与「続Private」相关的搜索结果

【12/24発売！】 配信で発表したデジタル写真集は、トミーさんと大谷の2人が友達のような、姉妹のような、母娘のような距離感でななちゃんを撮影しました。 3人での女子旅で、Privateとはまた違った魅力を引き出した一冊ですので、ぜひチェックお願いします！ #大和田南那# #Nana_Owada728# #続Private#

感謝 Ondo 讓我見上了我的偶像 Arthur Hayes 我直接搶了個大前排去做筆記，印象比較深的是 ⬇️ 1️⃣ 首先就是我們最在意的問題，這個週期走到哪了 他表示這一輪本質是信用的問題：看行情只看新錢進場的速度。也就是信用脈衝，速度在加快資產就漲，去年到現在明顯是負向 他認為原因有兩個，AI 在吸錢不吐錢和共產式資本主義。就是政府決定錢往哪流，股東拿利潤 所以市面上不缺錢，但錢不流動了，這就是他說的負向信用脈衝，也是這一年多行情難做的原因 Arthur Hayes 說政府不會認錯，會是印更多的錢。而對 Crypto 來說，這是完美的時刻現在的價格很棒（划重點） 2️⃣ 然後就是 Copy trading、社交交易會改變資產配置嗎，像 Phantom、pump fun 這類的 他覺得是社會症狀，被通膨碾壓的人覺得翻身唯一的路就是開 20 倍槓桿，而且會越來越嚴重，因為不分中美，沒有政治人物敢承擔停止印鈔的代價，只要繼續印，這類 App 就一波波爆紅然後崩掉。印鈔既是行情的燃料，也是賭場的客源。會一直存在 3️⃣ TradFi 和 crypto 能互相學什麼？ 傳統 TradFi 最大的問題是機構不必為自己的判斷承擔損失。賺了收管理費，虧了由客戶承擔。於是他們怕波動、迴避有機會帶來高報酬的投資 而 Crypto 一年約等於傳統金融的十年，但幣圈人總覺得這次不一樣不看歷史 美股代幣化對傳統金融本質是降本：只有代幣化和公鏈做得到實時結算。而且大量交易發生在人們下班和週末真正有空的時候，傳統市場的開盤時間永遠跟不上人 成本困住機構，時間困住用戶，這就是代幣化的重要性，也是 Ondo @Ondo 這類 RWA 玩家站上風口的原因 這就是這個週期 $ONDO 代幣化最偉大的故事，今天在 KBW 追星成功！@CryptoHayes

阿里云开源「企业级 Agent 白皮书」 2026 年最新发布，是 2025 年 9 月「AI 原生应用架构白皮书」的升级续作。全书按 架构 → 构建 → 运行 → 治理 → 调优 的全生命周期组织，共 7 篇 30 章，由阿里云数十位一线工程师分工撰写，并纳入吉利、塔斯汀、MiniMax、哔哩哔哩、信永中和等外部企业案例。 它的写作动机很明确：过去一年市场重心已经从 “如何快速搭出一个 Agent” 转移到三个新挑战，工程化（从概率智能到可靠生产力）、规模化（从单点试验到智能基础设施）、组织化（从 Agent 孤岛到进入核心业务流程）。现有的框架文档和教程基本不回答这些问题，这本白皮书填补的正是这个空白。 开源地址 # 各篇核心内容 架构篇（1–2 章） 建立认知框架。给出 Agentic Application 的六个判定特征（以任务结果为中心、运行时决定部分执行路径、能作用于环境、维持跨请求状态、受确定性机制约束、可观测可评估）和成熟度四级模型（L1 辅助生成 → L2 受控自动化 → L3 Agentic Execution → L4 规模运营）。两个重要的解耦判断：用哪种形态取决于任务结构，处于哪级成熟度取决于治理完备程度；单 Agent / Long-Horizon / 多 Agent 是沿时间跨度和协作结构两个正交维度的扩展，不存在“必须升级到多 Agent”的路径。贯穿的原则是“最低充分架构”，为任务选择成本与风险可接受的最低复杂度。 