UG retweeted
mark，有点意思.
Arc.
@arc 明明是华尔街巨头站台的“天王级”公链，怎么一开播，满屏都是劣质摄像头的土狗味？
昨天 Arc 链的主网上线直播，真给大家干破防了。
在看到各种画质模糊的视频连线，和印度开发老哥占据画面时，CT 上各路交易员们 DNA 里的防 Rug 直觉触发，资金夺路而逃， Arc 生态内的 Meme 和平台币半天内暴跌 40% 到 75% 不等。
这股浓烈的、马上要撤池子的、链不够高大上的既视感到底是怎么产生的？
小编带着好奇，还真去翻了下 Circle 这场长达6小时的线上主网发布会，感觉这其实是一场公关排版灾难...
官方竟然把随意的社区连线和高大上的机构级会场，硬缝合在了同一条直播流里，并且把最能赶客和观感最差的部分，放在了直播最前面。
于是大家点进去看直播，最先就会看到所谓的Developer Pre-Show（开发者预热）。
镜头自然切给全球各地的社区建设者，他们的房间乱七八糟、灯光昏暗、连麦卡顿，有诈骗老哥的观感。
而真正的重头戏姗姗来迟。镜头切到纽约的高清主舞台，西装革履的各大高管，机构大佬们坐在精心布置的聚光灯下，大谈特谈代币化基金和宏观金融...
在加密这个极其看重情绪和第一印象的圈子里，出场顺序可能就是一切。
最终让大家产生一个上半身穿高定西装，下半身穿破洞人字拖的观感，那大家的共识就只能是“有问题，快跑”了。
对应到链上，截止目前 arc 上市值超过10M的项目，看起来只有 Argus 一个。
全网都在转Arc 上线直播有很多印度哥们dev的图，但我看几乎所有人转的都是海外KOL的截图，估计中文区都没人真的去看直播，而是直接转发图片了，所以我亲自去看了下Arc的直播回放：
Arc的高管全是印度哥哥！
1. 的确有很多印度裔的dev，原因是负责Arc的CTO Nikhill本身就是印度裔的，所以不难理解，一般都喜欢用自己人。跟硅谷大厂一样，很多高管也都是印度哥哥主导，自然招更多印度IT开发；
2. 负责产品的Gagan Mac老哥也是印度裔的，本科在班加罗尔的拉马亚应用科学大学毕业，硕士去了美国，后来在Meta等大厂工作，22年进入Circle负责产品。
3. 高级产品经理Sanket Jain 小哥康奈尔大学毕业之后，去年加入Circle。
从另一个角度也不难理解，在CEO是白人的金融基础设施里，如果用华人老哥开发，很容易被人challenge 国家安全问题；稳定币又不像AI领域华人老哥占据了Research的半壁江山不得不用，自然用大厂经验丰富，又精通向上管理的印度老哥是很合理的选择。
你要因此说印度哥们多所以Circle技术不行，倒是太过于偏见，但是你要说特别尖端和靠谱，我也觉得不至于。但做一条链毕竟不是什么rocket science，比技术更重要的还是生态拓展和社区合作，在这方面，特别是To B，印度哥们的美国人脉还是顶级的。
著名的印度链Polygon至今还跑着Polymarket，所以B端我认为会是Circle（Arc）的优势，C端目前更看好Robinhood，源自于Rh 发家靠的就是C端的产品和运营基因。
未来可能是Circle To B，RH to C的格局。
（最后彩蛋是这些背景抽象的印度老哥，其实是Arc上生态项目的代表，不是Arc链的开发）
UG retweeted
接近三個月過去，之前分享的兩次方法論目前都被群友做成了 AI skill😂
從涉及到的產品的角度看，Neynar @neynarxyz 收購 Farcaster @farcaster_xyz 沒什麽不好，如果能如過往那樣，持續造出這種邏輯的 alpha，那麽基本邏輯還在，還是能互相成就，但核心問題也就是：團隊和背後的資方有沒有這個能力在這種結構性熊市中持續造勢。
同樣，在方法論只要分享出來就可以被大部分人通過 AI 快速落地到執行層的時代，繼續拼命卷方法論性價比越來越低，并非長久之計，與其相比，以下一些思路或許值得一試：
1️⃣下沉到底層：
下沉到最底部支撐新產業的資源層做佈局（不論是資金還是精力，比如之前提的一些傳統資產佈局到這個月底也都紛紛落到收益上）。
2️⃣隱知識 & 系統能力：
用更多時間去建立系統和覆蓋更多隱知識（即未被語言寫出 / 難以輕易獲取的知識），在明白語言對於個體理解世界的限制的基礎之上，提升相關核心能力。
比如，如何理解言外之意 → 心理學 + 哲學相關的組合知識 - （注意：這部分不結合自主系統學習而是每次不設前提地依賴 AI 的話，會遇到非常厚的信息墻而不自知，很容易學成半瓶水亂晃，與初衷背道而馳） → 如何與人相處，處理親密關係 → 獲得更平衡、穩定的生活狀態 → 更強的生產力 → 正循環 —— 當你這樣嘗試，就會發現當下有太多事要做了，每天時間都不夠用。
3️⃣回歸本心：
不必再彎彎繞繞，而是直接去搞清楚自己這一生最想要實現的目標/生活狀態，從目標出發，理解距離目標還需要實現什麽，先去完成最基礎但很容易在自欺欺人的狀態下不去提升的能力。
