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）

AI降智的实锤数据 claude Opus 4.5 这是Marginlab团队，每日使用claude code的Opus 4.5 对SWE-Bench-Pro 的50到题目进行通过性测试。 从数据看到，从1月初的60%，下降到现在54%。降智率为10%。

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。

ClawdBot这种，如果你不是很空，没必要尝试的。 我可以大胆的语言一下，就是一时火热的大号玩具。 核心问题，不在ClawdBot，而是现在AI的错误率依然很高。 现在很多人只在vibe coding，并没有在生产环境的经验。实际情况是，以我个人的项目尽管采用了复杂的prompt工程进行约束，但是依然有1~5%左右的错误率。 这个错误率，当让它操作钱包、个人数据、个人重要的账号是非常糟糕的。结果可以非常严重的。 这也是当时Alpha Arena非常火爆的时候，我不建议去弄的原因。 所以，当这个问题不解决之前，ClawdBot也好，其他任何自动化操作也好。都只能在有限场景的应用。

每过一段时间，你就会突然发现又冒出了好几个神器。 然后去网上一查，自媒体博主都说是神器。只是，感觉又是似曾相似的味道。 如果停下手上的项目去试试吧。测试一圈下来要话不少的时间。 如果不去试试吧。就担心自己落后了。总感觉别人的vibe coding的效率是自己的10倍。 又是ai让人焦虑的日子

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。

又踩了大坑~· 一直以为codex-gpt5.2-xhigh 是代码最强的，所以最近都在让它当牛马。 今天才发现它不擅长写数据分析的代码。比如可以用padas的apply函数可以搞定的，它却用一行一行for循环处理，速度相差好几倍倍。好几处这个地方，还是opus 4.5 纠正的 难怪当时跑这批数据的时候，运行了这么久。 现在看来，各个ai真的是各有所长。 真希望ai界的韩立到来啊。

这两天陆陆续续发了不少邀请码，如果有漏掉的，先说声抱歉。 麻烦重新联系我一下，推文消息的效率实在太低了~

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。

我发现对AI 编程的评测很多，而对AI文本总结和写作方面的评测却非常少。 正好我最近有这方面的工作需求，对比分析几个主要AI的文字能力。就做一些总结。 对于实际使用的话，我就分为两大类。 第一类是gemini 3 pro， sonnet 4.5 和 gpt 5.1为阵营的大模型。 它们比其他的大模型表现更加出色，而这三个中最优的是gemini 3 pro。它写的报告，阅读体验最好，读起来流畅自然，极具感染力。 但是，这三个共同的特点，就是贵。主要两种场景可以 1）频次不高的写作 2）在网页或者客户端使用 但是，特别不适用api调用。 第二类：国产的几个大模型。 在很多场景下面，需要使用api来进行大量的文本总结分析， 比如收集大量文章让AI出总结报告，写长篇小说，或者批量写文章。这种情况用第一类的模型，显然成本太大。这时候国产的几个大模型就是最好的选择了：成本可以节省很多，同时效果也还可以。 Kimi k2 Thinking Kimi k2在文字写作上面是国内模型中表现最佳的。**它是优秀的新闻记者。文笔流畅度仅次于 Gemini 3，擅长平衡报道。API的成本也是国产模型内最贵的，但是依然比国外大模型便宜很多。 DeepSeek V3.2 deepseek v3.2是刚发布的正式板。它逻辑清晰，信息量大，读起来不如Gemini轻松，但是也还可以。它对大量文本的内容挖掘是最深的。 它现在是我选择使用的模型，在大量文本进行总结分析的情况下，它表现很好，api也便宜 Qwen3-235b-a22b-thinking 阿里的Qwen3，它的文章特别专业，缺点是特别的长，而且阅读起来很难度。而且，它作为开源的模型，分析的时间是最长的，是别人的3倍以上。 Minimax M2 Minimax M2是一个中规中矩的模型，优点不突出，缺点也不明显。阅读提议良好，专业度良好，别人的缺点它也有，但是程度比较轻。让我感受不到用它的理由。 GLM 4.6 GLM 4.6这个模型，看的出来，它在很努力的满足我的prompt。但是总归还是差一点。比如说，我让prompt中要求结合提供的材料的基础上面进行分析，而它会大量引用材料，然后硬给一个总结。可能如GLM 4.6 官方介绍的一样，它是为了code 和agent而生的模型。 Doubao 251015 doubao 是表现最差的一个模型。它是丢失了所有细节、语境和情绪，分析深度最弱。 我也是非常的奇怪，doubao 1.6刚出来了，我是测试过这个性能的，当时表现是相当不错。它中间还升了一次级。为何表现会越来越差。看来大模型的降智不仅仅是claude，其他的大模型都有可能发生。 注：以上都使用thinking模式

