独立开发者别再只会买 VPS 了。 Google Cloud Compute Engine 现在是性价比最狠的虚拟机之一，尤其适合搞 AI... 工具站、Agent、自动化脚本、出海 SaaS。不是大厂专属，小白也能白嫖起步。 先说最狠的三点： 1. 永久免费档 每月送 1 台 e2-micro（美国俄勒冈/爱荷华/南卡可选），30GB 标准盘，1GB 出站流量。 够跑一个轻量网站、监控脚本、定时任务、小爬虫、测试环境。 新用户再送 $300 试用金，90 天内随便造。 2. 自定义机型 AWS 很多机型是固定套餐。GCP 可以自己拼：vCPU 1~96，内存按核最高 8GB。 跑 Agent、推理、小模型、数据库，刚好够用、刚好不浪费。钱花在刀刃上。 3. 自动打折，不用你求人 用得越久，持续使用折扣自动到账。 Spot 虚拟机还能再砍 60%~91%，适合批量任务、容错任务、训练/推理试错。 承诺使用最高能再省 70%。穷鬼玩法直接拉满。 性能这块也不含糊： - 业界顶尖单实例 SLA：内存优化型 99.95%，其他 99.9% - 实时迁移：主机维护、突发故障，虚拟机自己搬家，业务尽量不停 - 最新 N4A（Axion ARM）号称 2 倍性价比，通用 N 系列、计算 C 系列、内存 M 系列、存储 Z 系列、GPU/TPU 加速器都有 - 机密虚拟机、加固虚拟机，数据在用也能加密 - 还能挂 TPU，搞机器学习、推理、Agent 编排 适合谁： - 独立开发者：先白嫖 e2-micro 验证产品，再按流量升配 - AI 工具站：跑后端、定时任务、小模型推理、沙盒执行不信任代码 - 出海/搞钱项目：全球节点、秒级计费、用完即停，不会被包月套死 - 需要自定义规格、不想被固定套餐绑架的人show more

AI又有新气象……抓紧体验🔥 Google 悄悄发布了一个东西，可能比 Gemini App 更值得关注——AI Edge Gallery 它不是又一个... AI 聊天软件。 本质上，它是一个本地 AI 运行平台：模型直接跑在手机芯片上，推理全程离线，数据不经过任何服务器。 目前已支持 Gemma 3/4 系列模型，最新版本还加入了 Thinking Mode 和 Agent Skills——也就是说，手机本身可以完成多步骤任务推理，而不只是回答问题。 ▍实际能用来做什么？ ∙拍照提问、文档理解，完全本地处理 ∙没网络也能用的实时翻译、语音转写 ∙敏感文件分析，内容不出设备 ∙未来可能支持本地 Agent 自动完成任务流 这件事真正的意义，不在于”又多了一个 AI App”——而在于 Google 正在验证一件事：AI 能不能成为每台 Android 手机的底层能力，而不是需要联网调用的云端服务？ ▍如果这条路跑通 手机 AI 的竞争格局会重写。 苹果有 Apple Intelligence，高通在推 AI PC，现在 Google 在 Android 端下这步棋。 ► 端侧 AI 的入口之争，已经开始了。show more

🔥 兄弟们，挖到个神级项目！ 用闲置安卓手机直接变 SMS 网关，HTTP API 随便调用发收短信，再也不用给 Twilio 或短信平台交冤枉钱了！... 项目叫 httpSMS，GitHub：NdoleStudio/httpsms 简单说就是装个 APK 到手机（旧机也行），然后 API 一调，手机就帮你发短信。收到短信还能 webhook 实时推给你。 最实用场景： - 验证码、系统告警、营销通知 - 国外买不到好虚拟号的 - 想省钱又要稳定送达的 特点就是开源免费、支持自托管 Docker、端到端加密，隐私安全。调用就几行代码，文档也靠谱。show more