比如，很多人覺得自己的理想是環游世界，但嘴上一直挂著要掙一個大目標再去做，本質上就是一種逃避心理，因爲能夠成功環游世界的基本能力根本不是錢，當你選擇流動的生活，如何在流動之中維持長期的穩定才是支撐一切的核心，這會指向健康的身體，面對困難、解決問題的綜合能力，抗脆弱，對自己和他人的理解力等等，都是可以在日常小事之中完成的，如果在不流動的狀態都不能做好這些，就別談流動的時候再說了，可能走完幾個國家就直接癱倒了，根本完成不了計劃的哪怕十分之一，個體自身也很容易在這個過程中崩潰和坍塌……
目前的 AI 大模型雖然有諸多問題，但是在幫助個體卡住的時候推一把這件事上，還是不錯，在理解底層機制的基礎上，學會好好提問，直接和 AI 系統討論清楚自己的需求再自省，將比一直向外部求答案更有幫助。🌸
《如何基於 Farcaster 尋找新東西 ·第二彈：藉助自動化 VC AI Agent 尋找打新機會》
今天看到 @zeckxyz 提到 @feyprotocol $fey 打新的十倍收益，恰好是我上個禮拜逛 @farcaster 因同一個信息源 @faircaster 關注到的項目，而且，@11AMdotclub 也發了創始人 Luc de Leyritz @deLeyritzluc 的訪談。
我個人很欣賞 Luc @deLeyritzluc做這個項目的核心理念，以下為結合訪談内容，簡單總結一下這個信息源~
—— 現在場内流動性有限，經常是熱點輪動，最起碼的，跟一個信息源，總要先理解人家的 thesis 和運作原理，避開大環境不利於這種策略的時間段，更進一步，最好能倒推信息源如何一步步優化，再去完善自己處理信息的系統。
1⃣@faircaster 是什麽
Luc @deLeyritzluc 的 RE7 基金專注 「社交」+「消费」的 crypto 項目，Faircaster 是他們創建的 Farcaster 和 Base 上的自治型風投基金（autonomous venture fund），靈感源於他們在 RE7 之前的數據基礎設施實驗（處理信息+基於數據做投資決策），試圖由 AI 來運行這個流程。
簡單理解：
這是一個 AI agent 自動搜尋、篩選、分析、投入資金的 VC，最早在 Farcaster 推出，但是他們的 X 也會同步更新内容。
因此，即使不玩 farcaster，也可以關注他們的 X 賬號 @faircaster （還有 luc 和另一個 co-builder @runn3rrr 也會經常提及生態項目，算是不錯的視角補充~）
2⃣投資偏好：
基本面投資。
因爲 RE7 認爲 Farcaster 生態的一些項目有長期價值，因此主要關注這一點。
→ 推論：
當 base 生態處於上升期，這個信息源的作用會被放大，目前關注的人不多，可以考慮作爲重點關注；
當 base 生態處於過熱，且根據跨鏈和 @aeroxyz 的數據都可以看出流動性在明顯撤退，那麽就需要結合更多交叉信息，謹慎對待這個信息源提及的項目。
3⃣ 技術框架
根據 Luke 說的，我大致整理成了以下示意圖。
根據以上模塊，Faircaster 即時讀取約 75 萬條來自關鍵使用者（創辦人、投資人、優秀交易員）的公開社交數據，每日篩出約 500 個項目，最終挑選少數（目前是 8 個）進行投資，系統 24/7 自動運行，團隊僅在收到模型預警時人工介入，確認執行（也是項目唯一中心化的部分，大概 3% 的部分因爲面對的場景是非標準化，暫時無法完全擺脫人類輔助）。
P.S. 和我自己日常找 alpha 的方式比起來，多了 AI agent 的直接參與，少了鏈上數據的分析，更多還是依賴於人作爲信息樞紐去做信息整合，從最早期打新角度看很合理。
4⃣ 項目實況與（躬身入局的） 團隊機會
目前，@faircaster 的自治型風投基金還算比較早期，規模約 10 萬美金，距離啓動時增長了超過 2 倍，最早的資金來源於早期顧問和 Farcaster 生態的個人投資者，這個基金也有自己的代幣（CA 見項目方 X 的簡介，看了下目前 FDV 是 8 M ），團隊後續希望更謹慎設計代幣經濟，確保早期支持者能夠分享到後續潛在的收益。
注意：這個規模目前并不算大，對於 base，特別是 farcaster 生態來説，其實更適合資金不多的散戶早期找找機會，很難上大倉位~ 如 x402 + base 的項目，我之前去掃鏈，在部分項目前排看到不少 base 深度用戶，日常也就是幾百 U 在玩，偶爾會撞一兩次這種大運~
團隊中， Luc 負責技術搭建，正在尋求另一位技術合夥人——希望是厲害的工程師，有興趣的朋友可以直接 DM 他 → @deLeyritzluc
UG retweeted
People have underestimated the impact of 10/10. The incident caused real and lasting damage to the industry.
