与「Mart」相关的搜索结果

今天国宴企业家最终名单出来了，果然中国企业家都没去 估计空出的位置，让里面不少人都带上配偶去了： 黄仁勋（英伟达 CEO） 扎克伯格（Meta CEO） 苏姿丰（AMD CEO） 库克（苹果 董事长） John F.W. Rogers（高盛 EVP） Lynn Martin（纽交所 总裁） 袁征（Zoom CEO） Kelly Ortberg（波音 CEO） Larry Fink（贝莱德 CEO） 苏世民（黑石集团 CEO） Sam Altman（OpenAI CEO） Greg Brockman（OpenAI 董事长） Miriam Adelson（拉斯维加斯金沙集团总裁） Sergey Brin（谷歌联合创始人） Satya Nadella（微软 CEO） Jim Taiclet（洛克希德马丁总裁） Sundar Pichai（谷歌 CEO） Larry Culp（GE Aerospace CEO） Sanjay Mehrotra（美光 CEO） Cristiano Amon（高通 CEO） 贝索斯（亚马逊董事长） Jeff Yass（TikTok） Jamie Dimon（摩根大通 CEO） Michael Dell（戴尔 CEO） Mary Barra（General Motors CEO） David Solomon（高盛 CEO） Jane Fraser（花旗银行 CEO） 马斯克（SpaceX & 特斯拉 CEO） Darren Woods（ExxonMobil CEO） David Ellison（Paramount Skydance CEO） Brad Gerstner（Altimeter, CEO） Albert Bourla（辉瑞 CEO） Meredith O’Rourke（The O’Rourke Group） Bernard Arnault（LVMH CEO） Ryan McInerney（Visa CEO） Michael Miebach（Mastercard CEO）

Today, Pioneer Labs is announcing our first step towards terraforming Mars. 🚀🌼 With equipment that fits in just a single rocket launch, we can convert Martian dirt, water, and air into enough building materials to construct a small city on Mars. To do it, we made the first microbe for Mars. We found the best microbe on Earth and used evolution to teach it how to source all of its nutrients directly from Martian materials. The first astronauts will be greeted with safe shelter already filled with water, oxygen, and rocket fuel for the return journey. This is the first step toward using biology to make Mars a friendly place for life. It lets us live off the land and helps us build the next great frontier. It's the first of five organisms we need to green Mars ⬇️

与做多不同，Martin做空的持仓时间都不长，通常只有两三天，他会在股价下跌的过程中主动分批止盈，尤其是加速下跌的时候，因为做空的利润空间非常有限，而且很容易出现报复性反弹，尤其是那些强势的品种。 这套策略很简单，但是使用起来并不轻松，在使用的时候会出现频繁的试仓，然后止损，会有一种挫败感。 但是如果长期坚持，并根据自己经常做的品种和周期优化策略，你会发现这真的是一种非常科学好用的方法

这个香港22岁的大学生，做五单亏四单，全年的交易胜率22%，却夺得了2025年的美国投资冠军赛冠军，这种方法能把实盘账户翻了接近十倍。 可见这个策略的容错率有多强。 Martin Luk说自己经常止损，但他还是能在交易中保持优势，他根本不担心每次的损失，那个损失很小，他的策略盈亏比很大，只要做对一次，就能把前期的损失赚回来，甚至抓住几倍甚至十几倍的幅度，这种翻盘的感觉很好，他已经试过很多次，他很喜欢自己的策略。

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。

A few hurdles have to be cleared before on-chain trading of tokenized assets becomes universally accepted. So where are we right now? Martin de Rijke, Head of Commercial at @maplefinance, puts it this way: "Think of it like the first car on the road. Someone's uncle's uncle's uncle owns one, and everyone else is still watching" Where the rest of the market thinks we are:

🤖 AI信号 (SOL) 🔥 推荐 📌 MartinBot ($MartinBot) CA: 9US4wa8F65nNSucUVac84SeaJYRF1iDTYdopLA8Gpump ⏰ 信号时间: 10:08:09 (35秒前) | 币龄: 5分钟内 💰 MC: $17,281 | 流动性: $15,507 👥 Holders: 115 | 1h涨幅: +339% | 1h成交: $40,964 🧠 聪明钱包: 3个买入 (SW-01dc, SW-d96d, SW-b1cc) 🚨 风险红旗: 捆绑182·新钱包59(疑控盘) · dev连发100币·10毕业·最高$911K 🤖 AI 分析（推文1条） ① 叙事：无公开叙事，疑似跟风盘。 ② 推特热度：仅一条推文发CA无文字，无法确认与本币相关，暂无实质讨论。 ③ 风险评语：部署者此前已发100个代币，疑为rug工厂；bundler钱包182个，社交信息缺失，需警惕。 ⚠️ 非买入信号·可实现中位−23% DYOR Telegram频道: @ memmememjk