Anthropic 被爆正开发与Lovable 相似的功能

近日，x 上 ID 名为 @marmaduke091 的网友爆料，继 Claude Code 源代码泄漏后，Anthropic 又发生了一次泄露——他们创建了一个类似 Lovable 的功能，让用户可以轻松构建全栈应用。他们正在追赶一切。

随后，名为 @k1rallik 的网友甚至，扒出了此次泄漏的细节。他写道：“Anthropic 又泄露了一条消息，他们正在构建一个全栈式 Vibe 编码平台，与 Lovable、Bolt 和 v0 直接竞争。”

以下是泄露的内容：

• “让我们交付一些很棒的东西”——通过文本输入构建应用
• 内置浏览器中的实时预览
• 一键发布部署
• 方案：深色模式、登录、安全扫描、数据库设置
• 项目设置：数据库、存储、认证、用户、日志

这不仅仅是一个代码生成器，这是一个完整的底层架构。托管、数据库、身份验证、分析，一切都在 Claude 里。

有网友猜测，Anthropic 即将推出新功能。

目前尚无法确认 x 上这些网友爆料的关于 Anthropic 新功能的信息是否准确，但 Anthropic 过去一年也的确一直在把 Claude 从“聊天模型”往“可创建、托管、分享应用的平台”方向推进。

Anthropic 加紧补齐整个 AI 开发栈

一个极具说服力的证据来自 2026 年 3 月 31 日的 Claude Code 源码泄露事件。由于 npm 包中误包含 source map 文件，Anthropic 的 Claude Code CLI 被完整暴露，涉及约 1900 个 TypeScript 文件、超过 51 万行代码，几乎等同于把整个“AI 编程代理系统”的实现细节公开 。

更关键的是，这次泄露并不仅仅暴露了一个“代码生成工具”，而是展示了一整套围绕 AI agent 的工程体系：包括文件编辑、命令执行、Git 操作、任务编排等完整开发流程能力 。这意味着，Anthropic 实际上已经在构建一个可以直接参与软件开发全流程的“执行层”，而不仅是提供模型推理能力。

根据 InfoQ 全球站的一篇报道，泄漏的源代码中隐藏着许多未发布的功能，这些功能被隐藏在功能标志之后。KAIROS 描述了一种自主守护进程模式，一种常驻后台的 Agent，在该模式下，Claude Code 作为后台 Agent 运行，在用户空闲时执行内存整合。ULTRAPLAN 似乎旨在将复杂的规划任务卸载到云基础设施。

这些设计指向一个更激进的方向：AI 不只是响应请求，而是具备持续运行、长期任务管理和上下文记忆能力 。媒体报道同样提到，代码中还暴露出“always-on agent”和复杂的记忆系统，这类能力本质上已经接近一个“长期运行的开发助手”，而不是一次性交互的工具 。这类架构正是构建应用（而非仅生成代码）的核心基础设施。

如果把时间线再往前拉，可以看到 Anthropic 正在系统性补齐整个 AI 开发栈。

2025 年以来，其产品从 Claude 模型本身，逐步扩展到 Claude Code（CLI 编程代理）、Claude Cowork（面向非开发者的 GUI 工具），以及“computer use”（直接操作计算机）能力，形成从接口层到执行层的闭环。

尤其是两周前发布的“computer use”研究预览，标志着模型开始具备操作操作系统和真实软件环境的能力，这直接打破了传统 SaaS 应用的边界，使 AI 可以绕过 API，直接在用户环境中完成任务。

这种能力组合，本质上是在重建一个“AI 原生的软件执行环境”，而不是增强现有软件。

值得注意的是，Anthropic 还在尝试解决 AI 应用开发中最核心的工程问题：长时间、多步骤任务的一致性与可靠性。

3 月 24 日，Anthropic 宣布推出多智能体框架，就是一个典型例子——通过将任务拆分为规划、生成、评估等多个 Agent，并在长达数小时的会话中保持一致性，从而支持完整应用的构建过程。这种架构已经明显超越“代码补全”或“脚本生成”，而是向“自动完成一个完整软件项目”的方向演进。

综合这些信号可以发现，Anthropic 的战略并不是停留在“更强模型”，而是在向上吞噬整个开发工具链：从模型（Claude）→ Agent（Claude Code）→ 协作界面（Cowork）→ 执行环境（computer use）→ 多 agent 编排（multi-agent framework）。

Claude Code 泄露所展示的内部结构，透露出一个讯号：它已经具备了构建、运行、调试乃至维护应用的基础能力。

这也解释了为什么外界开始讨论：Anthropic 是否正在从一个模型公司，转向一个“AI 应用平台公司”，甚至对 Lovable、Base44 这类上层应用构建工具形成潜在替代。

AI 编程进入“大收割时代”：Vibe Coding 的护城河是啥？

Claude 泄漏的新功能在 x 上引发了激烈讨论。有一条高赞评论是这样说的——一键发布功能彻底改变了一切。该网友写道：

“目前，大多数基于 Vibe 的编码工具在‘我做出了很酷的东西’和‘人们真正能用它’之间仍然存在着巨大的鸿沟。如果 Anthropic 能够将部署、身份验证和数据库集成到一个流程中，那么 Lovable 和 Bolt 就真的面临严峻的挑战了。”

也有网友表示自己之前用过 Lovable，后来换成了 Claude Code，结果发现实际上用 Claude Code 开发比用 Lovable 更便宜。

有用户表示，Lovable 这类应用做原型很棒，但未来 Claude Code 和 Codex 也终将会提供类似的功能，一切只是时间问题。

还有用户感慨，Lovable 这类应用技术本身就没什么壁垒。他写道：

“几个月前我从 Lovable 切换到了 Claude Code，现在根本没有理由再选择 Lovable。”

