Cursor在短短一年内负载增长了100倍，数据层每秒处理超过100万次查询，每天提供数十亿次代码补全。与联合创始人Sualeh Asif深入探讨其构建方式。
AI 编程应用 Cursor 是一个非常典型的现象级产品。2023 年 3 月刚起步时，年收入只有约 100 万美元，而到了 2025 年 4 月，这一数字飙升至 3 亿美元—— 25 个月时间，收入翻了整整 300 倍。
Cursor背后的成功路径，核心原理，值得每一个工程师，研发人员，产品经理，管理者学习。
Cursor是一款AI驱动的IDE，2024年以来成为工程师们最喜爱的工具。
Anysphere是Cursor背后的初创公司，成立于2022年，Cursor的第一个版本于两年前的2023年3月发布。上周，Anysphere宣布完成了9亿美元的C轮融资，公司估值达到99亿美元！该业务的年收入已超过5亿美元，这可能创下了记录：据我所知，没有其他开发工具公司在推出首个产品后的2年内达到这一里程碑。Cursor被财富500强中超过一半的大型科技公司使用，这也有所帮助。
同样在上周，该公司推出了Cursor 1.0，这是一个重大版本：值得注意的新增功能包括AI代码审查（使用名为BugBot的工具）、后台代理和内存支持（记住过往聊天的详细信息）。
我与Cursor联合创始人Sualeh Asif坐下来了解Cursor的工作原理以及团队如何构建这个工具，他分享了其内部结构的新细节：
1. 技术栈：TypeScript和Rust、云服务提供商、Turbopuffer、Datadog、PagerDuty等
2. 自动补全的工作原理：低延迟同步引擎将加密上下文传递给服务器，服务器运行推理
3. 聊天功能如何在不在服务器上存储代码的情况下工作：巧妙使用Merkle树避免在服务器上存储源代码，同时能够使用嵌入搜索源代码
4. Anyrun：Cursor的编排服务：一个Rust服务负责在云中安全地启动代理，具有适当的进程隔离，使用Amazon EC2和AWS Firecracker
5. 工程挑战：使用模式决定技术选择、扩展问题、冷启动问题、分片挑战和难以发现的故障
6. 出于必要的数据库迁移：Cursor如何以及为什么从Yugabyte（一个应该无限扩展的数据库）迁移到PostgreSQL。还有在大型索引故障期间，在几小时内迁移到Turbopuffer的史诗般努力
7. 工程文化和流程：每2-4周发布一次、异常保守的功能标记、专门的基础设施团队、实验文化以及他们面临的有趣工程挑战
Cursor的数据概览
在深入技术栈之前，让我们先从数字角度了解Cursor：
- 50：从事Cursor开发的工程师数量
- 100万：每秒事务数，峰值时更高
- 100倍：12个月内用户和负载的增长——有时每月翻倍
- 1亿+：企业客户每天使用Cursor编写的企业代码行数，如NVIDIA、Uber、Stripe、Instacart、Shopify、Ramp、Datadog等。Cursor声称美国最大的1000家公司中超过50%使用其产品
- 5亿美元+：年收入运行率。这在5月初为3亿美元，1月份为1亿美元，而一年前为零。Cursor可能正在创造收入增长记录？
- 10亿：企业和非企业用户每天使用Cursor编写的代码行数略少于这个数字
- 数百TB：存储在Cursor数据库中的索引规模。这可能看起来不如其他数字令人印象深刻，但与图像和视频相比，代码本身在存储方面相当小。此外，这不是代码本身，而是嵌入，因为Cursor不在其数据库中存储代码
Cursor 宽松的办公室
Cursor可能正在追赶GitHub Copilot的收入生成：路透社报道GitHub Copilot在2024年可能产生了5亿美元的收入。目前，Cursor有望在2025年产生相同的收入，如果增长继续以当前速度进行，甚至可能更多。
1. 技术栈
关于这个刚满3年的Cursor代码库的一些统计数据：
- 25,000个文件
- 700万行代码
编辑器是Visual Studio Code的分支，意味着它与VS Code具有相同的技术栈：
- TypeScript：大部分业务逻辑用这种语言编写
- Electron：Cursor使用的框架
在创办公司时，他们必须决定是从头开始构建编辑器（类似于Zed所做的），还是从分支开始。Sualeh解释了这个决定：
"我们需要拥有自己的编辑器，不能'仅仅'成为一个扩展，因为我们想要改变人们编程的方式。这意味着我们要么需要构建一个全新的IDE，要么分支一个现有的编辑器。