An industry-leading company should focus on strengthening core infrastructure, building trust with global users and regulators, and protecting the long-term interests of the majority of crypto users, setting an example for others to follow. Instead, some chose to pursue short-term gains—repeatedly launching Ponzi-like schemes, amplifying a handful of “get-rich-quick” narratives, and directly or indirectly manipulating the prices of low-quality tokens, drawing millions of users into assets closely tied to them.
This has become their shortcut for attracting traffic and user attention. Legitimate criticism is then drowned out—not through facts or accountability, but via aggressive narrative control and coordinated influencer campaigns.
This approach does not build an industry.
It erodes trust—and ultimately, everyone pays the price.
CATHIE WOOD: THE WORST IS LIKELY OVER FOR BITCOIN
Cathie just laid it out pretty clearly and says the last 2–3 months were basically the aftershock from the Oct 10 flash crash -- a Binance software glitch that forced ~$28B of deleveraging across crypto. Bitcoin took the hardest hit because it’s the most liquid asset.
That unwind is mostly done & now the debate has shifted to the 4-year cycle. Are we still in the downside phase?
Cathie’s answer: probably not.
She sees $BTC likely basing in the ~$80K–$90K range, then moving higher once that consolidation does its job.
Institutions aren’t questioning if #Bitcoin belongs anymore -- they’re figuring out how to size it as a new asset class with low correlation.
The forced selling looks behind us. What comes next is positioning. 👀
UG retweeted
$INTC "Just to push on that a little bit, you guys have your own factories. Why are you in the inventory situation that you’re in? And even if you look at it, I get the whole idea of finished goods versus other components, but you have $11.6 billion of inventory and it’s still not in the right place at the right time. How does that happen?"
英特尔这个管理层还真是一如既往的积重难返，直接被贴脸开大😂，所以懂得周期资本配置的 CEO 真是难求，还是多开除些人继续改造吧
整体看下来还是业绩预期太高，不过更关心的 CPU 需求旺盛得到确认，供给端又不是一家没法放量，大家都无法短期扩产。
