与「超条先輩』2026年10月期放送開始！」相关的搜索结果

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

Claude Code 会话价值最大化指南 -- 适用于你的 Coding Agents：从缓存、上下文到 Subagent 的成本优化 先看两个问题： 1. 单个 token 的价格由什么决定 2. 一个会话会发出多少 token # Token 单价的三个决定因素 1. 模型 更大的模型对输入、输出都做更多计算。难题/模糊任务用大模型，常规任务用小模型——其余所有优化都会被模型单价放大。 2. 输入 vs 输出 · Prefill：系统提示、CLAUDE.md、你的消息、以及会话中累积的所有内容（读过的文件、命令输出）。 · Decode：思考、工具调用、回复文本。逐 token 串行生成，GPU 占用时间更长，因此输出价格约为输入的 5 倍。 · 输出中很大比例是 thinking token，其数量由 /effort 控制。已知是体力活的会话，可用 MAX_THINKING_TOKENS=0 直接关闭思考。 3. 提示词缓存 · 机制：请求前缀与上次完全相同，则前缀部分直接读取缓存状态，只对新增部分全价 prefill。 · 价格：缓存读取 0.1×，缓存写入最高 2×（写入只发生一次，之后每轮都是 0.1× 读取）。 · Claude Code 自动管理缓存，但以下行为会击穿缓存，导致整个会话重新全价 prefill： · /model 切换模型（含 opusplan 进出 plan 模式） · /effort 切换思考档位 · 开启 Fast mode（且按 fast 价格重新 prefill） · /compact 压缩会话（系统提示部分保留） · 时间过期：订阅 1 小时、API key 5 分钟（ENABLE_PROMPT_CACHING_1H=1 可延长到 1 小时）；恢复旧会话基本必然 miss 结论：不是不能切换，是要选便宜的时机——会话开始时或 /clear 之后，而不是长对话中途。 # 会话 Token 量的成本模型 关键事实：进入上下文的任何内容（读过的文件、命令输出），会在之后的每一轮被重新发送，直到会话结束。虽然有缓存折扣，但便宜不等于免费，还占用模型每轮要"绕着思考"的上下文空间。 1. 什么进入了上下文 · 启动即加载：工具定义、系统提示、CLAUDE.md、MCP 工具定义。用 /context 审计；CLAUDE.md 只留通用指令，流程性内容移到 skills；用不到的 MCP 用 /mcp 关掉。 · 探索成本：说"测试挂了"，Claude 要先 grep、开一堆文件去定位，这些中间结果会留在上下文里。直接说"修 utils.test.ts 里挂掉的测试"省掉搜索；用 @ 提及文件连 Read 调用都省了（文件随第一条消息直接附上，且一次会话只需提及一次）。 · 命令输出：超过 3 万字符会自动落盘只留摘要（BASH_MAX_OUTPUT_LENGTH 可调），真正的杀手是阈值以下的中等输出——比如 400 行逐行打印的通过测试。对策：给命令加 quiet flag、用 subagent、或用 hook 改写嘈杂命令；把高频命令连同静默参数写进 CLAUDE.md。 2. 在上下文里停留多少轮 · 一个长会话比拆成几个短会话贵，且贵得超乎直觉——第 40 轮要重读前 39 轮。 · 任务切换用 /clear，同一任务前半段完成用 /compact；/clear 前可先 /rename 以便找回；/compact 时告诉它保留什么。 · 一个反直觉的省钱技巧：如果最近几轮走偏了，用 /rewind 回滚而不是 /compact——rewind 只砍掉尾部，前缀缓存仍在，成本为零。 · 注意"你不在打字时发生的轮次"：/loop 每次都携带整个会话触发完整一轮，超 1 小时还叠加缓存失效——应在新终端的干净会话里跑。 3. Subagents：隔离上下文的另一手段 · 子 agent 有独立上下文（含系统提示、工具、CLAUDE.md），但不带你的对话；只有最终结论返回主会话，其余全部丢弃。 · 代价是可能要重读主会话已读过的内容，小任务不划算；适合"产出大量你不需要保留的输出"的任务（如翻日志）。 · 固定外包的嘈杂任务，给它定义一个用 haiku/sonnet 的专属 subagent，否则它默认跑在主会话的模型上。 # 可执行清单（按性价比排序） 1. 任务之间 /clear —— 阻断无关上下文持续计费 2. 开工前定好 /model 和 /effort —— 中途切换击穿缓存 3. @ 提及文件代替写路径 —— 省掉 Read 调用和搜索 4. 嘈杂命令加静默 flag 或丢给 subagent —— 命令输出会驻留整个会话 5. 新会话先跑 /context —— 审计启动加载项，砍掉不需要的 6. 离开键盘前 /compact —— 缓存 1 小时过期，趁热压缩便宜得多

