与「标签」相关的搜索结果

很多人研究 @zerufinance ，第一反应就是怎么获得更多 Zaps。 但我觉得，真正值得关注的不是刷了多少笔交易，而是 Zeru 如何识别一个钱包长期以来的链上参与情况。 如果只盯着交易次数，很容易把精力浪费在重复操作上。Zeru 的思路更偏向于综合观察链上行为，让过去的活动也有机会成为评价依据。 我觉得有几个地方值得注意： 1️⃣ 先连接自己常用的钱包 不要急着重新做一堆交易，先看看历史活动有没有被纳入统计。过去的链上交互可能已经为你积累了初始 Zaps 和 Trader Score。 2️⃣ 保持真实的链上参与 比起为了积分反复进行没有意义的兑换，我更倾向于正常使用协议、参与交易和生态活动。重点是持续且符合活动要求的行为，而不是单纯堆交易量。 3️⃣ 别忽略社区玩法 Zeru 还有 Clans、活动和推荐机制。除了个人钱包行为，也可以通过加入社区、参与活动，探索更多获得 Zaps 的机会。 我理解的 Zeru，并不是简单给交易量贴一个积分标签，而是尝试把钱包历史、交易参与和社区贡献连接起来。 所以，与其每天想着怎么刷更多积分，不如先把自己的链上活动整理好，看看哪些历史行为已经被记录。 真正有价值的链上参与，不应该只在某一次交易发生时才被看见。 #Zeru# #Zaps# #ActivityFi#

Bitget 最近开了一个总奖池10,000 USDT的 Insights 创作者奖励计划，第一期到11月24日。 这个活动有个细节，很多人可能看完标题就忽略了：它不是纯内容比赛。 第一条赛道是 Featured Creators，每期500 USDT。至少发布3篇原创有效内容，内容质量占50%，内容带来的归因交易量占50%。 排名前20名有奖励，第一名50 USDT，第20名20 USDT。 第二条赛道是 Content Mining，每期最高1,000 USDT，但门槛明显更高：至少3篇带代币标签的原创内容，交易量最低档也要达到50,000 USDT，才有机会拿到奖励。 还有几条硬规则： - AI生成、洗稿、搬运和重复内容会被取消资格； - 不能把读者引导到站外群组或其他平台； - 自己账户交易、刷量和关联账户交易不计入； - 奖励需要完成平台要求的身份验证。 官方公告： 我的判断：第一条赛道更适合认真做研究的创作者；第二条赛道不值得为了奖励刻意诱导交易。别为了几十美元奖励，让读者承担不必要的交易风险。

卧槽，装个插件等于请了个贼进门😅 11 月 13 日，npm 上一个叫 karma365-mcp 的包被 GitHub 标为恶意软件。名字蹭着 MCP 和 Claude 的标签，专钓装插件的人。 装过的机器，按被入侵处理：先清掉，再换密钥😬

📸 又发现一个 Instagram 运营神器 instagram-agent-skill，13 个 Claude 技能把找爆款、写 Reel 脚本、配文案到回评论私信全包了。 instagram-agent-skill 两个月前才建仓，已经 6400 多 star、1200 多个 fork，刚上 GitHub 热榜。 以前做一条 Reel，得自己刷同行找灵感、憋开头、写文案、数话题标签，发完还要一条条回评论。 装上之后，/ig-reel 会按 26 种开头公式给你出三个开头并打分，再把脚本、屏幕文字和带时间的节拍表一起排好；写文案时还会预览信息流里能露出的前 125 个字符，顺手检查话题标签有没有超过每帖 5 个的上限。 它只生成文字，不碰你的账号：不用注册、不要 API 密钥，也不会替你自动发帖，复制粘贴由你自己来。配套的 5 个 Python 小工具全在本地跑，不联网。 难得的是作者 Jake Schincariol 很实在：他拿 74 条真实短视频开头测打分器，承认它挑得出故意写烂的开头，但分辨同一个人的爆款和扑街款时，效果只比瞎猜好一点。 工具帮你少踩坑，爆不爆还得看内容本身。 GitHub：

Cloudflare 把给 AI 智能体用的浏览器开源了，叫 Kitesurf 它不跑 Chromium，直接跑在 Cloudflare Workers 上，解析 HTML、跑页面 JS、截屏都能干，还支持 Chrome DevTools 协议，Puppeteer 接上就能用 它把标签页、主题、扩展这些给人用的东西全砍了，只盯智能体关心的指标，截图、提 HTML 这类活儿 CPU 和内存都比 Chromium 省得多，并发能开更多会话 仓库是 cloudflare/kitesurf，Apache 2.0 协议，刚开源就已经 837 个 star 本地跑也不麻烦，pnpm run dev 就能起，跑在 8787 端口；不过部署到 Cloudflare 上要 Workers 付费套餐

