石头 (@Stone141319)

到 2030 年，AI Agent 预计会处理接近 9 万亿美元交易，但你们有没有想过一个问题： 如果第一次大规模 Agent 纠纷真的来了，到底谁来当裁判？ 这也是我最近关注 GenLayer 的原因。 如果用一句话讲清楚，我会说它是 AI Agent 经济里的裁判席。 现在的 AI Agent 还在帮我们写总结、查资料、做表格。 但再往后，它们会开始帮人下单、谈价格、签协议、跑营销、付钱、分账。 钱一多，争议一定会来。 —————————————————— 然后我脑补了一下以后一定会出现的场景： A 说任务已经完成了。 B 说交付质量不合格。 一个 Agent 说数据没问题。 另一个 Agent 说引用来源是错的。 钱已经动了，责任却没人认。 现在大家都在搭支付、身份、互操作性，这些当然重要。 但 Agent 真正开始大规模管钱之后，最麻烦的地方可能是： 出事以后，谁来判断谁对谁错？ 这就是 GenLayer 要补的位置。 比特币带来了无需信任的货币。 以太坊带来了无需信任的计算。 @GenLayer 想补上第三块：无需信任的裁决。 —————————————————— 你想要理解它也很简单。 你不能把判决交给一个 AI，因为一个 AI 可能看错，也可能被诱导。 所以 GenLayer 让多个独立 AI 验证器一起读材料、看上下文、做判断，再看能不能达成共识。 有点像陪审团，也像医生会诊。 一个人拍脑袋不靠谱，一群人独立判断后还能对上，可信度就高很多。 更关键的是，这些验证器要 staking，对自己的判断承担经济责任，裁决还能上诉。 这才是一个真正能跑钱的系统。 —————————————————— 传统智能合约更适合处理很死板的问题，跟自动售货机一样： 满足条件，执行。 不满足条件，拒绝。 但现实世界没这么干净。 一条内容算不算认真完成？ 一个营销活动有没有达到要求？ 一份交付是不是合格？ 一个 Agent 有没有违约？ 这些都不是简单的开关题，需要读取自然语言、理解上下文、判断公平性。 —————————————————— GenLayer 的智能合约就是为这种灰色地带准备的。 激进一点或者悲观一点来说，Agent 经济如果没有裁决层，最后大概率就是一堆机器人拿着钱包互相甩锅。 GenLayer 做的事情，解决的就是 AI Agent 真要管钱之后绕不开的问题。 社区、开发者、验证器都可以从 Portal 进场，随着网络发展还能获得 GenLayer 积分。

刚搓了一个量化回测工具，开源给需要的朋友，如果能够帮助到大家，欢迎点点关注，感谢支持！！！ 交易想法靠谱吗？别靠感觉了，先扔进历史 K 线跑一遍再说！！！ 由于我是 Hermes 新手，之前验证交易策略只知道跑模拟盘测试，参加了BG的黑客松我才知道，还可以进行数据回测。 所以我开源了一个本地加密货币回测工具：石头量化回测实验室（Hermes Backtest Lab） 开源地址： 它不需要 API Key，也不是交易所机器人，核心就干一件事：把你的交易想法，丢进真实历史数据里跑一遍，看看数据怎么说。 —————————————————— 支持的核心能力如下： 1、OKX 现货 + USDT 永续合约回测 2、多币种组合账户回测（模拟真实多标的账户） 3、多空双向（可只做多 / 只做空 / 双向） 4、链上 Token 回测（GeckoTerminal 数据源） 5、完整成本建模（手续费 + 滑点） 6、动态仓位、杠杆、保证金、回撤熔断 7、内置常用因子（趋势、均值回归、ATR、ADX、RSI、EMA、布林、成交量 z-score 等） 8、报告导出，每次回测会生成三类文件： report.md：适合人看的回测报告 metrics.json：适合程序读取的指标 trades.csv：每一笔模拟交易明细 —————————————————— 可以用 powershell 跑，或者直接丢给你的AI处理 新手最快上手（推荐）： python -m pip install -r requirements.txt python scripts/hermes_backtest_lab.py --preset demo 常用预设直接跑： --preset balanced / conservative / aggressive / spot / onchain-demo 想自定义跑 OKX 永续： python scripts/hermes_backtest_lab.py --symbols BTC,ETH,SOL,SUI --inst-type SWAP --days 180 --bar 1H 想跑现货（禁止做空）： --symbols BTC,ETH,SOL --inst-type SPOT --allow-short 0 --days 180 想跑链上 Token： --data-source geckoterminal --symbols base:token:0x... --days 30 --bar 1H 更多用法直接看仓库 README。 —————————————————— 为什么我认为回测最有价值？ 它不是用来证明你能赚钱的，而是给你一个冷冰冰铁面无私的质检员： 你的策略怕不怕手续费和滑点？ 是靠几笔大赚撑起来的吗？ 胜率、盈亏比、最大回撤、交易频率是否合理？ 换一组币、换一个周期，还能不能活？ 连历史数据 + 成本这一关都过不了的策略，上实盘大概率是送钱。 所以这个工具适合三类人： 想验证自己交易想法的人 想系统研究不同币种、周期、参数的人 想做自动化交易，但不想一上来就拿真金白银试错的人 —————————————————— 最后提醒：历史回测不代表未来收益，但没有回测，很多时候你连自己亏在哪里都不知道。 欢迎 Star 、直接 clone 跑起来试试，跑完欢迎提 Issue 或反馈建议！