想自己做金融分析、股票研究？ 这些完全免费、Github开源的工具推荐给你，适合低门槛快速入门系统化 + AI 驱动的金融/财报分析👇 1. OpenBB（67.4k stars） 号称一个真正能替代... Bloomberg Terminal 的开源金融数据平台，数据整合能力强、支持 Python/CLI/AI 代理，日常股票深度研究和项目报告效率极高。唯一小缺点是高级数据源仍需自行接入，但免费部分已经够大多数人用了 2. Freqtrade（50.2k stars） 免费开源的 Python 加密交易机器人，内置回测、机器学习策略优化（FreqAI）、Telegram 控制等全套工具，是目前交易机器人里最成熟的一个，但学习门槛较高（需要会 Python），用 AI 学也可以上手 3.FinGPT（20k stars） AI4Finance 基金会维护的金融专属大模型框架，成本极低。这是真正能本地跑的金融 AI，用来做财报分析、新闻解读和智能研究非常实用 这三个工具组合起来，基本覆盖了数据获取 → 量化回测 → AI 智能分析的完整流程，全程本地运行、不用付费、不用担心数据隐私 省下来的订阅费，都拿去多买几只股票了😂show more

写自动化测试脚本或者写爬虫时，用传统的 Playwright 往往需要频繁维护各种元素选择器。 一旦目标网页的结构发生微调，原有的脚本就容易直接报错罢工，维护起来颇为费神。 最近在 GitHub 上看到到 HyperAgent 这个开源项目，巧妙地将... Playwright 与大模型结合在了一起。 通过自然语言就能控制浏览器，完成复杂的自动化任务，不用再写一堆脆弱的选择器代码。 GitHub： 支持单步操作，速度快成本低，以及能处理多步骤复杂任务，支持视觉理解和自适应调整。 还内置动作缓存功能，录制一次工作流后可以反复回放，不需要每次都调用大语言模型。 底层直接使用 Chrome 开发者工具协议，动作执行更精确，自动过滤广告框架，支持深层嵌套的 iframe 操作。 同时支持云端扩展，可以通过 Hyperbrowser 快速扩展到数百个会话，还能连接 MCP 工具实现完整工作流。 如果你正在用 Playwright 做自动化测试或数据采集，又厌倦了频繁维护选择器代码，这个项目值得一试。show more