今天踩了一个大坑！我怎么不会想到，同一个模型，表现可以差距如此之大！ 昨天deepseek 3.2 正式版上线后，能力比肩gpt5。于是我将日常任务的一部分交给了它。它一共负责了30多份分析报告，结果有8份出现严重的问题。 这个结果实在令人意外, 因为离预期相差实在太大。所以今天我接了官方的api接口，又重新跑了一遍。 结果，这次运行结果非常不错。确实有gpt5的水平，跟之前的完全不是一个水平的。 想来想去，问题就出在第一次的openrouter的api。大家知道现在的大模型特别多，如果每家都要注册，充值、还要配置调用代码，特别繁琐。而OperRouter集成了几乎所有的大模型，特别是测试新模型的时候，非常的方便。 而deepseek V3.2的模型供应商，是提供fp4 fp8。FP4 和 FP8 指的是浮点数（Floating Point）的数据精度格式。简单来说，它们是用来“压缩”模型的技术（即量化），目的是让模型跑得更快、占用的显存更少，同时尽量不损失智能程度。 虽然对大部分模型，fp4 fp8几乎不会损失智能程度。但是deepseek采用的DSA 架构，有可能因此受到比较大的影响。 嘛呀，AI的世界还是太复杂了。

币圈需要涅槃重生 但是要先经历巨大的痛苦

有一个非常简单，但是胜利非常高的，判断btc未来走势的方法。 就是跟美股进行对比。 在图中我已经标注的很清楚了。红色框内，就是美股能预示的行情转折点。 下面一条线是美股，蓝色是btc。 比如说，23年10月左右，美股是连跌了10天，btc是一路上涨，然后拉了一波大的。25年5月份的时候也是。 反过来，看btc的调整也很成立。三个红色中，绿色是美股在一路上的。而btc却在下跌。然后继续跌一波大的。 最近的下跌也非常明显了，美股很多天都在涨的。btc是一路向下。

Gemini 3 终于等到了，早上让它解决了几个问题，非常不错。 但是，搞不懂的是，claude sonnet 4.5 为了庆祝gemini 3 的发布，自己降智了。 我真服了

$ASTER 的K线走的非常的漂亮。一个漂亮的圆弧底，又有CZ的明牌站队。 但是，唯一的风险是现在处于下降周期。 然而，让我不禁想起了BNX。也就是FOUR以前的名字。 21年的时候，BNX还是Gamefi的项目。而BNX这个团队最早做合约期货的，并且属于币安团队做的。跟现在的ASTER听着就很像。 关键的是，在22年大熊市，各种崩盘，btc都从6.9万一路跌到1.5万，山寨更是向归零狂奔。而BNX这货整个22年逆势涨了8倍。很多人做空这货，踏做空了整个大好的熊市。 我不确定这个ASTER会不会再次重演。但是我劝你可以不买，但是不要去空它。 币安跟合约有关的，都屌屌的。

如果你想买一个币的时候 想下来一点就买，但每次还没到你的价位，就已经拉飞，说明这是牛市 如果你想卖一个币的时候， 想反弹一点就跑，但每次还没到你的价位，就又开始下跌，说明这是熊市。 如果你经常会遇到上面两种情况 对不起，我的兄弟。说明你是一个大S子