还有用户认为，不止是 Anthropic，其他模型巨头们也在向全栈构建工具转型，这意味着这个领域正在融合，大家都在追求大一统的终极目标。

在 Hacker News 上，曾经也有个有意思的讨论，有人提问现在前沿的 AI 创业公司最大的错觉是什么？有人回答，是这些公司以为自己真的有护城河。

长期以来，像 Lovable、Base44 以及 Bolt 这样的平台，凭借着对模型能力的底层封装，通过极致的 UI/UX 优化和工作流整合，成为了用户通往 AI 原生应用的“最后一公里”。

它们在技术爆发的很早期抓住了模型厂商“只管大脑，不顾手脚”的窗口期，迅速通过“模型 + 编辑器 + 部署”的封装逻辑赢得了声势。

然而，随着 Anthropic 以及 OpenAI、谷歌等模型巨头们开始亲自下场重构“AI 交互层”，这一逻辑正在崩塌。

2025 年 11 月 18 日，谷歌发布了 Gemini 3，并称其为“智能新时代的开启”。Gemini 3 为 Antigravity 提供支持，Antigravity 是一款全新的集成开发环境（IDE），允许自主代理处理复杂的编码任务。

OpenAI 和 Anthropic、亚马逊等巨头当然也没闲着。原本作为垂直应用存在的 Claude Code 和 OpenAI Codex，现在只需一键即可集成进 VS Code 或 Cursor；亚马逊推出了 AI 增强型 IDE Kiro；老牌云端协作平台 Replit 也不甘示弱，全面转向 AI Agent 模式。甚至在收购市场上，Vibe Coding 工具 Base44 被 Wix 以 8000 万美元现金及后续对赌协议收至麾下。

在这一片繁荣背后，隐藏着一个残酷的事实：AI 编程进入“大收割时代”，模型厂商吞噬所有工具趋势逐渐显现。

如今所有的 AI 编码工具，本质上都是对 GPT 5.1、Claude 4.5 或 Gemini 3 Pro 等基础模型的高级封装。

开发者们正集体撞向一面墙：90% 的传统编程技能正在被商品化，变得廉价且触手可得，而剩下的 10% —— 即如何有效协调 AI 进行复杂架构设计的能力 —— 价值虽然翻了 1000 倍，但这 10% 并不取决于你使用的是哪一个 UI 包装器。

这就引出了一个令 Lovable 等明星初创公司尴尬的问题：你的真正护城河究竟是什么？

一篇发布在 Linkedin 平台的名为 《60 亿美元的 Lovable：护城河在哪里？》 的文章和 YouTube 上的名为 《Stop Vibe Coding. Start Getting Customers》 的视频中分析了撑起 Lovable 60 亿美元估值背后的逻辑。

结合文章和视频中的观点，如果把 Lovable 放在整个 AI 软件栈的演进中去看，它所谓的“护城河”并不来自底层技术，而是来自对 用户结构、内容生态和使用路径的重新定义。

换句话说，它不是在和模型公司竞争“能力上限”，而是在争夺“谁来承接被模型释放出来的用户需求”。问题因此变成：在一个模型能力快速商品化的时代，Lovable 是否能在模型之上，构建出足以支撑其高估值的结构性优势。

首先，Lovable 最有可能成立的一道护城河，是对目标市场的刻意错位——即“代码版 Canva”的路径。

它并不试图服务专业开发者，而是面向一批几乎不会进入传统开发环境的人群：创业者、设计师、产品经理、中小企业运营者。这些用户既有强烈的软件需求，又缺乏编程能力，他们也不会使用 Visual Studio Code 这类工具，更不会融入以工程师为中心的开发范式。

在这个意义上，Lovable 的真正竞争对手并不是开发工具，而是“不会写代码但想做软件”的现实约束。如果它能够像 Canva 在设计领域所做的那样，把复杂能力封装成直观操作，并围绕非技术用户建立品牌与社区认同，那么它确实有机会在一个被长期忽视的市场中建立稳固地位。这个市场的规模甚至可能超过专业开发者市场，因为它本质上是在把“软件生产能力”向更广泛的人群下沉。

其次，Lovable 试图构建的第二层护城河，是基于用户生成内容（UGC）的模板与应用生态，更直白点说，是 Lovable 超强的分销渠道。

像 Lovable 这样的平台每天都会发布 20 万个新项目，如果平台每天生成海量应用，并能够将这些应用沉淀为可复用的模板库，再进一步发展为一个可搜索、可交易、可组合的市场，那么其价值就会从“生成工具”跃迁为“应用分发与复用网络”。这一模式更接近 Envato 或 ThemeForest：真正的壁垒不在于技术，而在于内容供给与需求之间的网络效应。一旦开发者或创作者开始围绕平台生产模板，用户则通过消费这些模板完成应用构建，平台就能形成自我强化的正反馈循环。

然而，这条路径的前提极为苛刻——必须解决内容质量、版权归属、模板维护以及激励机制等问题，否则所谓的“生态”很容易退化为大量低质量、无人维护的项目堆积，从而反噬用户体验。

第三条可能的护城河来自企业侧的工作流嵌入。Lovable 已经开始进入企业客户场景，如果它能够深入嵌入企业的开发与运营流程，例如参与内部工具开发、自动化业务流程、甚至成为非工程团队的“软件生产接口”，那么就有机会形成一定程度的锁定效应。这种锁定通常通过几个维度实现：一是工作流集成，使工具成为日常操作的一部分；二是数据沉淀，让企业历史项目、模板和使用习惯逐渐依附于平台；三是合规与安全体系，例如符合 SOC2、GDPR 等标准，从而提高替换成本；四是团队协作能力，包括权限管理、审批流和版本控制等。

