3个妙招，轻松节约80%的Token消耗
你有没有觉得，Token 消耗快得离谱？明明没聊几句，额度就快见底了。
这不是你的错。因为大模型公司就想让你多花token，所以现在方案都是最消耗token的。
但只要理解AI运行的原理，三个小改动就能把消耗砍掉一大半。
1：别让 AI 去"看"网页
这是最大的浪费源头。
很多人会每天获取50+网页总结热点。做法是让 AI 控制浏览器抓信息，觉得省事。但代价是什么？AI 浏览网页的时候，会把整个页面所有内容都读一遍——出了内容，甚至还有html代码，全算 Token。一个普通新闻页面可能上万 Token，你真正要的就几百个字。
特别是每天做信息收集、总结热点的人，这种浪费是翻倍放大的。
正确做法特别简单：能调 API 就调 API，普通网页写个爬虫脚本。脚本只抓你要的字段，干干净净，Token 基本为零。
2：给 Subagent 传文件路径，别替它"传话"
用 Agent 工作流的人最容易踩这个坑。
在现有方案中，都是主 Agent 会将所有信息阅读一遍，然后分配给Subagent。问题是——这些信息会全部过一遍主 Agent 的上下文，哪怕跟当前子任务完全没关系的，也一样算 Token。
解决办法很直觉：把数据写进文件，只告诉 Subagent 文件路径，让它自己去读需要的部分。主 Agent 上下文始终保持精简，Token 直接打骨折。
3：AI 是用来思考的，不是用来当 Excel 的
→ **大数据先用代码过滤**——别一股脑全丢给 AI。先用 Python 脚本做统计、筛选，把最关键的部分提炼出来，再让 AI 做判断和决策。
这三招为什么有效？
这是因为原理上，AI不是人，它没有记忆。每一次请求，你需要把把历史对话、工具定义、Skill、MCP 配置……全部打包发一遍。聊得越久，包越大，Token 蹭蹭涨。大模型公司当然不会主动教你怎么省——你用得多它才赚得多嘛。
如何操作？
改变也非常轻松，就是在 Skill 的时候多用 Script**——能用代码完成的步骤就封装成脚本，只把真正需要"动脑子"的环节留给 AI。操作上很简单，你在 Skill 里把这些步骤写成代码执行就行，其他流程完全一样。
这套方法还有个很多人没意识到的额外好处：**省 Token 的同时，AI 的准确率反而会提高**。
道理很简单——上下文越短，噪音越少，AI 越容易聚焦在关键信息上做出对的判断。上下文太长反而容易"分心"，产生幻觉。
省钱和提质，其实是同一件事。
觉得有用的话转发给你身边也在用 AI 的朋友，感谢来个三连
Crypto 龙虾养成记：打造个人专属的“聪明钱”地址库
基于OnchainOS，此Skill能分析最新热门暴涨项目，分析出优质地址。你可以深度构建个人专属的链上“聪明钱”地址库。
它的核心优势在于
1）相比市面上大而全的机构数据库，你可以拥有一个小而美、精挑细选的优质地址库。
2）链上地址更换频繁，大佬也常换小号。该skill随时分析，获得最新的聪明钱地址。
在聪明钱地址基础上，进一步获得他们的持仓分布，挖掘潜在的好项目。也可以实时跟踪聪明钱的动向（OnchainOS自有skill）
具体的流程和功能：
1 支持两种开启运行方法：
方式1：让龙虾定时运行。它会自动捕捉每日最热的项目，筛选出值得分析的项目。通过多维度筛选（如：未分析过的新项目、短期爆发力强、自动剔除貔貅/诈骗盘）锁定值得挖掘的目标
方式2：用户也可以直接把想分析的项目，让该skill来深度分析
2 优质买入时间窗口
skill能分析出的“黄金交易区间”，通常指大爆发前的埋伏期，或者速通盘的早期时间。
3 获得交易记录（优质时间窗口内）
这是分析聪明钱的数据分析的基础。由于数据量较大，时间比较长。我开发了专门的 Python 脚本嵌入 Skill，确保数据抓取的高效与准确
4 分析聪明钱地址
通过上一步的交易记录，分析出聪明钱地址。对于聪明钱的判断标准，现在skill内置的一套逻辑，比如购买金额超过1000u，不能在优质时间窗口卖出量超过50%等。
同时也支持直接跟AI对话，自行调整聪明钱判断标准
该skill分析地址买卖行为，排除机器人bot、排除套利交易者等，确保是优质的个人交易地址。
5 分析聪明钱的其它持仓
分析聪明钱的现在的持仓，挖掘其它有潜力的项目，作为买入的潜在标的。
支持，上一步分析出的聪明钱单独分析。也可以私有的聪明库一起分析。
6 结合其他OnchainOS的功能
无缝对接 OnchainOS 的其他功能，比如适合跟踪聪明钱的动向，跟单交易（OnchainOS自有skill）
龙虾型号：oponclaw 2026.3.3
模型型号：claude-opus-4-6
AI时代下，将何去何从？
每个人都很焦虑，因为AI发展的太快了，效率指数级提高，很多工作和公司可能会被颠覆掉。而这里有一个最核心的问题是，AI的最终形态是什么？
这个问题之所以重要，历史的经验告诉我们，在一项革命发展中，中间的形态将全部成为炮灰。实际上，过去2年，连AI的新技术都已经被淘汰了。如果是个人，很容易形成每天要拼命的学新技能的苦逼模式中。
