Keep on to blur preview images; turn off to show them clearly
The latest version of Avante.nvim now supports the OpenAI Response API and Copilot's Response API (yes, you heard that right, these two Response APIs are different), so now Avante.nvim can use the SOTA coding model's OpenAI gpt-5-codex and Copilot's gpt-5-codex!
I built a Cursor-like experience plugin for Neovim: avante.nvim
no further comments will be supplied, i just dont know how to shut up
the sole privilege of my twitter account that i enjoy is getting to see who likes what. i just kinda drool at my screen "ah, haha. yeah. he would like this wouldnt he. haha. yeah...."
张小珺和李想的3小时长谈的完整版我刚看完，信息量极大。这场对话其实发生在半年前（2025年4月），按照 AI 圈的时间，很多内容其实已经有点变化了。 张小珺有个精妙的比喻： > 这次，我把李想当作一个“CEO大模型”来提问。假设他是MoE模型，我在对话的前三个回合调用了他的三位“专家”：技术专家、战略专家、组织专家。而当谈话深入后半程，我们开始讨论人、能量、亲密关系、记忆程序与人类的智慧。 李想给出的“回答”非常坦诚，甚至有些“反直觉”——不像跟罗永浩那场都是他的成长和创业的故事，也没有太多汽车相关，而更多的是围绕 AI 来谈的，甚至谈了怎么训练模型。 --- 话题一：“信息工具” vs “生产工具”：为什么AI还没让我们真正下班？ 这是李想开场就抛出的一个尖锐观察： “身边所有同事、朋友都讲人工智能怎么好，但大家工作时间并没有减少，工作成果也没有实质改善。” 为什么？ 他提出了一个“熵增”和“熵减”的对比： AI这东西，特别擅长搞“熵增”——它能处理海量信息，吞吐T级别的数据，把复杂性推到极致。 而人类呢？人类大脑天生是来搞“熵减”的——我们发明方法论、创造工具，本质是为了用最简单的规律，花最少的能量，解决问题。 现在的矛盾点在于，我们几乎所有人，都还只是把AI当成“信息工具”（比如Chatbot）或“辅助工具”（比如智能语音）。 - 信息工具：你问它答。它只是给你一个“Next Token”（下一个词），给你一个参考。这非但没帮你“熵减”，反而增加了海量的、甚至带有幻觉的“无效信息”。 - 辅助工具：帮你调个导航、查个美团。它提升了现有体验，但你还是离不开它。 李想认为，AI真正的爆发点，在于它必须进化成“生产工具”。 什么是“生产工具”？他给了一个极简的定义：“知行合一”。 它不能只“知道”（知），它必须能“行动”（行）。它得能真正替代我，完成专业工作，解决我工作中最重要的那8小时。 他举例，像Cursor或Deep Research，他的同事开始自己掏钱付费了。为什么？因为这些工具开始“动手”了，它们在真正地“做”工作，而不只是“聊”工作。 这引出了他对Agent的最终评判标准：Agent的唯一意义，就是成为“生产工具”。一个只会聊天、不会动手的Agent，价值是极其有限的。 --- 话题二：向DeepSeek学什么？反人性的“最佳实践” 这场对话中，李想毫不掩饰的表达了对DeepSeek及其创始人梁文锋的赞赏。DeepSeek的开源，让理想VLA（视觉语言行动模型）的语言部分研发“进度加快了9个月”。理想后来把自己的操作系统开源，很大程度上就是出于对DeepSeek的“感谢”。 那么，DeepSeek到底做对了什么？ 李想的总结是：“它极简地运用了人类最佳实践。” 他拆解了两种“最佳实践”： 第 1 种是做能力（研发）的最佳实践： - 第一步：搞研究 (Research) - 第二步：搞研发 (Development) - 第三步：能力表达 (Expressing Capability) - 第四步：变成业务价值 (Business Value) - 我们常犯的错：直接跳到第二步“搞研发”，忘了第一步“搞研究”。 第 2 种是做业务（推理）的最佳实践： - 第一步：索引分析 (Analysis) - 第二步：确定目标 (Goal Setting) - 第三步：涌现策略 (Strategy) - 第四步：反思反馈 (Feedback/Review) - 我们常犯的错：遇到问题只想改第三步“策略”，却忘了重新做第一步“分析”、第二步“定目标”和第四步“复盘”。 严格遵循这些步骤，其实是“反人性”的。人性总是想走捷径，想随心所欲。而一个卓越的组织，就是要和这种人性对抗。 他认为梁文锋就是这种“自律”和“坚守最佳实践”的化身。 --- 话题三：解密VLA：我们是如何“造”一个司机的？ 这是全篇“技术专家”模块最硬核的部分。当别人还在谈论端到端时，李想已经在详细拆解他们下一代的VLA（Vision-Language-Action，视觉-语言-行动）架构了。 他把辅助驾驶的进化分成了三个阶段，这个比喻非常传神： 第一个阶段是规则算法阶段：像“昆虫智能”。比如蚂蚁，严格依赖高精地图（信息素），规则定得死死的，没法泛化。 第二个阶段是端到端阶段：像“哺乳动物智能”。