从长期趋势来看，本轮4年的周期即将结束，将进入下一轮的周期。有很多观点认为：本轮已经不再有4年的周期。我觉得不完全赞同，也不完全反对。我个人感觉是：不再有之前那样的大熊市，或者说之前牛熊非常分明的现象。 1）btc并不会出现以前熊市的那么大调整，不会像22年那样从6.9万跌到1.5万。但是这中间可能会有较长时间，幅度不小的调整。 2）市场也会有明显的表现：包括 —市场的资金有比较大的集中的撤退，这是那些相信牛市顶部的人，以及已经赚够了足够资金的人的行为。 —行业出现比较大洗盘，特别是这个周期出现的大量的项目，大量会归零，只有少量的能存活下来。（并且这个过程早就已经出现） —资金层面的大清洗，如1011的爆仓。并且我总觉得之后的还有黑天鹅没有爆出来。 所以，在未来的3年时间内，整个走势大概率是 1 BTC是慢牛 BTC整体是一个震荡上行的走势。 1）以美国机构为主的入场资金 2）特朗普的加密中心的战略推动 3）美联储处于降息周期。 但是就像前面所说的，中间可能会遇到较长时间，幅度不小的调整。 2 行业洗盘，大量山寨会归零 每一轮都会经历项目的大洗牌，本轮也是。但是不一样的，上一轮归零都是你一眼看得出就是垃圾的项目。但是，本轮会有大量看上去正儿八经的项目也会归零。本轮，大量高市值的项目上市。看上去，它是有团队、有产品、有运营，也有看起来不错的叙事。但是，他们的叙事只是包装起来的，他们的产品可能市场并不需要。他们的现在的市值，为了出货而硬拉起来的。而他们，初衷是为了在25年收购一波的。 另外一个不同是，上一轮的项目，是btc开始下跌的时候，他们才开始跌。 而本轮，在项目方完成了出货赚到了钱，他们就已经开始跌的。有的已经一年前就开始跌。同样，之后btc调整后开始涨的时候，他们也基本不会涨了。 3 整个行业会迷茫，会有1~2年的衰退 22~25年 已经是基建完善并开始大规模应用的周期。比如eth的layer2扩容早已完成，solana的高性能已经维持了几年，btc的layer2大量涌出，模块化、账户抽象早就完善。 于是回过头来，我们去总结的时候，会发现基建早就完善，但是大规模应用却没有发生。上一轮周期至少还留下了Defi，这一轮啥都不是。除了亏钱，啥都没有留下。而感觉很有希望了AI、RWA、稳定币等，也没看到任何的增长。 当看着曾经一个个美好的故事都在一点点归零，我们就会心里就会怀疑，未来在哪里。 但是，虽然行业会进入衰退期，但是也将有巨大的机会。本轮，太多的资金、人、项目，人潮涌动，嘴上说的是相信web3，实际上只是为了暴富而已。而当潮水褪去，那些真正的好项目就会浮现出来。

