Cursor Meetup 杭州站分享实录：小团队如何用 AI 撑起万级日活产品？

01

🧠 Cursor 实战复盘：如何用 AI 撑起万级日活产品？

我是iMean AI 算法负责人孔德涵，今天想和大家聊聊：一个十人左右的小团队，如何借助 Cursor 快速迭代出能够稳定支撑万级日活的产品。

这个标题包含两个关键点：

• 我们的产品不是简单的 MVP 验证，而是需要保证长期稳定运行的生产级产品；

• 我们是一个相对较小的团队，每个成员都是"超级个体"，Cursor 极大程度地扩展了超级个体的能力边界；

02

👤 自我介绍 & 初识 Cursor

我是理工科背景，但不是计算机专业出身，曾在多所高校实验室和大厂参与过一些 AI 项目研究。坦白说，我并不喜欢写代码，但不影响我对研究和构建产品始终充满热情。

也正因为如此，当 Cursor 这样的工具出现时，我毫不犹豫地开始尝试使用。实际使用后，我发现除了那些用自然语言描述成本更高的场景（比如一行代码就能解决的问题），我真的做到了一行代码都没有写，刚上手就非常无痛地 vibe 了起来。

基于这样的体验，我也把它推荐给了公司里的小伙伴们。几个月前开始，我们公司已经实现了全员使用 Cursor 开发。

03

🛩 我们在做什么？

先介绍一下我们团队，我们公司 iMean AI 的愿景是让旅行更快乐。这个目标包含两个方面：

• 一是“更简单”：我们致力于提升旅行信息获取的效率和个性化，让用户放下手机、放下社交媒体和信息流平台，把更多时间和注意力用于真正的旅行体验，而不是被繁琐的规划环节拖累。；

• 二是“陪伴”：这正是我们选择“Coyage”这个名字的初衷。我们希望打造一种全新的旅行方式，不只是工具，更像是一位始终在身边的旅行搭子。

从解决当下旅行信息检索的痛点开始，我们正一步步迈向构建一个覆盖全流程的旅行体验平台。

04

🤖AI 如何改变团队协作？

在语言模型、Coding Agent 和 Agentic 模式兴起之后，我们观察到团队协作方式发生了显著变化。其中，算法工程师的角色转变最为明显。

一年前，我们的算法同学主要负责各种算法逻辑的设计与实现。但自从 Claude-4 发布后，我们发现它在工具调用方面展现出极强的能力——许多过去需要算法工程师投入大量时间开发的逻辑，如今只需要几行代码就能完成。

因此，我们目前的分工也发生了调整：

• 前端和后端工程师现在也能够快速实现部分算法逻辑；

• 算法工程师更多聚焦于评估模型能力的边界、优化成本和效果，更重要的是不断思考如何基于算法能力定义基座模型覆盖不了的新体验。

我采访了公司内的几位同事，发现不同角色在使用 AI 工具时的侧重点各不相同：

• 算法开发输入输出明确清晰，所以算法同学更偏向使用全自动化的方式开发 feature；

• 前后端同学则更偏向补全等辅助功能，更适配之前的编程习惯；

• 而几乎所有同学都在高频使用 Cursor 来做 debug 和 MVP 的方案设计。

05

💡 一个真实案例：2 分钟完成复杂机票规划

下面我会分享一个实际算法场景的 feature 开发例子，这是我们机票搜索规划的功能，用户可能提出很复杂的机票规划 query，比如：

我想要在 6 月 20 日带着我 9 岁和 11 岁的孩子从温哥华飞往马德里。我将在 7 月 20 日独自返回温哥华，我的孩子们将在 8 月 5 日那周与我的父母从巴黎返回。我的父母将在 2 周后返回巴黎。请将每次行程的时长控制在最多 18 小时内。

目前，在传统 OTA 平台上，类似这种复杂的查询需求，要么无法实现，要么用户需要花费 1~2 小时才能完成规划。而我们希望将这个过程的耗时缩短到 2 分钟以内。

我的开发流程大概是这样：

使用Cursor 离不开人的 input，也就是需求的详细描述。我认为给Cursor 的 Prompt 可以分为几个层次：

• 直接描述你的目标，交由 AI 自主完成；

• 提供具体的服务细节描述与边界条件，并@ 相关代码文件和代码片段圈定实现范围

• 针对特定代码（比如某段函数），提供细粒度的逐步指导。

我日常主要采用第二种方式，这种方式在当前的 Cursor agent 设计下，能很好地平衡效率和代码质量。

接下来是开发与实现阶段，代码实现后 Cursor 能够基于上下文规模化生成大量测试脚本，这对构建稳定的生产服务至关重要。

最后则是代码 review、优化以及上线部署。整个流程在 Cursor 的辅助下变得更加高效、可控。

06

🧠 我们发现 AI 真的有些事做得比人好

在开发过程中，我们确实发现 coding agent 在某些环节已经比人类做得更好：

1. 信息处理带宽更大。agent 能处理的信息带宽一定比人类更大，在面对海量数据时，agent 可以更敏锐地发现数据之间的关系和错误，我们前段时间发现某个数据源的格式错误，Cursor 自主发现了这个问题并在代码中保证了算法的稳定性，而我们的团队成员在几天之后才发现 AI 帮我们兜了底。

