Keep on to blur preview images; turn off to show them clearly
Fizzy's open source is not just seeing contributions on the backend, but UI improvements as well. Really nice level up turning the confirmation popups into proper overlays by Justin Starner 👌 (before v after) https://t.co/hgkgfONhjl
Father of three, Creator of Ruby on Rails + Omarchy, Co-owner & CTO of 37signals, Shopify director, NYT best-selling author, and Le Mans 24h class-winner.
Metric people hate on 12 inches in a foot and 5,280 feet in a mile but not a word about 24 hours in a day, 28 days in most Februarys, and 365 days in a year Makes you think
vp product & design @customerio. founder @usesummit, co-founder @everstreamAI. built mapping platform used by @potus44. @uchicago '03, but all about the 🙌
📢I'll be in India starting this weekend--speaking at PReMI 25 Delhi (https://t.co/EjOJW85LPS) on Sunday, hanging around at @iitdelhi on Monday, visiting @MSFTResearch India in Bangalore on 16/17, and speaking at @indoml_sym in Hyderabad on 21st. Happy to chat about all things AI if our paths cross..
AI researcher & teacher @SCAI_ASU. Former President of @RealAAAI; Chair of @AAAS Sec T. Here to tweach #AI. YouTube Ch: https://t.co/4beUPOmf6y Bsky: rao2z
现在给大家看看我用 remotion 做的宣传片实例，今天上线的 https://t.co/o0BI6W8DRb 的宣传片就是用 https://t.co/FRsY6qoDHh 做的，我在其中录了三个屏，前后穿插，文本效果等等都是让 AI 来完成的。 我给它提供了一个提纲，第一页什么文字，第二页什么视频等等，然后再提供给了它我的主题色，并且给他浏览器的权限让它去看看我的首页设计，力求它符合我主页的风格，并且在 https://t.co/qfKmlgyqao 下载了一个免费的背景音乐插入进去。 最终的效果我觉得还是不错的，虽然有点像幻灯片，但是生成的一些文件树等等的效果还是不错的，比我自己手动做肯定是强多了。而且节省时间，我前前后后大约用了半个小时就完成了。
独立开发者 自由职业 作品 - 简单简历 https://t.co/xMu5JFIGnr 五分钟打造程序员的金牌简历 课程 - 慕课网精英讲师 https://t.co/NTyFFrvHwL 经历 - 不上班的1000天 https://t.co/bonuLQCCsY 视频 - https://t.co/aQYLgujIyC
![[开源推荐] Mistral Vibe: @MistralAI 开源了他们最新推出的 CLI Coding Agent「Mistral Vibe」
和 Kimi CLI 一样采用了 Python 作为主要开发语言，Agent 核心架构也是一个「观察-调整-决策-行动」的循环，模拟一个人类程序员的行为模式：先看文件结构（ls），再搜索关键词（grep），读取代码（cat），修改（vim），运行测试（make test），遇到报错看日志，再回头修改，咱们一起看看 🔽
第一阶段：构建动态上下文
在每一次循环开始前，Agent 必须“看清”当前局势。Vibe 不仅仅是把用户的聊天记录发给模型，而是构建一个结构化的 Prompt 包：
· 系统指令：定义了“你是谁”（Mistral 高级工程师）、“你的权限”（可以读写文件、运行 Shell）以及“输出格式”（必须遵循的 JSON 或 XML 结构）。