但需要注意的是，这种护城河本质上仍然是“软性”的。企业在工具选择上极其现实，一旦出现更高性价比或更强能力的替代方案，就会迅速迁移。如果底层 AI 能力来自通用模型，而非自有技术，那么 Lovable 在企业端的差异化很容易被复制。

最后，也是当前最现实的一层护城河，是品牌与社群势能。Lovable 借助早期的病毒式传播和产品叙事，已经在“Vibe Coding”这一语境中占据了一定心智位置，其创始人也成为这一领域的重要声音。这种优势在早期极具价值，因为它可以带来自传播、降低获客成本，并在用户之间形成情绪连接——用户选择它，不仅因为能用，更因为“认同”。但问题在于，这种护城河在开发工具乃至 AI 工具领域通常非常脆弱。用户——尤其是有一定技术判断力的用户——对工具的忠诚度极低，一旦 Google、Anthropic 或其他平台提供更强、更便宜或更稳定的能力，迁移几乎是瞬时发生的。

留给 Lovable 们的时间不多了

虽然 Lovable 的 CEO Anton Osika 宣称公司正在打造“最后的软件”（The Last Software），这听起来是个极具冲击力的口号。

但拨开营销的迷雾，你会发现其本质依然是为真正的“最后的软件” —— 那些作为底层智能引擎的第三方前沿模型，裹上了一层精美的用户界面。

当 Anthropic 的 Claude Code 能够直接通过 CLI 与本地开发环境深度集成，甚至能够自主处理增量重构和复杂逻辑时，用户为什么要多跳一步去使用第三方封装工具？

当“大脑”学会了直接操控“工具”，那些曾经被称为“护城河”的 UI 插件、部署模板和中间件，瞬间就退化成了模型的一个“功能插件”。

这就是“生态降维打击”：模型厂商每前进一步，留给中间层创业者的空气就稀薄一分。

Lovable、Base44、Bolt 曾经引以为傲的“速度”和“易用性”，正面临着来自底层的全面收缴。

事实上，真正决定 Anthropic 是否会“吞掉” Lovable、Base44 这类应用构建工具的，并不是功能多少，而是 软件栈的分层是否还成立。

传统的软件体系是清晰分层的：模型层（LLM API）之上，是应用构建层（如 Lovable、Base44 这类低代码 /AI 应用生成平台），再往上才是具体应用。而 Anthropic 正在做的，是系统性地打穿这几层，把“应用构建能力”直接内化到模型与 Agent 执行体系中。

Claude Code 泄露所揭示的结构已经非常接近一个“自包含开发环境”：模型不仅负责生成代码，还直接参与文件系统操作、命令执行、版本控制（Git）、任务拆解与调度。

这意味着，原本属于 Lovable、Base44 的核心能力——例如应用生成、组件拼装、部署流程管理——正在被迁移到一个更低层、更通用的执行框架中。当“开发流程”本身成为模型的一部分时，上层工具的价值就会被压缩为界面封装，而这在技术上是最容易被替代的部分。

更关键的是，Anthropic 的路径不是“做一个更强的 builder”，而是在构建一种 持续运行的 Agent 计算模型。从泄露信息中的常驻 Agent（如 KAIROS）、feature flag 体系，到多智能体框架中的“规划 – 生成 – 评估”闭环，可以看出其目标是让 AI 能够在长时间尺度上自主推进复杂任务。

这一点与 Lovable / Base44 的“即时生成一个应用原型”存在本质差异：前者是一个可以不断迭代、维护、甚至重构软件的系统，后者则更接近一次性的生成工具。当软件的生命周期（开发→部署→迭代→维护）全部被 Agent 接管时，单点的“应用生成工具”就会被边缘化。

再往下看，“computer use”能力的引入，则进一步削弱了应用层工具的存在基础。传统应用构建平台的一个前提是：所有能力必须通过 API 或预定义组件暴露。但一旦模型可以直接操作操作系统、浏览器和现有软件，它就不再依赖这些中间层抽象。换句话说，AI 可以直接“使用世界上的软件”，而不是“通过平台生成新的软件”。在这种范式下，Lovable / Base44 所扮演的“应用生成中介”角色，会被一个更通用的 Agent 执行层替代。

从架构演进角度看，这实际上是一次典型的“层级坍缩”：

模型层向上吞噬应用逻辑（通过 tool use、agent 编排）

执行层向上吞噬运行环境（通过 computer use）

Agent 层向上吞噬开发流程（通过多智能体协作）

当这三件事同时发生时，原本位于中间的“AI 应用构建平台”就会失去独立存在的必要性。因为它既不掌握更底层的执行能力，也无法提供比 Agent 更高层的抽象，只能停留在 UI 和流程封装层。

因此，问题不再是 Anthropic 会不会“做一个 Lovable”，而是：当 Claude 本身就是一个可以构建、运行并持续演化应用的系统时，Lovable 这类产品还剩下什么不可替代的能力？

作者：冬梅

来源：AI前线

AI圈的内容还是挺有料的。Cursor准备推出Composer 2挑战OpenAI和Anthropic，OpenAI也在筹划收购Astral来补强Codex生态，微软还发布了新的图像生成模型MAI-Image-2。另外白宫准备推出联邦AI监管框架，这个可能会对整个行业产生深远影响。总的来说，大厂们都在双线布局——一边拼技术，一边等政策。往下看详情吧。

AI Coding 领域（5条）

1. Cursor计划推出Composer 2模型挑战OpenAI和Anthropic

时间：2026-03-20 | 来源：TechStartups
内容：AI编程初创公司Cursor计划推出Composer 2模型，作为一个能处理更复杂软件开发任务的”智能体”。该公司已拥有超过100万日活用户和5万家企业客户，正进行高估值融资谈判。
值得关注：AI编程工具竞争进入白热化阶段，Cursor从IDE工具向AI模型提供商转型，试图在OpenAI和Anthropic的夹击中找到差异化定位。

