力量与意志能造就武器。 Builder of @caigou_xyz Builder of EZBot
localhost
Joined July 2017
- Tweets316
- Following925
- Followers779
- Likes510
所以现在主流的硬件钱包各个型号的裸机状态下都是多少克重呢，我现在非常着急的想把所有的硬件钱包验证一下。 @OneKeyHQ @KeystoneWallet @OneKeyCN @KeystoneCN @Ledger
我开源了一个 Claude Code mod：fanyi 🌏
用母语写 Prompt，自动翻成英文发给 Claude；每条回复下面实时流式显示译文，代码和 Markdown 不会被翻乱。
支持任意 OpenAI 兼容 API，也支持 macOS 本地翻译，完全离线
这下子认不出我是中国人了🐶
github.com/JrCx7scC/claude-c…
AI 让我们更容易做出一切，但真正的产品能力，是知道哪些不该做
我说一个关于使用 ai 直击灵魂的事情。
不同人用 ai 实现不同程序，最本质的地方，在于"目标定得太模糊"。
举个例子，如果跟 ai 说，我想实现一个每日能赚钱的lp bot，请你帮我实现。
它大概是实现不了的，为什么？
比如从最开始的，怎么筛选市场？
什么样的数据指标才算优质的LP市场？是日奖励大于20u的，竞争量少于2个绿色的就叫优质LP市场吗？还是单一指标日奖励大于100u的，但是竞争量少于1个绿色的叫优质的LP市场？
这些业务上，只有你在非常懂这个业务的前提下，并且能量化的数据指标，每个细节，你定义的越清楚，ai 越能完美的帮你实现。
而不是只简单的给 ai 说一些“大而粗的模糊边界”。
尤其是实现一个大而全的系统时，如果每一个环节没有明确的判定标准，没有对与错，最终实现出来的就是一坨狗屎💩。。
所以，模型能力一样，这也是为什么不同人之间实现出来结果不一样的原因😂
突然的有感而发~
把 Ardinals Miner 打成了一个 Docker 镜像，主要是因为不想一直用本地电脑跑。
github.com/caigou-xyz/ardina…
solver 的 Prompt 也针对 Ardinals 的多语言谜题做过特调，主要优化了不同语言里的词形、大小写、变体和常见答案格式。
运气好一个小时解决战斗,祝兄弟们好运🍀
Just gave my AI agent a verifiable identity on @knowyour_agent 🪪
It's mine, on-chain provable, revocable any time.
agent → 0x8e48f20b75a14f6156ea5aeb84a752456131ebf8
proof → #KYA-57765fac
kya.link
如果你的产品只是别人 API 的包装层，那你的命运从第一天起就不在自己手里
4月4日 Anthropic 封掉了13.5万个第三方Agent的Claude订阅权限
4天后发布了 Claude Managed Agents——一个做了被封杀的那些工具一模一样的事的托管平台
架构挺有意思：Session（事件日志）/ Harness（调度中心）/ Sandbox（执行环境），大脑和双手完全独立
真正的壁垒不是调度逻辑——是安全基础设施。密钥永远不进沙箱，Git token 初始化时就藏好了，OAuth token 存在外部保险库
发布3小时后 Multica 就开源复刻了。大脑容易抄，双手的基础设施抄不了
一个 12.8K star 的 Claude Code 开源项目来我仓库求助修复 Computer Use。调研了一圈才发现，全网所有逆向项目都卡在同一个地方——Native 模块。写了篇文章，完整记录我是怎么从 200MB 编译二进制里把 20 个 .node 文件手术提取出来的。
逆向Claude Code v2.1.88泄露的source map。
代号Tengu，80+遥测事件
三条管道：Datadog + Anthropic + BigQuery
Zig原生层认证，拿到源码也伪造不了
设DISABLE_TELEMETRY=1，用官方客户端，正常用没事。
Claude Code 源码泄露这事，真正值得看的不是 src/ — 那些迟早会被修。
值得看的是藏在 node_modules 里的 @ant/* 内部私有包：Computer Use 的完整安全架构、收购 Vercept 后移植的像素校验代码、哪些 app 被禁止交互（交易所只读、终端禁止打字）、沙箱的 seccomp 规则。
这些包从未公开发布过。文章里做了完整拆解。
前Google工程师36小时用AI辅助逆向了TurboQuant，141行核心代码，全部开源。
还发明了论文里没有的Sparse V优化——长上下文速度+22.8%，零精度损失。
有人用M2 MacBook跑10万token上下文，直接退订了$200/月的云端API。
一个人加AI，大于大公司不发代码。
Solo dev reverse-engineered Google's billion-dollar algorithm in 7 days
Google published the paper that crashed memory stocks worldwide. Then shipped zero code.
Tom Turney read the math, opened his terminal, and built the whole thing with Claude - then made it faster than Google promised.
Day 1-3: Core algorithms, 141 tests, Python prototype
Day 3-5: C port into llama.cpp, Metal GPU kernels
Day 5-7: Speed optimization from 739 to 2747 tok/s
That's a 3.7x speedup through pure engineering:
> fp32 → fp16 WHT
> half4 vectorized butterfly ops
> graph-side rotation
> block-32 storage layout
Then he added his own research on top:
> Sparse V: skip 90% of value decompressions at long context
> Asymmetric K/V: keep keys precise, compress values harder
> Temporal decay: old tokens get lower precision automatically
Result: 35B model running on a MacBook with 4.6x compressed cache.
613 GitHub stars in a week. Google still hasn't released their own code.
10分钟拿到一份完整的个人营养方案——热量计算带推导过程，七天食谱每天有主题，零食替换甜的换甜的咸的换咸的，还有五条只针对你的减脂规则。
用的是 @Hawks0x 这个272万浏览的提示词，粘贴到Claude里就能跑。做了个视频拆解整个过程，完整提示词放评论区。
smux 这个开源工具让多个 AI Agent 在终端里互相协作，一行命令安装，已经拿了六百多个 star。
十个人协作有四十五条沟通线，大部分时间在开会对齐。AI 之间通过终端直接发指令，沟通成本接近零——加一个 Agent 就是纯加一份产出。
一个人加十个 AI，产出比十个程序员的团队还高。
工具给你了，问题是你会不会指挥。
Google刚开源了一个预测模型，一个AI agent拿它零训练参赛，收益率39.76%，冠军。
模型叫TimesFM，1000亿数据点训练，只有2亿参数，你电脑就能跑。日本团队拿它回测标普500，微调后夏普比率1.68。
另一边预测市场也炸了——Polymarket单日成交4.25亿美元，Kalshi估值220亿，CFTC首次给链上预测市场发了合规牌照。
以前做预测要PhD团队加Bloomberg终端，现在三行代码pip install搞定。预测这门生意的护城河，正在被AI填平。
但零样本不等于印钞机——不微调的话，预测效果只比随机好一丢丢。模型是工具，能赢的人是会问问题的人。
#AI #人工智能 #Google #TimesFM #量化交易 #预测市场 #开源模型 #科技前沿 #机器学习 #时序预测