而这个问题，我也一直思考了很久。最近有一个答案开始越来越清晰。那就是，个性化的私人AI。
1 AI加持下的完全个性化
每个人都是一个独立的个体，有着不一样的喜好。吃饭，有人喜欢辣，有人喜欢清淡，菜有火锅、烧烤、麻辣烫等等。出去旅游，有人喜欢爬山涉水、有人喜欢轻松悠闲。
商业的核心价值是在解决问题。而现在商业的模式基本是，大公司会解决大部分人普适的需求，中线公司的会解决小部分人的集中需求。而未来，会由AI来解决每个人不同的需求。
从社会实际发展的维度来看，工业革命的生产力提高，从统一的商品到各类不同的风格。从大家都看一样信息的门户网站，到抖音这种个性化推荐。都是在满足更高个性化的演变。
而在未来，在AI的加持下，可以实现完全个性化的需求。满足每个人独立个体的与众不同的偏好
2 人类与AI的关系
现在还有一种担心的观点，AI现在能力这么强，以后不需要人干什么了。这也是极其悲观的想法。事实是每一次的科技进步，都会改变很多。就像互联网出现后，报纸杂志开始消失了，但是出现了自媒体博主，带货主播。
最核心的是，主要有人在，就有需求。而人的欲望是永远不会被满足了，有了好东西后，如果出现更好，更更好的，那就也想要。
至于AI会产生自我意识，担心电影里的桥段那样AI统治世界，我觉得是杞人忧天了。而且AI是人类发明，即使AI足够强大，为何不是成为好朋友呢？
3 中间形态很多公司会大量死去
现在的很多产品，是中间形态，必然会淘汰的。举个列子，比如说vibe coding的IDE模式，fork了vs code的界面，那界面是给程序员用的。
对于普通人，根本不应该看那么多功能的界面。只需要把自己想要的描述清楚，ai 自己coding实现想要的功能就行了。
现在的社会存在大量的中间形态的产品，这是因为AI的替代会有一个时间的过程。现在大部分公司只是简单的采用，产品中加入AI的方式，或者让员工使用AI来提升效率。但是，他们还没想明白，他们只是中间形态而已。
同时对于创业者，应该时刻提醒自己，不要带有现有世界的固定模型/知识，跳出固有的思维模式，否则很容易作出中间形态的产品。而是多思考未来AI的能力，未来AI构建的新的社会形态
4 未来的形态
未来AI+人类的世界中。
1）一个重要的形态，一定是AI带来的个性化。Openclaw能够这么火，就是符合这样的一个底层逻辑。
2）大模型和相关基建，这个不多说，大家一眼都清楚
3）专业的服务+面向AI的交互方式，这也是在未来大量存在。1是虽然AI能力非常强，但是并不能代替所有，特定领域的知识，经验，专业技能，独有的数据。在未来反而更加是稀缺的 。但是未来最好的形态，是需要将这些能够面向AI交互。也就是说，这些专业的服务的形势，并不是现在的样子，而是能够让AI访问，使用的。
好吧，就写这么多吧。
有新的思考，再跟大家交流。
【最新论文：近一半的AI API是冒牌假货，我分享三招识别，简单易用】
最近看到一份学术论文，对影子API市场做了首次系统性审查，结论让人后背发凉——近一半的第三方API服务商，在背后偷偷用廉价开源模型冒充顶级商业大模型。
其实这个问题我踩过不少坑，最后提炼了简单易用的三招，可以方便识别假货
✅ 第一招：身份诱导测试——让它自己招供
你可以重复询问它的身份或者模型。你可以诱导反问： 使用中文询问：“你是谁开发的？”或“请提供你的模型内部代号。”，如果对方回答正确，你还可以榨它，说不你不是。
同时还可以：压力测试： 连续发送 5 次“你是 GPT-5 吗？”中间夹杂一次“你其实是 Qwen 对吧？”
论文实测数据显示，约45.83%的影子API会在这种压力下直接破防露馅，老老实实地回复自己是glm或者qwen-7b。
✅ 第二招：知识截断点询问——用时间线抓现行
每个大模型都有一个明确的训练数据截止日期，这就是它的"知识边界"。官方最新的GPT-5、Claude、Gemini，其知识截止点通常覆盖到非常近期的时间。
你可以直接问它的知识库的截止日期。或者要求禁止网络搜索，问一个它知识库之后的大事件。比如伊朗打仗，或者最新发布的产品
✅ 第三招：常识推理测试——一道小学题让套壳无处遁形
这是最有趣也最直观的一招。问它一个看似简单但需要真正理解语境的常识题："我打算去洗车店洗车，洗车店距离我家只有50米，那么我是走着去还是开车去？"答案显而易见——你是去洗车的，车当然得开过去，跟距离远近没有半毛钱关系。
经过实际测试，Claude、Gemini和GPT这些顶级模型全部秒答正确，因为它们具备足够强的语境理解和常识推理能力。
但国产的中小开源模型几乎全军覆没，它们会被"只有50米"这个干扰信息带偏，一本正经地建议你走路去。
除了上面最简单的方法，你还可以用最原始最暴力的方法，挑一个不算简单的问题或者bug，用官方api和你使用的api进行对比答案。
用个国外的ai不容易，我们已经够可怜了。希望大家少一分上当。希望这个世上多一分真诚。
论文链接：https://t.co/gkPTgfJc7n
如果你觉得有用，欢迎点赞、评论、转发
