Keep on to blur preview images; turn off to show them clearly
One of the many reasons we were excited to colead Kalshi’s latest financing was @mansourtarek_ @luanalopeslara are customer obsessed, not competitor obsessed. @Kalshi is building day & night for their customers, and their market leading $50b+ annualized volume is the output.
Software is eating the world, but I’m eating @saltandstraw. My initials were AI before it was cool. Partner @a16z growth fund.
看到这条留言有感而发随手写了一点：为什么依赖“自驱”的学习这么难坚持？ 答案很简单：你没有获得持续的正反馈。 所有依赖自驱的学习，想要有效果，都离不开两个核心引擎：正反馈和学习循环。 🆙 引擎一：正反馈（提供动力的“燃料”） 正反馈，就是那些能让你“爽”到的点，是你坚持下去的核心动力。 比如说： - 你写下 "Hello World"，代码真的运行输出了。 - 你写的一个小脚本，真的帮你节省了半小时的重复劳动。 - 你做的小软件，真的帮朋友解决了一个棘手的问题。 这些，都是价值千金的正反馈。 相反，什么是负反馈？ 比如说： - 花了一整天搭环境，最后还是跑不起来。 - 花了一个通宵调试，Bug 还是没找到。 - 精心写了很久的软件，压根没人用。 人是无法靠意志力对抗持续的负反馈的。 一直得不到正反馈，放弃才是最符合人性的选择。 ♻️ 引擎二：学习循环（内化技能的“发动机”） 光有“爽感”还不够，那可能只是短暂的兴奋。想真正“学会”，你需要一个能不断运转的发动机，一个把知识内化为自己真正技能的完整闭环。 拿学习编程来说，这个循环至少包含这三步： 1. 学习理论知识（学） 这是基础。通过看书、视频、课程，学习算法、数据结构、设计模式等。这是你的“弹药库”。 2. 动手实践（练） 这是最最最重要的部分。你必须去写代码、编译、运行、调试、修复错误，才能把抽象的概念具体化。 为什么现在都强调“干中学”？因为你看再多游泳视频，不下水，你永远学不会游泳。 很多人学不好编程，不是因为理论不懂，而是因为练得太少。 3. 解决真实问题（思） “练”一定会遇到问题。新手和高手的区别，就在于此。 你必须经历分析问题 -> 尝试解决 -> 撞墙 -> 查资料 -> 解决问题的完整过程。人，只有在解决问题的挣扎中，才能真正积累经验，掌握知识。 请注意：这一步，是 AI 无法替代的。 AI 可以帮你写出代码，但它无法帮你体验那个“从卡住到豁然开朗”的完整思考过程。这个经验，必须你自己去赚取。 那些所谓的高手，不过就是这个循环跑得多了，积累了海量的“问题-解决方案”范式，仅此而已。 关键：让“循环”产生“反馈” 现在我们把两个引擎连起来： > “学习循环”是产生“正反馈”的最佳途径。 当你完整地跑完一次循环（比如，学了一个新框架，动手做出了个小功能，并解决了所有Bug），你获得的正反馈是巨大的！ 这种“我能行”的成就感，会给你充足的“燃料”，让你兴奋地开启下一次循环。 如何打造你自己的“正反馈学习循环”？ 场景一：“简单模式”（在企业中） 在企业里有个巨大的好处：你不需要自己找循环，公司会“喂”给你。 - 接任务（识别问题） - 了解需求（学习理论） - 动手开发（动手实践） - 联调测试（解决问题） - 上线发布（获得正反馈：任务完成/用户使用） 而且，你身边有同事和导师。遇到问题，总有人帮你。如果你的 Leader 水平很高，能“刚刚好”给你安排那些“跳一跳才够得着”的活，你的成长会快到飞起。 场景二：“困难模式”（独自摸索） 如果你是一个人学习，情况会难很多，你必须刻意为自己设计这个循环。这里有几个关键建议： 1. 从 Side Project 开始，而且必须“小” 不要一上来就想做“一个 ChatGPT”。你的目标是快速获得正反馈。 - 一个自动签到的脚本。 - 一个批量处理图片的小工具。 - 一个帮你管理书单的简单网站。 谨记：先去发现你或朋友身边的“真实需求”再动手，成功率最高。 2. 把 AI 当“领航员”，别当“代驾” AI 是革命性的工具，但它很容易中断你的学习循环。 ❌错误用法（代驾）： “帮我写一个xxx功能的代码。” -> 你只是复制粘贴，错过了“实践”和“解决问题”的环节。 ✅正确用法（领航员）： “我遇到了xx错误，可能是什么原因？” “我想实现xx功能，有哪几种方案对比？” 如果你只是让 AI 帮你完成，你永远无法真正掌握知识，循环没有跑通。 3. 用“费曼学习法”倒逼理论输入 很多人“干中学”久了，会变成“野路子”，只知其然不知其所以然，很快会遇到瓶颈。 怎么办？用“教”来倒逼“学”。 把你项目中的思考、遇到的坑、解决方案，记录下来，尝试分享出去（写博客、做分享）。为了能给别人“讲明白”，你就必须去补习那些背后的理论知识，确保自己真的懂了。 这，就是最高效的理论学习方式之一。 4. 别闷头造车，去社区“求助”和“帮助” 一个人学习，最怕卡在一个问题上几天都出不来，负反馈爆棚。 AI 能解决一部分，但很多复杂或特定领域的问题，还得靠人。 我们这一代程序员成长时，都泡在 CSDN 论坛、Stack Overflow、知乎里。当你在社区里提问，得到解答，是正反馈；当你用你的经验去解答别人的问题，更是强烈的正反馈。 真正的成长，从来不发生在看视频或者让 AI 写代码的舒适区里，而是来自“学习 -> 实践 -> 解决问题”这个完整、甚至有些痛苦的循环。 可以从一个身边的小问题开始：动手去解决它，积累经验，获取正反馈！
Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.
RT @mwseibel: New Dalton + Michael drop for your morning or afternoon coffee break: https://t.co/XVe61ff6Dn
Founder: @mixpanel Pizzatarian, programmer, music maker
I’m afraid new Kimi just confirmed it: this is the actual frontier for open source.
Reasoning models coming (very) soon. Co-founder @pleiasfr
when people say this, it’s not a joke
Asst professor @MIT EECS & CSAIL (@nlp_mit). Author of https://t.co/VgyLxl0oa1 and https://t.co/ZZaSzaRaZ7 (@DSPyOSS). Prev: CS PhD @StanfordNLP. Research @Databricks.
it's bright, optimistic, and unapologetically ambitious 😍😍
traveler btw worlds. bias for makers, I heart art + tech! capitalist. EIC a16zcrypto; Editor in Chief a16z + podcast showrunner 2014-2022; fmr WIRED, Xerox PARC
