与「Schera」相关的搜索结果

🍰 BrownDust2 | Scheherazade’s Birthday 🎉 It’s the birthday of Scheherazade, the agent of the Intelligence Organization, Incognito! 🎉 『So, you know what day it is today, right? W-what do you mean you don’t know?! N-no way! Seriously, you don’t know? Fine, you asked for it! I’ll spill every embarrassing secret I’ve got on you!! Don’t think you can just wish me happy birthday now—it’s too late! No way am I forgiving you! H-huh? What’s this? A birthday present? Well… I guess it can’t hurt to see what it is. Don’t laugh! I’m not forgiving you yet, so don’t forget it!!』 Today is Scheherazade’s birthday! She might threaten to spill your secrets if you pretend not to know, but she just can’t hide her excitement when she gets a gift—so charming! For a spy always on edge, let’s make today a relaxing one, filled with real birthday wishes instead of teasing. No matter how she acts, your heartfelt greetings will mean more to her than any treasure. #HappyBirthday# #Schera#

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

Chinese scientists' VR wings offer glimpse into future of embodied intelligence In a recent virtual reality (VR)-based study, a research team from Peking University in Beijing has demonstrated that the human brain can incorporate virtual wings into its body schema, offering new insights for the development of embodied intelligence technologies including brain-computer interfaces and smart exoskeletons.

最近朋友推荐一个非常适合学习 Agent Harness Engineering 的工具：claude-tap。 它像是 Claude Code、Codex 等 Coding Agent 的本地可观测性平台，可以看到一次真实 Agent 运行中的： System Prompt 对话历史与上下文 Tool Schema Tool Call / Tool Result 流式响应 Token 用量 相邻请求之间的结构化 Diff 学习 Claude Code / Codex Harness 的核心是运行时系统：上下文如何组装、工具如何注册、状态如何跨轮传递、请求如何持续演化。 我觉得非常适合把源码和真实 Trace 对照着看，理解速度会快很多。 强烈推荐给正在学习 Coding Agent、Agent Runtime 和 Harness Engineering 的朋友。

Ryan Clark was flat out fired. Didn’t even let his contract run out. Marchand directly pointed to Clark playing the dumbest “you never played card” on Peter Schrager for being the tipping point. You play this card, you lose my respect as an analyst.

drop a MARK ZIP into claude code and ask for a dashboard page what came out: src/db/schema.ts — user stats table with drizzle ORM src/db/index.ts — postgres pool setup app/dashboard/page.tsx — async server component, direct DB call, no "use client" mistake loading.tsx and error.tsx with proper App Router convention claude code already knew the patterns before i typed anything that's what the nextjs-app-router skill file does. it carries the conventions into the session so you don't have to explain them. repo was ixartz/Next-js-Boilerplate. 10k stars.

I shared my SkyWalking + GreptimeDB integration before. It has now been updated and packaged as v11.0.0-greptimedb.2. The OAP storage plugin covers metrics, traces, logs, alarms, Zipkin and profiling data, with TTL and schema management. This release adds compatibility with older GreptimeDB versions and is tested with v0.15.5, v0.17.2 and v1.1.2. Binaries and amd64/arm64 images are available: Setup guide: Interested in upstream support? Please share your use case here:

