Chivos

Somewhere between code and curiosity.

[Chivos @Chivosic]

@RBilgil insanely cool

[Chivos @Chivosic]

@67409_so x

[Chivos @Chivosic]

我说实话，人的灵感和创造力是需要在自由放松的环境下才能产生的，而调休，加班等等无疑是在压制人的创造力和灵感

[Chivos @Chivosic]

@AdrianPunk115 @Fghvayxs 🫪

[Chivos @Chivosic]

@dpratyush02 congratulation

[Chivos @Chivosic]

@ally_foe 火速补帖这一块，哈哈

[Chivos @Chivosic]

@Zachary_haha 想干嘛呢😂

[Chivos @Chivosic]

@foreverfoward07 很大胆的尝试

[Chivos @Chivosic]

@_TobiasLee 非常认同，论文天天讲求创新点，但是大部分所谓的“创新”无非是把模块换个位置刷刷指标，到了真实业务场景根本跑不通。在新范式下，能解决实际问题、经受住高并发和脏数据考验的系统工程能力，远比实验室里硬憋出来的微小 novelty 更有说服力。

[Chivos @Chivosic]

非常认同，论文天天讲求创新点，但是大部分所谓的“创新”无非是把模块换个位置刷刷指标，到了真实业务场景根本跑不通。在新范式下，能解决实际问题、经受住高并发和脏数据考验的系统工程能力，远比实验室里硬憋出来的微小 novelty 更有说服力。

[Lei Li @_TobiasLee]

paper 投稿量指数级上升意味着其价值也会加速级贬值
会从 plus 变成 must，边际效用更快递减
什么是新范式下更为宝贵的经历？
目前来看比较宝贵的是: 高影响力的工作（blog, tweet, github project） / 高质量的实习经历 / 还有不会随着 AI 变化而激增的东西（e.g.，编制和🎩）

[Chivos @Chivosic]

@NanouuSymeon Valid fear, but debugging AI code actually demands stronger fundamentals than writing from scratch. Those who skip the basics will hit a hard ceiling.

[Chivos @Chivosic]

最近重新看了一下李飞飞团队 World Labs 在 9 月初发布的 Atlas，感觉这东西真正值得关注的地方，并不是“又一个更强的视频模型”。

它想做的是更底层的一件事：

让 AI 建立一个真正的“空间世界”。

Atlas 是 World Labs 面向 Spatial Intelligence 推出的新一代 world model。它原生处理文本、图像、视频、相机位姿和 3D 深度信息，并把这些信息组织进统一的 spatial context。

区别可以很直观地理解。

普通图像模型看到一张房间照片，更多是在理解：

“这里有桌子、椅子、墙。”

而 Atlas 进一步希望理解：

“桌子在空间中的什么位置，相机现在在哪里，如果绕到桌子后面，那里应该看到什么。”

因此它可以从少量图片出发，生成新的相机视角、重建三维场景，还能做 Camera-Controlled Generation、3D Reconstruction 和 Space-Time Simulation。World Labs 甚至已经把它用到了机器人的 Real-to-Sim 场景中。

我觉得这里最值得注意的是 AI 技术路线正在发生的变化：

Token
→ Image
→ Video
→ 3D World
→ World Model
→ Spatial Intelligence
→ Embodied AI
NeRF、3D Gaussian Splatting 更多解决的是：
“怎么表示一个三维世界。”
Atlas 这种模型开始尝试解决：
“怎么让一个 Foundation Model 理解、生成和模拟任意世界。”
如果说 LLM 在学习语言世界里的规律，那么 World Model 想学习的，就是空间、几何、时间以及现实世界如何变化的规律。
这可能才是李飞飞一直强调 Spatial Intelligence 的真正含义。

Atlas：
https://t.co/7xFQG8dojr

[Chivos @Chivosic]

@HiTw93 respect

[Chivos @Chivosic]

最近把 LangChain、LangGraph 和 Coding Agent 这条线重新捋了一遍，发现它们其实可以用一套非常简单的逻辑串起来。

最开始，大模型 API 本质上只是一个“脑子”：

输入 → LLM → 输出。

但真正做 AI 应用，你还需要 Prompt、RAG、工具调用、结构化输出、记忆、模型切换……于是 LangChain 出现了。

LangChain 做的事情，可以理解成：把这些围绕 LLM 的“胶水代码”封装成标准积木。

Model、Prompt、Retriever、Parser、Tool……

然后把它们串起来：

用户问题 → 检索 → Prompt → LLM → 输出。

这也是 Chain 这个名字的来源。

但问题很快就出现了。

真实的 Agent 很少是一条线走到底的。

比如 Coding Agent：

写代码 → 跑测试 → 报错 → 修改代码 → 再跑测试 → 直到通过。

这里已经出现了“回头路”。

传统 DAG 只能往前走，而 Agent 需要 Cycle。

于是 LangGraph 出现了。

它最核心其实就三个东西：

State：共享状态，记录当前任务、代码、错误、重试次数。

Node：真正干活的节点，比如 Planner、Coder、Tester。

Edge：决定下一步去哪，尤其是 Conditional Edge，可以让流程根据结果继续、结束或者打回重做。

所以你会发现，LangGraph 本质上是在解决一个问题：

如何让 LLM 应用从“流水线”变成“会反复执行、判断和修正的状态机”。

再往后看 Claude Code、Codex、Aider、OpenCode 这些 Coding Agent，会发现它们底层虽然不一定直接使用 LangGraph，但核心思想其实非常接近：

Think → Act → Observe → Think → Act → Observe……

模型决定要看哪个文件，就调用 Read。

发现问题，就调用 Edit。

需要验证，就调用 Bash 跑测试。

工具结果重新进入上下文，模型继续判断下一步。

这就是最经典的 Agent Loop，也就是 ReAct。

所以现在我对 Agent 的理解越来越简单了：

LLM 决定“想做什么”，
Tool 负责“真的去做”，
State 负责“记住发生了什么”，
Loop 负责“让它继续做下去”。
而真正决定一个 Coding Agent 好不好用的，反而不是这个循环本身。
Agent Loop 可能几十行代码就能写出来。
真正困难的是：

怎么构建 Context，
怎么裁剪 Context，
怎么设计 Tool，
怎么处理错误，
怎么做权限控制，
怎么存档恢复，
什么时候该让人介入。

换句话说：

LangChain 解决“有哪些积木”。

LangGraph 解决“这些积木怎么流转”。
而 Claude Code、Codex 这种产品真正拉开差距的地方，是 Context Engineering 和整个 Agent Runtime 的工程能力。
理解到这里，再看各种 Agent 框架，会发现它们其实都没那么神秘。

[Chivos @Chivosic]

@ChrisHamous 好了，简历还我，我要去卖酱香饼了

[Chivos @Chivosic]

@NanouuSymeon insanely perfect setup i think

[Chivos @Chivosic]

@tomatomato35p fun😂

[Chivos @Chivosic]

Some energy for the long night.

[Chivos @Chivosic]

@earthserenityy wonder the life here

[Chivos @Chivosic]

@elyradream perfect