Agent 最缺的不是更大的上下文窗口，而是理解整个代码库的能力：当一个项目有数万文件、跨模块调用和海量文档时，为什么还要让 AI 一遍遍 Grep、Read、重新理解整个工程？ 📦 项目档案 项目：Graphify-Labs/graphify GitHub Stars：⭐ 147299 技术栈：Python + Tree-sitter + NetworkX + Leiden 核心定位：将代码、文档、SQL Schema、PDF、图片及音视频转换成可查询、可追溯的知识图谱，让 AI Agent 从「搜索文件」升级为「理解工程关系」。 GitHub： 🛠️ 一、底层架构：不是传统 RAG，而是图结构知识引擎 Graphify 最值得研究的地方，是它没有走传统向量检索路线。 传统 RAG 通常需要经历： 文件切分 → Embedding → 向量入库 → 相似度检索 → 上下文拼接。 Graphify 直接构建 Graph。 底层采用 NetworkX 图数据结构，以 Node 和 Edge 表达工程实体及其关系。 整个处理链路可以概括为： detect() → extract() → build() → cluster() → analyze() → report() → export() 每个阶段职责独立，通过 Python Dict 和 NetworkX Graph 传递数据。 这意味着它不只是索引代码，而是在构建整个项目的结构化关系网络。 🛠️ 二、Tree-sitter AST：让代码解析摆脱 LLM 依赖 这是最有工程价值的设计。 Graphify 使用 Tree-sitter AST 解析约40种编程语言，提取： • Classes：类定义及结构。 • Functions：函数与方法。 • Imports：模块依赖关系。 • Call Graph：跨文件函数调用。 • SQL：表、视图、外键及 JOIN 关系。 其中33种语言使用 Tree-sitter Grammar，另外7种使用内置解析器。 关键在于：代码结构提取完全在本地完成，不需要调用 LLM，也不需要把代码上传到云端。 对于大型代码库，这种确定性解析比单纯依赖模型阅读文件更容易复现和追踪。 🛠️ 三、EXTRACTED / INFERRED：让每条知识关系都有证据 很多知识图谱最大的隐患是：模型推断出来的关系，很容易被误认为真实事实。 Graphify 给关系增加了置信度标签： • EXTRACTED：源码中明确存在的关系，例如 import、函数调用。 • INFERRED：通过上下文、命名和调用关系推断出来的连接。 • AMBIGUOUS：存在不确定性的关系，需要人工复核。 INFERRED 关系还会附带 0.0—1.0 的 confidence_score。 这套机制非常重要。 它实际上把知识图谱从一个简单的关联网络，变成了一个能够区分事实、推断与不确定性的工程知识系统。 🛠️ 四、Leiden + SHA256 Cache：解决规模与重复计算 Graphify 使用 Leiden 社区发现算法，根据节点之间的连接密度，将复杂工程拆分成不同功能子系统。 例如，一个大型后端项目，可以自动识别认证、数据库、路由、权限等不同社区。 同时，SHA256 内容哈希缓存会记录文件指纹。 文件没有变化，就跳过重复提取；只有新增或修改的文件才重新处理。 音视频还可以通过本地 faster-whisper 转录，再进入统一知识图谱。 这让增量更新不必每次重新扫描整个工程。 五、真正解决了什么工程问题？ 想象一个场景： 你接手一个陌生的微服务项目，需要搞清楚： 用户认证最终连接了哪些数据库模块？ 修改某个核心函数会影响哪些下游组件？ 某个架构决策为什么会存在？ 两个看似无关的模块究竟有什么隐藏依赖？ 传统方式：Grep、Read、跳转、反复询问 Agent，消耗大量上下文。 Graphify：直接执行 query、path、explain。 它还能生成三个核心产物： • graph.json：完整知识图谱，可供后续查询。 • GRAPH_REPORT.md：核心节点、社区及关键关系分析。 • graph.html：可交互的可视化图谱。 甚至支持 Mermaid 调用链导出、Markdown Wiki 和 Obsidian 知识库。 最重要的设计思想是： 不要让 AI 每次都重新阅读整个世界，而是提前把世界组织成它能够理解和遍历的结构。 这才是 AI Coding 从上下文堆砌走向工程知识管理的重要一步。 对于大型 Monorepo、遗留系统维护、跨模块依赖分析，以及需要长期理解代码库的 Agent，这套架构尤其值得研究。 🔗 GitHub 开源地址：