比如马戏团的动物学骑车，它能模仿，但它不理解物理世界。 第三个阶段是VLA阶段：追求“人类智能”。它不仅要看（Vision），还要理解（Language，包括推理、思维链），并且能执行（Action）。 那么，这个“人类司机”是怎么“造”出来的？李想给出了一个通俗的“三步训练法”： 第一步：预训练 (VL基座) —— 仿佛“上学学知识” 目标是让模型理解世界。 用什么数据训练呢？ 不仅用普通语料，还要用理想独有的三类数据： 1. 3D Vision数据（物理世界）。 2. 高清2D Vision数据（比如看懂导航地图，清晰度比开源的高10倍）。 3. VL联合语料（最关键的，比如“看到这个导航”+“人类做了这个判断”的组合数据）。 然后呢？ 把这个云端320亿参数的“博士”大模型，蒸馏成一个车端32亿参数的“专家”MoE模型，保证在车上能跑得动。 第二步：后训练 (加入Action) —— 仿佛“上驾校学车” 目标是把“知识”变成“行动”，进行模仿学习。 怎么训练呢？ 学习人类司机的操作，让VLA模型知道看到什么、理解了什么之后，应该做出什么动作（Action）。 第三步：强化训练 (RL) —— 仿佛“上路实际开” 目标是开得跟人一样好，甚至比人更好。 怎么做训练呢？ 1. RLHF（人类反馈）：用人类的接管、驾驶习惯来“对齐”，让它开得像个“老司机”，而不是“马路杀手”。 2. 纯RL（世界模型）：在模拟器（世界模型）里疯狂跑，用“舒适性”、“交通规则”、“是否碰撞”作为奖惩标准，让它自己“悟”，开得比人类平均值还好。 通过这三步，一个“VLA司机大模型”就诞生了。 李想认为交通领域会是VLA最早落地的场景。而且，未来不会有“通用Agent”，只会有无数个“专业Agent”（比如司机、医生、律师），而它们会运行在一个统一的“Agent OS（智能体操作系统）”上。 --- 话题四：理想的终局：一家“AGI终端公司” 这是“战略专家”模块的思考。 理想这家公司，组织能力在学谁？ 李想划出的路线是： 1. 百亿收入阶段：学丰田、通用（流程）、谷歌（OKR）。 2. 千亿收入阶段：学华为（IPD、组织流程）。 3. 迈向万亿（1000亿美金）阶段：必须学苹果。 学苹果什么？ 学它从一个电脑公司，拓展成音乐播放器公司、手机公司、服务生态公司的能力。 基于此，李想给出了理想的终极答案。当被问到“理想是谁”时，他不再只说汽车，而是给出了一个极其清晰的定义： “到2030年，我们希望能够成为全球领先的人工智能终端企业。” 他做了个类比： - PC时代：有终端公司（苹果）和平台公司（微软）。 - 移动互联网时代：有终端公司（苹果）和平台公司（谷歌）。 - AGI时代：也必然会有平台公司（如OpenAI），和终端公司。 理想，要做的就是AGI时代的苹果。 他认为，汽车是第一个真正意义上的“AGI终端”，因为它同时具备四个要素： 1. 360°物理感知； 2. 认知决策； 3. 行动能力； 4. 反思反馈。 但理想不会止步于汽车。当规模达到5000亿以上，他们必须像苹果做iPhone一样，去探索其他（符合上述4要素的）AGI终端，比如家庭、穿戴设备。 对于“摊子铺太大”的质疑，李想的回应很直接：“如果我们有1000多亿收入……做这些事情就是合理的……太划算了，干嘛不做？” --- 话题五：从“改变”到“成长”：能量、智慧与亲密关系 这是整场对话我个人最喜欢的部分，它关于“人”。 李想分享了他最重要的一个管理“心法”：“人是很难‘改变’的，但人是愿意‘成长’的。” 所以，他做管理时会“顺着人性去说，逆着人性去做”。话要说得顺人性（我们来一起“成长”），事要做得逆人性（严格执行“最佳实践”）。 他还分享了一个核心概念：“能量”。 他认为，一个组织的核心，是构建一个3-7人的“能量体”（核心合伙人团队）。这个团队必须形成“更强的大脑”（一起决策）和“更强的心脏”（相互支撑）。 如何构建这种能量？ 他给出的答案来自他做父亲的体验： “在亲密关系里，你要大胆表达自己的需求……我需要他们（家人、同事）超过了他们需要我。” 他发现，当你表达“我需要你”时，能量就开始流动了。因为所有人都渴望“被需要”。 这引出了他对AI时代的终极思考：AI负责“智能”，人类负责“智慧”。 - 智能（能力）：AI可以无限提升。 - 智慧（关系）：李想定义，“智慧就是我们和万物的关系”——你和自己的关系，你和他人的关系，你和自然的关系。 AI的终极价值是什么？是把人类从那些消耗能量、不产生“智慧”的低价值劳动（比如打邀约电话）中解放出来，让我们有时间去做真正“熵减”的、有能量的事情——去处理“关系”，去提升“智慧”。 这或许就是“AI与人的关系”这个母题的答案。 访谈的文字链接：
Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.
theres a certain company im v glad exists b/c its my only remaining litmus test for if someone in sf is smart or not
no further comments will be supplied, i just dont know how to shut up
Thread
I built a Cursor-like experience plugin for Neovim: avante.nvim
帮转， 老板懂技术，不PUA，这点很重要，能有效降低内耗。 这样的老板，值得年会给他磕个头。
行道途中。非求速成，惟求通达。 2023 年扎进AI ，打通Know-How，不少赚钱项目，踩过坑，也见过光。 围城里待得够久了，出来聊聊世界，聊聊技术、聊聊赚钱。