现在很多人聊 AI Web3，都在盯着模型、应用、空投这些地方，但真到了一堆 AI Agent 上链执行任务、调用数据、协同交易、管理资产的时候，问题就会变得特别特别现实： 它的推理能不能被验证？ 它调用的数据靠不靠谱？ 它的记忆放在哪里？ 它和其他 Agent 协作时，出了问题谁来审计？ 底层协议有没有隐藏的 bug？ 这些东西听起来一点也不性感，而且作为乐观主义者，我平时也反感只提问题不给解决方案，但真出事的时候，以上的每一个都会是扎心的大问题。 —————————————————— 这也是我觉得 @0G_labs 近期的几个动作值得看的原因。 根据这次 APAC Hackathon 黑客松的最终数据，1.04M+ 社媒曝光、1145 名全球参与者、293 个最终提交项目，放在现在这个市场环境里，已经能说明 0G 生态不只有声音，是实实在在的有人在持续动手构建。 更关键的是，这批项目并没有只挂一个链上 AI 的概念，很多都实际落地应用到了 0G 存储、0G 算力、0G 链、隐私计算、Agentic ID。 这也说明 0G 的全栈基础设施，已经开始被开发者拿去做真实的东西了。 从我的视角看，黑客松最有价值的地方在于它能不能把开发者、场景和工具栈一起给跑通了,因为如果一个生态只有叙事，没有人愿意去动手搭东西，那热度一定会很快就消散了。 但是如果有几百个项目提交，有人用存储、有人用算力、有人用隐私计算、有人尝试 Agentic ID，这就说明 0G 的生态闭环开始有雏形了。 另一个点我觉得更硬，那就是 0G Lab 的这篇多智能体安全论文。 —————————————————— 他们联合新加坡国立、北大、北邮做了一个叫 Agora 的框架，专门拿来 debug 共识协议。 共识协议直白的说就是链和分布式系统最底层的记账规则，节点怎么达成一致、异常节点怎么处理、状态怎么同步、签名和执行结果怎么保证不出问题，很多核心风险都藏在这里。 Agora 的思路是让多个 Agent 分工协作，有人负责理解全局状态、有人负责设计异常场景、有人负责生成测试代码、有人负责跑结果和复盘问题。 最后在 Raft、EPaxos、HotStuff、BullShark 等主流共识协议里，挖出了 15 个之前没人发现的协议级深层逻辑漏洞（零日漏洞），论文也中了顶会（我特意去查了下，论文已被 ICML 2026 接收，这是全球人工智能和机器学习领域历史最悠久、规模最大、最具影响力的顶级学术会议之一，这含金量懂的都懂）。 因为 AI Agent 以后真的要在链上跑，光靠会聊天、会生成内容、会自动执行任务肯定不够，底层系统必须能被测试，能被验证，能提前把风险挖出来，毕竟安全才是第一位的。 所以模型会换、应用会换，但 AI Agent 需要的可信执行、链上存储、隐私保护、安全验证这些需求不会消失。 这才是我看 0G 的核心逻辑，它正在补齐 AI Agent 上链之前必须要具备的底层能力。 熊市里，真正做事的项目反而更容易看清楚 ，你们觉得呢？ @0G_labs @0g_cn

Hermes 进化日记 · 最新战报来袭！之前分享了我的 Hermes 自动交易里的防守（止盈止损）和进攻（选币开仓逻辑），今天来聊聊合约开仓时的杠杆设置和对 OI（未平仓合约变化率）的判断，毫无保留地分享给大家，如果能帮到你，欢迎点个关注，后续我会继续分享更多细节，感谢支持！ —————————————————— 首先说重点： 在我这套自动交易里，杠杆不是固定写死的。 很多人一上来就问能不能拉满杠杆，我的理解刚好相反，杠杆应该是最后一步，不应该是第一步。 系统首先判断这笔交易值不值得开，杠杆是对信号质量、方向一致性、风险冲突的动态反应。 具体逻辑如下： 1、基础杠杆从 5x 起步，系统不会一上来就拉满。 2、信号质量决定上限 硬确认不够，最高只给 8x。 软确认不足，最高只给 12x。 确认刚刚过线，即使能开仓，也不会直接满杠杆。 只有趋势、结构、资金流、盘口风险都比较顺，才允许往更高杠杆走。 3、空单单独限杠杆 目前空单最高默认 8x（山寨币做空容易被反抽、插针、资金费率打脸，所以更保守）。 4、均值回归单也限杠杆 震荡反转类交易最高 8x（胜率可能高，但一旦震荡转趋势，亏损速度很快）。 —————————————————— 另外还有一个我特别看重的指标 OI（未平仓合约变化率），用来判断资金是否真的进场： 价格涨，不一定代表有人真的在追。 但如果价格上涨，OI 也上涨，说明有新的杠杆资金进场，这种上涨更有质量，多头加分。 如果价格上涨，但 OI 下降，很多时候只是空头回补，持续性就要打折，直接降权。 做空也是一样。 如果价格下跌，OI 也上涨，说明新空头在主动压盘，这种下跌更有质量，空头加分。 如果价格下跌，但 OI 下降，很多时候只是多头爆仓出清，后面反抽风险会很高，直接降权。 所以我的系统不会只看涨跌幅开仓。 —————————————————— 简单来说就是普通机会，用普通杠杆；高质量机会，才给更高杠杆。 这套逻辑的核心其实很简单： 价格告诉我结果，OI 告诉我有没有新钱，最后才决定用多少杠杆。 我不想让自动交易变成一个只会梭哈的机器人，它是一个真实的交易员，先判断方向，再判断资金有没有跟，最后才决定用多重仓。 自进化Agent还在持续迭代～ 有一起玩 Hermes / 动态杠杆 / OI策略的兄弟，欢迎评论区交流你的杠杆参数、分享OI用法，或者私信我一起讨论！ 期待下次继续和大家分享下一阶段实测效果 #Hermes# #AI交易# #动态杠杆# #OI未平仓# #自动交易# #OKXAgent# #Web3#