李嘉诚又在跑了。而且这次跑的速度比以前都快。 半年四笔交易，套现逼近2000亿港元。英国电网、英国电讯、火车租赁、澳洲能源，全卖了。 这些资产他有的拿了十几年，回报超过六倍，现在一口气全清。 上一次他这么大规模撤退，是2013年从大陆跑的时候。 先看他卖了什么。 英国电网，2010年收的，持有16年，累计分红44亿英镑，总回报超6倍。 今年2月以105亿英镑卖给了法国ENGIE。资产本身没出问题，纯粹是价格到位了，高位兑现。 英国电讯Vodafone Three，长和只持有49%的少数股权，业务本身还在亏损，年亏近1亿英镑。 移动通信要持续烧钱投频谱和网络，少数股权又没控制力，卖了合理。 火车租赁和澳洲能源，加起来又是两三百亿港元。 三笔交易三种逻辑，但有一个共同点：全是主动卖的，没有一笔是被逼的。 问题来了。赚钱的资产为什么要卖？ 因为"搬不走"这件事，从优势变成了劣势。 李嘉诚发家几十年靠的就是一条逻辑：买搬不走的硬资产。 港口、电网、铁路、水务、电信。这些东西不会消失，不会贬值，持续产生现金流。 这套打法让他穿越了无数经济周期。 但2024到2026年，两件事把这条逻辑撕开了口子。 2024年，英国政府以"国家安全"为由强势介入调查了他旗下的电信交易。 2026年2月，巴拿马政府直接以"违宪"为由强行接管了长和系深耕多年的港口资产。 港口、电网、电信，这些都是一个国家的命脉。当政治风向变了，合同就是一张纸。你的资产搬不走，人家的手伸得到。 李嘉诚想明白了一件事：当全球规则从"契约精神"滑向"地缘博弈"的时候，搬不走的硬资产就是最危险的资产。 所以他的选择很干脆——全部变现，把筹码收回口袋。 钱收回来之后往哪去？ 李泽钜说得很明确：不预设地域偏好，只要回报合适，香港、内地、海外都可以。 同时长和系在做另一件事：从重变轻。屈臣氏准备再推上市，全球电讯业务考虑分拆或部分出售，43个港口资产在洽售。 整个家族的资产结构正在从"重资产绑定"切换成"轻资产+现金"。风险敞口从不可控缩到可控。 96岁的李嘉诚在做最后一轮战略调仓。他不在乎别人说他是跑路还是清仓。 他只认一件事：现金到手的确定性，比任何资产的账面价值都高。 半年2000亿港元。他在别人还在犹豫的时候，先把筹码拿到了手里。 上一次他这么干的时候，后面发生了什么，你应该还记得。

做一个下dsh和pi的对比 Pi 的目标是“最小核心 + 用户自己拼”，DSH 的目标是“几乎所有能力都插件化，官方先给你几套完整组合”。 DSH 的骨架是Cordis。 Cordis 不是普通插件加载器，它强调两件事： 1. 可逆副作用（temporal composability）：插件卸载时，注册的服务、事件、工具 schema、prompt section 全部自动撤销。 2. 依赖声明与空间组合（spatial composability）：插件通过 `inject` 声明需要什么服务，运行时按依赖挂载。 所以在 DSH 里： - 模型适配器是插件 - 工具注册表是插件 - session log 是插件 - agent loop 本身也是插件 - 甚至 UI 也是插件 没有“神圣不可动的核心”。你想换 loop、换工具策略、换上下文压缩，挂一个新插件 + 改配置就行。 启动时是 Profile + Bundle叠出来的： 空根 → dsh-base（模型、工具、沙箱、凭证…） → dsh-web-app 或 dsh-headless → 用户自己的 cordis.patch.yml → 命令行 --patch `dsh --profile web --dump-config` 能直接把当前实际挂载的树打出来。 Session 设计是硬核部分 Session 是 append-only 的事件流 模型最终看到的上下文，必须能从这条 log 完整重建出来。官方写得很死： > Model-visible means logged. 任何会进模型请求的内容，都要先变成 session event。 所以 fork、resume、回放、UI 渲染、telemetry，全部从同一条流投影。这点比大多数 coding agent 做得更彻底。 