跟大家汇报一下，最近我微调了一个自己的模型。用于专门从推特文章中识别加密代币。结果还不错 -准确度已经超过了现在最强的大模型， 比如sonnet 4.5，gpt5 -分析速度是他们的250倍 -成本只有1/100 所以，我来介绍一下这个模型，并总结一些经验我踩过的坑。 1 模型介绍 推特是币圈人获得最新消息、寻找潜力项目的最重要的途径。要想做好推文分析，最最基础的第一步就是识别推文中的加密货币。 但是对推文分析又是比较复杂和困难的，因为 1）每个人的表达方式各式各样，不像新闻稿件、专业论文有比较固定的格式 2）推文中的文字、语法的错误率明显高于此类文章 3）大量新内容，并不在AI训练数据库内 在这方面，我做了大量的工作。我最一开始的方向是使用现有的大模型进行分析，并且测试了几乎所有的模型（包括不同的参数）。 然后我发现现有的大模型的准确度能够基本满足我的需求，但是其高昂的价格，最终让我决定自己微调一个模型。下面是具体的数据 1.1 分析推文的准确率 上图是准确率，可以看到自己训练的模型已经达到了89%，超过了claude-sonnet 4.5的87%，以及gpt-5 的85%。其中比较意外的是，同为第一梯队的gemini 2.5 pro在这方面的表现并不好，只有78%。而国内的开源qwen3 235b的表现要好于gemini 2.5 pro 说明一下，上面的准确率：是同一批1057条精细挑选的推文中执行，充分包含不同的场景推文、中文和英文、文章长中短、讨论代币数量0~6个不等。并且不在训练数据之内。 有人可能认为这个准确率并不算高。其实真实的准确率一定会高于现在的数据。是因为现在测试数据都是币圈的，而真实的推文有大量非币圈的内容。具体来说，现在的1000多条测试推文都一定是币圈的，准确度在90%左右。但是真实的情况是，可能是3000条中有1000条是讨论币，还有2000条讨论其他话题的。所以真实的准确度会达到96%以上。 1.2 分析的成本 成本是考虑的另外一个因素。说实话，促使我微调一个自己的模型的原因，就是现在的大模型太贵了。 从上图中可以看到，成本最贵claude4.5， 分析一千条推文大概需要5.4刀，这个价格其实是很贵的。同处于第一梯队的gpt5 和gemini2.5 需要3刀多。而qwen3相对比较便宜，但是也需要0.12刀。我们可以算一个简单的账，如果一个账号关注了1000个人，那么根据经验，这些人一天推文数量大概在1500条。即使使用qwen 235b，一日也需要0.18刀左右。如果只是个人日常使用，完全可以接受。 但是如果需要做一个产品，有1万个用户。那么每月费用将要达到5.4万刀，这将是非常大的一笔开支。而现在自己训练的模型，跟sonnet 4.5相比，成本降低了100倍，但是准确率依然超过他们。 (说明：由于推文的字数差别非常大，所以单次AI分析的成本也是差别巨大，而上面的价格计算的是平均数) 2 一些经验总结和踩过的坑 接下来，聊聊这段时间做的一些心得和感受，当然主要是踩的的坑吧 经验1：比起大而全的大模型，使用小参数解决单一任务才是正确的选择 现在，整个社会的风向都是往更大参数、更强的性能。我一开始也是这样的想法。所以我一开始的方案就是调用现有大模型的api，我测试了多个AI模型，试图找到成本低又能满足需求的大模型。但是最后发现并不是最优解。 然后后来发现，一些参数很低的模型。虽然最初回答一个简单问题，看起来还有点弱智。但是，经过细心的微调，在分析推文的任务上，会好于现在最强的模型。优势是成本低，速度还快。 经验2：优质的数据至关重要。 微调的核心是优质的数据，这方面几乎占据我90%的时间。 在数据方面，我遇到的最大的一个坑是来自标准数据处理流程。简单来说，在进行微调前，需要对数据进行一系列转化。这些工作就是标准化的，Huggging face有标注代码库可以直接使用。于是，当我使用精心准备的数据，进行微调的第一次微调，出来的结果准确率只有62%。这样的结果让我一度质疑自己训练这条路是否走得通。几经排查才发现，使用标注库处理出来的数据有很多的问题。 另外一个大坑，就是代币名称是常见词的特殊处理。比如说near、in、ip等这些都是日常中常见的单词，需要进行区分处理。否则，微调后的模型并不只是对这些词错误那么简单。因为模的是对语言的学习。 说实话，数据处理中大大小小的坑还是很多，这还跟每个人不同的数据有关。 经验3：苦活累活是必不可少 现在的宣传导致大部分人都以为，在AI时代只需要花几分钟动动手，剩下AI都会做完。但是实际情况是完全相反的。依然有不少的苦活累活，比如尽管我的数据有AI的标注，以及使用代码处理，提高效率。但是数据的人工检查，依然花费了我7天的时间。 3 使用不同参数的微调模型 我前后一共微调了8个模型，为了测试不同的参数对最后结果的影响，我选取了其中的7个来分析。其中上图中，m1~m7 m1：在前文中介绍过，是我第一个微调的模型，但是由于使用标注的数据处理方式，导致数据处理错误。最终准确率只有62%左右。 m2：是在解决了M1的问题后，使用同样的数据量进行训练的。然后结果一下子就提升到了85%。这个结果是一下子提升到第一梯队大模型的水平。 m2、m3、m4 ：分别使用20K、100K、280K的数据量进行训练，发现当从20K的数据，增加到100K的时候，准确率从85.6%提高到了86.8%。但是继续增加到280K的时候，准确率并没有提高反而下降到86.4%。这说明了数据量并不是越多越好，太多的数据会导致模型训练过拟合。 m6、m7：的数据是在前面的基础上面，做进一步数据校验。核心是人工审核，是的，10万条数据，我进行了人工审核，这就是最苦最累的活。从结果来看，数据质量的提高是m6、m7模型的准确率进一步提高的原因。他们的准确度也超过了世界最强的模型sonnet4.5。 4 总结 整体而言，这次工作虽然踩了很多坑，最后的结果还是让我非常的满意。这也为大批量实时分析数据打下了良好的基础。并且，根据这次工作掌握的经验，接下来可能对训练的数据做进一步的提高。

