我昨天差点把实盘的亏损原因归到“买贵了”。
这个判断很顺：聪明钱先买，我们晚 30-60 秒跟，盘口一动，价格自然变差。可把账拆开后，结论反而变了。
我按每笔实际买入份额算成本差：我买入份额 ×（我买入价 - 聪明钱买入价）。
能匹配到聪明钱 BUY 的有 158 笔，其中 150 笔是精确时间匹配。结果是：买贵的部分确实多花 44.6719 U，但买便宜的部分节省 79.8196 U，净成本差是 -35.1477 U。也就是说，只看买入价，我们整体反而少花了 35.15 U。
这不代表入场速度不重要。短周期市场里，30 秒当然会伤收益。
但它提醒我：别因为几笔刺眼的“买贵”，就把整个亏损归因到买贵。收益差要拆开看：买入成本、漏买、漏卖、仓位规则，各算各的，最后再看净影响。
以前我会直接去优化入场延迟，或者放宽价格保护。现在我会先问一句：这项损耗在总账里到底占多少？如果不先算清楚，优化方向很可能是错的。
这次的结论是：买贵不是主犯。先别信直觉，先把账拆开。
为文章配好看的图片，昨天找了一圈，最后选中4个github开源的skills，做出来感觉还不错。
4个skill可以对应不同的场景。
说明一下，他们不是单独的skill项目，在baoyu和huashu的skill里面。
还有一个经验就是，codex直接画图效果要比调用gpt-image2画图，效果差一些。推荐用gpt-image2
1. baoyu-image-cards
- Skill 名称：`baoyu-image-cards`
- 适合场景：社交媒体图片卡片、知识卡片、轮播图、推文配图。
- 使用建议：适合把一篇推文拆成 1-3 张重点卡片，突出标题、判断点和结论。
2. baoyu-cover-image
- Skill 名称：`baoyu-cover-image`
- 适合场景：文章封面图、推文主视觉、标题大字图。
- 使用建议：适合每篇推文只配一张封面图时使用，重点放大标题和核心概念。
3. huashu-wechat-image
- Skill 名称：`huashu-wechat-image`
- 适合场景：公众号配图、文章插图、16:9 中文信息图、正文解释图。
- 使用建议：适合做中文准确、结构清楚的信息图，比如对比图、流程图、字段关系图。
4. huashu-xhs-image
- Skill 名称：`huashu-xhs-image`
- 适合场景：小红书风格配图、竖版社媒卡片、手机信息流大字图。
- 使用建议：适合做竖版图，标题要大，重点要少，适合移动端阅读。
跟AI的对话会成为个人宝贵的资产。
所以我做了一件产品呢，就是把AI的对话汇集成自己数据。CC和codex虽然都有自动总结功能。但是它只限自己对话。
而我的脚本可以claude code ，codex ，cursor，antigravity，opencode都汇总起来。
它可以用来
1）总结，
2）汇集skill优化，
3）查找历史记录
4）根据题材写成文章等等
它的流程是：先把所有 AI 工作记录编译出来（有些需要破译），再生成一份更轻的 manifest，然后只看 manifest 粗筛，最后再回到原始记录里精读候选素材。
这里的关键不是“让 AI 总结一下昨天干了什么”。
那样太粗。
真正有用的是先把阅读成本降下来。原始 JSON 很大，里面有完整回答、工具调用、路径、日志、过程。如果一上来全塞给 AI，它会被细节淹没，也容易把普通操作当成选题。
manifest 只保留几个东西：
用户当时问了什么。
AI 回复摘要的开头和结尾。
用了哪些工具。
这轮内容大概多长。
是不是明显低价值指令。
这样第一遍只做一件事：找“值得写”的事件。
比如这次筛出来的，不是“运行了某个脚本”这种流水账，而是几类真正能写的东西：交易系统对账口径错了、`market_missing` 其实不是找不到市场、推文配图不是先换模型。
这些都有一个共同点：有具体事件，有内容，有最后的处理办法。
这才是素材。
下一步再回 raw JSON 精读候选轮次，抽关键数字、用户追问、定位过程、最后结论。最后生成选题报告，让人来选。
人选完以后，还会把选择写回报告最前面。
这一步很小，但很重要。因为它让“AI 推荐过什么”和“我最后选了什么”连在一起。下次你再回看，不是面对一堆聊天记录，而是一条完整链路：
记录 -> 粗筛 -> 精读 -> 选题 -> 人工选择 -> 正文。
我越来越觉得，AI 工作记录本身就是一种内容矿。
但矿不会自己变成文章。
你需要先把它做成一张能被筛选、能被复盘、能继续加工的素材表。否则它只是昨天很忙的证据，不是今天能用的资产。
复盘的时候，发现追踪的polymarket聪明钱地址，最近2周，突然不聪明了。
原来V2版本 后，出现了新的钱包地址了。