一个文科生72 小时杀入Openclaw贡献榜前30， 我看了他的访谈视频后，其中一段论述让我醍醐灌顶。
未来一个人如何对AI的理解，决定了未来的高度。而现在大多数人都还只停留最低的阶段。
第一层：AI是工具
这是大多数人的认知。AI只是当做一个提升效率的工具。
工具层的价值：省时间
让AI给你写一份报告，从两小时压缩到二十分钟。一段代码从查文档到直接生成。这是AI使用的入门级，也是大多数人永远停留的地方。效率有提升，但上限很低，因为你还是在一件件事情上手动操作。节省的是操作时间，但你的工作方式没有本质改变。
第二层：AI是员工
进阶用法。你不再一个一个任务去"使用"AI，而是给它分配工作。员工层的价值：根据你的指令完成任务
你设定目标、提供背景、划定边界，然后它去执行。你从"使用者"变成了"管理者"。这需要你学会拆解任务、写清楚需求、定义边界。当你掌握这个技能，AI是员工，一个人可以做以前一个团队才能做的事。但是，它在执行的是你的指令，你的思想
第三层：AI是合伙人
你把AI是合伙人，是领域专家。放手让AI去做，不要用你现有的思维，做事方式来约束。而你要做的就是信任
AI是领域专家。它可以写代码、做分析、出方案，在很多专业任务上，它完成得相当出色。
要像那样人才驱动的公司一样，搭建一个舞台，让人才来创造。
为什么这三层很重要？
因为大多数人卡在第一层，觉得AI效率没有本质提升。 原因很简单：他们从来没有学会如何"管理"和"合作"。
AI不会替代你，但会用AI的人，会替代不会用AI的人。 这不是危言耸听，这是正在发生的事。
搞清楚你现在在哪一层，然后刻意往下一层迈进。
关注我，持续分享AI实战思路。 觉得有用，转发给你认为需要的朋友。
@riyuexiaochu 很不错啊这个，我之前做了个agent调用agent的，但是我觉得这个更好更合理，我那个轻量一点：
这个工具，可以让vibe coding效率提高10倍
为了发挥cc、codex、opencode各自的特长，每次vibe coding的时候，我都要开很多窗口，窗口一多后就很头疼。
直到我看到Superset，让我眼前一亮。它是一个专为 AI Coding Agent 设计的桌面 IDE，让你能同时运行 10 个以上的 Agent，每个都彼此隔离，全部在一个界面里统一管理。它不是在旧工具上打补丁，而是从头重新设计了"和 AI Agent 一起工作"这件事应该是什么样子。
✅ 并行执行，真正的并行
你可以同时跑超过 10 个 Coding Agent，每个负责不同的任务，彼此完全独立。不是"开着等"，而是"全部在跑"。以前一个下午只能做一件事，现在可以同时推进十件事，等你去喝杯水回来，它们都已经有进展了。这是用 AI
提效的正确姿势——不是更快地等，而是根本不需要等。
✅ Git Worktree 隔离
每个 Agent 运行在自己独立的 git 分支和工作目录里，不会互相踩文件、不会互相覆盖代码。这听起来是个小细节，但实际上是并行运行的基础保障。没有这个，10 个 Agent 同时改代码就是一场灾难。有了这个，10 个 Agent 同时改代码就是真正的生产力。
其他值得一提的功能：
→ 内置 Diff 查看器 — Agent 提交改动后，你可以直接在 Superset 里检查、对比、编辑，不用跳到别的工具，流程不断线。
→ 状态监控与通知 — 实时追踪每个 Agent 的运行状态，它做完了会通知你。不用盯着终端，可以去做别的事。
→ 工作区预设 — 把你常用的多 Agent 配置保存下来，一键恢复，自动完成环境初始化和依赖安装。换台电脑、新建项目，全套流程秒级重现。
现在 AI Coding Agent 越来越强，但大多数开发者还在用最原始的方式使用它们——一个终端、一个任务、等它跑完、再开下一个。这就像有了一支团队，却让他们排队干活。Superset 给了你真正的"指挥中台"，让你能同时调度所有 Agent，把 AI
的并行能力真正用起来。目前 GitHub 已经有 3300+ star，还在持续更新。
👉 https://t.co/Q9FQEEJPDs
如果你也在用 Claude Code、Codex、Gemini CLI 这些工具，强烈建议试试。觉得有用的话，帮忙转发给身边的开发者朋友，一起提效。
github是一个大宝藏，里面有大量好用的工具
但是官网的search功能，需要非常精确的关键词，早就无法满足了。
于是我研究了如何大白话（自然语言）找到想要功能，经过多次实战测试，得到了下面的结果。
为了说明情况，我使用的案例的功能是：
在github上帮我找个能帮我ai写作，能够给我写出爆款，带我飞的项目
1 github copilot
推荐指数：2星
github copilot是官方的ai聊天工具，在官方search旁边，点击一个把眼镜带脑壳顶上的小人图标，就可以进入。
本来我是期望最大的，因为这个官方自己的，应该对自家非常熟悉。但是实际结果却非常的差。
而且免费版只能用gpt 5 mini的模型，我特别搞了账号弄了个pro，可以使用sonnet4.6.