构建篇（3–6 章） 是方法浓度最高的部分，按“范式—任务—信息—行动”还原构建过程： · 任务：Agent Loop 五阶段（Prepare→Model→Act→Observe→Verify）+ 十态任务状态机，要害是“消息历史不应是任务状态的唯一来源”；完成判定的核心原则是“模型只能申请完成，Harness 依据环境证据提交完成”，验证分五级并与风险匹配。 · 信息：Context 是动态“编译”而非静态字符串。本章的独创设计是 Context Manifest，每次调用记录上下文每个片段的来源、作用域、版本、信任级别、选中理由和内容哈希，使“模型看见了什么”变得可解释、可回放、可审计。信息被五分为 Context/State/Memory/Knowledge/Skill，其中 Memory（个人经验）与 Knowledge（组织内容）必须分列，因为治理责任不同，“放进同一个向量库会同时失去两类治理能力”。 · 行动：统一 Action Plane（意图→Schema 校验→身份绑定→策略决策→执行→观测），关键三分：“模型看见工具 ≠ Harness 注册了工具 ≠ 获得执行授权”。协议定位清晰：Function Calling 是模型-Harness 意图接口，MCP 是 Harness-能力提供方连接协议，A2A 面向拥有独立任务循环的远程 Agent，“协议选择由能力是否拥有独立任务循环决定，而非新旧或流行度”。 运行篇（7–12 章） 处理规模化后的工程问题，大量内容达到了分布式系统的专业深度：沙箱后端选型判据（容器/gVisor/MicroVM 按代码可信度与租户边界取舍）；状态外置后 Event Log / Checkpoint / 工作区快照三者不可互相替代，且“Durable Execution ≠ 外部动作恰好执行一次”；AI 网关对 LLM/MCP/Agent 三类流量按不同粒度治理，其中“严格预算需要原子预留而非阈值检查”的数学化分析（余额 100、两笔 80 的并发请求都会通过）是真实的并发工程细节；多 Agent 编排强调“最小充分共享”，共享的是上下文来源而非同一个 Context 窗口。 治理篇（13–16 章） 让自主运行的系统变得可信。可观测性的判据是“请求成功 ≠ 任务成功”；安全章同时把 Agent 当被攻击对象和行为主体来防护（身份是全章最扎实的部分：数字工牌、Token Exchange 权限收敛、On-Behalf-Of 且 Agent 权限 ≤ 用户权限）；资产管理把 Prompt/Skill/MCP/Agent 当作运行时依赖做注册与版本治理。第 16 章 Agent Simulation 是全书原创性最强的一章：Agent 行为之所以不可验证，是缺制度前提（角色无外部标准、失败无自然代价、身份不连续），模拟是当下唯一可做的事，本质是“用可靠 Harness 约束不可靠内核”。它甚至给出诚实的统计学提醒：n 次零违规的 95% 置信上界约为 3/n 而非零。 调优篇（17–24 章） 的组织原则是“归因决定方法”：先排除环境故障、再修 Harness、最后才动模型，“把本应由上下文或工具协议解决的问题当成模型不行，是代价最高的一类误判”。主线是数据飞轮：Trace→Trajectory→黄金数据集（输入/轨迹/结果/判据四要素）→Badcase 闭环→受控自进化（模型生成的改进一律是候选变更，须回流构建、过门禁、可回滚）。模型调优章对 SFT/Agentic RL/蒸馏的适用边界、奖励投机的三套机制分离（训练奖励、独立评测、系统硬约束）论述相当严谨，广引 DeepSeek-R1、Tulu 3、FrugalGPT 等外部工作。 总结篇（第 30 章） 是全书思想密度最高的总结。当企业同时运行多 Agent、多框架、多租户时，同样的工程要求在每个应用里被重复且不一致地实现，这本质上是缺一个共享的系统层。