Turn / Step 有claudecode的影子，流程如下： turn/start → claim input → agent/pre-step（可拦截、可改写） → step/start → llm/stream → tool/call → tools/pre-execute → execute → post-execute → step/end → 继续 or turn/end `agent/pre-step`、`tools/*` 这些是 waterfall，监听者必须显式 `next()` 才能往下传。扩展点设计得很规整。 Pi 的实际交集 DSH 仓库里有一个包： `@deepseek-ai/dsh-llm-pi-ai` 它就是把 pi-ai当成 LLM 适配器的后端。 多 provider、协议兼容、reasoning effort 映射、catalog 覆盖，都走 pi-ai 的能力，再包一层 Cordis 插件契约。 所以： - LLM 调用层：吃了 Pi 的基础设施 - Agent 编排、工具、session、UI、沙箱：完全自己的 Cordis 体系 “LLM 适配层直接用了 pi-ai，上层重做了一套更重的可组合 Runtime”。 模式上的对应 DSH 的 Minimal 模式才最接近 Pi 的默认体验：只留 shell + 文件编辑器，专门给 benchmark 用。 官方之前在 V4 的 agent 评测里就用过这个模式。 Standard 模式和 Code（PTC）模式则是完整工具集 + 程序化工具编排，已经远超 Pi 默认的 4 工具。 如果你喜欢 Pi 那种“核心极瘦、自己动手加东西”的感觉，DSH 会显得重，配置和概念也更多。 如果你要的是可替换的 agent loop、完整事件回放、多模式预设、以及官方已经搭好的 Web 界面，DSH 的插件树和 seam 设计更系统。 一句话： Pi 是极简可扩展的 coding harness；DSH 是基于 Cordis 的完整 Agent Runtime，LLM 层复用了 pi-ai，但整体不是同一套代码。

深圳华强北2000余人被抓：一门20年生意的终结。华强北卖水货手机已经不是新闻，这门生意持续了二十多年。从最早的港行诺基亚，到后来的美版、日版iPhone，再到少量的谷歌Pixel，华强北就是靠着这条灰色产业链，养活了几十万人，并把货铺到了全国每一个县城的手机店。所以最近的消息才让人震惊，一开始只是说不让卖外版苹果和谷歌手机，查柜台，后来风向直接就变了，据说以走私罪抓人，涉及两千多人。如果是真的，这就已经不是整治，而是定性了，性质完全变了。 为什么是现在？一个存在了二十多年的行业，不可能今天才被发现，它能存在这么久，本身就是被默许的。默许的原因很简单，有需求，能就业，能交租。美版iPhone比国行便宜一两千，有消费者愿意买单，华强北几万个档口要生存，而水货带来的维修、配件、二手翻新的生意，更是撑起了整个生态。那为什么偏偏是现在要动手？其实是四个原因撞在了一起。 第一个原因是国产手机不好卖了。过去两年，国内手机市场已经是绞肉机，华为强势回归，小米、OV在中低端死磕，就连苹果官方的销量都在下滑。这个时候，每一台免税进来的美版iPhone，都是在抢国行经销商的饭碗，抢国家的关税和增值税。要保国货，要保税收，就必须先砍掉水货。 第二个原因是罚没本身成了一门生意。以前查水货，是行政处罚，没收货物，罚点款就过去了。现在一旦定为走私罪，逻辑就完全不一样了。按照法律规定，偷逃应缴税额五十万以上就是五年到十年，二百五十万以上就是十年以上到无期，并且可以并处没收财产。一个柜的美版iPhone货值就过千万，如果真的涉及两千多人，这背后的罚没金额将是一个天文数字。在当下的财政环境下，这笔钱的吸引力是巨大的。 第三个原因是外版机本身就是一个漏洞。这次被点名的恰恰是美版苹果和原生谷歌手机，它们的共同点不是便宜，而是不可控。美版iPhone是纯eSIM，没有实体卡槽，谷歌手机原生就跑着全套谷歌服务，它们不会预装国内要求的一些框架，也无法被轻易纳入统一的管理体系。在万物皆可管的今天，一个无法被管控的硬件入口，是不能被容忍的。 第四个原因是治理逻辑已经变了。以前是养鱼执法，割韭菜，抓一批罚一批放一批，让你继续养。现在是清场逻辑。从华强北之前的矿机，到美妆，再到现在的手机，路径都一模一样，先让它野蛮生长，形成规模，形成完整的证据链，然后出一个司法解释，一锅端。所以不是现在才发现你有问题，而是现在才需要你有问题。 那么到底是为了图财，还是为了加高信息墙？其实这两者是同一件事的两面。从经济上看，它就是一次精准的没收。走私罪是所有经济犯罪里最容易实现人财两空的罪名。你做水货，流水可能几千万，但利润只有百分之五到八，可一旦定罪，是按货值来计算偷逃税额来罚的，罚没的金额会远超你过去二十年的总利润，你以为的资产，在追缴违法所得面前会全部清零。