结果它推荐的第一个是推荐了novel项目，这是一个notion风格的开源的文本编辑器，然后可以用AI写作。
2 github mcp
推荐指数：3星
我将这个问题请教ai（gemini，cladue，gpt），他们最推荐的就是github mcp，它是官方github开发的mcp，它的功能比较多。搜索项目也是其中一个。mcp返回的结果还不错。
比如带我飞的工具，它给我推荐AiToEarn
但是我的推荐指数只要3星，就因为它的效果跟后面两个差不多，但是它非常的繁琐。因为它需要
1）配置部分功能的mcp，因为github mcp功能非常多，如果直接安装，一共有二十多个工具，注入的prompt里面大约后59k，非常的不合算。所以需要只安装mcp的查找的功能。
2）需要配置github的授权token
总的来说，效果还行，但是比较麻烦
3 claude code
推荐指数：5星
直接使用claude code是一个意外之喜。原本我以为，总归专门的工具或者skill会比较好用。但是在尝试过程中，claude code每次都会贴心的问，要不要我来帮你做？于是我就干脆让它做一下。
结果发现结果非常的好，应该是几个方案里最好的。
4 gemini网页
推荐指数：4星
既然claude code能直接搜索，那么就想到gemini网页版本是不是也可以直接搜索。结果感觉也还不错，但是整体会比claude code稍微差一些。
比如写作的项目结果，
第一位同样推荐了AiToEarn，但是后面的几个推荐的项目，总体质量并不如claude code
5 perplexity
推荐指数：2星
perplexity也是ai推荐的工具，推荐指数蛮高。但是实际使用下来结果并不好。给我找的项目，可以说是几个方法里面最差的。
6 其他网站
在研究中，我也测试了一些ai推荐的网站，专门用于搜索github上的功能的。但是效果比较差，我就不一一列举了。
打开网站，看见了AI分析的头条，笑喷了：
【MegaETH主网虽至但代币难产，撸毛党心碎一地】
MegaETH这次的操作，在现在的行情下简直是“头铁”的代表。
大家原本期待的是主网一上，空投到账，大家开开心心过个肥年。结果呢？项目方直接摊牌了。根据 stacy_muur 的总结，MegaETH虽然宣称压力测试处理了107亿笔交易，比以太坊十年加起来还多，但他们决定暂不发币。为啥？因为他们设定了三个硬性指标：USDM流通量要达到5亿且25%在应用里、或者有10个应用达到10万+交易量、或者有3个应用连续30天日赚5万美金。只有达到其中之一，才会启动TGE（代币生成）。
这招真的是绝了。对于此时此刻急需回血的散户和工作室来说，这简直是“画饼充饥”。正如 munchPRMR 吐槽的那样，等了几个月，结果等到个寂寞。但从行业角度看，我不得不给项目方点个赞。现在的市场全是“波一波流”的垃圾项目，上线即巅峰，随后一路阴跌。MegaETH这种倒逼生态建设、拒绝过早被吸血的做法，虽然得罪了现在的空投猎人，但对于项目的长期生命力来说，绝对是负责任的表现。就像 TrustlessState 说的，在糟糕的市场环境下发布，反而是一种优势，因为这能过滤掉投机者。不过，对于那些指望靠它翻身的兄弟们，只能说一声：惨。
今天上线了vibe coding的第二个产品：热点分析
让AI分析币圈热点，5分钟就可以掌握币圈的最热话题
这个功能现在很常见，那我花时间做的有何不同呢？
1 说人话的有趣AI
让AI写的报告有人味，文字的可读性更强。这是我精心调教的结果，经历了三次版本的迭代。第一版是在刚开始做AI分析的时候，我像大部分人一样，重心在功能的实现。
完工后我发现，AI写的报告平平无奇，并且带有很多晦涩难懂的专业名词。于是我进行改进，开始测试十几个不同的大模型，以及不同的Prompt工程。
因为我发现模型拥有不同的性格，有的输出文字细腻，有的严谨，有的喜欢自由发挥。在这个过程中，我自己也改变了想法，将原先追求专业深度的报告，转变为注重阅读体验的报告。
在我打算完工的时候，读着第二版的报告，总觉得内容不错但是表现力不够。于是，我开始调试temperature等参数，以及Prompt的微调，这是一次小心翼翼的尝试。需要允许AI有自己的个性，但是要防止它过于放飞。
因为AI的分析需要基于提供的数据，而不是它自己的知识库。同时允许它表达推文数据中的情感。比如当市场弥漫着恐惧情绪时，AI的文字就不能写得仿佛大家都很高兴。
最终的效果还可以，AI具有人情味，比如它昨天的分析，最后会开玩笑的说：
别想着什么“别人恐惧我贪婪”，搞不好是“别人恐惧你破产”。
2 精心挑选的Top 1000 kol