Agentic OS 被给出“窄定义 + 三条否定”：为 Agent 任务提供公共运行对象、能力接入、可强制边界与统一证据的系统层，它不持有任务语义、不是又一个框架、不必然改内核。能力下沉有三条判据（复用性 + 强制性或可验证性），九类管理对象（其中 Budget Lease 预算租约最易被忽略），并提出“自治上限由可撤销范围与可证明范围决定，而非模型能力”。 调研报告 的 1906 份问卷给出一个关键发现：已开发或开发中 Agent 的企业占 46%，但真正上生产的仅 18%；有评估体系的企业任务成功率是无评估者的约两倍，卡点不是模型能力，是 Harness 层的工程配套。这与全书立意互为印证。

上个星期 YouTube Premium 过期了，暂时也没续，就被迫看了一些广告。看到了 grok bot 的广告，一些 ai agent 新产品的广告，还有新加坡总理的育儿补贴政策的广告……

币安这次不是嘴上看好稳定币，而是真金白银投了1亿美元。 同时，币安还与 Circle 扩大合作，并把USDC战略合作直接续了五年。 这笔钱本身当然重要，但更值得看的是币安能给 Circle 带来什么。 币安拥有全球级的用户规模、交易深度和产品场景，USDC一旦进一步进入币安的现货、合约、理财、支付和机构业务，Circle得到的就不只是一笔投资，而是一条覆盖全球市场的分发渠道。 说得直接一点： Circle负责发行可信的数字美元，币安负责让这个数字美元真正有人用、有地方用，而且能够大规模流通。 所以这不是一次普通的财务投资，更像是币安提前押注未来稳定币的基础设施入口。 看到这里，我又想起了CRCL。 我从它上市开始就一直看好，商业模式也研究了，稳定币趋势也讲明白了，唯一缺少的就是——买入。 上市时嫌贵，回调时怕跌，等确认趋势以后，它又涨回去了，现在连币安都拿出1亿美元投了，我还在拿着自选股研究。 这就是投资市场最扎心的地方：有时候你不是看错了，而是看得太明白、想得太周全，最后唯独忘了下单。

芒格这辈子爱惨了Costco，爱到拍着桌子催巴菲特赶紧买它的股票🤣 巴菲特曾开玩笑说，如果他们被绑架了，芒格临终遗言大概还是讲一遍Costco有多好。 要是还得再听一次，巴菲特宁愿让劫匪先枪毙自己🤣 结果，芒格还真把Costco拿到了最后，去世前仍持有约18.6万股。 芒格1997年进入Costco董事会，此后在这家公司待了26年。 2000年，Costco业绩不及预期，股价一年下跌37%，伯克希尔随后买入，不过持仓始终不大，并在2020年全部卖出，芒格自己的股票却一直留到了最后。 芒格最欣赏Costco的地方，是它把规模带来的低成本，变成了更低的售价。 大多数零售商会尽量提高商品利润，Costco却主动减少商品种类，用大批量采购，简单的仓库和快速周转压低成本，再把省下的钱继续让给顾客。 商品价格压得很低，公司就用会员费补充利润。 顾客每年先交一笔钱，只要购物省下的钱超过会员费，第二年通常还会续费，Costco也不必依靠提高商品价格赚钱，可以继续维持很低的加价率。 价格越低，会员和销量越多，采购规模越大，Costco从供应商那里拿到的价格也越低，于是还能继续降价。 到2026年5月，它已经拥有8290万付费会员，全球续费率接近90%，许多会员进入仓库后不再反复比价，因为他们相信Costco不会把商品卖得太贵。 巴菲特也认可Costco，只是没有像芒格一样长期持有。 到2023年，Costco的市盈率已经接近40倍，芒格也承认价格很高，但只要公司继续保持低加价率和原来的经营文化，他仍然看不到这门生意停下来的理由。 竞争对手可以暂时降低几件商品的价格，却很难让整个体系常年保持低价，芒格喜欢Costco，也一直没有卖掉它，原因就在这里于这家公司愿意少赚每件商品的钱，换来顾客几十年的信任和续费。

