graph LR
classDef core fill:#ffcccc,font-weight:bold,font-size:14px
classDef speed fill:#ccffcc,font-weight:bold,font-size:14px
classDef infra fill:#ccccff,font-weight:bold,font-size:14px
classDef model fill:#ffffcc,font-weight:bold,font-size:14px
classDef future fill:#ffccff,font-weight:bold,font-size:14px
classDef safety fill:#ccffff,font-weight:bold,font-size:14px
Main["CursorAI-360"]
Main --> A1["Fork de VS Code
AI-first 1"]
Main --> A2["Abandonó Copilot
por Cursor 2"]
Main --> S1["Tab predice diffs
en ms 3"]
Main --> S2["Ediciones especulativas
reutilizan código 4"]
Main --> S3["Mezcla de expertos
reduce latencia 5"]
Main --> S4["Modelo de aplicación
arregla diffs 6"]
Main --> I1["Espacio de trabajo oculto
bucles de agentes 7"]
Main --> I2["UI de diff
resaltado inteligente 8"]
Main --> I3["Renderizado preventivo
control de tokens 9"]
Main --> M1["Modelos pequeños superan
a LLMs avanzados 10"]
Main --> M2["Un embedding
por empresa 11"]
Main --> M3["Sincronización Merkle
bajo tráfico 12"]
Main --> F1["Agentes migran
humanos crean 13"]
Main --> F2["Bugs sintéticos
entrenan buscadores 14"]
Main --> F3["Especificaciones como pruebas
tests desaparecen 15"]
Main --> T1["RLHF RLAIF
<100 etiquetas 16"]
Main --> T2["Distilar gigante
a pequeño 17"]
Main --> T3["Probar cómputo
pequeño piensa 18"]
Main --> T4["Procesar recompensas
búsqueda en árbol 19"]
Main --> T5["Ocultar CoT
evitar robo 20"]
Main --> C1["Escalado AWS
20 TB sync 21"]
Main --> C2["Ramas de BD
sin efectos secundarios 22"]
Main --> C3["Nube homomórfica
código encriptado 23"]
Main --> C4["Contexto infinito
recuperación gana 24"]
Main --> C5["Leyes de escalado
cambio de presupuesto 25"]
Main --> C6["KV multi-consulta
lotes mayores 26"]
Main --> C7["Calentamiento de caché
pestaña instantánea 27"]
Main --> C8["Consejos de bugs
diversión vs beneficio 28"]
Main --> V1["Pseudo arrastrar
interfaz cerebral 29"]
Main --> V2["Programación alegre
IA amplifica 30"]
A1 -.-> Core
A2 -.-> Core
S1 -.-> Speed
S2 -.-> Speed
S3 -.-> Speed
S4 -.-> Speed
I1 -.-> Infra
I2 -.-> Infra
I3 -.-> Infra
M1 -.-> Model
M2 -.-> Model
M3 -.-> Model
F1 -.-> Future
F2 -.-> Future
F3 -.-> Future
T1 -.-> Train
T2 -.-> Train
T3 -.-> Train
T4 -.-> Train
T5 -.-> Train
C1 -.-> Cloud
C2 -.-> Cloud
C3 -.-> Cloud
C4 -.-> Cloud
C5 -.-> Cloud
C6 -.-> Cloud
C7 -.-> Cloud
C8 -.-> Cloud
V1 -.-> Vision
V2 -.-> Vision
Core["Producto Principal"] --> A1
Core --> A2
Speed["Trucos de Velocidad"] --> S1
Speed --> S2
Speed --> S3
Speed --> S4
Infra["Infraestructura"] --> I1
Infra --> I2
Infra --> I3
Model["Magia del Modelo"] --> M1
Model --> M2
Model --> M3
Future["Visión Futura"] --> F1
Future --> F2
Future --> F3
Train["Trucos de Entrenamiento"] --> T1
Train --> T2
Train --> T3
Train --> T4
Train --> T5
Cloud["Operaciones en la Nube"] --> C1
Cloud --> C2
Cloud --> C3
Cloud --> C4
Cloud --> C5
Cloud --> C6
Cloud --> C7
Cloud --> C8
Vision["Visión Humana"] --> V1
Vision --> V2
class A1,A2 core
class S1,S2,S3,S4 speed
class I1,I2,I3 infra
class M1,M2,M3 model
class F1,F2,F3 future
class T1,T2,T3,T4,T5 train
class C1,C2,C3,C4,C5,C6,C7,C8 safety
class V1,V2 vision
Resumen:
Cursor es un fork de VS Code que reinventa el editor de código como un espacio de trabajo nativo para IA. Sus fundadores, antiguos usuarios de Vim, cambiaron a VS Code cuando llegó GitHub Copilot, pero sintieron que Copilot se estancó después de 2021. Crearon Cursor para integrar modelos de lenguaje avanzados más profundamente en el flujo de edición, creyendo que cada nuevo lanzamiento de modelos desbloquea capacidades completamente nuevas que los plugins no pueden alcanzar. El producto combina modelos pequeños personalizados para tareas críticas de latencia como autocompletado con modelos avanzados para razonamiento, todo unido a través de una capa unificada de UX y prompt-engineering llamada Preempt.