Polymarket 在 `2026-04-28 11:00 UTC` 左右正式迁移到 CLOB V2。V2 后确实有新东西：新 Exchange 合约、新 pUSD、新签名类型，还有 deposit wallet。
但这不等于所有老用户都被强制换钱包。
老的 proxy wallet / safe wallet，一般还能继续用。真正复杂的是新 API 流程里的 deposit wallet。
如果某个用户开始用 deposit wallet，下单时你看到的字段可能会变：
`maker` 可能是 deposit wallet。
`signer` 可能是 deposit wallet。
`funder` 也可能是 deposit wallet。
而你原来跟踪的地址，可能只是旧的 proxy wallet，或者 Data API 里的 `proxyWallet`。
这就麻烦了。
我看了一下项目里的 M2/M3 采集脚本，它们从官方接口里拿的主要是 `proxyWallet`。但这些接口没有直接返回：
`depositWallet`
`walletType`
`signatureType`
`maker`
`signer`
`funder`
所以只靠这两个接口，很难判断一个地址是不是已经切到了 deposit wallet 流程。
这对聪明钱跟踪很重要。
你以为你在跟踪“这个人”。
但代码里实际跟踪的，可能只是某个展示地址。
V2 后真正发生交易的地址，可能在订单字段或链上资金流里。
所以我现在会把地址分成几层看：
展示地址是谁。
订单 maker/signer/funder 是谁。
有没有 deposit wallet。
资金有没有从旧地址流到新地址。
这个新地址有没有继续在 V2 CLOB 交易。
一句话：
V2 后不要只问“聪明钱是不是换地址了”。
要先问：“我现在跟踪的这个字段，到底代表哪一种钱包？”
我昨天踩了一个很典型的 PnL 坑：现金流看起来亏了 335 万，但它根本不是每日收益。
事情是这样的。
我拿 5 个 盈利最高的Polymarket 地址，按 activity 流水算最近 14 天表现，结果合计是 -3,350,709.97。第一眼看，很吓人，像是这批地址 14 天亏了 335 万。
难道是翻车了吗？
研究了半天才意识到有个关键问题：
买入没有卖出的仓位，只是现金流流出，不等于当天亏损。
如果一个钱包今天花 10 万买入仓位，系统只看流水，就会看到 -10 万。可这个仓位还在，可能明天涨，也可能下周结算。你不能因为钱从余额里出去了，就直接说它今天亏了 10 万。
更明显的是，同一批地址按一个月 activity 公式算，结果是 1,398,554.24；但 PredictFolio 同期只有 100,977.66，差了 1,297,576.58。
问题不在数字，而在口径。
activity 更像现金流审计：钱什么时候进，什么时候出。
PnL 更像收益统计：这段时间资产到底涨了多少，跌了多少。
所以我的判断标准变成了：
看时间段收益，用累计 PnL 快照。
查资金流向，用 activity。
不要把“买入形成仓位”，误看成“当天亏掉本金”。
链上数据最容易骗人的地方，不是它没有数据。
而是它给了你一个看起来很精确、但口径完全不对的数字
我最近看高流量的文章，发现很多套路表面不同，本质都在做同一件事：
压缩读者的决策时间。
--“2026 + 全面指南”，压缩的是学习成本：你不用到处找，看这一篇就够。
--“拆解 / 复盘 / 从 0 到 1”，压缩的是试错成本：我把过程摊开，你可以少走弯路。
--“我做了 X，所以你可以信我”，压缩的是信任成本：先证明我有现场经验。
--“你以为 X，其实 Y”，压缩的是判断成本：你可能理解错了，点进来看看真相。
--“闷声发大财”，压缩的是入场犹豫：这事赚钱，而且知道的人还不多。
这些模板确实有效，有效到知道套路的我，经常忍不住会点进去。
但模板越有效，越容易同质化。
最后真正拉开差距的，不是句式。
是真实经历、具体数字和别人复制不了的细节。
在龙虾爆火后，我越来越相信在不久的将来，各类AI Agent会替代它的主人，活跃在网络上进行交流、交易信息、购物等等行为。
而其中最最基础的一个，那就是支付。而AI Agent世界的支付，需要满足
1）足够快，能支持高频的交易转账
2）极低的手续费的支持微小金额转账（甚至是0.0001刀以下）
3）无国界
很明显，能满足上面条件的只有区块链。在Agent时代，区块链和AI真的是绝配。
看到肖老板刚发布的HSK 白皮书2.0，很明显也是主打的这个点。为Agent提供一个完善的支付网络，是web3最有前景的方向。