2. 推理与计算效率更高。在规划算法策略或代码实现时，我们可以优先让 AI 完成整个逻辑分析，给出设计思路。
   

3. 数据视觉呈现已经足够惊艳。对于审美判断和创意构思，对于意图的理解，甚至共情能力，AI 目前还不如人类，但我们也发现已经在快速提升。

07

🔍 深层思考：AI 只是工具，更重要的是人

我认为 Cursor 只是一个工具。AI 的未来，会变成环境的一部分。我们不需要为 AI 过度狂欢，而是要回到人本身——人的需求是什么，然后根据需求来决定工具的使用方式。

我自己正在逐渐转向一个AI 产品架构师的角色。也就是不断修炼使用 coding 工具的 MVP，开发过程不是纯线性的，需要架构思维的介入：

• 在开发过程中，需要不断迭代思路，切换构建模式和思考模式；

• 按不同角色开发分工协作（产品、前端、后端、架构、测试...）；

• 按阶段推进和 review 项目；

• 并定期审视效率和结果的平衡。

其中尤其关键的一点是，“Think vs Build”的平衡。

当构建成本无限降低时，我们需要决定什么时候去 Build & Sale，去收集用户的反馈，什么时候该去 Think。不要低估深度思考的力量，而被快速构建的甜头裹挟了多巴胺，更多的时候应该多去思考、接触信息、深入理解，然后再去构建。

7.1

少即是多

少即是多是写 system prompt 的一个体会。

开发过 multi-agent 复杂业务流程的同学可能都有这样的体验——Prompt 随着边界情况的增多越来越长，但效果却在逐渐变差，而且尾大不掉。在某个时间点，把之前所有的 Prompt 重新抽象和精简，效果反而可能会变得更好。

7.2

表达能力就是战斗力

抽象能力的重要性。

在脑机接口出现之前，我们仍需要用文字与 AI 协作，因此抽象能力和表达能力变得非常重要。从现在开始学习写诗可能是非常重要的一步。

08

对未来协作方式的想象

再本质一点，我们需要思考的是未来的人机协作中，人的定位是什么？

目前常见的协作方式是：人设定目标→拆解任务→使用工具→产生行动，基本上都是人主动触发的。

但未来可能出现的协作方式是：人只需要提出一个高层级的想法，一个目标比如：

“我想认识一些在杭州、有灵性、审美一致的 UI 设计师。"

然后Agent 会将这种抽象想法转化为具体任务，在合适的时候提醒你，我最近又帮你留意发现了这些人，要不要去聊聊。

Agent 具有更高的感知带宽，更强的推理能力，可以更高效地获取和处理信息、执行任务，没理由做决策比人差，但它没有人的审美，只需要在需要人确认的时候再找人确认。

09

💭技术之外，我思考更多的是人性

如果 Agent 足够强大，处理信息和做决策的能力都比人强，那么人应该去做什么？我认为，应该回到自己想做什么，更关注自己的感受和信号，以及不断培养自己的审美。

这两点加起来是领导力——这可能是 Agent 时代最重要的能力。

我觉得未来社会可能会有两种人：

• 一类是能够很好地领导 AI 完成工作的人，和以比 AI 更便宜的价格完成工作的人。

• 另一种分类方式是：能够很好地管理自己注意力、认清自己需求并构建的人，和注意力崩塌、只能消费内容的人。

对我们来说，重要的问题是：我们想成为哪种人？我们想为哪种人构建产品？这一定是要持续思考的问题。

本 PPT 由 Cursor 构建，感谢成峰老师提供prompt

10

现场Q&A环节

问题1：您提到 AI 在感知接收信息方面比人强，但旅行这种体验性的活动，看网上视频和实际体验是完全不同的。Agent 如何获取信息帮助人做出实际的决策呢？

回答：这确实是一个核心问题。在旅行过程中，如何收集环境信息是关键。理想情况下，我们希望通过更好的设备去收集多维度信息，并与用户的个性化需求更好地结合。 目前我们能获取的主要是在线信息，现场信息确实难以获取。但我们依旧可以基于用户的位置和长期偏好来推荐，比如旅行过程中的机票、酒店、餐厅、活动选择等，这里面能做的事情还有很多。

问题2：大型 OTA 公司也在做类似的 AI 功能，如何应对竞争？

回答：我们现在在做的是加速信息检索过程，在旅行领域，交易确实是大品牌的生命线，他们会投入最大精力把控这个环节，所以这部分作为我们这样的初创只有靠技术和速度取胜。但随着技术的提升，旅行当中可以定义出大量颠覆性的新体验，这也是我们后续努力的方向。

问题3：机票等信息实时性要求很高，你们的数据是通过 B 端合作还是爬虫获取？

回答：这是一个很细致但很重要的问题。我们目前主要是与 OTA 合作获取数据。这涉及到行业知识壁垒和数据质量保证的问题。 对于任何做产品的团队来说，确保自己行业知识库的稳定性和质量都是核心挑战。我们后续可能会在这方面有更多的技术投入。