从政治上看，它则是为了彻底封死硬件的后门。华强北的水货网络，本质上是一个遍布全国、不经过任何官方体系的地下物流和信息网络，它今天能把一台没开封的美版iPhone从香港运到新疆，明天就能运别的东西。把这个网络打掉，把所有非国行的硬件入口堵死，信息高墙才算真正闭环。所以图财是里子，图墙是面子，一举两得。 这件事最让人细思极恐的，不是华强北本身，而是它背后的规则，给所有在国内经商的人都提了个醒，那就是灰色地带是最危险的地方。在华强北，所有卖水货的人都有一套自我安慰的逻辑，认为自己不报关，被查到就认罚，自己就是做生意的，大不了关几天，他们把这叫做生意风险。但他们忘了，在中国的法律体系里，行政违法和刑事犯罪之间，只隔着一张纸，那就是司法解释。只要需要，一个会议纪要，就可以把长期、多次、大量收购、贩卖境外货物的行为，从未经许可经营解释为走私犯罪集团。于是，你的上家、下家、给你转账的老婆、给你开车的司机，全部成了共犯，两千人还只是开始。你以为的行业惯例，在卷宗里叫长期犯罪事实，你以为的交罚款就能出来，在定性之后就叫没收违法所得。 这就是在中国内经商最核心的风险，你手里从来没有确定性，规则的解释权不在你手里。先默许你存在，让你把产业链做大，把把柄做实，等你肥了，需要政绩和税收的时候，再来定性收割。华强北二十年的水货史，可能真的要结束了，但它结束的方式，值得每一个还在灰色地带里讨生活的人思考，当你的生意建立在别人的默许之上时，你所谓的资产，到底是你的，还是别人账本上早已写好的罚没指标。

沉默了一周，我决定替我的朋友发声 我的朋友在交易 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 的过程中，亏损了将近170万美金。 DEXE 的价格在一天之内从 $46 一泻千里，直接跌到了 $5，跌幅高达 88%，这基本上等同于归零。但这些都不是市场的正常波动，是著名的做市商 DWF 干的好事。 他们用了一个非常聪明的方法绕过监管，把 将近 80 万枚 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 全部砸进了交易所，获利将近 4000 万美金。这直接砸出了一个天坑，把所有散户的钱都砸进了自己的口袋。在这一切发生的过程中，链上没有任何预警，散户手里所有的监控工具全部失效——因为这一切并没有发生在链上，而是用一种镜像的方式发生在交易所内部。 这就是他们的所作所为，砸盘获利4000万美元，却成功逃过了监管。 一、我朋友的遭遇 我朋友是一个 Crypto 大户，在圈子里做交易做了很多年。 大概从 7 月初开始，他就一直在建仓 DEXE。那时候DEXE 一路拉升到历史新高接近 $49.4，市场情绪高涨，叙事完整，没有任何出逃的理由。结果，却落得如此下场。 7 月 21 日，就在几个小时之内，$DEXE 从 $46 附近一路崩到 $5 出头，单日跌幅接近 88%，超过 5 亿美元的成交额在极短时间内涌现，订单簿被直接砸穿。无论是高位持仓的、中途补仓的，还是在下跌途中试图抄底的，几乎无一幸免。 他的几笔单子，合计亏损超过 170 万美金。这是他的部分实盘截图：一笔全仓 3 倍做多，开仓价 $11.84，标记价格跌到 $2.89，单笔亏损 $659,511，回报率 -226.72%；现货账户成本价 $21.05，浮亏 $604,523；另一笔成本价 $36.69 的现货，浮亏 $434,158，跌幅超过 91%。 一周了，没有任何的回应和说法。 二、DWF 今年又干了什么 作为著名的加密货币做市商，DWF 过去都做过哪些事，大家心里清楚，我不需要在这里科普。 但我要说的是，仅仅在今年，他们就已经操控了 SIREN 和 ESPORTS 等代币，让这些代币跌掉了 90% 以上，又是一大波人因此受伤，在市场上亏损了巨额资金。 ESPORTS（2026 年 5 月）：代币在几小时内闪崩 93%，市值蒸发超 1.1 亿美元。崩盘前五天，约 1990 万枚 ESPORTS 被存入与 DWF 相关的 Kraken 地址。项目方随后发声明，直接指责做市商合作伙伴未经授权抛售代币。 SIREN（2026 年 6 月）：BNB 链上 AI Meme 代币 SIREN 暴跌 96%。链上侦探 ZachXBT 指出，该代币单方控盘比例高达 88.5%，控制钱包被指向 DWF Labs。代币在暴涨 6800% 后，随着主要持有者抛售，经历了两次超过 90% 的暴跌。 再往前看——YGG、CRV、JASMY，每一次都有他们的影子，每一次都有散户血本无归，每一次都没有任何人为此付出代价。 