最近AI交易特别的火，身边不少朋友知道我一直弄AI，也来问我。 我给建议是不要弄，因为没有结果。 当我深入AI开发后，遇到的第一个头疼的事情，就是不确定性。 简单来说，当你问AI一个稍微复杂一点的问题（比如怎么样让人自己变成万人迷），其实问10次，10次的答案并不是一样的。 这样就是为何出现了复杂的prompt工程来约束AI的回答。但是即便如此，以我现在做的产品为例，依然需要用第二AI来检查答案，然后再用第三个AI来检查输出格式。 所以，可以看到，现在AI的应用在两个方面 1 是代码：因为代码有非常明确的语法规范， 2 是写作/视频等，因为它结果没有统一标准，很多个答案都可以达到优秀。 归根到底，AI是对人类进行大量学习后，成为全能的专家，但不是神。当你问是不是会涨的时候？因为没有标准答案的，结果就是10次回答可能会有不一样。而你只是随机拿到它其中的一个答案 而要解决这个问题，是需要给AI一个交易的标准，比如到120均线可以买等等。所以，最终还是你是交易者，AI是帮你干活的苦力。

沉痛悼念！杨振宁先生！ 他是每个华人的骄傲，是华人科学家的顶峰人物。 人们可能只知道他的爱情趣事。却不知道，他的成就是可以与爱因斯坦，牛顿等相媲美的科学家。 也是20世纪后期开始，这位华人科学家是科学界最牛逼的存在。 主要工作：杨-米尔斯规范场论，是超越诺奖级别的成果。 在这个世界，存在这四种力量。而能够数学描述的是牛顿发现的万有引力，和麦克斯韦描述的电磁场力。而杨-米尔斯规范场论，它统一提供了数学工具，直接催生了粒子物理标准模型 —— 人类迄今最成功的基础物理理论。美国富兰克林学会评价其 “已跻身牛顿、麦克斯韦、爱因斯坦的工作之列 宇称不守恒：打破百年科学教条 它直接打破了物理学界普遍相信一个“常识”——宇称守恒。以至于提出第二年就被授予了诺贝尔物理学奖。获奖是杨振宁先生仅35岁，是历史上最年轻的诺奖得主之一。 除了上述两项“封神”之作，杨振宁在统计力学、凝聚态物理等领域也有大量开创性工作，例如： 杨-巴克斯特方程（Yang-Baxter Equation）： 在统计力学和量子场论中极为重要的一个方程，它开创了“可积系统”这一庞大领域。 非对角长程序（ODLRO）： 深刻影响了凝聚态物理中对超导和超流的理解。

比起经常“逆天”，“颠覆”的大模型 小而专才是我的最爱 刚训练了一个针对推特分析的小模型 结果超过claude 4.5 和gpt 5 关键是我的小破GPU也能跑的贼溜

你看到的是恐慌，而别人看到的是暴富的机会 有时候人和人之间财富的差异，就是来自认知的差异 今天看到Ethena创始人的推文，其中写了USDe在1011发生的时候，经历了一次几小时内超过10亿美金的提款。有人觉得这是别人在恐慌抛售。不，你错了，这些人在赚的朋满钵满。 在1011期间，币安的USDe最低跌到了0.6。但是这并不是USDe脱锚（它锚定的是1usdt），而只是区域性的价格错位。因为市场恐慌，流动性不足的价格错位。比如在币安很多人使用USDe进行了循环贷，在市场下跌中被强制清仓，这才导致的USDe的价格下跌。所以这跟其他币的脱帽完全不一样。 而当时USDe真正的价值是多少呢？还是1美金。因为你在官方可以用一个1USDe兑换价值1美金的USDT（或者其他token）。当时官方的兑换一切正常。所以，当时你在币安买入，那就是妥妥的赚钱。而更加聪明的人，是在币安用0.6的价格，到官方兑换1美金的USDT，然后再去币安买折扣价的USDe，再去官方兑换。周而复始。 你别小看折扣不高。但是它速度非常快。并且最重要的，它是无风险！它是无风险！它是无风险的！因为 Ethena 的铸造与赎回功能完全正常。 有时候认真认真研究透一个项目真的很重要。特别是现在MeMe流行的时代，没有多少人愿意做这种头大的事情。但是有时候真的可以赚钱。不仅能赚钱，有时候也能保命。当年的luna就是不同的命运，由于不了解机制，UST出事的时候，身边好几个千万级别的朋友抄底，直接抄归零了。 以上

