AI Coding 漫谈：从写轮子到 Cursor 的未来布局

前言

AI Coding 的体验真的是一件挺有意思的事情，尤其是用 LLM 写工具函数、造轮子的时候，真的感觉自己像突然解锁了一个高配外挂。

以前写这些小轮子，其实很多时候根本懒得写，划不来。但现在用 LLM，一句 Prompt，基础功能、接口封装、通用轮子基本都能秒产。这种门槛降低，确实释放了一部分创意空间。

说到底，AI Coding 最实际的价值，是极大缩短了造简单轮子的时间。

就像马斯克造火箭，关键不是火箭飞得多高，而是能不能把底层零件的制造成本打下来。AI Coding 也是这个思路，解决的不是复杂逻辑，而是基础开发的时间和金钱浪费。

当轮子的生产门槛降低后，很多以前“不值得做”的项目，现在都可以轻松尝试，某种程度上，人类的创意空间也被解锁了一部分。

但用 AI Coding 用得多就会发现，LLM 的思维深度还是不足。

复杂系统的设计、链路逻辑的铺设、异常情况的预判，LLM 很容易一不小心钻到墙角。它写代码有点像“漫游”，走着走着可能就卡在死路。

分步引导可以一定程度上牵引 LLM，让它走得更合理，但复杂系统仍然得人来掌控主链路，这一点目前还没有工具能绕过去。

所以现在更安全的玩法，基本就是让 LLM 生成片段，人来主导链路。这种人机配合，确实是目前最靠谱的模式。

其实整个软件行业，很多时候运行的逻辑就是草台班子式的——不是靠精确，而是靠模糊在运转。

我们写代码追求“够用就行”，快速上线，后面慢慢打磨，现实本来就不会等到你设计完美才让你发布。

AI Coding 恰好很适合这种环境。你给它一个模糊但合理的脚手架，生成结果可能不完美，但已经够用了。快速迭代、快速试错，才是现实里最优路径。

模糊反而更高效。

这里可以提一下 Cursor，它确实走在了一个很聪明的路线。

Cursor 不是单纯靠 LLM 牛逼，它提前通过 IDE 插件卡位，掌握了真实的用户使用数据——包括我们写 Prompt 的习惯、写测试的频率、什么时候会回滚版本，甚至习惯怎么重构。

这才是 Cursor 真正的护城河：数据行为。

哪怕早期 LLM 写得并不比 Copilot 强，但 Cursor 把 IDE 行为数据积累下来，就有机会专项训练出更懂编程习惯的 LLM，甚至未来进化出类似 LAM（Language Action Model）的东西。

什么是 LAM？简单说就是：

未来 AI 编程，可能不只是“帮你写”，而是“帮你养成好习惯”。

这条路，Copilot 和 Phind 可能走不到，因为它们没那么深度的 IDE 行为数据。Cursor 有机会。

我在想，未来 AI 编程的竞争可能不是 LLM 谁更大、谁更全，而是谁能通过行为数据训练出更懂开发流程、更懂工程习惯的 LAM。

也许未来的 AI 不只是代码助手，而是行为教练，帮你同步测试、同步文档、提醒你写注释，甚至帮你规避风险。

这种 AI，更符合真实世界的草台班子运行逻辑，也更符合人类写代码的本质。

AI Coding 改变了很多，它解锁了轮子的快速生产，也解锁了更多创意空间。

但我更关心的是：未来 AI 到底是在帮我们写代码，还是在帮我们写习惯。

Cursor 已经在现实里给出了一个案例，也许未来不是谁的模型更大，而是谁更懂你写代码时候的那些小动作。

这件事，值得关注。

作者：罗植馨
GitHub: github.com/luoluoter