在这样的市场里，普通人不停地在维权，而 DWF 却赚得盆满钵满。没有任何监管能管到他们，他们甚至还用这种绕过监管的方式直接砸盘——这非常、非常不合理。 三、他们这次是怎么做到的 这次砸盘，DWF 用了一套更隐秘的方法，越过了链上的所有监控。 有三个需要理解的名字：Falcon Finance、Ceffu、MirrorX。 Falcon Finance 是 DWF Labs 的亲儿子，由 DWF 直接支持。DEXE是Falcon官方支持的抵押资产，机构可以把DEXE 质押进Falcon 换取流动性，而 Falcon 的资产托管机构包含 Ceffu。 Ceffu 是币安的机构托管合作方，它的 MirrorX 功能允许机构把资产存放在 Ceffu 托管，同时在币安交易所生成 1:1 的镜像仓位，可以直接用于现货、保证金和衍生品交易。资产不需要先链上转入交易所，交易先发生，链上结算在事后自动完成（通常 T+1）。 完整路径是这样的： ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 质押进 Falcon → Falcon 通过 Ceffu 托管 → Ceffu MirrorX 在币安内部生成镜像仓位 → 镜像仓位完成大规模抛售 → 链上转账在暴跌结束后才出现 根据链上数据，Ceffu 地址累计向 Binance Deposit 转入 797,917.24 枚 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6，共 6 笔，最大的一笔发生在价格已经完成主要跌幅之后。 按高位价格估算，这 79.8 万枚 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 的实际价值高达 3944 万美元。 砸盘在前，链上结算在后。 Whale Alert 根本没响，因为真正的卖压从来就没有出现在链上。这套机制，把所有散户的预警工具全部架空了。他们太清楚怎么利用资金优势、时间差和机制漏洞来收割市场了。而这一次在 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6上，他们甚至连链上转账的预警时间都不留给散户了。 四、被砸穿的下一个可能就是你手里的币 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6 之所以被发现，是因为它的崩盘幅度足够极端，才有人把 Ceffu 的转账记录、Falcon 的抵押关系一条条串联起来。 但如果崩盘幅度没那么大呢？如果只是"正常回调"20%、30%，没有人去深挖，最终被归因为"市场情绪变化"，这件事就永远不会浮出水面。 现在，通过 Ceffu 托管映射机制接入币安的代币，远不止 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6一种。根据调研，Ceffu 目前支持超过 70 种代币的 MirrorX 镜像服务，而 DWF 旗下 Falcon Finance 更是接受广泛的资产作为抵押。 最近上涨的这些代币，都在 Ceffu 的托管体系里：COTI、COTI、COTI、GIGGLE、AKE、AKE、AKE、EPIC、BOME、BOME、BOME、PUMP、LUMIA、LUMIA、LUMIA、ADA、WIN、WIN、WIN、CORE、SSV、SSV、SSV、ZIL。 下一个跌掉 90% 的，说不定就是这几个。 这里面有多少是 DWF 曾经参与过做市、或者有关联且质押过的项目？越是这样的代币，筹码越集中，做市商仓位越重，这套机制的杀伤力就越大。链上工具保护不了散户，因为真正的卖压从来就没出现在链上——等散户看到结算记录的时候，一切都已经结束了。 五、回看 2025 年 10 月 11 日那一次 去年 10 月 11 日，那一波行情大家还记得吗？ 很多代币在极短时间内出现了剧烈砸盘，链上没有任何明显预警，事后被普遍归因为"市场情绪波动"和"获利了结"。 但现在，带着对 Ceffu MirrorX 机制的理解，我想请大家重新审视那次行情：那些在 10 月 11 日出现异常暴跌的代币，有没有人认真查过它们的 Ceffu 地址在那几天的链上记录？有没有类似的"砸盘在前、结算在后"的时间差？ 如果这套机制在 ethereum:0xde4ee8057785a7e8e800db58f9784845a5c2cbd6上有效，它在其他代币上就同样有效。那些被归因为"市场情绪"的暴跌，有多少其实另有隐情？有多少散户的损失，其实是被这套看不见的机制收割的？ 