La característica principal es "tab", un motor de edición especulativa que predice el siguiente diff entre archivos e incluso comandos de terminal. Usando mezcla de expertos y trucos con KV-cache, transmite completados en decenas de milisegundos, permitiendo al usuario encadenar docenas de pulsaciones de tab en minutos de codificación sin entropía. Un modelo paralelo "apply" une bocetos de código en diffs precisos, evitando errores de conteo de líneas que afectan a LLMs más grandes. La revisión de diffs se maneja con superposiciones codificadas por colores que aprenden qué cambios importan, mientras que un "espacio de trabajo oculto" permite a los agentes iterar contra servidores de lenguaje y pruebas en segundo plano, mostrando solo las ediciones finales verificadas.
Mirando hacia el futuro, el equipo ve la programación cambiando de entrada de texto a orquestación de intenciones: los humanos permanecen en el ciclo, moviéndose entre pseudocódigo y ensamblador, mientras los agentes manejan migraciones, recompensas por bugs y verificación formal. Argumentan que el cuello de botella ya no es el tamaño bruto del modelo sino las capas de orquestación y verificación; las leyes de escalado aún favorecen modelos más grandes, pero la destilación y el cómputo en prueba permitirán que modelos pequeños y rápidos rindan mucho más allá de su peso. La visión final es un ingeniero aumentado que itera a la velocidad del pensamiento, delegando código repetitivo a compañeros de IA y manteniendo control creativo sobre los intrincados trade-offs que hacen grande al software.
30 Ideas Clave:
1.- Cursor es un fork de VS Code construido para programación nativa en IA, no un plugin.
2.- Los fundadores dejaron Vim por Copilot, luego dejaron el estancamiento de Copilot por Cursor.
3.- Tab predice los siguientes diffs entre archivos y comandos de terminal en decenas de ms.
4.- Las ediciones especulativas reutilizan fragmentos de código sin cambios para grandes ganancias de velocidad.
5.- Mezcla de expertos más trucos con KV-cache reducen latencia y carga de GPU.
6.- El modelo apply une bocetos de LLM en diffs precisos, corrigiendo errores de conteo de líneas.
7.- El espacio de trabajo oculto genera ventanas ocultas de VS Code para bucles de lint-test agentivos.
8.- La UI de diff evoluciona de bloques rojo-verde a resaltado inteligente de cambios clave.
9.- El renderizado preventivo usa prompts tipo JSX para priorizar contexto bajo límites de tokens.
10.- Modelos pequeños personalizados superan a LLMs avanzados en tareas de autocompletado y aplicación.
11.- El sistema de recuperación incrusta fragmentos de código una vez por empresa, ahorrando costos y ancho de banda.
12.- Árboles Merkle jerárquicos sincronizan estado local y servidor con mínimo tráfico de red.
13.- Los agentes manejarán migraciones tediosas y bugs; los humanos mantienen control creativo.
14.- Modelos de búsqueda de bugs entrenados mediante bucles sintéticos "introducir bugs luego detectar".
15.- Las especificaciones futuras pueden ser pruebas formales; tests unitarios reemplazados por motores de verificación.
16.- RLHF más RLAIF ajusta completados con <100 ejemplos etiquetados por humanos.
17.- La destilación comprime modelos maestros gigantes en modelos estudiantes pequeños y rápidos.
18.- El cómputo en prueba permite a modelos pequeños pensar más tiempo para tareas raras de alto intelecto.
19.- Modelos de recompensa de proceso califican cada paso de razonamiento, permitiendo decodificación por búsqueda en árbol.
20.- La cadena de pensamiento oculta puede esconderse para evitar robo de destilación de capacidades.
21.- AWS elegido por confiabilidad; desafíos de escalado incluyen sincronización de índices de 20 TB.
22.- Ramas de base de datos y snapshots de sistema de archivos permiten a agentes probar sin efectos secundarios.
23.- Investigación en encriptación homomórfica busca ejecutar modelos en la nube sobre código encriptado.
24.- Ventanas de contexto tienden a infinito, pero la recuperación aún supera al relleno ingenuo.
25.- Las leyes de escalado aún favorecen modelos más grandes, pero los presupuestos de inferencia cambian prioridades.
26.- Atención multi-consulta reduce tamaño de KV-cache, permitiendo lotes mayores.
27.- Calentamiento de caché más tabulación especulativa da sugerencias siguientes instantáneas.
28.- Bucle de feedback humano mediante propinas de $1 por bugs debatido por diversión vs beneficio.
29.- Los programadores futuros usarán pseudocódigo, UIs de arrastrar-soltar y bandas cerebro-computadora.
30.- La programación sigue siendo alegre; IA elimina código repetitivo y amplifica el gusto humano.
Entrevista porLex Fridman| GPT personalizado y Bóveda de Conocimiento creada porDavid Vivancos 2025
>
Lex Fridman Podcast #447 - 02/05/2025