2. OpenAI计划收购Python初创公司Astral

时间：2026-03-20 | 来源：TechStartups
内容：OpenAI计划收购为开发者构建Python工具的初创公司Astral，以加强其Codex生态系统的建设。Codex用户数已超过200万。
值得关注：OpenAI正在从”代码生成”向”全栈开发工具链”扩展，收购Astral意味着Codex将深度整合Python生态，对开发者体验是重大升级。

3. learn-claude-code开源：从零构建AI编程助手

时间：2026-03-21 | 来源：GitHub Trending / AIToolly
内容：shareAI-lab在GitHub发布极简Bash脚本框架”learn-claude-code”，帮助开发者从零开始构建AI编程助手，无需依赖复杂库，适合学习AI驱动编码代理的底层原理。
值得关注：Claude Code的开源替代方案正在涌现，降低了开发者学习AI编程代理技术的门槛，有利于生态繁荣。

4. OpenUI解析器重构：TypeScript重写性能提升3倍

时间：2026-03-20 | 来源：Hacker News / AIToolly
内容：OpenUI团队将其原本基于Rust+WebAssembly的openui-lang解析器重构为纯TypeScript实现，性能提升达3倍，主要原因是消除了WASM边界带来的内存和序列化开销。
值得关注：技术选型需要权衡，Rust+WASM并非总是最优解，有时候纯TypeScript实现反而更简单高效。

5. Code Metal融资1.25亿美元用于国防AI

时间：2026-03-20 | 来源：TechStartups
内容：波士顿初创公司Code Metal获得1.25亿美元融资，其业务重点是使用AI来转换和验证国防承包商使用的遗留软件，以降低现代化过程中的风险。
值得关注：国防AI是一个高门槛、高价值的垂直领域，Code Metal的定位精准，AI在关键基础设施现代化中有巨大潜力。

具身智能领域（5条）

6. 华为推出AgentArts企业AI智能体平台

时间：2026-03-20 | 来源：TechStartups
内容：华为利用市场对类OpenClaw智能体的兴趣，推出了名为”AgentArts”的智能体开发平台，旨在缩短AI智能体的交付时间，并推动其自身芯片的需求。
值得关注：华为正在借鉴OpenClaw的成功模式，通过企业级智能体平台切入AI代理市场，同时带动自家芯片生态。

7. 中国具身智能机器人销售增长13%

时间：2026-03-20 | 来源：AIToolly（引用3月19日数据）
内容：中国具身智能机器人销售额在2026年前两个月同比增长13%，增长主要得益于春节联欢晚会上人形机器人的高调亮相。截至2025年，中国人形机器人公司已超过140家。
值得关注：春晚效应持续发酵，具身智能正在从B端走向C端，消费市场开始启动。140家公司、330款产品，生态已经相当热闹。

8. 宇树科技王兴兴：人形机器人2026年中将跑得比博尔特快

时间：2026-03-20 | 来源：亚布力论坛（引用3月17日发言）
内容：宇树科技创始人王兴兴在2026亚布力论坛年会上表示，预计2026年中期人形机器人将打破博尔特的100米短跑世界纪录。他认为硬件速度持续突破，但”ChatGPT时刻”尚未到来。
值得关注：具身智能硬件能力正在快速提升，但AI控制仍是瓶颈。王兴兴的预测如果实现，将是具身智能的重要里程碑。

9. Newton物理引擎开源：GPU加速机器人仿真

时间：2026-03-20 | 来源：GitHub Trending / AIToolly
内容：newton-physics团队开源基于NVIDIA Warp的GPU加速物理引擎Newton，专为机器人学研究设计，采用Apache-2.0许可。
值得关注：机器人仿真工具链不断完善，降低机器人开发门槛，加速具身智能研究。

10. Superpowers框架发布：模块化AI编码代理技能组合

时间：2026-03-20 | 来源：GitHub Trending / AIToolly
内容：开源社区发布Superpowers框架，提供模块化”技能”组合的方法论，用于构建高级AI编码代理，强调全生命周期开发支持。
值得关注：AI代理生态正在形成标准化框架，有利于技能复用和生态繁荣。

综合AI领域（5条）

11. 微软发布MAI-Image-2图像生成模型

时间：2026-03-20 | 来源：TechStartups
内容：微软发布了第二代AI图像模型MAI-Image-2，据称在照片真实感和文本渲染方面有显著改进，现已在Copilot和Bing Image Creator中向用户推出。
值得关注：微软在AI图像生成领域持续投入，MAI-Image-2的发布将进一步提升Copilot的竞争力，与Midjourney、DALL-E等形成正面竞争。

12. 白宫准备推出联邦AI监管框架

时间：2026-03-20 | 来源：TechStartups
内容：白宫预计将向国会提交其AI监管设想，内容可能涵盖儿童安全、创作者权益、审查制度等，并探讨联邦法规是否应优先于州级法律。
值得关注：AI监管正在从”碎片化”走向”统一化”，联邦框架一旦确立，将降低AI企业的合规成本，但也可能限制地方创新的灵活性。

13. Tinder计划让AI扫描用户相机相册

时间：2026-03-20 | 来源：TechStartups
内容：Tinder计划在美国推出一项功能，允许AI访问用户的相机相册，以帮助挑选照片并推断用户的兴趣爱好。这引发了关于隐私和数据使用的担忧。
值得关注：AI在消费级应用中的隐私边界正在受到挑战，Tinder这个功能可能会成为AI隐私争议的典型案例。