之前累计融资 1700 万美元的 T-REX，最近完成了品牌升级，现在正式更名为 @Rexy_AI。 我去新官网逛了一圈。除了名字和ui变了，产品思路也和以前不太一样——这次更像是在把你真实使用过的 Web2 / Web3 账号，变成可验证的数字身份。 目前官网开放了 3 枚限量徽章，可以先去做一下： 🔗 任务一共分为 6 类： 1. Trading：验证自己平时使用的交易账户。 CEX 支持 Binance、OKX 等；如果不方便验证交易所，也可以连接 Hyperliquid、Uniswap 等链上地址，Polymarket 账户也在支持范围内。 2. AI：验证 OpenAI、Grok 等 AI 产品账户。 完成基础账号验证可以拿积分，付费会员验证对应更高积分；如果你本身有平台支持的 Agent 身份，也可以看看是否符合验证条件。 3. Entertainment：绑定影音娱乐平台 绑定 Netflix、Apple Music、Disney+ 等影音娱乐平台。部分进阶任务需要验证有效的付费订阅。 4. Gaming：绑定游戏平台 目前主要支持 PlayStation 和 Nintendo。刚好我自己有 PS 会员，所以账号和会员验证都顺利通过了。 5. Invite Friends 邀请朋友一起参与，完成对应邀请任务。 6. Stay Active for 5 Days 连续活跃 5 天即可完成，不需要一天内把所有任务肝完。 三枚徽章不一定要全部拿满，因为部分高阶验证确实需要真实交易、持仓或付费会员资格。没必要为了做任务硬凑账号，优先验证自己本来就在使用的服务就好。 不过，拿下第一枚需要 600 积分的徽章并不难。把基础验证和连续活跃做完，基本就能覆盖不少积分。 我觉得更值得关注的，是 Rexy 现在的任务逻辑。 平台里有一个叫 EdWealth 的 Offer，是一款理财类 App。按照当前页面规则，完成验证可以获得 5 USDT 试用奖励，购买会员后还有 45 USDT 返现。 这种模式和 Galxe 一类以关注、转发、签到为主的任务平台不太一样。Rexy 更像是在用零知识证明，把真实的交易、订阅、消费和使用行为转化为可信凭证，再连接到品牌优惠和实际奖励。 这两年有一个很明显的感觉：网上越来越难分清，屏幕对面到底是真人，还是 AI。 评论可以生成，购买记录可以模拟，用户画像也能批量拼出来。但一个人用了几年什么产品、续过哪些会员、长期保持什么习惯，这些真实积累下来的经历，没那么容易伪造。 所以，当“像真人”变得越来越简单，真正的真人反而更值钱了。这也是我觉得 T-REX 这次品牌升级比较有意思的地方 Proof ≠ Data。 既能证明你符合条件，又不用把隐私全部交出去。如果这套逻辑能真正跑通，我们过去积累的交易、订阅和使用记录，也许就不再只是平台手里的数据，而是能为自己换来权益的东西

Agent = Model + Harness：生产级 AI 智能体工程六层实战手册 结合 Mitchell Hashimoto、OpenAI Codex 团队、Martin Fowler、LangChain、Cursor 等公开工程资料编撰。 # Agent = Model + Harness 模型只提供推理能力，决定 Agent 能否从演示走向生产环境的是围绕模型的工程基础设施——Harness。 报告的核心论据是：只改 Harness、不换模型，收益可超过模型升级： · 同一 Claude Sonnet 4.5 在 GAIA 基准上从 30.91% 升至 74.55%（+43.64 分），差异完全来自 Harness； · LangChain 不改模型，仅靠 Harness 优化将 Terminal Bench 排名从第 30 提升至第 5； · OpenAI 团队 5 个月、约 1500 个自动化 PR 产出 100 万行生产代码，零人工手写——人负责设计环境，Agent 负责写代码（"Humans steer. Agents build."）