专升本前端毕业 1 年，从初创到大厂，我的开源项目上了 github trending，顺利聊聊做开源的收获 6 月 30 日，我做的开源项目 Archify 第一次出现在 GitHub Trending ，排名第 9 。到发帖这会儿，仓库有 4.7k Star 、414 个 Fork Archify 是什么 Archify 是一个给 Claude 、Codex 、opencode 使用的 Agent Skill 。你用自然语言描述系统或流程，它生成 JSON IR ，经过 Schema 和布局检查，最后输出一个独立 HTML ，可以切换深色和浅色主题，也可以复制或导出 PNG 、JPEG 、WebP 、SVG Trending 不是突然掉下来的 仓库创建于 4 月 15 日。最开始只有架构图，后来陆续补了四种图表、双主题 SVG 、4 倍清晰导出、JSON Schema 、布局检查、CLI 、CI 和零依赖安装包 这个项目是自发火起来的，在推上被很多博主推过，我觉得被传播的主要原因，一个是生成的图确实比 mermaid 好看，而且 html 也易于传播，加上 hero 图清晰明了，一看就知道是干啥的了 Trendshift 的记录显示，Archify 在 6 月 30 日第一次进入 GitHub Trending ，排名第 9 聊聊开源 先讲讲我之前的经历吧： 我是 18 年高考的，我比较笨，学习不咋地，读了一个专科，专业叫计算机应用技术，第一年觉得自己状态非常颓废，也学不明白，痛定思痛，就报名去当兵了，在部队待了两年 刚去的时候身体素质很差，我也瘦，没啥力气，刚去的时候 106 斤，很多训练都不行，后面下连分到了通信专业，相对轻松一点，我训练比较认真，后面一些机会下，机缘巧合，代表单位参加集团军的通信比武，拿了第一名，当时是真的意气风发，多的不讲了。 退伍以后呢，回学校继续读书了，因为退伍可以免试嘛，也不知道干点啥，就专升本了，后面考的还行，我那批是七十多个人，然后招六个，我考了退伍批次的第一，考到了重庆邮电大学的软件工程专业，我很感激母校，包括我的专科学校，我觉得是他们收留了我，得益于母校，我才有了后面见识更多的成绩平平的农村孩子之外的一个世界。 因为专升本的本科只有两年，所以时间其实挺紧的。刚开始还想考研，后面感觉自己学习也不咋地，本来就专科，当兵，比同龄人毕业要大三岁，就不考了。 然后就开始学前端，跟着网上的课程学了一个多月，尚硅谷啥的，后面找实习运气还挺好，学了一个多月就找到了。 那是 2025 年 4 月，苏州的一家中厂，叫智慧芽，一天两百块钱，然后房租是 850 ，我记得当时我一个月还能存两千多块钱，就是有时候回学校考试麻烦，一来一回，苏州到重庆，路上要二十多个小时，车费接近两千块钱。 但那段时间其实挺开心的，每天学东西、写代码，感觉自己只要一直努力，后面肯定会越来越好。 实习第四个月的时候，我面试了字节飞书。杭州的部门，两轮面试都通过了，最后背调的时候，对方知道我是专升本，把我卡了。 当时 HR 给我打电话，我还一直跟他解释，说我肯定可以达到他们的要求，也可以通过工作证明自己，但是最后还是没有给我机会。 那次确实挺难受的。不过我当时也没有觉得完全是学历的问题，更多还是觉得自己不够强。就想着如果技术真的特别牛逼，可能也不会因为这个把我卡掉。 后面秋招回学校，我又面了重庆的懂车帝。前面的面试也都还可以，到了 HR 面的时候，我提前说了自己是专升本，然后就没有下文了。 联系我的一面面试官后来还在 Boss 上主动给我发了一句“不好意思”。我跟他一面聊得挺好的，所以最后把我拒掉，应该也不是他的原因。 我当时给他回了很长一段话，具体写了什么现在已经记不清了。只记得那天晚上出去跑了五公里，心里确实五味杂陈。 当然，也不是后面所有面试挂掉都是因为专升本。我菜肯定也有一部分原因。 比如猿辅导四面的时候，题没有写出来，那挂了也很正常。群核我自己觉得面得还可以，但最后也挂了，具体因为什么我也不知道。很多时候我只能猜，可能是学历，也可能就是能力没达到。 秋招没找到合适的工作，我又去了杭州，在西湖大学实习了一段时间。 当时 HR 面试也问了我专升本的事情，我说了一句：“出身寒微不是耻辱”，最后那次面试给我过了。 到了 2026 年 3 月，我还是没有找到满意的工作，已经开始有点慌了。 后面又去了上海商汤实习，在大模型研究院，我们组基本都是 985 硕士，只有我是专科再专升本。但是商汤没有转正，就还得接着找，后面我还面了 Manus 。 本来投的是前端，结果 HR 好像把岗位搞错了，最后只面了一面，跟他们的 COO 聊了挺久，聊了蛮多的：他觉得我当过兵、拿过集团军比武第一，这些经历很加分，也挺喜欢我的。但是听到我是专升本以后，他也直接说，会稍微拉低一点印象。 我们当时还聊到了一个问题，就是像我这种学历不占优势的人，可以通过作品或者开源项目，从其他地方证明自己的能力。 其实我当时也已经有这个想法了。因为学历这东西已经改不了了，你再怎么解释，别人看到的还是专升本。 所以我后来入职第一家初创公司以后，就开始写一些博客，也发过掘金，后面又慢慢开始做自己的项目。 我去那家公司本来是做前端的，但因为公司比较小，后端、算法、客户现场、给客户做培训，这些事情我都干过。 当时会觉得事情很杂，什么都要做。现在回头看，我觉得也不一定是坏事。如果当时真的去了大厂，可能每天就是做前端需求，反而接触不到这么多东西。 那段时间我也开始大量用 AI ，做了一些 Claude Code 相关的工具，然后把其中一些东西开源。 说实话，我最开始做开源，目的也没有多高尚。就是因为自己学历差，想在简历上多一点能证明自己的东西，当时还是挺想进大厂的。 后来我去了盛大下面的 MiroFish 。在那边工作之外的时间做了很多自己的东西，Archify 就是那段时间开始做的。 再后来面试了一家上海的大厂，具体这里就不透露了，一面的时候有两道题我都没有写出来，我说我是 100% AI 代码。 本来以为可能要挂了，但是面试官又让我介绍自己的项目。我讲了不少开源项目和自己做的工具，最后他还是让我过了。入职还没有半年，这段具体的我就不细讲了。 6 月底，Archify 上了 GitHub Trending ，最高第 9 。现在差不多 4.6k Star 。 这个数据当然挺开心的，毕竟我刚开始做的时候，也没想到会有这么多人关注。 但做开源以后，最大的变化可能还是，有人真的开始用我做的东西了，我也像和 manus 的 coo 聊的时候一样，有了一些别的东西可以证明和体现自己的能力。 开源没有让我从专升本变成 985 ，也不能保证我以后不会再因为学历被卡。 我现在也说不清这 4.6k Star 最后能给我带来什么。可能是工作机会，可能是认识一些人，也可能什么都没有。 不过至少 Archify 确实有人在用，我做的东西能给别人带来价值，能给很多人带来帮助，这件事对我来说就是做开源最大的意义