「看之前一个华泰的报告：“海外各家大厂进展来看，Meta收购manus，Anthropic发布Cowork，OpenAI的ChatGPT Agent，Google的Gemini CLI、Chrome Auto Browse；国内来看，阿里千问Agent、豆包手机助手，由此可见大厂主流Agent均已基本打磨完成，PC端、手机端个人生活工作助理向的Agent成为主流产品形态。26年C端Agent渗透节奏或超预期。
算力Claude Code工作流来看，启动阶段（只打开一个项目，几个小文件）智能体思考一次消耗约1-2w token；深度工作阶段，用户打开20个以上文件，Agent积累大量尝试记录（编码、debug、日志、比较代码差异），每一步消耗20w token。Claude Code官方建议用户每分钟的Token限制设置在20-30w token，足以见得算力需求的巨大（对比Chatbot，一个用1min交互2次左右，单次消耗2k token左右）。总体量化来看，完成一个小项目消耗百万级别token、与Chatbot单次相比提升3个数量级。从过去一周Openrouter数据来看，Claude 4.5调用量提升明显，下一次token加速点很快出现。
Agent带来的两大结构性影响：存储与CPU。CPU角度，从Agent的工作执行原理来看CPU重要性提升：
1）服务器拿到众多推理任务，第一步打batch（批处理），此任务在CPU完成；
2）数据进⼊GPU之前，需要进⾏解压缩、解密和向量化，对于不需要并行计算能⼒的⻓尾推理任务，CPU将成为⾸选；
3）虚拟机技术路线下，Agent需要CPU创建大量沙箱环境、奖励与验证器，需要CPU构建各种工具环境；
4）Agent任务步骤的分配与多线程工具调用在CPU执行，上下文存储也优先外溢到CPU。」
算力-运力-存力-CPU-电力，真是轮番上阵，既然CPU 需求得到确认，其实反而感觉更有利于 INTC 这种晶圆厂自己调整产线，有点像之前美光：田忌赛马，砍掉下等马，把粮草供给到上等马，从而放量到高毛利产线
继续持有了
UG retweeted
當下，比輸出更可貴的事，其實是用心傾聽。
之前 @suji_yan 跟我提過一個 AI項目Chirper AI，很長一段時間内都是用戶設定的 AI agent 在互相發内容和交流，後來卻遇到了類似下圖的變現問題——
到了現在，主流社交媒體本身好像紛紛變成了Chirper AI的局面，也是四年前在 SG 見到 @DoveyWanCN 的時候，她拉著我説了很久的未來數字奴役的情況：
大部分人都忙著輸出，評論區卻幾乎都是 AI 回復，藉助 AI 發出自己覺得原本講不出的話；久而久之，一些原創内容博主也逐漸懶得寫，只在小群組偶爾發深度内容，獲得傾聽和反饋，對外也用 AI 應付了事。
因 X 推薦算法的邏輯，一些需要靠流量賺點錢、或者能夠從被更多人關注中獲得滿足感的博主，分明他們自己不那麽喜歡 AI 感很重的回復，但不得不一一回應，實在覺得生命在白白流逝，那就也讓 AI 代回吧 ~（本段來自一位 KOL 朋友的反饋。）
最終，大家都成了 AI 的代理人，推薦算法的奴隸。
其中，一些未能理解大模型底層機制、寫好 prompt 的人，在藉助AI 輸出對自己不熟悉領域內容的時候，很容易出現一本正經說胡話（甚至不自知）的情況，而評論區也是同樣試圖借用 AI 回復的賬號在應和。
譬如，現在經常看到，一些博主的推文，將一個在有專業背景或長期相關經驗的人看來結果極其顯而易見的數據信息，最終解讀為相反的結論，在 crypto 內容中，最顯而易見的案例就是將反映短期流動性緊縮的數據信號反向解讀為大放水，雖然少數誤入、真信的人虧錢了，但整體還是一團和氣。
總而言之，AI 在打破信息差的同時，也建立起了較過往週期更高更厚的信息差之墻。
不斷用工具解決眼前可見的問題容易，抗拒更長期的誘惑難。
唯有絕對清醒和理性，能夠理解並正確藉助這種力量，才可能在未來打破這道墻，甚至直接從中長期穩定獲利。
關於這個議題，如果大家有興趣的話，很推薦去繼續讀讀西語作家兼精神分析學家 Lola López Mondéjar 近期的訪談，她的獲獎代表作《Sin relato》（就是在分析人類思想逐步「矮化」（jibarización）的趨勢，以及批判性思維整體被簡化後，如何把我們變成一團更易被操控的「可塑群眾」，從而成為越來越專斷的國家權力的理想對象。
雖然我不完全同意訪談中的所有觀點，但它作爲一份來自不同文化背景視角對於類似議題的討論，還是很值得一讀。
出於尊重版權，無法在此貼上全部的譯文，僅舉相關的一些討論，文中關於西語和美國世界政治的部分也相當精彩，值得一看。
Q1：
如果我們越來越缺乏敘事能力、越來越缺乏批判，而AI 又在從我們身上學習，您預見我們會給後代留下些什麼樣的世界？
A：
我在隨筆裡談到：AI 的語言——例如 ChatGPT 的大語言模型——正在如何殖民我們、把我們變成「心理赛博格」……《Manifiesto Ljubljana》（見 readingmanifesto.org）主張促進「高階閱讀」：也就是閱讀複雜而長的文本，這類文本需要注意力與專注，能為我們提供新知識、擴展詞彙，並促使我們使用更複雜的從句與複合句，從而幫助我們發展一種能夠理解複雜性的思維…… 這種閱讀也有助於同理心的發展：它把我們帶入與自己不同的人物與處境之中，並解釋他們的動機。