我们决定分支，因为从头开始需要大量努力才能构建一个稳定的编辑器。我们的价值主张不是构建稳定的编辑器，而是改变开发者编程的方式，以渐进的方式进行。例如，如果没有分支，构建神奇的'tab模型'会非常困难，而有了分支就很简单。分支让我们专注于体验，而不是编辑器。"
后端：
- TypeScript：大部分业务逻辑用这种语言编写
- Rust：所有性能关键组件都使用这种语言。下面讨论的编排器就是一个例子
- Node API到Rust：大部分业务逻辑在TypeScript中，性能密集型部分在Rust中，所以有一个桥梁通过Node.js从TypeScript调用Rust代码。一个例子是调用索引逻辑（用Rust编写），大量使用这个桥梁
- 单体架构：后端服务主要是一个大型单体，作为一个整体部署。这提醒我们单体架构对早期初创公司效果很好，可以帮助团队快速行动
数据库：
- Turbopuffer：一个多租户数据库，用于存储加密文件和工作空间的Merkle树，下面会介绍。团队偏爱这个数据库的可扩展性，不必处理数据库分片的复杂性，就像以前一样。我们在下面的"工程挑战"中介绍挑战
- Pinecone：一个向量数据库，存储一些文档的嵌入
数据流：
- Warpstream：一个与Apache Kafka兼容的数据流服务
工具：
- Datadog：用于日志记录和监控。Sualeh说他们是重度用户，发现Datadog的开发者体验远优于替代方案
- PagerDuty：用于值班管理，与他们的Slack集成
- Slack：内部通信和聊天
- Sentry：错误监控
- Amplitude：分析
- Stripe：购买Cursor计划时的计费和支付
- WorkOS：登录Cursor时的身份验证，如使用GitHub或Google Workspace登录
- Vercel：托管Cursor.com网站的平台
- Linear：用于管理工作
- Cursor：当然！团队使用Cursor来构建Cursor。最终，每个工程师都对自己提交的代码负责，无论是手写的还是Cursor生成的
模型训练：Cursor使用多个提供商来训练自己的模型并微调现有模型：
- Voltage Park
- Databricks MosaicML
- Foundry
物理基础设施
所有基础设施都在云服务提供商上运行。Sualeh说：
"我们非常是一个'云商店'。我们主要依赖AWS，然后是Azure进行推理。我们还使用其他几个较新的GPU云。"
大部分CPU基础设施在AWS上运行。他们还运营着数万个NVIDIA H100 GPU。很大一部分GPU在Azure内运行。
推理是Cursor迄今为止最大的GPU使用案例，这意味着生成下一个token，无论是作为自动补全还是完整的代码块。实际上，Azure GPU仅用于推理，不用于其他LLM相关工作，如微调和训练模型。
Terraform是Cursor用来管理基础设施（如GPU和虚拟机，如EC2实例）的工具。
2. Cursor自动补全的工作原理
为了理解构建Cursor的一些技术挑战，让我们看看第一次启动编辑器时会发生什么。
低延迟同步引擎：自动补全建议
打开项目或文件夹后，你可能会开始编辑文件。这意味着Cursor需要生成自动补全建议，Cursor团队称之为tab建议。
低延迟同步引擎为"tab模型"提供动力。这生成灰色显示的建议，可以通过按"Tab"键接受。建议需要在理想情况下不到一秒的时间内快速生成。以下是幕后发生的事情：
工作原理：
- 客户端本地收集当前上下文窗口（代码）的一小部分
- 代码被加密
- 加密的代码/上下文被发送到后端
- 后端解密代码/上下文
- 使用Cursor的内部LLM模型生成建议
- 建议被发送回来
- IDE显示建议。按"Tab"接受建议
- ...过程为下一个建议重复
这个"tab模型"必须尽可能快，数据传输尽可能低。发送多少上下文和建议质量之间总是有权衡：Cursor能发送的相关上下文越多，建议就越好。然而，发送大量上下文可能会减慢建议的显示，所以正确处理这一点是Cursor工程师面临的挑战之一。
3. Cursor聊天功能如何在不在服务器上存储代码的情况下工作
Cursor支持聊天模式，用于询问代码库、与代码库"聊天"，或要求Cursor执行将启动代理进行重构、添加某些功能、修改方法等的操作。后端不存储源代码，但所有LLM操作都在那里完成。它通过代码库索引来管理这一点。以下是工作原理：
在聊天模式中提问：让我们以询问createTodo()方法为例，该方法是代码库的一部分，在server.js中定义。为了使事情复杂化，我在index.html中内联定义了一个类似的方法叫addTodo()。让我们看看Cursor如何处理这个！