昨天USDe的脱锚引发了很多人的担心，而最担心的是USDe会不会成为第二个luna？ 我就来科普一下。先说结论：不可能，因为机制不一样。 1 USDe和ENA的机制 USDe和UST虽然都是使用抵押物合成的资产，但不同的是，UST是使用它自己的项目代币Luna来进行抵押合成，在上升螺旋的时候，会带动Luna币价飞涨，因为用户要不断购买Luna来合成UST。但是到了熊市，UST脱帽的时候，就会让luna加速下跌。 USDe不同的是，它并不用ENA来抵押生成。而是BTC、ETH的大币种，稳定币来生成。 并且最重要的一点，USDe吸取了其它稳定币协议的失败教训。对BTC、ETH等非稳定币币种进行了delta对冲。当它收到100美金价值的ETH生成USDe后，会去交易所开空100美金价值的ETH进行对冲. 这样，USDe不会因为eth暴跌导致的抵押物价值不足，而是永远都保持价值1美金。 2 USDe的收入来源 USDe的年化收益很高，一般都在5%左右。它也不像Luna那种是代币奖励。而是实打实的收益。USDe的收入来源有三个。 1）做空对冲的收益，也就是吃的资金费率。根据历史来看，除了22年大熊市，其他时候的资金费率收益，基本都在10%左右。 2）质押收益，像eth、btc拥有质押的收益 3）稳定币的收益。例如跟usdc合作，对方会提供奖励。 USDe的核心是delta对冲，它既保证了它的价值不会收到抵押币价的波动影响，也为USDe提供了主要的收入。 当然delta对冲会有一些难度，所以可能一开始USDe增长比较慢。在经历3年多的稳定运行后，行业也接受了团队的水平，所以才引来了快速增长期。

这次提醒的应该算是非常及时。希望大家都躲过一劫吧。 那就具体聊聊如何判断的？简单来说，看三步 一看资金 资金是最底层的逻辑。无论市场如何变化，资金是实打实的买入和卖出的。而资金量决定了行情的高度。 具体来说，资金可以分为场内资金和场外资金。21年的时候，是场外资金不断入场，形成一个超级大牛市。而现在，没有场外资金（购买山寨币），所以不会有山寨币大牛市的。 再说场内资金，它也影响很大。24年10月发起的行情，这波也维持了很久，很多暴涨。这是因为在行情开始前，市场一直在下跌，场内大部分持usdt。 而今年不一样了，市场没怎么跌，很多人持有着币，场内自己有限，所以潜在的购买力也远不如去年。 二 看情绪 出现几个暴涨币后，会引发市场的情绪。市场的情绪让人控制不住的买买买。这就是大部分人容易在顶部接盘的原因，因为这并不是理性决定。而是受到市场情绪影响。 市场情绪持续几天后，大家都已经买买买了，购买力会枯竭。特别是潜在购买力量不大的时候，很容易发生。 三 看标志性现象 前面两看后，已经大致了解了一波行情的高度，以及市场的情况，那么标志性现象就是具体的决策时间点。 这次的标志性现象就是币安人生 和 客服小何。 币安人生是在全仓fomo的情况下，一波拉到4亿美金。而后来的客服小何，最高只拉到1亿。尽管后来一姐喊了几次，但是依然上不去。这已经是非常明显的信号，市场资金已经没了。 所以，这次调整基本已成定局。只是又碰到特大嘴的关税，形成了大跌的共振。

这是让web3大规模应用的很好的范式 1 与现有的web2 无缝的连接。不需要用户有额外的学习时间和成本。直接在银行软件使用，法币与USDe的转化零手续费。 2 涉及大量Web2用户，涉及45个国家的日常金融。 3 有对新用户足够吸引力的点，年化收益到达5%，足够超过大部分的无风险理财。 以上满足三个，我就觉得这个事情靠谱。