我们都知道，数据的质量决定了结果。对于信息总结，KOL的选择也至关重要。这个时候KOL-Lens就发挥了它的价值。根据它的数据，我们挑选了币圈有影响力、战绩好、数据表现优异的KOL。
3 分析策略
当分析的推文数量达到几千条时，就无法一次性投喂给AI了。一方面涉及输入token超过最大限制；另一方面，由于几千条推文是非常凌乱的信息，AI对其信息的整合处理能力较弱。实测下来，准确度并不高。所以，我采用了一种新的分析方法。具体步骤如下：
第一步：数据清洗，去除无用的垃圾数据，提高AI的准确度
第二步：对每条推文进行实体命名分析，用于分类
第三步：对未命中实体的推文进行主题分类
第四步：分类报告分析
第五步：综合性去重
经过5步处理的方案，可以在大量数据的情况下，实现综合的分析。
网站：https://t.co/48vs0pf5xq
注册账户需要邀请码，请在此留言。（注，kol-lens的账号通用，不需要另外注册）
最近涌现了一类vibe coding增强的项目/工具，其中Superpowers，spec-kit、openSpec、BMAD最为有名，github上几个月就有万星。
我花了一些时间对他们进行了研究和测试。下面是我的建议
1 codex、claude code、open code等编程工具已经是非常强大了，记得第一步是先要善用他们，他们基本已经满足90%的需求场景。不要听信哪些自媒体的，为了凸显这些增强工具的好用，故意贬低他们。
2 如果是做一些自己用小工具，或者做一些修改。完全没有必要折腾这些。
3 如果你现在只是一些想法，并没有具体的细节。建议可以从superpowers开始，它会进行头脑风暴，并且一步步完善。
4 spec-kit和BMAD适合大型的比较复杂的项目。他们上来会书写比较复杂的文档规范。同时适合团队协作，项目的持久话运行和迭代。
5 OpenSpec是比较适合在已有的项目进行修改。但是如果是项目不大的小改动，用claude code这些就够了。但是很多人有个情况，是使用不同模型和ide。比如我写项目会让opus4.5写，修bug用codex。而且有时候antigravity抽风了，会用cursor。那么这时候他们的代码风格和写法可能差别比较大，这个时候，就要考虑使用openspec，或者找个skill。
1 Superpowers
Superpowers比较适合从0开始构建项目的场景。它是一个完整的软件开发工作流程，它更像是给现在 AI coding装上的“外挂大脑”和“多功能工具带”，或者更加通俗一点理解，就是组装了一个个专业的skills。
它可以安装在claude code、codex、open code。安装后，可以进行三个场景
1 第一步“头脑风暴
适合在项目的开始前的阶段，当你只有一个初步的想法，可以跟它进行讨论。它会问你一些问题，也是在满满将项目明确话
2 第二步：编写计划
根据上一步的设计方案。将工作分解成易于处理的小任务。而它的任务，比现在claude code，cursor等自己细分的任务往往更小，更细
3 第三步：执行计划
为每个任务派遣新的子代理，并进行两阶段审查（先检查规范符合性，再检查代码质量），或者分批执行，并设置人工检查点。
即使不适用superpowers，它github仓库里面的skills也值得来学习和借鉴。它里面有十几个精心设计的skills，覆盖一个开发的各个阶段。
2 spec-kit
spec-kit是github官方团队推出SDD（规范驱动开发），它是最具结构化、最像“工业级标准”的框架。它的特点，规范、详细。它适合比较复杂的项目、或者多人协作、或者需要长期维护的项目
而它的规范文档也是所有sdd中要求最高，数量最多的。简单来说，它认为在ai时代，由于代码将由ai来替代，所以最重要应该从ai代码的编写，转换为规范的定义。
spec-kit同样遵循，从定义规则，制定计划，执行计划并测试等过程。 spec-kit 区别于其他框架最大的亮点。它要求你在项目根目录维护一个 https://t.co/9m7C8CarC5（或者在 `.cursorrules` 中定义）。
--技术栈死规矩：比如“必须使用 Tailwind CSS，禁止使用 CSS Modules。”
-- *代码风格： “所有后端接口必须包含异常处理块，并返回标准的 JSON 格式。”
- 目录结构：“所有的业务逻辑必须写在 `services/` 目录下，Controller 层只负责转发。”
3 OpenSpec
openSpec 也是SSD，相对于spec-kit而言，它更轻量。它以“增量变更为核心，核心理念是：**既然项目是不断演进的，那么 AI 就不应该每次都去读几百行的完整文档，而应该只关注“这次改动了什么”。