昨天实测 @dappOS_com @xBubble_ai xBubble vs 其他主流模型： 同一个prompt，两张图已经不是代际差距，而是工作流 vs 裸模型的降维打击！！！ 我这次用的提示词如下： A girl standing in front of a mirror, but the reflection shows a futuristic robot version of herself, cinematic lighting, emotional atmosphere, realistic reflections.（一个女孩站在镜子前，但镜中映出的却是她自己未来主义的机器人版本，电影灯光，情绪氛围，真实倒影。） 这个 prompt 其实很适合测模型和工作流，因为它同时考验镜像逻辑、光影、人像、金属材质、空间关系和情绪表达，所以我特意使用了这么一套比较全面专业的提示词来做这组测试！！！ —————————————————— 闲言少叙，直接上结果： 图一是我用 xBubble 跑出来的。 最明显的感觉是光影，这张图的光影已经接近电影镜头了！！！左边暖光像真实房间里的环境光，镜子里的冷光又能撑住科技感。人脸面部高光、皮肤反射、玻璃反射、金属高光都在一个统一的空间里，基本上已经是电影级 lighting 了！整体已经跟电影截图差不多了！！！ 图二虽然也能完成最基本的设定，但视觉上更偏概念海报，蓝色发光和机械结构会更直接。第一眼大致看过去也很抓人，但仔细看，跟图一那种克制感和真实镜头感对比，完全不是一个时代的产物！！！ 这也是我这次对 xBubble 比较有感的地方！ 以前做这种图，经常要反复改 prompt、换模型、试风格、调细节，时间全耗在“怎么让 AI 正确理解我”上。 很多时候你以为自己在做图，实际是在做模型测试、工具测试和工作流测试。 —————————————————— 我理解的 xBubble 的核心就两句话： 1、AI 替你使用 AI。 2、AI 在后台学习怎么把 AI 用好。 Bubble Pilot 负责读懂你的简单需求，然后去匹配合适的 SOP。 Bubble Engine 则在后台持续训练这些 SOP，把模型选择、skill 调用、运行环境、MCP、第三方服务全藏在后台。 所以用户这边不用先研究哪个模型更适合出图、哪个 skill 更稳、哪个环境更适合跑任务。 你只要把目标说清楚，它自己会尽量把任务分发到更合适的路径里。 对会折腾 AI 的人来说，这可能只是少花一点时间。 但对很多 Web2 公司、一人公司、内容团队来说，这个差别很大。 因为他们真正需要的从来不是研究一堆模型参数，而是今天有个图要出、一个页面要做、一份内容要交，最好一句话就能跑出相对稳定的结果，极致的效率才是真正的生产力解放！！！ 所以 xBubble 的 Bubble SOP 有意思的点就于它把会用 AI 这件事往后藏了一层，让普通用户不用先变成 prompt 工程师也能更快拿到可用结果。 —————————————————— 大胆预测一波，这轮 AI 最大的门槛，很有可能就是把复杂的工作流封装到普通人一句话就能用。 最后请看图 图一：xBubble 图二：另一 AI 模型 图三：我让 ChatGPT （GPT5.5）当裁判打分，结果一目了然。 同样提示词，结果自己看。

感谢二姐 @pcobidco 的投喂。说出来你们可能不信，我小时候好像没吃过樱桃，只有长大之后才吃过车厘子😭😭😭 这一箱樱桃我已经连续吃五天了，到现在居然还没吃完。 关键是真的太好吃了， 去厨房洗个手，路过冰箱都会忍不住再拿两个。 最近天天研究 AI Trading、盯策略、调 Agent， 结果现在每天最稳定的盈利， 居然是去冰箱拿樱桃的时候😂😂😂 再次感谢二姐哈哈。