这就是危险的气息

嗅到了危险的气息

别人都说codex 逆天，为啥我觉得还是claude code更好呢？ 是不是应该我是用来做数据分析的，别人是用来开发网站的。 都是牛马，为何还要区分品种呢

币安内持有USDe，年华为12%。这应该是现在无风险收益最高的理财了。 而且什么都不需要做，只需要在币安账号里面有USDe就可以。不需要锁仓，甚至不需要放入理财里面。 而且USDe的收益是有实际来源的，因为它是抵押生成的稳定币，它的抵押品例如ETH会有质押收益。并且协议会开空头衍生品头寸来对冲，赚取正融资率和基差收益。 如果你要参与，也非常的简单，币安有USDe和USDT的交易对，买一下就行了。 现阶段，应该是为了增加USDe的使用用例，项目方做的推广活动。从链上的情况来看，USDe在ETH链上，币安钱包有7.3亿， BSC链上有8千万枚。所以币安交易所现在一下子有8亿枚了。 数据不错，希望再接再厉。

这次终于吃到肉了！ 留下激动的眼泪！

很多人没注意到，Ethena费用开关转换条件已得到满足。这其实是Ethena 是在偷偷的告诉大家，我现在超赚钱的。 因为赚很多钱，所以会将部分协议收入分配给出来。根据tokenterminal数据显示，Ethena 八月的收入为54.6M，而5月份才20M。 表面看，收入增加了2倍多。而这增加的主要原因的是USDe的增长。 我之前说过USDe进入了快速增长周期。这是在积累一定时间后，生态开始快速增长。之后出现币安支持USDe理财的好消息。而随着USDE继续快速增长，那么Ethena的月收入也不止54.6M。 稳定币赛道果然稳稳的赚钱，难怪大家都要挤破头的加入。

mark一下，大师兄 PK 大宇 ，姓大的一家人，最终谁对谁错呢？

今天看了CZ在香港大会的视频演讲，突然明白了币安Alpha的战略意义。 最近几个月，链上变得特别的冷淡，整个市场唯一有热度就是币安Alpha了。在之前，我只是简单的把Alpha作为币安的一种新上币方法。现在突然意识到，它对于币安具有重大的战略意义。 总所周知，币安Alpha以及Wallet拥有两大特点 第一：中心化交易所的用户体验 第二：链上交易 对于链上交易。在之前，我看好它的逻辑是：大量项目方在中心化交易所收割韭菜的行为，导致大量的资金把重心转移到链上，创造大量了的财富机会，而这个财富效应又会进一步吸引资金。但是，这种逻辑会遇到瓶颈，在到达一定泡沫之后资金就会撤离。也就是现在链上面临的状态，行业也出现了迷茫期。 而CZ的演讲让我意识到了另外一个逻辑，那就是在未来10~20年，会有大量的链下的资产上链。这些资产的上链就会有大量的链上交易的需求。同时未来AI Agent的交易也一定是在web3链上，而不是现有的金融交易体系。因为它需要满足，没有kyc认证、快速、低成本等要求。 我个人认为，像GMGN和OKX看到的是第一层的逻辑，就是web3行业内对链上交易的需求的增长，所以他们的产品形态都是围绕着这个底层的设计的，重点自然会放在web3钱包，链上的交易地址的行为等等。 币安的明显是第二层的逻辑。所以，币安Alpha以及Wallet就拥有了开始的第一个特点，中心化交易所的用户体验。因为如果说链上的核心逻辑是未来大量的链下资产的上链，所以就会伴随这是有大量的web2的用户需要链上交易。 现在的web3对新用户来说还很友好，链上的一整套东西非常的复杂。虽然业内在一直努力，现在也支持社交账号手机号注册、实现抽象钱包多链交易等。但是这只是第一步，之后新用户依然要掌握密钥保管、链上的资产等一套新的资产逻辑。就拿我自己亲身经验来说，每次向朋友介绍入门的时候，都要费口舌的说2个小时。 所以，中心化的用户体验对新用户至关重要，也以为着可以承接未来从RWA和AI带来的链上交易需求的大量用户。从这个角度看，CZ的战略眼光确实非常牛。

vibe coding 的日子1 1 理想中： ai 1：写完我完整的需求 ai 2：根据需求检查代码，找到几个小问题，然后修复 ai 3：再次检查，代码完美。 然后，愉快的手工。 2 实际情况： ai 1：写完我的完整的需求 ai 2：检查代码，发现3个重大问题，修复 ai 3：检查代码，发现4个重大问题，修复 ai 4：检查代码，发现2个重大问题，修复 ai 5：检查代码，没发现重大问题 好吧，保险起见，换个大模型最后再检查一次吧。 ai 6：检查代码，发现8个重大问题，修复 ai 7：检查代码，发现2个重大问题，修复 ai 8：检查代码，发现3个重大问题，修复 ai 9：检查代码，发现10个重大问题，修复 每次发现检查出重大问题，我就特别想问它，nim刚才说修复完成的不就是你吗？ 就想你当初生二胎的时候，想着的是一副兄友弟恭的美好景象，实际上却是两人天天干架。