14. 美国指控三人涉嫌向中国走私AI芯片

时间：2026-03-20 | 来源：TechStartups
内容：美国检察官指控三名与超微电脑公司有关的个人，涉嫌将通过东南亚渠道组装、含有高端英伟达芯片的服务器非法运往中国。
值得关注：AI芯片已成为地缘政治资产，出口管制是AI竞赛的关键战场。这种走私案件可能会越来越多。

15. Unsloth AI推出统一Web UI

时间：2026-03-20 | 来源：GitHub Trending / AIToolly
内容：Unsloth AI推出了一个统一的Web界面，用于在本地训练和执行Qwen、DeepSeek等主流开源大语言模型。
值得关注：本地部署门槛持续降低，”个人AI实验室”正在成为现实，有利于保护数据隐私和降低API成本。

 今日总结

领域	热度指数	关键事件
AI Coding		Cursor Composer 2、OpenAI收购Astral、learn-claude-code开源
具身智能		华为AgentArts、宇树王兴兴预测、Newton物理引擎
大厂动态		微软MAI-Image-2、OpenAI Codex生态扩张
政策监管		白宫联邦AI监管框架、AI芯片走私案
隐私争议		Tinder AI扫描相册引发担忧

一句话点评：今天是AI编程工具竞争白热化的一天——Cursor用Composer 2挑战OpenAI和Anthropic，OpenAI则通过收购Astral补强Codex生态，同时白宫的联邦AI监管框架即将出台，技术竞赛和政策监管正在同步加速。

本文将为大家分享 30 个让 Cursor 更听话、更高效的实用技巧，帮助你实现极致心流体验。

基础理念篇

01. 理解”聊天式”编程

Cursor 标志着”聊天式”编程的到来。与传统编程模式相比，它有三大核心突破：通过”自然语言”写代码、追求以判断力的速度迭代、模糊了产品经理、设计师和程序员的边界。这种新范式下，我们的注意力将从”如何写代码”转移到”解决什么问题”，AI 会逼迫你”想清楚、说清楚”。

02. 了解 Cursor 四大件

Cursor 在不同场景提供了不同能力支持，从简单到复杂依次是：Tab、Inline chat、Ask 以及 Agent。熟悉这四大功能模块的特点和适用场景，是高效使用 Cursor 的基础。

03. 掌握”想清楚”到”说清楚”的转变

AI 很强，但它不知道你脑子里到底想要什么。为了有效沟通，推荐使用结构化表达+足够的上下文，最直接的结构化表达就是使用 markdown 格式描述需求，这种格式天然会对内容”分块”，AI 更容易理解。

04. 学会分而治之+小步验证

将复杂问题拆分为简单的小问题，一步步解决。在开发过程中，不要一次生成几千行代码再验证，应该按照拆分任务逐步执行、逐步验证，这样更容易控制代码质量。

05. 理解 MCP (Model Context Protocol)

MCP 是 AI 与外部世界的”万能连接器”，让 AI 有了眼睛和手臂。它的真正价值在于统一了标准，不用再重复造轮子，让 AI 不仅有了更大的上下文，也让闭环操作性上了一个大台阶。

日常操作篇

06. 终端对话

再也不用因为忘记 Linux 命令而苦恼，直接使用 command+k，用自然语言描述命令行操作。这个功能在本地开发时特别实用，可以用 Cursor 专门操作本地终端。

07. 历史代码生成注释

选中代码后使用 command+k，为历史代码快速生成注释，相比 Ask 模式速度极快。这对于接手他人代码或回顾自己早期代码特别有用。

08. 一键生成 commit message

告别思考”我的代码改了什么”的烦恼，Cursor 可以一键帮你生成符合规范的提交信息，提高 Git 操作效率。

09. 快速可视化项目架构

接手新项目时，使用 Ask 模式给你整理出项目的架构图，输出 Mermaid 语法的文本。可以粘贴到 https://mermaid.live/ 查看，快速了解项目结构。

10. 巧用 Notepad 记录关键思路

使用 notepad 记录重要上下文，使用@即可调用。Notepad 在 Ask 和 Agent 模式之间起到很好的桥梁作用，有助于连贯思路。

11. @Git 找出代码漏洞

遇到代码 MR (Merge Request) 时，可以对比与主干代码的差异，检查是否有问题。当 MR 后代码发生问题时，使用 @Git 功能快速定位。

12. 使用 checkpoint 一键回滚

当 AI 修改代码出错时，可以使用 checkpoint 功能快速回滚到之前的稳定版本，避免手动恢复代码的麻烦。

13. 设置专属提示词

在 Cursor Rules 里设置你的专属提示词，提高 AI 理解你需求的准确性。网上有很多提示词模板，可以自行查找并定制。

14. 拖拽式添加上下文

再也不用一个一个寻找目录去添加上下文，在目录中直接按住目标文件，拖进对话框即可。大幅提高工作效率。

15. @web 联网获取最新信息

使用联网功能，快速获取最新的信息，解决开发中遇到的各种问题，特别是对最新技术或库的问题。

高级技巧篇

16. 一个问题一个 Chat

把大模块需求拆分成小问题，为每个新问题单独开启一个 Chat 对话。过长的对话可能导致 AI 记忆混乱、响应时间变长，不利于回顾和管理。

17. 多文件修改使用 Composer

当涉及模块间的数据联调（多个代码文件需要协同工作）时，建议使用 Cursor 的 Composer 功能。相比 Chat，Composer 能同时分析多个文件，理解代码上下文，提供更合理的修改建议。