Providing a codebase-related prompt to Cursor
提示被发送到Cursor服务器，在那里它解释提示，并决定需要执行代码库搜索。
使用代码库索引进行搜索。代码库索引是先前创建的嵌入。它尝试使用向量搜索定位最匹配上下文的嵌入。在这种情况下，向量搜索返回了两个非常接近的结果：在server.js和index.html中。
从客户端请求代码：服务器不存储任何源代码，但现在从server.js和index.html请求源代码，以便它可以分析两者并决定哪个相关。
最后，在向量搜索和从客户端请求相关源代码后，服务器有了回答问题所需的上下文。
Cursor在幕后做了一些事情来使这些搜索工作。
4.使用代码块进行语义索引代码
为了允许像上述情况那样使用嵌入进行向量搜索，Cursor首先需要将代码分解为更小的块，创建嵌入，并将这些嵌入存储在服务器上。以下是它的做法：
1. 创建代码块。Cursor将文件内容切片成更小的部分。每个部分稍后将成为一个嵌入
2. 在不存储文件名或代码的情况下创建嵌入。Cursor甚至不想在服务器上存储文件名，因为它可能被视为机密信息。相反，它发送混淆的文件名和加密的代码块到服务器。服务器解密代码，使用OpenAI的嵌入模型或他们自己的模型创建嵌入，并将嵌入存储在他们的向量数据库Turbopuffer中
创建嵌入在计算上是昂贵的，这是在Cursor后端使用云中GPU完成的原因之一。对于中等大小的代码库，索引通常需要不到一分钟，对于大型代码库可能需要几分钟或更长时间。你可以在Cursor设置→索引中查看索引状态。
使用Merkle树保持索引最新
当你使用Cursor或其他IDE编辑代码库时，Cursor的服务器端索引会过时。一个简单的解决方案是每隔几分钟运行重新索引操作。然而，由于索引在计算上是昂贵的——并且通过传输加密代码块使用带宽——这并不理想。相反，Cursor巧妙地使用Merkle树和高延迟同步引擎（同步引擎每3分钟运行一次）来保持服务器端索引最新。
Merkle树是一个树，其每个叶子都是底层文件的加密哈希（例如文件main.js的哈希）。每个节点都是其子节点哈希的组合。一个包含四个文件的简单项目的Merkle树看起来像这样：
Merkle树的工作原理：
- 每个文件根据其内容获得一个哈希。树的叶子是文件
- 每个文件夹根据其子节点的哈希获得一个哈希
Cursor使用与此非常相似的Merkle树，除了它使用混淆的文件名。Cursor客户端基于本地文件创建Merkle树，服务器也基于它已完成索引的文件创建一个。这意味着客户端和服务器都存储各自的Merkle树。
每3分钟，Cursor进行索引同步。为了确定哪些文件需要重新索引，它比较两个Merkle树；客户端上的是真实来源，服务器上的是索引状态。让我们以客户端"index.ts"更改为例：
使用树遍历定位需要重新索引的位置。树遍历不是我们开发者经常实现的东西，但对于这个用例，Cursor工程师必须这样做。Merkle树使树遍历高效，因为从根节点开始，很容易判断哈希是否匹配。在哈希有差异的地方，也很容易找到需要同步的文件。同样重要的是，Merkle树将同步操作最小化为仅更改的文件。
这种Merkle树结构很好地适应了Cursor的实际使用情况。例如，在一天结束时关闭计算机，然后第二天开始从git仓库获取更新是很常见的。在团队中，到第二天早上一堆文件发生变化是很常见的。使用这个Merkle树，Cursor尽可能少地进行重新索引，在客户端节省时间，在服务器端尽可能高效地使用计算。
安全索引
即使Cursor不在服务器端存储代码，代码库中也有一些敏感部分，即使加密后发送也不是好主意。敏感数据包括秘密、API密钥和密码。
使用.gitignore和.cursorignore是保持索引安全的最佳方式。秘密、API密钥、密码和其他敏感信息不应上传到源代码控制，通常存储为本地变量，或在添加到.gitignore的本地环境文件（.env文件）中。Cursor尊重.gitignore，不会索引其中列出的文件，也不会将这些文件的内容发送到服务器。此外，它提供了一个.cursorignore文件，应该添加Cursor要忽略的文件。
在上传块进行索引之前，Cursor还会扫描代码块以查找可能的秘密或敏感数据，并且不会发送它们。
索引非常大的代码库
对于大型代码库——通常是具有数千万行代码的单一仓库——索引整个代码库极其耗时，使用大量Cursor的计算资源，并且通常是不必要的。此时使用.cursorignore文件是明智的方法。文档提供了更多指导。