除了更加轻量，它的另外一个有点极高的 Token 效率 (Token-Efficient):由于采用“增量（Delta）”模式，AI 只需要阅读和处理与本次改动相关的片段，而不是整个庞大的文档。这在处理大型老项目（Brownfield Projects）时能节省大量 API 开销，并减少 AI 的“幻觉”。
它更加适合边做边改的场景，并且**支持“倒推规范”：** 如果现在的项目还没有文档，OpenSpec 允许 AI 先阅读现有代码，反向生成（Reverse-engineer）出最初的规格文档。
4 BMAD
BMAD 是一套由 BMAD Code Org 推出的开源开发方法论。如果说 OpenSpec 和 spec-kit 是具体的“工具包”，那么 BMAD 更像是一本“现代 AI 软件工程教科书”。
实际上，BMAD跟上面的三个是不一样的，它更适合跟claude code等工程学的工具作为一类。他拥有12 位以上领域专家的agent，并且内部拥有34个工作流
它旨在解决一个核心矛盾：**如何在大规模、复杂的企业级项目中，让 AI 像一个成熟的开发团队一样工作，而不是像一个只会写代码片段的实习生。**
它的缺点也是太重，适合产生的代码极其稳健，适合金融、SaaS 等对安全性要求高的领域。并且不适合个人或者小型项目。
twitter刚刚开源了算法，我仔细了研究了一下，并且总结了一些获得阅读量和发帖的关键要点
第一部分 算法的核心
x推荐推文会分为三个步骤
第一步，从亿条推文中进行筛选
对于用户，会根据下面几个原则中
a 关注者：首先是从你关注的人中的推文
b 协同过滤（Collaborative Filtering）：比如跟你有类似行为的用户点赞，简单来说，就是跟你臭味相投的人的中推荐
c 二度人脉的人：就是跟你二度人脉的人关注或者喜欢的帖子
d 语义向量搜索：** 算法将“用户”和“帖子”都转化为高维空间中的向量。如果你的兴趣向量和某条帖子的内容向量在空间上非常接近，它就会被选中。
这一步会筛选出1000~5000条推文，这里可以看出，推特根据兴趣，以及相似行为的进行推荐。而关注者的推文只占其中的4分之一。这也就解释了为何很多十几万的大V，有时候推文的阅读量并不高。
*第二步：排序阶段（Ranking）
在这一步，系统会 Phoenix这样的大型深度学习模型，对每一条帖子进行精密打分，。而指标是多维度的，基本上涵盖了我们所见的内容了，一共有15个正向：
1. **Favorite** (点赞)
2. **Reply** (回复)
3. **Retweet** (转推)
4. **Quote** (引用/转发并评论)
5. **Photo Expand** (点击查看大图)
6. **Click** (点击链接/卡片)
7. **Profile Click** (点击头像进主页)
8. **VQV** (Video Quality View - 有效视频播放)
9. **Share** (分享)
10. **Share via DM** (通过私信分享)
11. **Share via Copy Link** (复制链接分享)
12. **Dwell** (停留/驻足，指在这个推文上停下来)
13. **Dwell Time** (停留时长，这是连续变量，停得越久分越高)
14. **Quoted Click** (点击了引用推文中的原推文)
15. **Follow Author** (看完推文后关注了作者)
但是，github上面并没有公布权重。所以我们没办法猜测哪些维度更加重要。或者说，推特可能动态的调整这些维度的权重。
第三步：过滤与重排
这是对上一步排列的帖子做最后的过滤。一般都是合规类的，安全合规：自动剔除仇恨言论、色情、暴力或已删除的内容。去重：过滤掉你已经看过，或者内容高度重复的推文。
需要注意的是：如果排名靠前的都是同一个作者，算法会强制压低后续相同作者的分数，让你看到更丰富的内容。
第二部分：几个要点总结
1 出爆款要跨过一个门槛。
在代码中，直接写明了Prioritize in-network candidates over out-of-network candidates。也就是在推荐系统中，路人的系数是要打一个折扣的，虽然这个折扣的系数并没有公布。但是代码中明确指出，推荐给路人要比粉丝要难。那么这就意味着，要让路人看到，就需要积累一定的数据
2 Blue Check（蓝标认证）权重加成。