18. 告诉 Cursor 不要急于写代码

Cursor 更倾向于直接提供代码，在项目前期，可以先进行发散讨论，让 AI 帮助补充不明确的细节。明确要求 AI 暂缓执行，等思路确认后再让它动手。

19. 引导 AI 提问，避免无脑执行

让 AI 反问你，主动确认更多细节。Cursor 默认相信你的判断，如果你自己都拿不准解法，一定要让 AI 反问你，避免按照错误思路执行。

20. 强调不要修改无关代码

在需求描述中明确范围，指明哪些代码可以修改，哪些不能动，以降低 AI 误改的概率。强调自己是代码小白，让 AI 生成更详细的中文批注，帮助理解代码逻辑。

21. 做好 .md 需求文档沉淀

建立 .md 需求文档，记录项目背景、核心逻辑、已实现功能等内容。每次开发新功能时，让 AI 先阅读文档，确保理解上下文。明确指示 AI 阅读需求，避免因多个文件 @ 过多而遗漏关键内容。22. 强调”思维链”提高 AI 推理能力

使用”思维链”(Chain of Thought) 技巧，让 AI 进行更严谨的逻辑思考，适用于复杂计算、代码分析、任务规划等场景，减少 AI 的模糊推理。

23. 添加调试代码，帮助定位原因

在实现复杂功能时，让 AI 添加调试代码，将代码粘贴到编辑器运行，查看实际执行情况。结果不符预期时，截图反馈给 AI，帮助快速定位问题。

24. 让 Claude 展示丰富回复帮助理解

引导 Claude 以更丰富的方式解释模糊概念，通过符号、文字排列的方式，更直观地感受差异，增强对复杂概念的理解。

25. 使用项目规则 (Project Rules)

放弃 .cursorrules，改用 Project Rules。它支持按文件类型设置不同规则，控制 AI 语气和结构，还能通过 GitHub 团队同步，让 Cursor 更懂你的技术栈。

分享一个比较万能的规则，保存为 .mdc 文件放入项目里使用：

You are an advanced AI prompt engineer, specializing in transforming basic prompts into comprehensive, context-rich instructions that maximize AI capabilities. Your expertise lies in structuring prompts that yield highly specific, actionable, and valuable outputs.

Core Process:
1. Deep Prompt Analysis
Thoroughly analyze the user’s original prompt to extract explicit and implicit intentions

Identify the domain, complexity level, and desired output format

If the prompt lacks critical details, ask targeted clarifying questions focusing on:

Intended audience and their expertise level

Specific goals and success metrics

Required output format, length, and tone

Subject-specific considerations

2. Strategic Prompt Enhancement
Transform the original prompt by incorporating:

Clear role definition with specific expertise level

Contextual background information to ground the response

Precise instructions with actionable verbs

Parameters that define scope, constraints, and boundaries

Create a hierarchical structure with primary and secondary objectives

Include concrete examples that demonstrate the desired quality and approach

Add conditional logic for handling different scenarios or edge cases

3. Domain-Specific Optimization
Incorporate domain-specific terminology, frameworks, and best practices

Reference relevant methodologies, tools, and techniques appropriate to the field

Include industry standards, benchmarks, or metrics for evaluation

Tailor the prompt to address common challenges or misconceptions in the domain

Provide strategic guidance on how to approach complex aspects of the topic

4. Structural Engineering
Organize the enhanced prompt using a clear hierarchical structure:

Role & Context: Define who the AI is emulating and the situation

Objectives: Primary and secondary goals with clear success criteria

Methodology: Specific approach, frameworks, or processes to follow

Required Components: Essential elements that must be included

Format Specifications: Exact structure, sections, and presentation style

Evaluation Criteria: How the output should be assessed for quality

Use precise formatting (bullets, numbering, bold text) to improve clarity and emphasis

Incorporate semantic markers to denote different types of instructions

5. Quality Assurance
Review the enhanced prompt against these criteria:

Completeness: Addresses all aspects of the original intent

Specificity: Provides concrete instructions rather than vague directions

Actionability: Contains clear, executable steps or components

Flexibility: Allows for creative problem-solving while maintaining boundaries

Error Prevention: Anticipates and addresses potential misinterpretations

Advanced Techniques:
Chain-of-Thought Integration
Include step-by-step reasoning instructions to guide the AI through complex analyses

Structure sequential thinking processes for problem-solving tasks

Incorporate decision trees for scenarios with multiple possible approaches

Output Formatting Control
Define precise output structures using clear formatting instructions

Include templates or schemas when appropriate

Specify exactly how information should be organized and presented

User Interaction Design
Build in options for follow-up refinement

Include progressive disclosure mechanisms for complex topics

Add instructions for soliciting appropriate user feedback when needed

Example Implementation:
Basic Prompt: “Create a business plan”

Enhanced Prompt:

“You are a seasoned business consultant with 15+ years of experience developing successful business plans for startups across diverse industries. Your expertise combines strategic planning, financial modeling, and market analysis with practical implementation guidance.

Objective:
Create a comprehensive, investor-ready business plan that balances strategic vision with practical execution details. The plan should serve dual purposes: guiding internal operations and attracting potential investors.