我不准备把 BerryCode 做成最便宜的中转站。 现在市面上有 0.06 倍、0.1 倍、0.2 倍的渠道，我知道这些价格看起来非常诱人，但我现在只能做到 GPT... 官网口径 0.28X，也就是 0.4 折，用 1 M token, 综合下来大约在 0.4~0.6 人民币；换句话说，它不是最低价那一档。 但我能保证一件事：BerryCode 现在只做纯 GPT。 坦诚讲，我的能力还撑不起 Claude 中转。 Claude 封号太严，我承担不起这个风险，也不想为了多卖一个模型，把一个自己都没把握的东西塞给用户。后面我会自己体验一批价格合适、稳定性还不错的 Claude 中转站，如果真的好用，我会直接推荐给大家。 但 GPT 对我来说，是另一回事。 我现在用 Pro 账号做号池，配合一部分补充渠道去填 token 缺口，即便不卷到全网最低价，毛利润率依然能做到 30% 左右，这个数字对我来说已经够了。 我有一个暴论： **你现在能看到的大部分 AI 机会，其实都已经开始走下坡路了。** 中转站最近在推特被骂得很惨，卖数据、掺水、跑路，大家骂得不算冤，因为这个行业确实混进来了太多只想短期收割的人。 而且后面中转站这个生意只会越来越不稳定。 官方会持续封控各种渠道，低价货源会越来越少，成本会越来越高，如果一个站唯一的竞争力就是便宜，那它迟早会遇到一个问题： 成本涨了以后怎么办？ 2C 用户对价格很敏感，你今天用低价把人吸进来，明天成本上升你要涨价，用户凭什么继续用你？ 所以我现在越来越确定一件事： **中转站最后拼的不是谁便宜，而是谁值得被信任。** 信任从哪里来？我有几个思考： 第一，你得有自己的个人 IP。 如果一个完全匿名的站跑路，用户连骂谁都不知道；但我这个账号就在这里，几千个关注我的人也都在这里，BerryCode 真出了问题，我不可能装作没发生过。 第二，你不能什么模型都往上写。 我现在不碰自己没把握的 Claude，不碰我无法承担封控风险的渠道，只做我能解释清楚成本、稳定性和边界的 GPT。 第三，你得承认自己不是万能的。 我不说 BerryCode 永远不出问题，也不说它多便宜，我只能说我会把每一次问题都摊开讲，把修复过程讲出来，把我能做到的稳定性做到极致。 真正长期使用中转站的人，需求和轻量用户是不一样的。 轻量用户可能只看今天谁便宜 20%，但那些每天要跑 Codex、Vibe Coding、自动化任务、长上下文任务的人，他们更关心的是： 会不会突然跑路？ 会不会掺模型？ 会不会偷偷改请求？ 会不会跑到一半没额度？ 出了问题有没有人处理？ 尤其是国内那些真的在用 AI 做业务的人，他们并不只是想省几块钱，他们想要的是一个能长期放在工作流里的入口。 这也是我为什么选择用更稳的方式做 BerryCode。 一个 Pro 账号 1400 左右，我拿它做号池，成本不低，但我心里踏实；我宁愿少赚一点，也不想把整个站建在自己都解释不清楚的便宜渠道上。 坦诚讲，我为什么要做中转站？ 第一，肯定是赚钱。 去年炒币负债以后，我现在确实很需要现金流，这个没什么好装的，来推特的人也不是为了单纯装逼，大家都要吃饭。 第二，我的推特一个月涨了 4200 个粉，但我前阵子很迷茫，不知道该把这些流量导向哪里。 推特上很多商业模式，本质还是拉人头，做应用也好，做服务也好，很多钱来得快，但不一定长久。 中转站当然也不是一个完美的行业，但只要我不赚那些没良心的钱，只要我真的能给用户提供稳定、透明、可用的服务，那这个钱我觉得可以由我来赚。 第三，这一个礼拜搭 BerryCode，我认识了很多以前接触不到的人。 有做政务网站的，有用 AI Vibe Coding 做产品的，有自己搭工作流的，有在公司里偷偷把 AI 引进业务流程的。 我每天通宵改代码、测接口、修登录、修支付、修人机验证，虽然累，但我很久没有这么强烈地感觉到，自己正站在一个还在生长的行业里。 这个感觉有点像早年的币圈。 混乱是真的混乱，但开放也是真的开放；风险是真的风险，但机会也是真的机会。 所以从今天开始，BerryCode 正式进入压力测试和拉新阶段。 活动很简单： 充 20，送 10 平台额度； 充 200，送 100 平台额度； 最高充 2000，送 1000 平台额度。 我需要通过真实用户的使用，知道服务器、号池、支付、监控、客服到底要做到什么程度，才算是一个能长期运营的站。 如果你只是想找全网最低价，那 BerryCode 大概率不是最适合你的。 但如果你想找一个价格不离谱、模型边界讲清楚、出了问题有人处理、愿意长期把信任一点点攒起来的 GPT 中转站，可以来试试。 后面这个群也不叫 BerryCode 交流群了。 我想把它叫做： 才谷和他的朋友们。 欢迎体验，也欢迎挑毛病。 我现在最需要的不是一句“支持”，而是真实用户把问题砸到我脸上，然后我一个一个修掉。show more

字节跳动开源了一个"超级AI员工"框架——DeerFlow 2.0，发布即登GitHub Trending第一。 它不是聊天机器人，是Agent调度中枢：能拆解复杂任务、自动派出子Agent分头执行、最后汇总交付。写研报、建网站、做PPT、生成视频，都是内置技能。 关键设计：每个任务跑在独立Docker沙箱里，有自己的文件系统，能读写文件、执行代码，隔离且可审计。跨会话记忆持久化，用得越多越懂你。 支持接入GPT-4、DeepSeek、豆包等任意模型，非纯本地方案。基于LangGraph构建，MIT开源。