这个问题，值得每一个人认真追问。 六、谁能来做监管 币安是全球交易量最大、用户最多的加密交易所。正因为此，币安内部的生态也最为复杂——各种机构、做市商、项目方在这里交织。水很深，很混。币安自己也知道这一点，所以这些年一直在合规建设、打击恶意做市、保护用户资产上下了很大功夫。这些我们都看在眼里。 但正因币安足够大，才更需要有人能真正管到位。币安上的散户少则几千万，多则上亿，如果有做市商在利用币安自己的工具绕过监管收割用户，币安是唯一有能力、也最应该站出来把这件事查清楚的那个人。 我们写这篇文章，不是要指责币安，也不是要制造什么舆论。我们只是希望，币安作为整个市场最重要的监管方，能够看到这个被 DWF 们利用的漏洞，重视它，并且把它封上。 如果币安能够公开说明 Ceffu MirrorX 机制的监管规则，调查相关事件期间的异常交易行为，对受损用户给出一个正式的回应，并修补这个漏洞防止同类事情再次发生——这才是币安一直希望建设的那个公平、透明的市场应有的样子。 我们在等币安的回应。我相信还有很多受害者也在等。 希望作恶者能够得到惩罚。 @cz_binance @binance @heyibinance @binancezh @sisibinance 以上内容基于公开链上数据、价格记录及相关方公开资料整理。关于具体操作方与主观意图的部分属于基于证据链的推断，并非已定罪的法律结论。欢迎任何相关方公开回应和澄清。

Claude Design 作者自述：我自己使用 Claude Design 的十条最佳实践 @nateparrott 本来是 Claude Code for VS Code 的唯一产品设计师，搭配两个工程师。Opus 4.5 发布后，“工程师的发布量远超以往，而他还在以一直以来的速度交付”。这也是 Nate 做 Claude Design 的最初想法：他不想被自己团队的加速甩下！ 作为作者本人、Nate 使用 Claude Design 的十条最佳实践值得咱们学习，在使用 AI Design 产品时几乎都通用。 1. 先想清楚，再 prompt。他说自己在设计前花大量时间写 prompt：有时在工具里用语音按钮口述，有时在沙发上用手机备忘录打，有时散步时录音、之后把转录粘进来。 2. 告诉 Claude Design 该长什么样。“没有方向时，Claude 会挑一个它最喜欢的美学。你大概认得出来那些。” Nate 是那个亲手把品牌蒸馏进 prompt 的人，所以他确切知道不注入约束时，模型会收敛到哪个默认点。这等于承认：所谓"AI 味"不是模型缺陷，是无约束状态的指纹。解法他给了三档：直接指定字体和颜色；给一个 moodboard；或者让 Claude 先头脑风暴字体配色组合，来回几轮直到某一组对了。 3. 把重复的工作变成 design system。上传 logo、slide 模板、截图、字体规范，让它分析并生成一套系统，之后每个产物都从你的选择出发而不是空白画布。 判断标准很清楚：一次性的 prompt 是消耗品，design system 是资产。 4. 要十个方案，然后 remix。“大部分不会好，那没关系；有一两个会好。”然后说"我喜欢 B，再掺一点 D，给我五个把它们揉在一起的变体"。 别再追求“一次生成对”，要练的是快速筛选和重组，因为评估的成本现在高于生成的成本。 5. 说不出来的就画出来。脑子里有个布局但找不到词，就画在纸上拍张照上传。 这是产品设计师身份最直白的一条：空间意图往往先于语言存在，硬翻译成文字会失真。顺带也承认了纯文字界面的带宽上限——纸笔没被淘汰，它是目前最快的意图压缩格式。 6. 指着说话。不要写一段话去描述你指的是哪个元素，点上去然后开口说。他给了具体路径：设备上开启听写，选 "comment"，点进评论框，说的话会像打字一样出现。 里面的分工很精确：指代用指针，意图用语音，键盘只在两者都不合适时才上场。 7. 保真度不重要时先做线框。要线框快得多，而且“能让 Claude 专注在设计的高层结构上，而不是视觉上”，适合快速试很多想法。 这条真正的信息量在后半句：保真度会抢占注意力预算——不只是模型的，也是评审者的。过早提高保真度，结构问题会被漂亮的表面盖住，评审意见也会跑偏到颜色上。 8. 最后一公里手工做。用直接编辑工具(挪动、删除、改文字、缩放、改颜色)做最终调整，不要用 prompt。理由：直接编辑不消耗 token，而且尺寸对齐这类小事本来就该用眼睛判断。 9. 给它真实的上下文。给现有 app 或网站设计功能时连上 GitHub，Claude 会抓取你的组件和现有页面作为起点，“几次尝试后能以相当高的保真度复现你现有的设计”。Web 搜索和 MCP 在里面同样可用。 很多用户失败的根因：上下文缺失。当初他贴日志、贴截图、说“你来设计吧”，结果很差；现在他把那个坑做成了连接器。 10. 和 Claude 并行工作。不必等它交出成品才提新要求，可以一次排好几条消息，或者在它还在处理上一轮时继续说。 这是对他产能焦虑最直接的回答：他要的是并发，不是回合制。潜台词是这个产品被设计成异步的，而多数人还在用“发一条、等一等、看结果”的同步节奏使用它，白白浪费了它的架构。