但這種專注閱讀，比螢幕提供的碎片閱讀更需要努力與注意力；而螢幕會給我們帶來令人上癮的多巴胺衝擊，使人難以放下，於是我們最終遠離專注閱讀，轉而偏好那些簡單資訊與碎片化資訊——正如我們之前談到的那樣。
資訊並非知識；要抵達知識，需要時間、注意力與加工…… 歐洲已經制定了最初的法律。父母與教師也開始意識到：螢幕使用對兒童認知發展存在風險，於是提出「無手機區域」…… 或把手機推遲到更不易傷害他們的年齡才提供，並對使用進行一定的限制。（注：如 Peter Thiel 也曾表示過，只允許女兒每個禮拜使用電子螢幕一個半小時；在 SG 的一些 A 10 以上的真大佬甚至有家中到晚上 8 點就切斷網路的習慣）…… 還需要理性占上風——儘管我無法預言那個未來會是什麼樣子。
Q2：
我們已經不再傾聽他者，這在本國的政治方式上也看得很清楚：不回應任何東西，只負責攻擊。您認為政治人物是有意識地「降級」以觸達公眾，還是他們真的就如此？
A：
我認為許多政治人物很清楚自己在對誰說話。特朗普或米萊就是極好的例子：他們助長我們剛才談到的社會兩極化，把世界簡化為朋友與敵人、我們的人與他們的人，逃離複雜性，轉向容易的回應與資訊，轉向辱駡與缺乏論證。
在我們國家，更常使用辱駡與民粹話語的是極右翼，而非進步派政治人物；進步派也可能有這種誘惑，但他們屬於更「啟蒙」的傳統，因此更為謹慎。
「當公民不再行使批判性思維時，他們繼續被簡化口號操控、被帶有救世主色彩的方案所操控的可能性就更大」——這些方案幾乎與魔法式思維相連，比如特朗普試圖帶他們回到的那個「美國黃金時代」。
Q3：
新聞不再需要被驗證，因為它所面對的讀者缺乏批判深度。是否正在形成走向「普遍獨裁」的條件？
A：
全球極右翼的崛起，是令人悲哀的現實。用情緒化資訊來吸引選民注意力、用「講故事」而不訴諸論證，已經是一種仍在蔓延的瘟疫。權威的坍塌、制度與社會擔保者的失信，留下一個充滿不確定性的真空；民粹口號試圖把它填滿……
UG retweeted
== 揭秘我的高密度内容生产流水线：双 AI 的差异化分工 ==
这是一篇手把手教你如何用 AI 辅助内容创作的实战复盘。不仅要 Vibe Coding，更需要 Vibe Creating。
我必须坦白一件事：现在我写的文章里，AI 参与的浓度已经接近 50% 了。
但这并不意味着我把思考外包了。
所以我决定公开我目前打磨得最顺手的「人机协作」工作流。我的目标很简单：分享如何利用 AI 的智力作为杠杆，帮我们补全视角的盲区，让原本的高质量内容在逻辑严密性和信息丰富度上，达到单兵作战难以企及的标准。
你需要做的不再是单纯的「写」，而是通过了解不同模型的特质和优势，把它们组建成一个能力互补的「智囊团」。
1️⃣ 分类：你的任务适合哪种模式？
我的文章大致可以归纳为三种生产模式，了解这一点是提效的前提：
1. 人主导，AI 润色：适用于强观点、强个人经验的文章。核心逻辑和情绪由我掌控，AI 负责修辞。
2. 人搭骨架，AI 填肉：适用于科普或解释性内容。我给出大纲和核心论据，AI 负责填充背景和细节。
3. AI 扫盲，人审核：适用于热点追踪或研报解读。我投喂素材，AI 生成初稿并审核，我再最后确认。
这三类在我的工作流中大概各占三分之一。
2️⃣ 模型：文理分工论
我的核心工作流由 Gemini 3 Pro 和 GPT-5.1-Thinking 构成双引擎。它们不是替代关系，而是各有优势。
Gemini 3 Pro（文理双修）：它的优势在于超大的上下文窗口和卓越的语感。在处理长文本输入（如整本书或长研报）时，它能维持极高的连贯性，输出的文字更有「人味」，不生硬。
GPT-5.1-Thinking（理科大神）：擅长逻辑推演和找茬。一定要开启 Thinking 模式，它会像一个强力的 Agent，在输出前反复自我博弈，极适合做事实核验（Fact Check）和逻辑漏洞审查。
GPT-4.5（备选）：如果你订阅了 ChatGPT Pro，它可以作为 Gemini 的替补，语感优于 5.1，但逻辑深度略逊。
你可以记住这个粗暴但有效的结论：
- GPT-4.5：纯文科生，文字功底不错。
- Gemini 3 Pro：文理双修，擅长长文本吞吐。
- GPT-5.1-Thinking：纯理科生，适合做审计和校验。
3️⃣ 流程：左右互搏
这是我目前最常用的「左右互搏」工作流，利用模型间的差异来消除幻觉：
1. 初稿生成：把所有素材（PDF、链接、笔记）丢给 Gemini 3 Pro，输入包含具体要求的 Prompt，生成 草稿。
2. 交叉审计：将 草稿 和 原始素材 同时投喂给 GPT-5.1-Thinking，让它进行全面的审核。
3. 人类介入：根据 GPT 的反馈（它通常会列得很细），通过 Prompt 让 Gemini 重写，或者人类手动修正。
4. 最终润色：由人类完成最后 10% 的风格化调整。
这个流程并不教条，关键在于：永远不要相信单一模型的输出，要用一个模型去监督另一个模型。
补充：对于涉及代码、金融数据等更高专业性的内容，强烈建议订阅 ChatGPT Pro，使用 GPT-5.1-Pro 进行更深度的审核。