以前听一个在深圳做互联网的朋友讲，他们公司来了个女实习生，23岁，刚大学毕业，长得漂亮，脾气也挺大。 有次陪客户吃饭，老板喝多了，非让她坐自己旁边，还伸手搂她的腰。 小姑娘直接把一杯酒泼他脸上。 骂了一句，你他妈有老婆有孩子，能不能要点脸？ 一桌人全傻了。 第二天老板让人事通知她不用来了。 小姑娘也挺硬气，收拾东西就走。 临走还说，这破公司谁爱干谁干。 本来这事就过去了。 结果一个月后，老板突然让人事重新联系她，说公司愿意给她转正，工资翻倍。 姑娘没答应。 又过了几天，老板娘居然亲自来公司接她。 两个人在楼下咖啡馆坐了一下午。 第二天，姑娘回来上班了。 不过没进原来的部门，直接搬到了老板办公室隔壁。 有次我去送文件，听见老板在里面发火。 说你到底想干什么？ 姑娘说王总，您当初可不是这么跟我说的。 老板骂了一句。 姑娘突然把门打开了。 看见我还笑了笑，说哥，麻烦帮我倒杯水。 老板站在后面，一句话没说。 那天晚上，老板娘又给她送来一个行李箱。 新的，标签都没拆。

家人们，有个中国开发者录了段2分钟教程，教人搭Claude Code代理。 三台显示器，桌子乱得一批，电线满屋子飞。他以为最多几百人看，结果视频火了。 但真正让它爆的，不是教程内容。 你把视频暂停到0分47秒，别看他脸，看右边第二台显示器。 那个标签页不是代码编辑器，也不是教程演示，是个正在跑的Polymarket钱包——gabagool22。 86.8万美元利润，28620笔预测，2025年10月注册。 全是比特币15分钟市场，没一笔是红的。 评论区直接变侦探现场，有人0.25倍速逐帧截图，把完整的钱包页面拼出来了。入场价2到10美分，兑付都是几千刀。 他想教人搭AI代理，结果把自己的印钞机露出来了。 这套系统不是一台电脑，是个农场，多台机器同时扫不同窗口，24小时不停。 视频3小时就删了，但已经晚了。 教程才200播放，截图版本干到40万。现在70多万人盯着这个钱包。 他再没发过新视频。屏幕还亮着，钱包还在跑，农场还在印钱。 他想教大家用AI，全世界却看到AI已经在替他赚钱。

百感交集。 我对显卡本身挺感兴趣，也详细研究过Nvidia和AMD的企业历史。Jensen Huang 无疑是 Nividia 能数次前瞻性取得巨大成功的必要原因，从游戏业，到 crypto，再到AI，并行运算芯片总能被 Jensen 压对下一个时代的风口，并提前做好技术准备。 抓住生活作风问题，利用媒体造势，渲染未经证实的国家安全与职业道德问题，最终将 Jensen 赶出了 Nvidia。 中美对抗、世界分裂的一个缩影，将这样被记录在历史之中。 在大学时，我也曾是一名理想的自由主义者，相信普世价值，认为天下大同，认为自己是世界公民。后来学习了国际政治和历史的数个课程，了解了美国在拉丁美洲的作为，学习了二战之前的西方历史与民族主义思潮的起源，渐渐转变了我的想法——我从一名自由主义者，逐渐接受了现实主义的立场。 而后我来到欧洲学习与生活，不得不感受到隐形的结构性的歧视与隔离，尽管我已经被包裹在最为理想主义的校园里，我也能体会到人用种族、民族、肤色与文化建立的现实的区隔，这一区隔在课本里丝毫没有提及，承认这一区隔是教育所禁止与避免的，但这一区隔却被迫存在于傲慢与偏见之中。 一个皈依者永远不能成为“我们”的一员，世界大同只是一场经济上行时迷离的幻梦。人与人之间的竞争、嫉妒与敌视，不得不存在于民族之间，也不得不存在于民族之内。 我们人类总是乐意为自己贴上诸多标签，而后排除异己，并将这一点视为正义的行为。 这很愚蠢，也很荒诞，但很真实。