書終於上架了了亞馬遜 《AI 超級週期： 五層產業鏈視⻆下的 AI 基礎設施投資: 從能源到應用，一條產業鏈看懂 AI 投資的底層邏輯》 - Chris Lee 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 鏈接 ： 亞馬遜Kindle會員的無限量會員的話，能免費觀看，單獨是美元$2.99 抱歉，可惜亞馬遜只有繁體字，但大家應該可以看的懂。 前言： "當所有人都在談論 AI，真正的問題是：錢該投在哪裡？ 2026 年，僅四大超級雲廠商的 AI 資本支出就達到 7,250 億美元。這不是一場短期炒作，而是一個可能持續十年以上的超級週期。但對大多數投資者而言，AI 產業鏈就像一座黑箱——你知道 NVIDIA 很重要，卻說不清為什麼一顆 GPU 需要搭配價值數倍的電力、散熱、網路與儲存設備才能運作。 這本書要打開這個黑箱。 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 這不是一本泛泛而談的趨勢書，也不是一本只講概念的入門讀物。書中深入分析超過 80 家公司的競爭格局、護城河與估值邏輯，並為每一層提供具體可操作的投資框架。無論你是想理解為什麼鈾礦股會因為 AI 而暴漲，還是想搞懂 CoWoS 先進封裝的產能瓶頸如何影響整條供應鏈，這本書都能給你清晰的答案。 本書的獨特之處還在於作者的跨界視角。李書沸曾任 OKEx（現 OKX）CEO 與火幣 CFO，是加密貨幣行業最資深的高管之一，同時在傳統金融領域深耕多年。他在書中專闢章節探討 Crypto 與 AI 的交匯——去中心化算力、AI Agent 經濟、代幣化激勵機制——這些是傳統分析師不會觸及、卻可能催生下一波爆發性機會的領域。 本書涵蓋的核心議題包括：為什麼 AI 超級週期的本質是一場能源革命，而非僅僅是算力競賽？NVIDIA 的真正護城河在哪裡，它的統治地位是否會被挑戰？台積電與 Broadcom 在 AI 晶片供應鏈中扮演什麼不可替代的角色？HBM 記憶體為何成為 AI 時代最關鍵的瓶頸之一？光互連技術如何解決數據中心的頻寬牆問題？超大規模雲端運營商的 AI 資本支出將流向何處？大模型競爭格局如何從「比大」轉向「比效率」？AI 應用層何時能真正兌現商業價值？Crypto 與 AI 的融合將創造哪些新的投資範式？如何建構一個穿越週期波動的 AI 投資組合？ 最後三章聚焦實戰：風險管理框架幫助你識別泡沫信號與週期轉折點；投資 Playbook 提供從選股到配置的完整方法論；結語則回歸長期視角，探討這場技術革命的終局。 這本書寫給這樣的讀者：你有一定的投資經驗，對科技趨勢保持關注，但苦於找不到一個系統性的框架來理解 AI 產業鏈的投資機會。你可能是主動型投資者、科技業從業者、金融從業者，或是對 Crypto 與 AI 交叉領域感到好奇的探索者。 如果你只想讀一本書來建立對 AI 基礎設施投資的全局認知，這本書是為你寫的。" 關於作者：李書沸（Chris Lee）現為 Merkle 3s Capital 與 XResearch 聯合創始人。曾任全球前三大加密貨幣交易所 OKEx CEO 及火幣集團 CFO，擁有超過二十年橫跨傳統金融、加密貨幣與科技投資的從業經驗。 感恩轉發、分享。#AI#

我用AI在tiktok中截流卖seedance2.0API和帐号给海外用户，比发视频引流轻松多了。 相信大家都听过"私域引流"这个词，如果做的内容不爆是不是很难来粉？ 今天老杨搞一波骚操作"截流"；说大白话就是：直接去同行的热门视频下评论引流； 最近用AI搞了一个叫"快图"的小站主打的就是生图和生视频（已接入seedance2.0） 所以准备去tiktok搞一波精准客户；把我的SD2.0的API卖给老外用，这不香吗？ 懒到出奇的我，不想搞内容，就算搞了视频内容不一定有效果，还特么的特别费时间，哪怎么办？ 这不我找到一个叫@Airtap_ai的好东西，居然可以用iMessage/RCS功能，直接发短信遥控手机App干活！ 它不是什么聊天机器人，也不是写脚本让它后台跑， 它的核心就是：你发一条短信，它就在你手机里真实操作App可以让他每天在我自己的手机上跑，搜索指定关键词，找到爆款热门视频；直接先点赞后发评论，然后也可以直接找到有需要的人私信。 