4️⃣ 精简流程
对于日常短文，可以简化为：
1. 我写：完成大多数（比如 70%）的核心逻辑和关键段落。
2. 模型优化：交给 GPT-4.5 或 Gemini 3 Pro 进行降噪和润色。
3. 模型审核：如果有大量数据细节，再过一遍 GPT-5.1-Thinking。
但要注意，完全依赖 AI 写作是危险的。这不仅会丧失你的个人风格，更会钝化你的思维。保持「手写」的习惯，是为了让你有能力去判断 AI 写得好不好。
5️⃣ 实践案例：解读《State of AI》
以解读长达几十页的《State of AI》报告为例，实操演示一下。
# 第一步：Gemini 3 Pro 提炼
直接上传 PDF，发送指令：
> Hi Gemini，请作为一名资深科技分析师，深入研究这份报告。请忽略套话，帮我挖掘出其中最深刻、最具反直觉、且容易在社交媒体传播的 10 个 Insights。
> 输出要求：
> 1. 两段中文导读，概括报告宏观价值。
> 2. 10 个 Insights 分别用一句「金句」总结作为小标题，然后用两到三段话展开，解释其对行业或普通人的具体影响，需引用报告数据支持。
Gemini 3 Pro 在这种长文本理解上通常表现极佳。
# 第二步：标题打磨
不要只让 AI 起标题，要和它「共创」。
> 我想拟定标题：《基于 100 万亿真实 Token 的数据，OpenRouter 的这份报告是 AI 行业必读指南》。
> 我的思路是：必须包含「100 万亿」和「Token」来展示量级，用「真实」、「真金白银」来强调可信度。基于这个逻辑，你还有更具传播力（甚至稍微夸张一点）的建议吗？
多沟通几次，找到你认为最合适的标题。
# 第三步：GPT-5.1-Thinking 审计
因为 Gemini 可能会为了迎合你的「传播性」要求而产生幻觉（比如夸大某些数据），这时候必须引入「理科生」。
> Hi GPT，基于这份原始 PDF，我写了下面这篇文章。请你进行 Fact Check。
> 重点检查：文中引用的数据是否在 PDF 中存在？对观点的解读是否过度发散？请列出具体的页码来源和修改建议。[附上全文]
# 第四步：人类决策
GPT 可能会指出「这个说法不严谨」。这时你需要判断：是为了传播性保留一点「模糊的正确」，还是必须修正？
如果是数据错误（如 100 亿写成 1000 亿），必须改。
如果是观点激进，那是你的风格选择，可以忽略 GPT 的保守建议。决定权在你手上。
# 第五步：配图
最后，文章定稿。使用 Gemini 的 Nano Banana 或其他生图模型，提取文章关键词生成封面图。
6️⃣ 适用场景
我通常在以下场景使用这套工作流程：
- 突发新闻的深度解读（速度+深度）
- 硬核技术文档/白皮书分析（准确性+易读性）
- 长篇教程撰写（逻辑性+结构化）
7️⃣ 持续更新
AI 模型的迭代是以「天」为单位的。也许下周就会出现一个 Gemini 3.5 或者 GPT-5.2 彻底改变这个流程。保持敏锐，工具变了，逻辑要跟上。
8️⃣ 去除「机器味」的三个细节
AI 生成的内容往往自带一些特定的格式，要想让文章读起来像人写的，建议在最后阶段关注这些细节：
- 很多模型喜欢频繁使用不常用的破折号和分号。可以把它们手动改成逗号，把长句切碎，或重写。
- 某些模型（尤其是 GPT 系列）在生成长文后半段时，容易由「叙述」退化为「列点」（Bullet Points）。满篇的项目符号会让文章看起来像 PPT 讲稿或说明书，导致叙事感断裂。如果遇到这种情况，必须在 Prompt 中强制要求「禁止使用列点，请用连贯的段落进行叙述」，或者直接换个模型重写该段。
- AI 还挺喜欢用 Markdown，比如为了强调重点，就喜欢在段落里大量使用加粗。人工调整下就行了。
9️⃣ 总结
其实最核心的算法，依然在你的脑子里。AI 只是那个能将你的「1」放大成「100」的超级杠杆，但前提是你必须先拥有那个珍贵的、属于人类的「1」。
在算力通胀的时代，唯有你独特的视角与审美，才是真正无法被 Token 计价的硬通货。
== Vibe Coding 零基础教程 02：自建信息流 ==
如何构建自己的信息流和数据库？
我自今年年初就开始用 Hacker News 的高质量数据构建自己的信息流，减少信息茧房。两个月前我上线了 newshacker.me 这个网站，将个人的信息流产品化。
我认为构建自己的信息流是一件极为重要的事情，因为它决定了我的视野和思考广度。因此，我希望把开发 newshacker.me 中积累的经验分享给大家。
1️⃣ 找到高质量信息源并实现自动化
这个世界的信息纷繁复杂，来自媒体、论坛、社交网络等各种渠道。随着网络爬虫的滥用，原本开放的数据也逐渐提高了获取门槛。
如今，有了 Coding Agent，构建自动化信息抓取流程反而比找到真正高质量的信息源更简单。因此，我们可以首先对信息源进行分类，然后逐步实现自动化。
🟢 第一类：提供 API 的服务