· 文件映射：这是 Vibe 的一个特点。它不会把所有代码读进去（那样会撑爆上下文），而是先生成一个精简的文件树。模型通过这个树知道 utils. py 在哪，但暂时不知道里面的内容。
· 活跃窗口：只有被 read_file 显式打开的文件内容，才会完整进入 Context。
· 历史摘要：之前的对话如果太长，会被压缩成“摘要”，只保留关键决策点。
第二阶段：推理与决策
这是 Devstral 模型 发挥作用的时刻。模型接收上述上下文后，进行思维链推理。
· 意图识别：模型判断用户的意图是“查询”、“修改”还是“测试”。
· 工具选择：模型不直接写代码，而是生成工具调用指令。
场景举例：如果用户说“修复登录页面的 Bug”，模型不会瞎猜，而是先输出：grep("login", "src/views") 来定位代码。
· 架构特点：Vibe 这里利用了 Mistral 模型强大的 Function Calling 能力，保证输出的是结构化数据（如 JSON），而不是模糊的自然语言，确保了程序解析的稳定性。
第三阶段：原子化行动
Agent 接收到模型的指令后，Python 脚本开始执行具体的工具函数。Vibe 的工具设计非常“原子化”（Atomic），这降低了出错概率：
· view / read：查看代码，Vibe 可能会带行号读取，方便后续精准定位。
· edit / replace：这是最难的部分。Vibe 通常采用 Search & Replace Block 的方式，而不是重写整个文件。
· 容错机制：如果模型生成的“查找块”在文件中匹配不到（比如多了一个空格），Agent 会报错，并把错误扔回给循环，让模型重试。
· bash：执行终端命令。Vibe 的“杀手锏”，它允许 Agent 运行 pytest 或 linter 来验证自己的代码。
第四阶段：自我修正与反馈
· 执行结果捕获：工具执行后的 stdout 和 stderr 会被捕获。
· 闭环反馈：
· 如果 grep 没找到内容 $\rightarrow$ 反馈给模型：“未找到，请尝试其他关键词”。
· 如果 pytest 失败 $\rightarrow$ 反馈给模型：“测试未通过，错误堆栈如下...”。
· 模型收到反馈后，会自我反思，生成新的修正方案，进入下一次循环。
开源地址](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG7z8LmoagAAW-K0.jpg&w=3840&q=75 "[开源推荐] Mistral Vibe: @MistralAI 开源了他们最新推出的 CLI Coding Agent「Mistral Vibe」
和 Kimi CLI 一样采用了 Python 作为主要开发语言，Agent 核心架构也是一个「观察-调整-决策-行动」的循环，模拟一个人类程序员的行为模式：先看文件结构（ls），再搜索关键词（grep），读取代码（cat），修改（vim），运行测试（make test），遇到报错看日志，再回头修改，咱们一起看看 🔽
第一阶段：构建动态上下文
在每一次循环开始前，Agent 必须“看清”当前局势。Vibe 不仅仅是把用户的聊天记录发给模型，而是构建一个结构化的 Prompt 包：
· 系统指令：定义了“你是谁”（Mistral 高级工程师）、“你的权限”（可以读写文件、运行 Shell）以及“输出格式”（必须遵循的 JSON 或 XML 结构）。
· 文件映射：这是 Vibe 的一个特点。它不会把所有代码读进去（那样会撑爆上下文），而是先生成一个精简的文件树。模型通过这个树知道 utils. py 在哪，但暂时不知道里面的内容。
· 活跃窗口：只有被 read_file 显式打开的文件内容，才会完整进入 Context。
· 历史摘要：之前的对话如果太长，会被压缩成“摘要”，只保留关键决策点。
第二阶段：推理与决策
这是 Devstral 模型 发挥作用的时刻。模型接收上述上下文后，进行思维链推理。
· 意图识别：模型判断用户的意图是“查询”、“修改”还是“测试”。
· 工具选择：模型不直接写代码，而是生成工具调用指令。
场景举例：如果用户说“修复登录页面的 Bug”，模型不会瞎猜，而是先输出：grep(\"login\", \"src/views\") 来定位代码。
· 架构特点：Vibe 这里利用了 Mistral 模型强大的 Function Calling 能力，保证输出的是结构化数据（如 JSON），而不是模糊的自然语言，确保了程序解析的稳定性。
第三阶段：原子化行动
Agent 接收到模型的指令后，Python 脚本开始执行具体的工具函数。Vibe 的工具设计非常“原子化”（Atomic），这降低了出错概率：
· view / read：查看代码，Vibe 可能会带行号读取，方便后续精准定位。
· edit / replace：这是最难的部分。Vibe 通常采用 Search & Replace Block 的方式，而不是重写整个文件。