一块榴莲千层蛋糕，保质期居然长达 9 个月？？ 这两天董宇辉新品牌“禾与春时”首发的猫山王金枕榴莲千层（16 分钟卖光 15 万单）因为“9 个月保质期”吵上热搜（#董宇辉蛋糕检测报告多达60多页## 阅读破 1490 万）。有人拿它跟山姆的冷藏千层拉了张实拍配料表对比图，还用大红圈把底下一串化学名圈了出来，质疑是不是“科技与狠活”；品牌方则直接甩出了 62 页的 SGS 检测报告。 普通吃瓜群众谁有耐心去逐字核对糊图的配料表和 62 页报告？ 正好蚂蚁百灵刚发了原生多模态模型 Ling-3.2-flash（官方称已落地灵光 2.0，总参数 560B、单步激活 25B，支持 1M 原生长上下文，主打复杂图文理解与视觉反馈自检），我直接打开 Ling Studio 网页端，把这张打满红圈的网传配料表对比图和 SGS 核心指标丢给它，让它生成一张「深色系单文件 HTML 一图流鉴定卡」，顺便看看它会不会掉进红圈的节奏里。 【测试环境与配置】 • 测试入口：Ling Studio 在线网页端（左上角确认模型为 Ling-3.2-flash）。 • 工具配置：关闭联网搜索/时间/天气插件（纯靠模型原生多模态读图与推理），开启思考模式，最大推理生成长度 262144。 【实测第一轮：它从糊图里看出了什么？】 原本我以为第一版生成的 HTML 样式多少会有点错位，结果它第一把直出的深色系鉴定卡（直接内置在 Preview 预览窗里，自动分了 01~06 六个模块，右上角甚至自己写了个“🖨️ 打印/存为 PDF”按钮）排版居然一次成型，完全没崩。更让我意外的是这两点： 1️⃣ 一眼戳破“红圈添加剂”的伪命题：网友红圈重点圈出来的那个名字吓人的「羟丙基二淀粉磷酸酯」，它直接对比左右两栏配料表指出：“两边（禾与春时与山姆）都有『羟丙基二淀粉磷酸酯』→ 不是决策差异点！红圈成分是口感稳定剂（防冷冻解冻出水），不是防腐剂。” 所以这波还真不能算翻车，它本质上是用 -18℃ 冷冻链 + 杀菌工艺 + 隔氧包装做出来的速冻甜品（果肉 ≥50%，适合冷冻囤货），而山姆是 0~4℃ 冷藏即食（果肉 33%，适合大分量尽快吃完）。 2️⃣ 极强的“反幻觉”克制：原图右边山姆那一栏被网友画的大红圈挡住了净含量和保质期，而且最底下有几行压糊的重影错字。很多模型遇到这种图会自己脑补瞎编，但 Ling-3.2-flash 直接在表格里诚实标了「图中未显示」，并在表底主动写了一行小字：“右栏底部小字分辨率不足，未采信”，同时声明无联网条件下未核验 62 页报告原文，仅按摘要呈现。 【初版版面有什么不足 → 第二轮反馈怎么改？】 虽然第一版逻辑和样式都很稳，但从直接截图分享的角度看，初版 Preview 渲染画面还有两个可以打磨的细节： • 初版版面不足：一是初版把 01~06 六个模块做成了纵向长页面布局，高度超出一屏，手机端一屏截不完（见图3）；二是焦点成分的定性结论融在文字段落里，缺少一眼就能看懂的视觉标签。 • 反馈与微调：第二轮我直接针对渲染结果让它收紧版面，它用时 63 秒把原本 6 个纵向长模块重构成了三栏紧凑布局（控制在 100vh 一屏内看完），还主动把「羟丙基二淀粉磷酸酯」的国标分类（GB 2760 / INS E1442 变性淀粉）做成了显眼的红绿胶囊标签——「质构·口感稳定剂 ✓」「防腐剂 ✗」，并加上了一句金句总结：“名字长 ≠ 防腐剂，与保质期无因果关系”（见图4）。 【真实体验判断：值不值得用？边界在哪？】 • 能打的地方：据官方介绍，Ling-3.2-flash 采用 7∶1 混合注意力架构，在 DesignArena 的 Image-to-Frontend 前端生成评测拿了 1238 分（注：官方披露在 Hopper GPU、约 30K 上下文及 DSpark 投机推理加速特定条件下解码均值达 280 tokens/s）。实测下来，这个 1238 分确实没水分——直出单页 HTML 的审美和结构完成度很高，尤其是「看不清的糊字宁可标『未采信』也不瞎编」这点非常讨喜。 • 客观边界：一方面，无联网条件下模型仅对用户提供的图文与报告摘要做结构化呈现，不能替代专业检测机构或人工对 62 页原始报告的最终复核；另一方面，官方也坦诚指出，目前模型在长程跨应用任务状态维持、复杂三维空间推理及 3D 细节保真度上仍有客观差距，在线网页端也不直接内置官方演示里的 Blender 等外部软件环境。 搞了半天，所谓“9个月保质期千层蛋糕”根本不是加了防腐剂，而是把千层做成了「-18℃ 冷冻速食」。如果是你，你会买这种能冻大半年、果肉 ≥50% 的冷冻千层，还是买冷藏 3 天内必须吃完的现做千层？👇