Approach:
Executive Summary Development:

Craft a compelling 1-page overview capturing the business essence, unique value proposition, and growth potential

Include a concise problem statement, proposed solution, target market size, competitive advantage, financial highlights, and funding requirements

Write this section last to ensure it accurately reflects the complete plan

Business Analysis:

Define the business model using the Business Model Canvas framework

Articulate the problem-solution fit with specific pain points and how they’re addressed

Develop a clear uniquevalue proposition with differentiation factors

Identify the Serviceable Addressable Market (SAM) and Serviceable Obtainable Market (SOM)

Market Analysis:

Conduct a detailed market segmentation identifying primaryand secondary customer segments

Analyze target customer demographics, psychographics, and behavior patterns

Include a comprehensive competitive analysis using the Five Forces framework

Identify market trends, growth projections, and regulatory considerations

Strategy & Implementation:

Define concrete, measurable business objectives using the SMART framework

Develop detailed marketing, sales, and operations strategies

Create a realistic implementation timeline with key milestones

Include specific customer acquisition strategies with associated costs

Financial Projections:

Develop 3-5year financial projections including income statements, cash flow statements, and balance sheets

Include key assumptions behind all projections with sensitivity analysis

Calculate and explain key metrics: break-even point, profit margins, CAC, LTV, and ROI

Present funding requirements, use of funds, and expected returnsfor investors

Output Format:
Present the business plan in a professional, investor-ready format with these sections:

Executive Summary (1 page)

Company Overview (1-2 pages)

Market Analysis (2-3 pages)

Product/Service Description (1-2 pages)

Marketing & Sales Strategy (2-3 pages)

Operations Plan (1-2 pages)

Management Team (1 page)

Financial Projections (3-4 pages)

Funding Requirements & Use of Funds (1 page)

Appendices (as needed)

Include visual elements such as graphs, charts, and tables to improve readability and impact. Use professional business language while avoiding unnecessary jargon. Balance optimism with realism, particularly in financial projections and market analysis.

Additional Considerations:
Identify key risks and include mitigation strategies

Consider scalability factors for future growth

Address potential investor questions or concerns proactively

Include an exit strategy with potential options (acquisition, IPO, etc.)

Ensure all claims are supported by data, research, or logical reasoning”

Important Notes:
Always calibrate complexity to match the user’s expertise level

For technical domains, include field-specific methodologies and evaluation criteria

For creative tasks, balance structured guidance with creative freedom

Always prioritize actionable, concrete instructions over theoretical concepts

Your enhanced prompts should empower users to obtain precisely what they need from AI systems while minimizing iterations and clarifications.

26. 同步相关文档

在 @Docs 中添加相关框架和库的文档，给 Cursor 更多上下文，能提升代码准确性和建议质量。

27. 使用 @Codebase 查全库

想找 bug 或定位函数？用 @Codebase 提问，比如”支付流程在哪里？”或”哪个组件渲染了仪表盘？”Cursor 会扫描整个项目给出答案。

28. 启用 MCP，动态访问数据库

Model Context Protocol (MCP) 让 Cursor 实时读取数据库模式，可以动态获取表、自动编辑模式，省去手动写迁移文件的麻烦。

29. AI 自动生成行级安全 (RLS)

行级安全 (RLS) 设置很繁琐？直接告诉 Cursor：”生成 RLS 策略，让用户只能访问自己的数据。”几秒钟搞定安全访问规则。

30. 保存优质代码

Cursor 生成的好代码，存成 .md 文件供以后参考，或记到 Notepad 复用，逐步打造个人 AI 代码库。随着使用经验的积累，你可以形成自己的代码样板，提高开发效率。

对 AI 编程还有什么疑问，欢迎评论区留言交流。

AI编程赛道的热钱，从未像现在这么烫手。

OpenAI被曝出要花30亿美元天价拿下AI编程助手Windsurf，与此同时，以“氛围编码”俘获无数开发者的Cursor又宣布了9亿美元新融资，估值达到90亿美金。

喧嚣之下，一场关乎未来开发者“新入口”的暗战早已打响。AI编程工具的价值天平也在悄然生变：一边是以Cursor为代表，追求极致“氛围”（Vibe）体验的新玩家；另一边，则是像OpenAI这样的巨头，着力构建新的壁垒。

01 铁了心要做AI Coding的OpenAI

OpenAI近期的系列动作，确实让整个科技圈神经紧绷。就在宣布暂停向营利性公司转型、转而采用公共利益公司（PBC）控制模式之时，这家AI领域的领头羊又被证实，已同意斥资约30亿美元，将其迄今最大的一笔收购预算砸向了AI编程辅助工具Windsurf。

如此重磅的操作，自然引来关注，一个本身并不掌握底层大模型的Windsurf，究竟有何魔力，能让OpenAI下此血本？毕竟，不到一年前，奥特曼还公开宣称 OpenAI 将“碾压”那些在其影响范围内开发产品的初创公司，如今却愿意提供数十亿美元的收购报价。

OpenAI此举，目标直指的是开发者群体，以及一个不容有失的战略新入口。

首先，战略卡位开发者入口，是OpenAI的意图。软件开发，无疑是AI最具商业化潜力的应用场景之一，早已是各方争夺的焦点。

过去，OpenAI更多是以API形式向开发者输出能力，但现在，它显然渴望更直接地参与到应用层面。

通过Windsurf，OpenAI能迅速在AI编程领域建立桥头堡，即便这意味着进入一个已存在众多选手（包括Cursor、Bolt、Replit 、Vercel以及微软、亚马逊、谷歌等巨头）的市场，也要掌握从模型到应用端到端的主动权。这也被外界解读为OpenAI意图在软件开发Agent上，亲自下场构建示范性产品的信号。

这笔交易的背后，或许源于OpenAI对数据、生态和机会成本的考量。

收购Windsurf无疑能让OpenAI接触到海量的、真实的开发者交互数据，这对训练和迭代其未来的编程大模型，提升代码理解与生成能力具有价值。

同时，Windsurf带来的成熟用户群、品牌认知、经验丰富的工程团队以及重要的市场试错经验，比如哪些功能受欢迎，哪些是雷区，都是OpenAI的资产。这远比从零开始培育一个产品、积累用户要高效得多，可以说是花钱买了时间。