例如 Hacker News、GitHub、Reddit 或 Product Hunt 等网站，这些服务通常有面向开发者的 API 接口。你可以使用 Research Agent（如 GPT-5）帮你判断某个网站是否提供 API 及其使用方式，然后开发一个最小可行的程序，从 API 获取数据。
🟢 第二类：提供 RSS 的服务
比如论文期刊或知名媒体，大多提供 RSS 或 ATOM 格式的 Web Feed。这种方式获取数据成本低，AI 可以帮你快速构建 RSS 抓取工具，定期自动获取最新信息。
🟢 第三类：需要网页爬虫
有些内容平台未提供 API 或 RSS，此时可请 AI 利用 Python 的第三方库实现网页爬虫，抓取网页并提取所需数据。如果难度较高或平台限制明显，可考虑下一条的方案。
🟢 第四类：类似推特的平台
推特曾经极为开放，但近年来 API 成本显著增加，目前更推荐通过 AI 辅助，利用 Python 和 Playwright 等工具实现。这一部分难度较高，值得单独展开为一篇教程。
🟢 第五类：付费获取的信息
尽量避免使用解锁 Paywall 插件，更合规的方式是付费订阅后再利用前述方法自动抓取数据。
2️⃣ 将数据存入数据库
上一篇教程已经介绍了如何构建数据库，方案包括本地或云端部署 MySQL 或 SQLite 等数据库。
我个人更喜欢 Cloudflare 的 Worker，每个 Worker 可以设置为定期自动运行，比如每 5 分钟获取 RSS 或 API 数据并存入数据库。你可以让 AI 告诉你如何在 Cloudflare D1 数据库（SQLite）中创建数据库、设计表结构，并指导编写 Worker 脚本。经过几次调试后，你就能快速搭建出可用的数据存储方案。
3️⃣ 持续完善业务逻辑
刚开始编写 Worker 代码时，不可能一步到位。对于新手来说，完整设计所有产品逻辑和规则是困难的，这是正常的。
比如最初设计的规则是「抓取 RSS 并存入数据库」，但你很快会发现数据重复存储的问题。这时需要更新规则为「抓取 RSS 后只存入新增数据」。如何定义「新增」数据，就是一个不断迭代优化的过程。
一开始没想清楚没关系，在实际使用过程中逐步完善逻辑即可，很多成功的产品也是这样不断迭代优化的。
4️⃣ 数据输出和应用
拥有数据后，如何高效使用这些数据呢？这里提供几个快速实现的方案。
最简单的方法是搭建网页进行输出。如果使用 Cloudflare，你可以请 Coding Agent 帮你搭建 Cloudflare Pages，自动从 D1 数据库取数据，以信息流的方式展现。
增加一点难度的话，可以利用 LLM 实现内容翻译。流程是构建一个新的 Worker，定期调用 OpenAI 或 Claude API，翻译数据并存入数据库的相应字段中。
另外，如果你想将每一条新信息自动推送到 Telegram 频道中，也完全可行。只需要创建 Telegram bot 和频道，通过 API 自动实现内容推送，这个流程 AI 同样非常熟悉。
更进阶的玩法，是对多信息源的数据进行整合和聚类。这需要运用大语言模型，并学习结构化输出技巧，以便高效处理和呈现大量数据。这一内容也值得后续专门展开讲解。
5️⃣ 总结
自建信息流的核心，是明确需求、确定信息源、构建自动化抓取流程，并实现数据的高效存储与应用。即便一开始并不完美，通过不断的迭代和优化，你一定能构建出一个属于自己的信息流产品。
希望通过这些内容，帮助你顺利迈出 Vibe Coding 的第二步，开启个性化信息世界的大门。
等，耐心等
繼續尊重旅行時間，落地後的同步推文（起飛前在 Farcaster 發過一次類似的內容）：
冷知識 -- 如果這次還一樣，加密四年週期依然生效，那麼這個月就是熊市第一個月，後續還有 11 個月左右要熬。
以下是謹慎重提四年週期的部分研究機構論據：
1. 美聯儲轉鷹派，打破原本大部分人預期的宏觀平衡；
2. 經濟衰退重新成為投資者情緒焦點；
3. 長期 hodler 大規模獲利和退出；
4. 新入場買家不願或無力投入更多新的資金。
補充：3 和 4 對應 ETF 數據下滑 + 從上個月開始傳統財經媒體連環報卻被圈內大部分人無視的多個市場 DAT 相關公司正在被考慮踢出指數的可能性（放在評論區）。
不論現在是熊市第一個月，還是多空博弈的觀望階段，至少激進類 DeFi 和流動性本身不太足的項目要盡量撤退，等全場看空之時，就是流動性散盡、退無可退之時。
特別是玩小幣的朋友，如果只看錢包，不看流動性，很可能有一天發現價格很久不動，看似沒在虧了，但是想賣的時候，池子已經沒了。
Build 是 build，信仰是信仰，週期是週期，crypto 一直如此，很多時候即使試圖有一點幻想和期待，也會經常被砸醒，最終只能將不同身份和視角的週期區別對待再做決策。行情太糟心，還是多抬頭看看天空和樹吧～ 🌸
UG retweeted
Spark’s Q3 financial report is out!
Below please find the full breakdown of the protocol’s performance, with detailed analysis of revenues, costs, and treasury growth.