ENA之前刚买一点头仓，本来想等个调整，给个买的好价格。结果这个消息一出，就直接大阳线上去了。 现在，稳定币已经是大资金明牌了，希望大家不要后知后觉了。 这次StablecoinX Inc 宣布作为其 $ENA 积累战略的一部分，通过 PIPE 融资筹集 5.3 亿美元买买买。这次融资中包括了yzilab，也就是之前币安lab。 购买BTC 和ETC的公司，是看中他们作为金融资产的增值潜力。而ENA这种还会另外一层含义 如果StablecoinX Inc 一直购买，它将成为ENA背后的实际控制者，因为现在很多上市公司在战略购买数字货币，那么反过来走，StablecoinX Inc因为而上市，也是顺理成章的事情。

AI正在一场智能革命，这也伴随着一场巨大的财富机会。 那么普通人如何抓住呢？这也是我一直在思考的问题。 最近一直有一种感觉，AI的技术更新实在太快，很快会出先的概念，比如GPTS、AI Agents、MCP、vide coding。而自己只是一个跟随者，一有新东西就去学习，看看有没有什么机会？但是实际下来，一是感觉一直这样会很累，二是其实是迷茫，因为不知道哪个会未来？ 因为很多一年前的概念，当时号称炸裂、逆天，现在已经完全out了。 所以，应该跳出这个跟随的节奏，静下心来思考，未来AI的革命，底层的逻辑是什么？ 我的答案（可能还不成熟），就是将稀缺能力规模化。 之前的工业革命，分别进行了将生产能力规模化、将物质传输规模化，以及将信息传递规模化。 而稀缺能力，成为很多人想要的内容。比如一名老医生、专业律师、高级工程师。这些在现在的社会都是稀缺资源。 这些其实也都是有钱人的特权，富人就能拥有专家级的医生给出健康建议，可以请到好律师为保障自己的法律权利等等。 而AI时代，会可能全部都变了。打造特定领域的专业的AI, 可以让大部分人获得专家的服务。 就比如现在的vide coding，本质上就是让普通人都拥有了一个专业的编程团队，完成了自己的想法。而未来可能有更多这方面的应用会冒出来。

去年开始琢磨，跟朋友打算发表一系列的关于Crypto 的学术paper。 第一篇主旨就两个： 1. 尝试以经济体的角度来看待这个行业，定义了Crypto-body。 2. 唱多 ETH SOL。 从4月开始合计（ETH2300) ，到前几天发出来 （ETH4600），文章可能不咋样，一起写文章的小伙伴倒是赚了钱很开心。 欢迎拍砖

Ethena的稳定币USDe要进入快速的增长周期了。 根据官方公示的数据，USDe的供应量从7月14日的53亿，到今天为123亿，在短短45天的时间增长了70亿。在之前，USDe的供应量开始到53亿，却用了将近一年半的时间。 我去特地研究了USDC和USDT的历史数据，他们的增长的规律也发现了惊人的相似。下面两个图分别MarketCap的变化趋势，从图中可以看到USDC在一开始也是缓慢的增长，并且在30亿的位置一度持续了很久。但是在20年12月开始，FDV开始了快速增长，一路上涨到了556亿美金，增长了1800%以上。 同样USDT的增长也类似，大概在60~80亿的位置，市值开始迎来爆发式的增长，一路干到786亿美金。现在已经到达了1673亿美金。 我想这规律背后的逻辑大概是这样的：在一开始的时候，市场认可这个稳定币需要一定的时间，还包括相关的生态项目。就像一个新品牌，需要时间来做用户的心智培养。而当到了一定阶段了，从数据看差不多50亿美金，市场的认可度提高，信任度也有了，变开启增长的飞轮。 @ethena_labs