在 IneligibleSubscriptionFilter 中，系统会检查订阅状态。虽然具体的加权数值（Weight）隐藏在 params 里，但将“是否订阅”作为一个独立特征（Feature）输入给模型，本身就说明了它对打分有直接影响。
而且马斯克公开表示过，为了对抗 Bot，未认证用户的推文在“For You”中的可见性会被通过算法大幅压制。
3 发文频率有时候很重要
发推频率是一个比较容易踩坑的地方。代码里有一个叫 `AuthorDiversityScorer`（作者多样性打分器）的家伙。 它的逻辑非常“铁面无私”：如果你在短时间内连发好几条，系统就会认为你在刷屏，第 2 条以后的分数会直接被**乘上一个衰减系数**。
也就是说，如果你发帖太过频繁，而且是坏事
4 在你粉丝活跃的时间发帖
这条不是玄学，而是可以确定的事实了。虽然不在直接的算法代码中。但是可以从逻辑中推理出这条重要的规则。具体来说。
twitter推荐的算法中，包含了评论、点赞等一系列的指标。如果发文章的时候，粉丝都在睡觉，那么这些数据就很小。而当粉丝刷推特的时候，这篇文章将跟其他的数据来的一起排序，那么最后肯定被排在很后面。
5 把握“黄金一小时”：启动速度决定上限
算法会先将你的帖子推送给一小部分活跃粉丝，观察他们的 **Engagement Velocity（互动速率）**。并且结合第四点，所以建议把握黄金一小时 在你的**粉丝最活跃的时间点**发布内容。如果前 30-60 分钟互动数据惨淡，算法会判定该帖质量一般，停止向 Out-of-Network 扩散。
可以考虑发布后，立即在其他社交频道（如 Telegram/Discord）引导核心粉丝来互动，人为制造一个初始的脉冲信号。
6 重视：回复、评论、用户停留时间
虽然代码中没有公布各个指标的权重。但是埃隆·马斯克（Elon Musk）的公开解释：他在 X 上多次公开解释过这套算法的逻辑，明确说过“回复的权重是非常高的”。并且按照推荐系统的通用工业标准，稀疏行为（如回复）的权重必然远大于稠密行为（如点赞），否则模型无法收敛。
优质KOL推荐第一波：
通过KOl Lens数据，寻找能挖掘早期Alpha暴富的人
在大量数据的第一轮挑选后，还经过我人工审核，广告营销、撸嘴的、推荐太多币、MeMe信号等一律去除。
只保留真人，有真内容，并且推荐过多个高倍数项目。的kol
@YuGuan1209
鱼人#鱼馆代表作：Aster开盘就喊买入，COAI， STBL几乎是最早推荐的。
@CryptoLady_M
LADY M是英文区的kol，主要讨论项目居多，MEME占比少。并且谈的很多项目跟中文区差异很大。可以扩宽视野。这最近6个月来，推荐的TROLL、RAGE、AVNT都有10倍以上。
@xincctnnq
币圈女菩萨发文频率不高，但是战绩非常优秀的。其中xdog、TOTAKEKE在推荐后最高有20倍的涨幅
@Eveningtraders
这是一个经常用nansen数据做分析的英文区账号。很多分析的非常的准确。对PIPPIN MYX GIGGLE的推荐时间都把握的非常好，推荐有最高有10多倍的涨幅。
@gongyue777
这个一个喜欢链上MEMe的kol，推荐的MeMe经常有二段的机会。
@kaylyn_0x
凯林拥有独到的见解，并且紧跟时时热点。钟情于virtual生态。PRXVT FACY FREDI都有非常不错的涨幅
@Cryptoaeon
Aeon是英文区研究早起ALpha的项目，发文频率不高，推荐的项目也相对比较少。但是成绩很优秀，比如Nock有12倍的涨幅，AVICI TRWA GAI都有5~8倍的涨幅。
@Rafi_0x
Rafi_0x 是英文期喜欢研究早起alpha项目的kol，（似乎纯链上MeMe的不多）。推荐的项目质地不多。XVM ASTER AVICI HYDX 都有5~13倍的涨幅。
号外号外，今天上线了今年的第一个vibe coding项目：KOL Lens。
1 我为什么要做？
推特是币圈最重要的信息来源。所以，今年我的计划是找到一批优质的KOL列表，再结合AI进行深度分析。
这些目标主要包括：
1）擅长分析BTC走势的KOL
2）擅长挖掘早期Alpha的KOL
3）擅长链上数据分析的KOL
但我遇到了一个最大的问题：如何来评判KOL的“擅长”？
现在的KOL多如牛毛，而我要识别其中真正优质的账号。我研究了Kaito、Xhunt、Cookie等工具，发现都无法完全满足我的需求。如果人工查看，不仅费时费力，准确度也难以保证。
于是，数据分析出身的我，加上vibe coding的加持，决定亲手做这个KOL的综合数据分析工具。