Key highlights:
• $53.01M gross revenue
• $19.2M gross profit
• $12.12M net profit
Let’s dive in 🧵
mark
接連搬家的另一個大收穫——進一步理解了激素波動對人的影響。
比如，搬第一個家的時候，書和健身器材加在一起實在是太重了，分類和分箱都是體力活，身體過度勞累，同期激素波動過大，生理周期居然因此變成了 10 天（從未有過的情況），因爲趕時間，沒法好好顧自己的問題，明知道是在嚴重透支自己，也還是這樣扛著，記錄、打包、寄完東西，接著下一個……
現在這會兒就是終於受到報應，被强烈反噬了，好像同時存在兩個自己，一個一如既往積極樂觀，即使突然下暴雨也會堅持去完成游泳計劃，另一個很容易 emo，前一秒可以很開心，下一秒卻會有各種莫名其妙的念頭冒出來。
以前遇到這種情況，不知道是激素波動所致，因爲日常對自己要求偏高，内心會忍不住不停怪自己沒用，一次次用意志力去對抗，很多次希望積極起來，卻又時常感到無力，直到去年因其他意外連著住院兩次，抽血檢查，才發現不是我的問題，是客觀的生理狀態所致。（只有我自己知道曾經爲了解決這個問題，看了多少東西，試過多少方法……）
和一些圈内朋友交流過這個問題，發現不少朋友遇到過這種情況，長期面對不確定性過高、頻繁獲取即時反饋的市場，大家的多巴胺耐受性和日常激素狀態本就不一樣，如果自己沒有刻意去調整，生活上又出現其他不可控的變動，就很容易就陷入不那麽積極的狀態，惡性循環一陣子。
身爲女性，激素調控比男性更難。然而，在現有的教育，甚至是就醫的時候，女性卻極少被提醒這件事，往往受到外部影響卻不自知。
身爲東亞女性，成長環境所致，一直要求自己溫良恭儉讓，偏愛自責式反省，很容易過度内尋，而忽略外部因素，甚至偶爾提及外部因素，也會被周圍環境彈回來，要求你進一步反省自己，學會自强，好像只要往這個方向歸因就是錯的。
在圈内每次遇到聊得來的女性 trader 朋友，往往會討論到交易以外的健康和運動問題，或許也是出於這個原因吧，需要比其他性別群體更多的努力和決心，才可能突破種種限制，抗脆弱性更强，可以穩定地應對所有的局面~
現在，終於學會了放過自己，太累的話，那就躺下吧，emo 的話，那就哭吧，就算無法按計劃執行那又如何呢？自己必須先理解自己，接受另一個不那麽討喜的自己突然出現的可能，主動擁抱那一個自己。如果自己都不理解和接受自己，其他不清楚情況的人責怪你的時候，你也跟著更進一步責怪你自己，那麽就是一個無底洞，不知會帶人去往何方。
好在現在的市場整體倒是挺簡單的：
熱點風口無非穩定幣（極簡處理：參考 Ripple 早期敘事和撐估值邏輯）和 DAT，被選中的底層資產等著華爾街和一堆機構買買買，藍籌 DeFi 價格合適就佈局一點看情況，其他大部分項目全看具體情況和數據去做操作（大多只能短線），Binance Alpha 那些像是持續出清 VC 虧損未落地的舊項目，要是不幸參與過或者買了，該標記為 0 就勇敢標記，放棄幻想，把握更容易把握的主流機會，至於鏈上，目前看上去依然沒錢，PVP 格局能到 1M 都算是奇跡，不是從 0 到 1 的新人階段或者精力極度充沛，放手≈少虧錢。
有朋友問一直想 all in 但是沒有 all in，當下覺得踏空的難受，接下來要怎麽辦，近期忙的一直沒回，剛好更新 X 就索性寫了：
如果年輕或者獨身一人，硬拼確實是一種選擇，因爲未來應該有足夠多的時間去恢復。
如果沒那麽年輕，或者英年早婚有家庭，又或者父母晚婚晚育如今上了年紀，那麽，想要一直不下牌桌，題目會變得難很多，而且并不是全靠錢就可以解決的前提：不再是自己手頭有多少想要 all in 就能 all in，而是花時間認真考慮家庭風控之後才能知道最多可以下注的資本到底是多少，僅僅針對家中老人的附加商業保險就得花不少時間去研究和做決定（冷知識：61 是一個分水嶺），如果有小孩，還得考慮小孩預期的發展和可能付出的成本，在尊重伴侶感受的前提下，最終達成共識。
印象最深的，還是 2020 年，DeFi summer 來臨之前，一位朋友自駕帶著妻女去老家，正好路過我當時在的地方，所以見了一面，知道他和太太感情很好，但前些年過的比較曲折，熊市挺難受，感覺沒賺到錢，於是和太太説好了先把妻女安頓到老家父母身邊待著，自己回深圳放手一搏，我問他目標多少，他説：一個億（CNY）吧。後來，似乎他確實賺到了不少，但主要是靠 DOGE 的漲幅，家人的日子自然也變得更好了。
如果自己稀里糊塗，從來不去算這些風控成本，不和家人討論，攥著一堆現金，天天想 all in，YY 自己是幸運兒，又因爲伴侶沒安全感或者反對，屢屢下不了決心，又不主動擔責和付出，盡力去贏得家人的支持，最慘莫過於踏空感越來越嚴重，最終莫名其妙地激情梭哈在高點。
即使做好了這些準備，也還是要自己做很多選擇，并且爲其負責，無人能助，唯有自渡。就像前面提到的兄弟，不少朋友知道他結局很好，但無人知他那段時間到底是怎麽過來的，肯定不輕鬆，有做錯過，有無數次只能問自己要做什麽決定的痛苦時刻。
應該是更小的時候看太多少年漫畫，就連本來的訴訴苦都變成鼓勵他人也鼓勵自己。不論是冒險，交易，生活，感情，或者寫作，歸根到底還是要一個人獨自面對最深層的那個自己，或許我最大的幸運，就是一次次感受到最深處的那個我自己，是個徹頭徹尾的樂天派吧，所以每次莫名 emo 到頭了，反而會突然樂觀起來，然後該解決什麽問題就繼續解決去了~ 😂