除了前面说的几个优先，我发现肖老板还考虑的更深，Hashkey Chain 还使用零知识证明，可以让Agent有一个合规数字身份证，它不仅有隐私保护的功能。更重要的，能解决一大部分安全的问题。杜绝了高资产的Agent被坏人跟踪惦记。
Hashkey Chain还设计了机构级许可链，利用其合规的优势，它可以作为结算的主链，而机构可以构建执行层，实现每秒百万笔的吞吐。
Anyway，AI并不是抢了区块链的风头，而是更需要区块链了，这个方向越来越有意思了。
Codex编程能力非常牛，但是它最令人头疼的是：给出的回答里有一堆专业术语，看都看不懂。
之前我的做法是把它拷贝给另外一个ai，让它解释一下。
这两天突然想到，其实可以做一个skill，直接让gpt5.4说人话。
它会直接把刚才回答改写成更简单、适合初学者看的中文说明。
特别是碰到分析出的问题的时候，会根据下面的格式
问题：就像门卫只看了通行证上的名字，却没有检查印章是不是真的。
原因：代码里用了 jwt.decode()，这个方法只会把通行证上的内容读出来，不会检查印章真伪。
后果：任何人只要随便伪造一张通行证，就能冒充别的用户登录。
修复建议：把 jwt.decode() 换成 jwt.verify()，这个方法会同时检查印章，是假的就会直接拒绝。
具体skill已经开源
https://t.co/rzEWskUnPa
现在的ai面对复杂的项目，依然会有bug。而且局部改bug经常会越改越麻烦。
其实，我一直采用一招最最简单的方法：就是重复3遍的方法。
很多人会写subagent、skills，或者superpower、oh-my-claude等复杂项目。但是我感觉下来，依然不如重复3遍简来的简单方便。
做法很简单，当ai完成任务后，你就说，让ai根据要求审核一下代码。根据我的经验：
第一遍，ai会找到好几个问题，你无脑让它修改就好。
第二遍，ai会找到好几个问题，你需要大致看一眼，让它修改严重的。
第三遍，需要特别注意的地方到了。 ai每次都会找一些问题，有些问题压根不重要。所以，这个时候你需要请另外一个ai来审核一下。
比如codex编码的，可以让claude code审核。反之亦然。
基本上第三遍让第二个ai对问题评价出，都是小问题。那你就可以停止了。如果还有一些严重的问题，那还可以继续审查。
我用下来的结果，在过去几个月来，到了项目运行阶段没有碰到过要修复代码的情况了。
在这种最质朴的方法实践多次，我也明白了
1）即使是最好的编程ai，比如codex或者搭配opus的claude code，写复杂项目的时候依然会出现bug
2）即使是最好的编程ai，也会没事找事的找到新的bug。
便宜的中转站，往往才是最贵的坑——我踩过之后，总结了3个辨别真假的工具
因为封号的原因，中转站已经成为唯一的选择的。但是，现在市面的中转站鱼龙混杂，良莠不齐。
今天，我分享几个评价中转站的评测
1 helpaio
这是一家专门评价中转站的网站，作者已经评价好了并打分，推荐了一些比较好。并且中转站的基本情况、价格。以及一些真实用户的。我还发现，他们的排名会经常变化。
https://t.co/KTAIfH3Lqg
2 hvoy
这个网站提供评测工具，用户可以自己评估是否是真实的模型，有没有参数。只输入需要评价的中转站url和你自己的api（注意，建一个临时的api，用完删掉）。
同时，它还有中转站的收录和价格，实际感觉价格不太准。
https://t.co/kPjuBgeszE
3 API Relay Audit
https://t.co/0Ui1Bhx6Wf
这是一个github的项目，专门用于全面审计第三方 AI API 中转站(反代/转发站)的安全性、可靠性和透明度。通过11 步审计，全方面的评估中转站的各方面的指标。可以用于深入专业的评估。
再推荐3个我常用的中转站吧
1 packyapi
它的体量应该在中转站属于头部吧，赞助了很多相关的开源项目。自己使用下来，感觉比较稳定。基本上在封号的时候，其他中转站挂了，它还能支撑。但是缺点的话，价格也属于比较贵的一批。claude code已经多次涨价。
所以，我会当做一个托底的中转站，别家用不了了，我就用它。
https://t.co/lkEPi1u6sN
2 米醋
这是我用的比较多的中转站。我用前面的的工具都评测过，都是真实的模型。大部分时候比较稳定，日常用它，偶尔不能用的时候转到packyapi。
最大的优势价格只有前面packyapi的一半，也是见过最便宜的中转站了。（有些更加便宜的，但是使用了一下是掺假的。）
https://t.co/6cRqn4P47i
3 ikun
这家用过一段时间，质量还行，稳定性也还行。但是后来claude code 涨价了，涨的好贵。但是codex依然便宜。
https://t.co/XJYJtMjh6l