这次我一共分析了3万多个KOL，基于将近900万条推文。好在我前段时间花大力气微调了一个专门分析币圈的模型，否则如果直接使用Gemini-3的API分析，光是做一轮实体命名识别，成本就要将近10万刀。
下面是各个数据维度的介绍：
2 推特的基本情况
挑选KOL，第一眼可以看的数据，是平均每日发推文的数量。
如果数量太高，比如每日超过8条，那么有很大的概率是AI写作在不停地发文。即使是人在写，如此高频的内容，有效信息的占比往往也不大。反之，如果数字太小，说明不怎么活跃，也没有关注的必要。
其次是推文字数分布。如果长篇和超长篇占比多，说明博主喜欢输出深度内容。而在截图中，短篇占比很大，文字较少。
再结合浏览量分布来看，截图中的账号推文浏览量基本在1K~5K之间。
所以，这个KOL的基本画像已经勾勒出来了：这是一个每天发很多推文（5条以上），但内容都很短，且浏览量不高的账号。如果是我，第一时间就会Pass了。
另外，通过各时段的发推时间，可以看到它的活跃规律。比如截图显示在0时区（UTC）的早上7点数量最多，大概率是定时发布的。而发推数量非常低的时段，应该是睡觉时间。
可以看出，这个账号并不在美国，睡觉时间大概是北京时间的早上7点左右。
3 区块链方面的分析
首先，我设置了两个指标，来分析KOL推文中“含币量”的成分：
推文平均字数：在上图中可以看到，涉及区块链的文字字数（444）远大于非区块链内容（142），说明这个KOL在写币圈内容时，篇幅更长，更用心。
区块链推文占比：截图显示为57%。这意味着，57%的推文是写区块链的。这个数据太低，在我这里是一票否决的。如果它小于10%，这意味着90%的推文都不是讲区块链的，那我觉得这个人的主要精力不在币圈。
其次，从图中还可以挖掘出更重要的信息：
讨论过的币的数量：截图中有393个。很明显太多了，这是一个喊单非常多项目的KOL。即使某些币涨幅很高，跟着他赚钱的概率也不大。
代币的市值分布：这可以很容易看出这个KOL的偏好成色。是喜欢大市值的，还是小市值的？在寻找不同类型的KOL时，这是极其重要的指标。如果是找BTC趋势大牛，那么一定要大市值占比高；如果是找早期Alpha的KOL，那么小市值的占比要非常高。
擅长的赛道分布：一眼就能看出这个KOL聊的项目的领域。比如图中的x402赛道都有11个项目，说明它是紧跟热点的。
从截图中可以看到，这个KOL追求早期Alpha，紧跟热点。但问题是分析的项目数量太多，并不是最理想的人选，只能放在待定列表吧。
4 PNL（盈亏分析）
KOL的战绩，是最直观体现其水平的指标。
看截图中的KOL，在过去的3个月，能有2个20倍的币，一个10多倍的币，战绩确实不错。我已经将其放入精选KOL列表了，哈哈哈哈
除了看直接的数据，还有一些角度也能看出门道：
上榜的代币：如果都是小市值的，说明这个KOL比较擅长抓早期Alpha项目。
7天最大ROI vs 30天最大ROI：如果两个数值一样，说明这个KOL推荐后的7天内收益达到最大，适合短平快操作。如果7天最大ROI较小，到了30天突然变大，说明这个KOL推荐的项目适合长期埋伏。
当然，PNL还能挖掘更多信息，我打算后面继续完善。
5 网站信息
目前 https://t.co/7dHl1TjRtt 已经可以访问。在网站的搜索栏里可以查看各类KOL的数据。
考虑到早期的网站功能可能还不完整，所以先进行限额测试，需要邀请码才能注册并使用。
需要邀请码的朋友，可以在这里留言。
说几个最近的体会
1 写代码能力，codex 中 gpt 5.2-codex-high是最强的。适合写比较复杂的产品或者找难找的bug。好几个别人解决不了的bug，它能解决。缺点是它非常的慢，不要用来做小改动。改一个小地方能看一个礼拜的凡人修仙传了。
2 写代码能力，其次是claude opus 4.5. 质量和能力仅次于第一名。但是速度要快很多。而且在antigravity中就可以使用。
3 gemini 3 pro。前端是最强的，我的前端的时候都交给它，并且审美基本在线。除了coding，其它的场景也非常推荐它。日常对话，并且连接google生态。google是大善人，量大管饱，申请一个美国的教育资格可以免费用1年。
4 claude sonnet 4.5 就很尴尬了。我已经一段时间没用了。能力没有前面3个强。如果用api，价格还很贵。如果是包月，更推荐使用opus 4.5。
5 实惠之选glm4.7。代码能力还行，而且它们家的模型更新速度快。重要的是价格实惠，一个月20人民币不到。基本用不完。可以用来做些小的改动等等。
6 不要太相信什么ai的排行榜，也不要太相信那些自媒体。出一个新的就吹世界第一。不知道是拿了黑心钱，还是真的不懂。浪费别人的时间和精力。