。 这也解释了一个行业现象：约 95% 的企业 AI Agent 止步于预生产阶段——演示效果好，却因安全审查、可观测性、边界情况幻觉、治理缺失而无法上线。 # 行业定位：AI 工程的第三个时代 1. 提示词工程（2023–24）：模型"说什么" 2. 上下文工程（2025）：模型"看到什么"（RAG/MCP/记忆） 3. Harness 工程（2026）：模型"能做什么" # 六层架构（报告主体） 1. Guides 引导层（前馈控制）：AGENTS.md / CLAUDE.md 等规则文件，在执行前塑造行为。要点：规则必须可执行、可验证、可追溯至真实失败案例；需定期修剪，否则 200 行无日期规则就是技术债。OpenAI 内部将其视为最高事实源——文件与会话冲突时，文件优先。 2. Sensors 传感层（反馈控制）：执行后验证输出。优先使用确定性、零成本的计算型传感器（linter、测试、schema 校验）；LLM-as-judge 等推理型传感器慢、贵、不确定，只用于无法用规则表达的语义判断，且应作参考信号而非硬门禁。 3. Agentic Loop 执行循环：计划→执行→验证→修复→前进或升级，必须有界——默认每步最多重试 3 次、30 分钟、10 万 token、5 美元、50 次工具调用。预算耗尽时返回最佳半成品并说明原因，不允许用流利的最终答案掩盖部分失败。正确升级的 Agent 比自信地给出错误答案的 Agent 更有价值。 4. Memory 记忆层：模型每次会话都从零开始，Harness 负责状态连续性。最简方案是文件系统（plan.md、decisions.jsonl、checkpoint），对多数场景比向量数据库更便宜可靠。检验标准：中途关闭会话重开，Agent 应能断点续作。 5. Permissions 权限层：模型无法自我约束，Harness 是唯一安全边界。按范围、速率、可逆性、可见性四个维度设定能力预算；不可逆操作（部署、删除、外发消息）必须人工批准；必须隔离可信指令与不可信数据以防提示注入。 6. Observability 可观测层：结构化日志 + 成本归因 + 熔断告警（trip wire）。真正的度量不是 token 数，而是无需人工干预即完成且证据合格的任务数；成本应按"每个验证通过的结果"而非按天计算。 # 方法论精髓：棘轮原则（Ratchet） Hashimoto 的原始定义："每当 Agent 犯错，就工程化一个方案，让它永远不再犯这个错。" 六步循环：复现失败→归类根因→选择最强修复层→编码修复→验证防复发→监控回归。 修复强度呈阶梯上升：对话补丁 < 提示词 < 引导规则 < 传感器 < 环境约束——提示词只修一次对话，环境约束让错误在结构上不可能发生。 Cursor 的 Lauren Tan 补充了实操信号：同一条评审意见出现三次，就应固化为结构性约束。Harness 成熟的标志是规则增速下降（从每天 5 条降到每周 1 条）。 # 落地路径与边界 七天最小可用路径：Day 1–2 建引导文件 → Day 3–4 接入测试套件与有界循环 → Day 5–6 加检查点与权限 → Day 7 加日志与熔断。之后按"一次只改一层、可度量、可回滚"扩张，完成率 ≥80% 等六道闸门全过才允许扩大规模。 何时不需要 Harness：一次性问答、创意脑暴、低风险个人任务——"如果以上都不适用，对话本身就是 Harness"。 多智能体扩展：需要类型化交接（"done, looks good" 不能推进生产流程）、共享状态模型而非共享上下文（避免上下文污染）、以及生产者不可覆盖的独立验证者。