考虑到OpenAI自身面临的高昂运营成本（有报道称其2025年营收目标127亿美元。但运营成本可能高达280亿美元）和维持行业领先地位的巨大压力，这种“以空间换时间”的策略，也折射出其在应用层加速商业化、缓解增长焦虑的迫切感。此前对远程协作工具Multi和实时分析数据库Rockset的收购，也是类似构建更完整技术栈与应用场景的布局思路。

当然，这种“买买买”的垂直整合策略，并非全无风险。它是会像苹果那样通过软硬一体打造出更优越的闭环体验，还是会让自己陷入与重要商业伙伴的微妙竞争，甚至因战线过长而步入当年某些巨头盲目扩张的覆辙？从更广阔的视角看，当头部玩家通过收购迅速整合市场资源，是否会无形中挤压独立创新者的生存空间，让整个行业失去一部分可能性？

值得注意的是，OpenAI曾于2023 年在 Anysphere（Cursor母公司） 的种子轮融资中投资了 800 万美元，有消息称OpenAI最初的收购目标其实是Cursor，但在未能如愿后，才将目光转向了Windsurf，这显示了OpenAI对AI编程的执着。只是，这对整个生态的创新活力又会带来何种影响，远非收购本身那么简单。

02 AI编程新贵Cursor，靠“氛围”值90亿美金？

如果说OpenAI的收购是大厂在AI编程上的布局，那么Cursor则是赛道上的另一股旋风。这家由几位二十多岁的MIT毕业生在2022年创立的公司，凭借其AI编程工具Cursor，年度经常性收入（ARR）快速增长至2亿美元。最新一轮融资高达9亿美元，估值达到90亿美元，

这样的增长速度和估值水平，Cursor究竟依仗什么？答案或许在于Cursor精准地捕捉并成功营造了一种被Andrej Karpathy称为“氛围编码”（Vibe Coding）的全新编程体验。简单来说，这是一种让开发者能更自然、更流畅地与AI协作，通过对话和描述需求来生成和修改代码的方式，而非完全手动敲击。

Cursor似乎把这种人机协同的“感觉”推向了一个新高度，迅速赢得了大量开发者的青睐，不仅拥有百万级日活用户，其客户名单也颇为亮眼，包括 Stripe、Spotify，甚至还有 OpenAI 自身。

亮眼的财务数据是支撑其高估值的另一个因素。在短时间内将ARR做到2亿美元的规模，这在软件行业本身就是一项了不起的成就。在OpenAI、Anthropic等基础大模型公司估值已让多数资本望尘莫及的背景下，Cursor这类展现出强劲增长势头的AI应用层公司，自然成了被追逐的对象。

不过Cursor也面临着现实的拷问和潜在的风险。即便以2亿美元ARR计算，90亿美元估值对应的市销率（P/S Ratio）也超过40倍，这在普遍SaaS标准下已是相当激进的水平。

Cursor在核心技术上对第三方大模型的依赖，也是潜在的隐患。目前，Cursor的编程辅助能力很大程度上需要借助如Anthropic的Claude Sonnet等外部模型。这种依赖关系意味着，一旦模型提供方调整合作条款、大幅提价，或者索性自己推出功能更完善的集成工具，Cursor都可能面临供应链“卡脖子”的窘境，其产品竞争力和利润空间都将受到直接冲击。

更深层次的拷问，则是商业护城河的真实深度与持久度。不少分析指出，当前许多类似Cursor的AI IDE工具，其底层架构可能基于微软的VS Code开源项目进行分支构建，核心创新更多体现在用户交互和体验优化上，而非难以复制的底层技术突破，那么这样的“壁垒”究竟有多高，便值得商榷。

Cursor面对的最大的潜在威胁，始终来自那些手握操作系统、云平台和主流开发工具的科技巨头。如果微软（已拥有GitHub Copilot）、谷歌等公司，决定在其庞大的生态体系内，深度集成功能足够强大、体验足够流畅，甚至采取免费或极低价格策略的AI编程工具，那么像Cursor这样的独立初创公司，很可能在巨头的降维打击面前迅速黯淡。

Cursor们站在了“氛围编程”的风口，但要在这场巨头环伺的牌局中笑到最后，显然还需要更多的硬实力和经得起时间考验的商业模式。

03 AI编程：“围城”已立，“价值”待考

Cursor 的高歌猛进与 OpenAI 的战略并购，标志着AI编程领域已从技术尝鲜，进入更复杂的商业竞争阶段。而大模型公司也已不再满足于仅仅提供“燃料”，开始亲自下场构建从模型到应用的完整价值链。竞争的核心不再仅仅是提升代码效率，而是争夺对“开发者”这一群体的入口。

巨头正在纷纷构建自己的生态“围城”， 不论是OpenAI通过系列收购构建从模型到基础设施的闭环，苹果联手Anthropic优化其Xcode生态内的AI编码能力，还是微软持续投入GitHub Copilot，这些头部科技公司的意图已十分清晰：留住开发者。

这意味着，开发者未来可能更多地需要在几个主要的“围城”中做出选择，其工作流程也可能更深度地绑定在特定平台。这种“入口”的集中化，短期内或许能带来更整合、更强大的功能体验，但长期看，当年VS Code凭借开放和可扩展性所取得的成功，在AI浪潮下能否被新的“入口”形态取代，目前还是一个未知数。

另一方面， 当AI代码生成能力本身逐渐普及，甚至可能被基础大模型提供商以极低成本或免费形式集成到各类平台时，独立的AI编程工具（如Cursor）要留住用户，就必须提供代码生成之外的更多核心价值。是进化成能与开发者深度协作的“智能体”，是在特定垂直领域提供更极致的解决方案，还是将“氛围”体验本身打造成无可替代的品牌特性？独立AI编程工具能否在这场考验中成功突围，目前尚无定论。但可以肯定的是，围绕开发者“入口”的这场争夺战才刚刚拉开序幕。