老杨直接上操作：视频里有超完整的演示，看完就能动手做。 1、用IOS打开iMessage（或支持RCS的短信手机） 2、给 +1-650-213-7322 发一条消息：Hi Airtap,帮我登录tiktok； 3、如果没有检查到有安装，airtap会自动安装拼按提示帮你搞定注册，我这里已经注册过，我只要在iMessage输入我登录帐号和接受验证码就可以登录完成。 4、回应后再输入你要的提示词： 帮我打开tiktok并搜索更多关于seedance2.0的关键词，找到点赞超过2k的视频，同时关注评论区前10条评论有"想要""收费""问怎么得到"，"怎么做的"，想要的方法、要提示词的用户，直接私信发送给这个用户发送内容：我这里有便宜的帐号和API需要的可以找我。 如果评论区没有相关内容，直接评论内容：我这里有便宜的帐号和API需要的可以找我; 完成一条后，就直接滑到下一条再找，一直重复5次这样的工作。 5、Airtap收到后立刻开始在后台操作tiktok App： • 搜索关键词 • 翻热门视频 • 评论或者发私信给意向客户。 • 有的人肯定会想了，你都是发的中文评论，因为我要让老外知道，我就是中国人，我的帐号和接口才是纯血的。 把截流这活儿丢给AI后，我现在每天躺着都能收到精准私域流量，再也不用熬夜做短视频了。 下一波准备试一下小红书截流，想体验的直接可以来： #justtextit#, #textyourapps#, #airtap#

昨天聊了机器人这条线 我的核心观点是： 机器人不是一个单点机会，而是一整条产业链机会 今天直接补一份更完整的观察池 不是买入建议，也不是说这些都能涨，而是方便后面持续跟踪。 类人机器人 / 整机方向 $TSLA：Optimus + Robotaxi $XPEV：IRON 人形机器人 $XIACF：小米机器人 / 智能硬件生态 $HYMTF：现代，间接看 Boston Dynamics $AGLT：Agility Robotics，关注后续上市进展 传感器 / 机器视觉 $VPG：力 / 载荷 / 应变传感 $OUST：激光雷达 $ARBE：4D 成像雷达 $MVIS：激光雷达 / 视觉感知 $INVZ：激光雷达 $CGNX：机器视觉 $ZBRA：扫描、视觉、仓储计算 芯片 / 边缘 AI $NVDA：AI 计算平台 / 机器人生态 $AMBA：边缘 AI 视觉 SoCs $AMBQ：超低功耗边缘 AI 芯片 $INDI：ADAS 与汽车半导体 $LSCC：低功耗 FPGA 运动控制 / 工业自动化 $ALNT：控制、驱动与电机 $NOVT：编码器、运动控制、机器人自动化 $ROK：工业自动化 $HON：工业自动化 $ABBNY：ABB 自动化与机器人 $TER：自动化测试 + 协作机器人相关资产 $LECO：焊接自动化 $KLIC：半导体组装设备与制造自动化 物流与仓储自动化 $AMZN：仓储机器人与物流自动化 $SYM：仓储自动化系统 自动驾驶 / 移动出行 $AUR：自动驾驶卡车 $MBLY：ADAS 与自动驾驶 $TSLA：Robotaxi $XPEV：智能驾驶 + 低空出行生态 医疗机器人 $ISRG：达芬奇手术机器人 $SYK：骨科手术机器人 $MDT：医疗设备 / 机器人辅助手术布局 $PRCT：泌尿外科手术机器人 服务 / 配送 / 特种机器人 $RR：服务机器人 / Dex 工业人形机器人 $SERV：人行道配送机器人 $KITT：海底 / 海洋机器人 $KRKNF：海底机器人与声呐系统 $OII：海洋工程与水下机器人服务 国防机器人 / 无人系统 $AVAV：无人机与巡飞弹 $KTOS：无人系统与国防科技 $LMT：军工主承包商 $NOC：无人系统 / 航空航天防务 $BA：军用航空与无人系统 $GD：防务平台与系统集成 电池与储能 $EOSE：长时储能 $QS：固态电池 $MVST：锂电池系统 $FLNC：储能系统 $KULR：电池安全与热管理 $SLDP：固态电池 $AMPX：高能量密度电池 主题 ETF $ROBO：机器人产业链 ETF $BOTZ：机器人与 AI 主题 ETF 这份名单我不会一口气全看。 我会先分三层： 第一层：已经有真实收入和客户的核心公司 第二层：有技术弹性，但商业化还早的小票 第三层：只适合跟踪情绪和主题热度的概念股 机器人这条线，短期看情绪，长期看交付。 最后真正能走出来的，不一定是故事讲得最性感的，而是谁能把订单、营收、毛利率和现金流做出来。 先建观察池，再等市场给答案。 DYOR，不构成投资建议。