能和cursor对标的。别说让我自己去搞，我倒是想自己搞，但我琢磨着，等我自己学会elisp搞出来，大牛早弄妥妥的了。只好等着。。。
1 个赞
-
AI coding assistant 可以用 aider，除了 aider 是自己直接把代码就给你改好了，不给你 diffreview accept / reject 的选项以外，体验也是很好的。熟练使用 git 的话，不需要 cursor 接受 diff 的 UX，直接操作 git 效果是一样的。
-
cursor 的 tab completion 可以同时补全多处位置。这个根本没办法。FOSS 很难和 cursor 竞争。cursor 的 multiple-editing 补全的核心在于他们有自己专门微调优化的模型，配合和 fireworks 合作的专有推理基建，它们叫做 speculative-edits，达到了 1000 token/s 的速度。别的不说，就连微软搞的 copilot 都对标不了。fireworks 之前出了一篇 blog 专门介绍这个，但是现在删掉了，可能 cursor 又换云服务合作商了。
-
普通的 chat 问问题和简单的优化重构改代码，用 ellama 或者 gpt.el 就好了。
2 个赞
aider试过。虽然我觉着这种不依赖编辑器来写代码的方式更代表ai 编程的未来。但是目前用着还是有点别扭。
cursor的ai和编辑器深度绑定，并非单纯加个ai就完了。所以我才发这个帖子。感觉emacs vi 单纯的编辑器很难对付它。毕竟背后没有商业公司主持。或许只能等ai再牛一点才行。
除了 cursor 能够提供一个 diff view 让你决定是否接受 patch 以外（这个我觉得有当然最好，没有的话操作 git 也不是不行），还有什么 cursor 的 UX 你是觉得不可或缺的？
保留会话记录
compose 才是 cursor 的大杀器吧，给一个需求，agent 自动识别需要更新哪些文件，并进行修改。
那这个就是 aider 的标准用法。给一个需求就可以让它直接改代码了。它会根据 repo-map 自动决定要阅读哪些文件以及修改哪些文件。
其实 cursor 的独家杀器应该是 tab-completion，虽然补全已经不是目前 AI 写代码最主要的功能了，最主要的功能已经转向直接让 AI 写代码了。 Composer 这个东西就是搞 agentic 的 workflow，FOSS 是有办法搞的。tab-completion 这个不搞自己的推理基建没办法做。
aider各位都是怎么用的？能否介绍一下用它的流程。
我是配置了deepseek，让它修改代码。然后用emacs看它修改的地方。如此反复。它还能自己执行测试用例啥的，我一般没让它干这个。我都是自己看完代码，手动修改一下，然后我来执行测试用例。
emacs 和 deepseek咋集成的？
和你用法差不多。
- 添加（
/add）一些相关的文件给 aider，不要太多，主要是那些有关的。 - 如果是新写的代码，直接
/code让他写，写完了 review，测试是否符合要求。 - 如果是旧的代码，或者不确定怎么写的，一般用
/architect或者/ask先和它对话几轮，确定改动的内容是符合要求的，然后让它改(直接发送 “go ahead” )，改完 review，测试。
可以看看 aider 官方给的 tips。
另外我懒得总是 rebase aider 的 commit，所以设置了 --no-auto-commits，通过 magit 的 diff 看它的改动，然后再按照功能点一个个提交。
2 个赞
我没把这俩集成。我是用的aider+deepseek
第2步：
它修改了一个文件。
我打开这个文件，找到它修改的地方。这是直接改动完毕的。没有对比之前的
或者我先看diff
就这个地方稍微有点别扭。如果有个新旧文件对比就好了，不是git的diff。是两边各有新旧文件对着看。。。这样看着比较清楚，也比较放心。
有时候ai会莫名其妙修改其他的地方。我有个文件。每次让它改这个文件的什么地方，它总是会自动把某个函数的参数给修改了。我要求它改的完全不是这里。它会顺带着改。
我主要依靠 magit 的 status 和 diff。
在 aider 修改之前，我可能也有一些改动，我可能会先移动到 index 中，然后再让它改，它改的内容是在 worktree，这样我就可以和 index 里的进行 diff，也能知道它改了啥。
或者就是多提交，保持 status 内容相对干净，这样也容易看出来它改了啥。
我是每弄一个小功能（比如一个函数），都单开分支。每次修改都提交。它改完之后，彻底没问题了。合并。不行就撤回或者放弃这个分支。