其实中转站时候也不稳定，碰到大封号的时候，就会挂掉。之前还用过2个还不错的，因为封号都不干了。
还挺郁闷的，每过一段时间，政策变了，情况变了，就要重新搞一下ai工具。
将有用的内容保持到自己电脑，并形成知识库。这个逻辑走的第一步，我就遇到一个难题
微信、小红书、youtube等各平台不同平台内容，它都一一需要适配。
我突然灵机一动，想到了notebooklm，它是非常好的学习工具。但是换个角度，思路打开，它不就能处理各种类型内容吗？
于是我在github上面找到了notebooklm-py，已经1万多的star。它能解决内容处理的大部分格式了，并能够输出整理总结，连token的费用都省力了
1 天生就是 AI Agent 的技能
notebooklm-py 和普通 API 封装最大的区别——它从设计之初就是给 AI 编程代理用的。一条 `npx skills add` 命令装进 Claude Code 或 Codex，你的代理就能自主创建笔记本、导入资料、提问、生成内容——播客、视频、幻灯片、报告——
URL、PDF、YouTube、Google Drive、纯文本、音频、图片。浏览器里能喂的，这个库都能喂。
全程不用你打开浏览器。我上周把它配成 Claude Code 技能。现在我的代理自己跑完整条链路：导入我指定的 URL，生成音频概览，导出 JSON 格式的测验题，全部丢进文件夹。零手动步骤。整个循环自己转。
让强大产品变得可编程的开源工具，值得更多人知道。notebooklm-py 对 NotebookLM 做的就是这件事。
👉 https://t.co/E2Yl1pi0qC
发现一个好东西，它一句话就能把文章发到 8 个社交平台——而且网页改版了也不会挂。
我的文章一直只发推特，倒不是对x情有独钟，而是我很懒。同一篇内容，你要打开小红书粘贴一遍、打开知乎改一遍格式、打开微信公众号再排一遍版、打开 X 发一条摘要。五个浏览器标签页来回切，三十分钟就这么没了。我之前就是这么干的，每次发完内容都有种"我刚才干了什么"的虚无感。明明可以用来写下一篇文章的时间，全花在了复制粘贴上。
social-push 彻底解决了这个问题。它不是传统的脚本自动化,而是用 agent-browser——一个真正能"看懂"网页的 AI。
一句话发布 8 大平台
这是让我真正上头的功能。你在 AI 编程助手里输入一句 `/social-push 把这篇文章发到小红书`，AI 就会自动打开浏览器、进入编辑器、填标题、粘正文、加话题标签，最后存为草稿。目前支持 8 个平台：小红书图文、小红书长文、X/Twitter、知乎、微博、微信公众号、掘金、https://t.co/TAkVW56Ca2。我上周把一篇技术文章发了五个平台，前后不到四分钟。以前同样的操作要半个小时。
其他几个值得一提的点：
自进化——平台改版后，AI 自动检测页面变化、修复自己的 workflow 文件。你完全不用碰代码，它自己给自己打补丁。
Markdown 即配置——添加新平台只需要写一个 Markdown 文件描述操作步骤。没有脚本，没有选择器，没有代码。我参照现有模板，15 分钟就加了一个新平台。
安全设计——所有操作只到"暂存草稿"，绝不会自动点"发布"按钮。发不发，你说了算。
如果你现在还在五个标签页之间来回粘贴同一篇文章，你正在浪费掉本该用来创作的时间。social-push 把这件苦差事变成了一句话的事。
https://t.co/fHpx26FoXG
发内容到中文社交平台的朋友，建议收藏。关注我，持续分享 AI 自动化好工具。
不要再使用polymarket的官方数据了！
做的实在是太差了！我已经不知道踩了多少坑！
正常逻辑，官网或者官方api获得数据是最可靠的
唯独我们的polymarket，非常之不靠谱
比如说这个地址reachingthesky，官网现实就是个菜逼。总共亏了90刀！实际上polygen链上的数据显示是超级大聪明！交易了8个市场，利润高达370万刀！！
如果你觉得拔链上不方便，可以考虑下面几个网站，我验证下数据比较准确的吧。
https://t.co/lHKyEKm2fN
这是一个专门针对去中心化预测平台 Polymarket 的数据分析平台。其核心功能是追踪链上地址的真实盈亏（PNL）、监控“聪明钱”动向，并解析复杂的链上交互操作。它的最大优点在于能够有效过滤套利机器人的干扰，提供比官方更精准的收益率维度，非常适合需要深度跟单和趋势研判的交易者。
Predictfolio https://t.co/s8Yywl4AGp
核心功能是帮助用户一站式汇总和管理在各个预测事件中的仓位、历史记录及预期收益。
Hashdive
https://t.co/SgJf4sNsKQ。它的核心功能侧重于追踪特定哈希值的交易流向、智能合约交互细节以及资金的底层异动。
