他没写一行代码，却用 Cursor 搭了个 DeepSeek 搜索引擎

如果我告诉你，一个接近 Perplexity 体验的 AI 搜索产品，可以在“几乎不写代码”的情况下做出来，你可能会下意识反驳。但 Riley Brown 真的这么干了，而且过程比他自己预想的还简单。这条视频，戳中了 AI 工具链正在发生的一次结构性变化。

最反直觉的一幕：难的不是模型，而是你还在写代码

视频一开始，Riley 就被自己“吓到”了——“这比我想象中容易多了”。原因不是 DeepSeek 有多强，而是他把 Cursor 当成了“写内容的光标”，而不是传统 IDE。整个过程里，代码不再是核心资产，真正重要的是：你能不能把产品意图说清楚。

这恰恰是反直觉的地方。很多 AI 从业者还在纠结模型参数、Prompt 技巧、微调策略，但 Riley 的路径是：先有产品形态，再让工具替你补齐实现。这不是偷懒，而是角色切换——从工程师，切换成“产品导演”。

目标很明确：做一个“像 Perplexity 一样”的 DeepSeek 搜索

Riley 给自己的任务非常清晰：做一个 Perplexity-like 的应用，可以“对话式”地使用 DeepSeek。不是 Demo，不是玩具，而是一个你真的能用来问问题、看结果的搜索体验。

这里有个细节很值得注意：他并没有试图复刻 Perplexity 的全部能力，而是抓住了核心——对话 + 搜索 + 可用的输出。视频中他多次“hit accept”，让 Cursor 自动生成、修改、调整代码结构。这种工作方式，本质上是在用自然语言做产品迭代。

踩坑时刻，反而暴露了新工具的真实边界

中途并非一帆风顺。“然后，这事发生了……” Riley 遇到了一些问题，但他的反应很有代表性：不是推倒重来，而是接受一个“足够好”的状态——“okay， that's fine”。

他还提到某个 API 的体验“actually pretty good”，但并没有展开技术细节。这种克制反而真实：在 no-code / low-code 的世界里，你用的不是最优解，而是可组合、可替换的模块。重点不是你选了哪个 API，而是你能不能快速换掉它。

真正的完成时刻：当你意识到“这已经能用了”

当最终输出跑通，界面能对话、结果能返回，Riley 说了一句很轻的评价：“this looks good… I think we're just about done”。这不是兴奋的高潮，而是一种产品人式的满足。

视频结尾他顺带提到：这其实就是他在“构建一个 chatbot”。没有宏大的愿景陈述，但信息量极大——搜索、聊天、模型、前端，正在收敛成同一种东西。而构建它们的门槛，正在被 Cursor 这类工具迅速拉低。

总结

这条视频真正值得 AI 从业者反复看的，不是“如何用 DeepSeek”，而是一个信号：产品构建的重心正在从“怎么写代码”，转向“你想让它做什么”。如果你还把全部精力放在实现细节上，而不是产品形态、交互和价值主张，那你很可能已经慢了一拍。

一个可执行的 takeaway 是：选一个你熟悉的产品形态（搜索、问答、助手），用 Cursor 这类工具完整跑一遍流程。不是为了上线，而是为了体感——当代码不再是瓶颈，你还剩下多少产品判断力？

关键词： DeepSeek， Cursor， Perplexity， AI 搜索， 无代码开发

事实核查备注： 需要核查：视频实际时长；Riley Brown 的频道背景；视频中提到的具体 API 名称（Tav API）及其准确拼写；DeepSeek 在视频中的具体使用方式是否有更多细节