反正就是比其他时候更细更频繁用git的分支提交。因为有时候ai会一直往前走，走很远之后发现这一大片改动都不行。
你们的aider都配置的哪家api？我只用了deepseek，这个方便不需要梯子。openrouter据说挺好，但还没用过。
同 deepseek，但是火了之后被攻击，最近很不稳定。
直接开一个新的分支，改到没问题了直接 squash 合并。这样对应到主分支就是只有一条干净的提交记录。
你们的aider都配置的哪家api？我只用了deepseek，这个方便不需要梯子。openrouter据说挺好，但还没用过。
不缺米的话还是试下 sonnet 3.5 吧，openrouter 也可用。deepseek 主要还是速度有点慢，再加上 api 非常不稳定，sonnet 3.5 速度非常稳定，智力不如 R1 但是速度很快，不涉及到复杂的，针对一般的 CRUD 够用了。或者就是用 R1 做 architect，让 sonnet 3.5 来写。sonnet 写的快，改反馈也方便一些。除此之外也可以试试 gemini-flash-thinking gemini-2.0-pro-exp-02-05，速度非常快，而且目前还是免费使用，openrouter 也可用。
直接在 aider 里用 deepseek。emacs 和 aider 的集成可以看 aider.el，优点是集成细节做的很丰富，缺点是因为用的 comint 所以没有 markdown 语法高亮。
我是直接在 emacs-vterm 里使用 aider，主要为了完整的高亮。我用了 一个宏 把 vterm 包了一下从而生成一系列独立 “namespace” 的命令，利用这些命令来创建 aider buffer，发送命令 / region 内容到 aider，然后还做了一些二次包装 实现了一些针对 aider 做的一些额外的 util 功能，
1 个赞
其实主要还是tab flow最有吸引力，也最难做。虽然难，但是还没到FOSS做不出来的程度，参考隔壁yetone大大的avante.nvim。在推上天天看大佬直播更新hhhh (是的这波还是nvim user先吃上大佬福利。。墙头草用户可以先叛逃nvim了)
全职投入个半年时间，咱们很多会elisp的都能写个差不多的出来，但问题就在于现在的模型，你不进行客制化后训练，它就只能解决“小白问题”。最大1M的上下文，让模型记个文档都不够，对中高级技术员来说挺鸡肋的。而目前后训练仍因算力问题而被限制在企业级应用（参考copilot enterprise的custom model），为此投入大量时间着实不值。
（之前还发过个推详细吐槽这个：https://x.com/apr_simone/status/1885759178943144441）
avante 整体我觉得一般吧。。。整体的设计的感觉是照着 cursor 在照猫画虎。
它的那个 tab completion 我看了下 prompt 的设计思路，就是把你当前的文件的完整代码（加上行号）都丢进去，然后让 LLM 输出 json，给出行号，以及建议插入的文本，然后解析这个 json 生成 diff preview。emmmm，我不知道 curosr 它们是怎么做的，我只想说 avante 这种思路，目前的开放供调用的 LLM 里，就没有输出速度能达标的。其次就是必须给完整的代码，因为你但凡给了一个开头和结尾有截断的代码，那么 LLM 就很可能就会直接从开头和结尾有截断的地方去尝试补全。用户的 rate limit 真的吃的起吗？它这个思路，我个人认为输出格式是十分复杂的，绝对算得上是复杂指令，如果用没有微调过的模型，对模型本身智力要求是比较高的。因此他们目前用 sonnet-3.5 来做这个任务。所以感受一下吧，sonnet 3.5 来做 tab-completion 每次都要全量文本做输入。。。
之前 avante 还因为违背开源协议导致被 reddit 封了半年 （MIT license 的 project 用了 gpl-v3 的 copilotChat 的代码，而且没给 contributon）。后来整个重写了一遍调用 copilot 接口的逻辑。
2 个赞
这个倒不至于，现在的模型现在确实有对长上下文的代码输出质量下降，不能够很好的 follow 上下文代码，以及指令遵循能力下降的问题，但是不至于只能用它来写代码，更不至于说对于中高级技术员挺鸡肋的。只能说还不够厉害。
llama-cpp 一个用 CPP 写成的 LLM 的推理引擎，本身肯定是一个门槛较高的项目了，但是已经可以用 R1 来写 PR 了。目前这个 PR 还没合并，但是所有的测试都通过了，只剩下具体的提高代码质量的问题了。