· 容错机制：如果模型生成的“查找块”在文件中匹配不到（比如多了一个空格），Agent 会报错，并把错误扔回给循环，让模型重试。
· bash：执行终端命令。Vibe 的“杀手锏”，它允许 Agent 运行 pytest 或 linter 来验证自己的代码。
第四阶段：自我修正与反馈
· 执行结果捕获：工具执行后的 stdout 和 stderr 会被捕获。
· 闭环反馈：
· 如果 grep 没找到内容 $\rightarrow$ 反馈给模型：“未找到，请尝试其他关键词”。
· 如果 pytest 失败 $\rightarrow$ 反馈给模型：“测试未通过，错误堆栈如下...”。
· 模型收到反馈后，会自我反思，生成新的修正方案，进入下一次循环。
开源地址")
[开源推荐] Mistral Vibe: @MistralAI 开源了他们最新推出的 CLI Coding Agent「Mistral Vibe」 和 Kimi CLI 一样采用了 Python 作为主要开发语言，Agent 核心架构也是一个「观察-调整-决策-行动」的循环，模拟一个人类程序员的行为模式：先看文件结构（ls），再搜索关键词（grep），读取代码（cat），修改（vim），运行测试（make test），遇到报错看日志，再回头修改，咱们一起看看 🔽 第一阶段：构建动态上下文 在每一次循环开始前，Agent 必须“看清”当前局势。Vibe 不仅仅是把用户的聊天记录发给模型，而是构建一个结构化的 Prompt 包： · 系统指令：定义了“你是谁”（Mistral 高级工程师）、“你的权限”（可以读写文件、运行 Shell）以及“输出格式”（必须遵循的 JSON 或 XML 结构）。 · 文件映射：这是 Vibe 的一个特点。它不会把所有代码读进去（那样会撑爆上下文），而是先生成一个精简的文件树。模型通过这个树知道 utils. py 在哪，但暂时不知道里面的内容。 · 活跃窗口：只有被 read_file 显式打开的文件内容，才会完整进入 Context。 · 历史摘要：之前的对话如果太长，会被压缩成“摘要”，只保留关键决策点。 第二阶段：推理与决策 这是 Devstral 模型 发挥作用的时刻。模型接收上述上下文后，进行思维链推理。 · 意图识别：模型判断用户的意图是“查询”、“修改”还是“测试”。 · 工具选择：模型不直接写代码，而是生成工具调用指令。 场景举例：如果用户说“修复登录页面的 Bug”，模型不会瞎猜，而是先输出：grep("login", "src/views") 来定位代码。 · 架构特点：Vibe 这里利用了 Mistral 模型强大的 Function Calling 能力，保证输出的是结构化数据（如 JSON），而不是模糊的自然语言，确保了程序解析的稳定性。 第三阶段：原子化行动 Agent 接收到模型的指令后，Python 脚本开始执行具体的工具函数。Vibe 的工具设计非常“原子化”（Atomic），这降低了出错概率： · view / read：查看代码，Vibe 可能会带行号读取，方便后续精准定位。 · edit / replace：这是最难的部分。Vibe 通常采用 Search & Replace Block 的方式，而不是重写整个文件。 · 容错机制：如果模型生成的“查找块”在文件中匹配不到（比如多了一个空格），Agent 会报错，并把错误扔回给循环，让模型重试。 · bash：执行终端命令。Vibe 的“杀手锏”，它允许 Agent 运行 pytest 或 linter 来验证自己的代码。 第四阶段：自我修正与反馈 · 执行结果捕获：工具执行后的 stdout 和 stderr 会被捕获。 · 闭环反馈： · 如果 grep 没找到内容 $\rightarrow$ 反馈给模型：“未找到，请尝试其他关键词”。 · 如果 pytest 失败 $\rightarrow$ 反馈给模型：“测试未通过，错误堆栈如下...”。 · 模型收到反馈后，会自我反思，生成新的修正方案，进入下一次循环。 开源地址
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
Chatted with @punarpuli at length for this @ScienceNews article about @deepseek_ai R1 and some popular misconceptions about its operation--especially the "think tokens" and RL-in-Name-Only part..
AI researcher & teacher @SCAI_ASU. Former President of @RealAAAI; Chair of @AAAS Sec T. Here to tweach #AI. YouTube Ch: https://t.co/4beUPOmf6y Bsky: rao2z