组件开发 20%
业务逻辑与状态管理 20%
API 集成 15%
路由与权限控制 5%
测试与调试 15%
构建与部署 5%
其他 5%

从表格可以看出,占据开发者较多时间的环节主要是:

  1. 需求分析
  2. UI 还原与组件开发
  3. 业务逻辑实现
  4. API 集成与调试

接下来,我们分析 Cursor 在这些环节中的实际表现:

需求分析:Cursor 介⼊难度极⼤

原因很简单:

  1. 需求分析涉及业务背景、上下⽂理解、利益取舍,需要⼤量主观判断。
  2. 需求变更频繁,AI 很难⾼效处理动态变化。
  3. 许多需求难以⽤⾃然语⾔准确描述,导致 AI ⽣成的内容不够精准。

结论:Cursor 在需求分析环节⼏乎⽆法发挥作⽤。

UI 还原:能⼒有限,仍需⼤量⼈⼯调整

当前 Cursor 可以基于 Figma 设计稿或截图⽣成 UI 代码,但仍然存在较多问题:

  1. ⼤多产品UI⻛格定制化程度⾼,AI 难以精准适配。
  2. 解析图⽚时容易丢失信息,导致代码偏差较⼤。
  3. ⽆法抽离公共组件,导致代码冗余,复⽤性差。
  4. ⽆法直接与现有组件库(如 Ant Design、Material-UI、内部⾃定义组件库)⽆缝对接。

结论:还原效果不稳定,仍需⼿动调整,不如⾃⼰编码实现。

业务逻辑实现:Cursor 提效最明显的环节

如果我们能够把功能模块拆解清楚,提供⾜够的上下⽂,清晰表达要做什么事情,Cursor 确实能够⼤幅提升开发效率。适⽤场景:

  1. ⽣成 CRUD 代码(增删改查)
  2. ⽣成算法实现(如排序、解析等)
  3. ⽣成⼯具函数
  4. 代码重构与优化
  5. 代码⾃动补全与⽂档⽣成
  6. 单元测试⽤例的⽣成
  7. 历史代码的阅读理解
  8. 潜在的bug分析

结论:Cursor 在这⼀环节能带来 30% 左右的提效

API 集成与调试:介⼊难度⾼

这里的挑战是:

  1. 前后端项⽬分离,AI对于后端项⽬⽆感知,⽆法协同
  2. 接⼝字段对接繁琐,隐性使⽤条件多,难以⽤⾃然语⾔描述完整

结论:Cursor 在 API 集成环节的作⽤有限,调试环节⼏乎⽆能为⼒。

小结

综上所述,在完整的前端开发流程中,Cursor 能真正带来显著提效的环节主要是业务逻辑编码实现,在其他环节的作⽤⾮常受限。

整体来看:**Cursor 实际带来的提效约为 20%-30%,**那么,是否意味着我们只能接受这个上限?并不⼀定。

何重塑⼯作流

⾃媒体宣传中 Cursor 提效可达 10 倍,⽽实际业务开发中仅提升 30%,核⼼区别在于上下⽂的缺失。

当前 Cursor 在代码理解和⽣成⽅⾯已⾮常强⼤,要让 Cursor 在业务开发中发挥更⼤作⽤,我们需要调整⼯作流,使其更适应 Cursor 参与。

关键在于清晰表达需求并提供⾜够的上下⽂。 如果 cursor的实现未达预期,先反思⾃⼰是否描述清楚 ⸺毕竟,AI ⽆法读懂你的⼼思。

分治思维,逐步验证

在使⽤Cursor agent模式的时候,切记不要⼀次性完成⾮常庞⼤的功能再验证,不然可能会越改越乱。

最佳的实践:将复杂的功能拆解为多个⼩的独⽴功能模块,每完成⼀个⼩的独⽴功能就验证是否正确,如果正确在进⾏下⼀个功能模块。

结构化需求,让 AI 能够更好的理解

从产品源头采⽤更标准化的需求⽂档格式,如 Markdown、JSON 结构化描述需求。团队可共享这份结构化的需求⽂档,避免开发⼆次表达导致信息失真。

结合 AI Prompt 设计优化,提⾼输⼊的精准度。

利⽤反向费曼学习法,通过Cursor chat模式,让AI反诉需求,看他是否真正理解了你的需求,并让他提出质疑,去挖掘你更深层次的需求或者⽋考虑的场景。

提供 UI 设计标准规范、组件库与 API ⽂档等更多上下⽂

通过Cursor rules提供上下⽂信息:

代码与测试⼀体化

让 Cursor⽣成代码的同时⽣成单元测试,减少调试时间。

结合 CI/CD 流程,让 Cursor直接检测代码问题。

......

结语

Cursor 作为 AI 辅助开发⼯具,确实能够提升开发效率,但如果⼯作流不变,仅仅依赖 AI 来适应当前流程,最终的提升可能不会超过 30%。

真正的 10 倍效率提升,不是 AI 本⾝带来的,⽽是 结合 AI 进⾏⼯作流重塑的结果。

如果我们能够优化需求管理、UI设计标准及组件库对接、API 接⼝集成、测试⾃动化等环节,AI辅助编程⼯具的潜⼒才能被真正释放,实现指数级的效率提升。

最后,依旧要让各位焦虑一下

据GitHub数据,AI已参与46%的新代码生成(2023),Gartner预测2027年AI将承担40%开发任务。

根据普华永道的报告,到2026年,AI将迫使程序员转向更具创造性和战略性的角色,例如AI系统的设计、优化和维护。

因此,程序员未来的竞争力将取决于其对AI工具的掌握以及跨领域的综合能力,而不是仅仅依赖于编写代码的能力。

言尽于此...