有人靠金融市场模拟，在链上赚了 $400,000 而且用到的整套工具，都是 GitHub 开源 能看到的钱包在这，自己点开看： 他们做的不是 crypto 原生叙事... 而是拿 Russell 2000、Dow Jones、SPX、Apple、Google 这些传统金融标的来做 Polymarket 交易 问题也很现实： 这些数据平时都在大型中心化交易所里。 你怎么拿？ 拿到之后又怎么处理，才能真的变成可交易模型？ 这套公开出来的技术栈，大概是这样： 1）Financial Datasets MCP Server 给任意 ticker、任意时间周期提供价格数据解析。 核心卖点就是：免费真实数据。 GitHub： 2）MiroThinker 一个偏深度研究和预测的 agent。 据说在 BrowseComp benchmark 上做到 88.2。 特点是： 长周期推理 先验证再下结论 步骤级 + 全局级校验 单任务最多可调用 300 次工具 它的作用不是直接下单。 而是先通过 MCP Server 拉数据， 把研究、清洗、验证这些环节跑完， 最后整理成可以直接用于模拟的数据集。 GitHub： 3）MiroFish simulation system 把前面准备好的数据丢进去， 再设定模拟参数， 就可以开始跑价格行为模拟。 本质上，它卖的不是一个指标。 而是一种更接近“矩阵视角”的东西： 价格在不同条件下会怎么动 哪些路径更常见 哪些定价其实偏离了历史结构 整个流程串起来就是： 拉传统金融历史数据 → 用 agent 做研究和数据整理 → 把数据送进模拟系统 → 再拿结果去打 Polymarket 上的相关市场 这种玩法最值得看的，不是“开源”两个字 而是它说明了一件事： Polymarket 上很多看起来像事件交易的东西，背后其实已经在被人用传统金融数据 + agent 研究 + simulation当成量化问题来做。 你觉得这种 edge 的核心，更像是数据获取能力，agent 研究能力，还是最后那层 simulation 对市场行为的还原能力？show more

Claude Code 桌面板发布本地定时任务功能 设定好任务执行的频率，Claude 会在你电脑开着的时候自动执行，无需你每次手动触发。 比如：每周五下午，汇总本周进度，生成一份 Markdown 报告存到本地 有几个细节值得注意：... 任务第一次跑完之后，Claude 会自动重写你的 Prompt，记住具体该去哪里找文件、用哪些工具，下次会更准 可以开 Git Worktree 模式，每次运行在独立分支里，不会动你的主干代码 如果电脑在任务时间点刚好休眠了，App 重新打开后会自动补跑，并发通知 目前需要 Claude Pro 以上的付费订阅，桌面端专属，网页和手机暂不支持。 怎么用 在侧边栏点击 "Schedule"，再点 "+ New task" 就能创建一个定时任务。 也可以在任意会话里直接描述需求，比如"帮我设置一个每天早上9点执行的代码 review 任务"，Claude 会自动完成配置。show more

Anthropic 发布了 Skill Creator 的重大更新 核心变化：内置测试用例生成 写完一个 Claude 技能，怎么知道它到底能不能被正确触发？以前靠手动试，现在... Skill Creator 内置了测试功能，帮你自动跑评估。 你现在可以给技能定义一组测试提示词，描述"什么样的回答算合格"，然后让系统自动跑测试、出报告。 不需要写代码，不需要搭测试框架。 具体新增了四个能力： 自动化评估（Evals）： 定义测试提示词和预期结果，系统自动运行并追踪通过率、耗时、token 用量。当模型更新或基础设施变化时，你能立刻发现技能是否"退步"了。 多 Agent 并行测试： 测试用例不是排队跑的，而是在独立的 Agent 中并行执行，每条测试互不干扰，各自有独立的 token 和耗时统计。 A/B 对比： 系统用"比较器 Agent"对两个版本的技能做盲测对比，去掉主观偏见。你改了技能描述，想知道新版比旧版好还是差，直接跑一轮对比就有答案。 触发率优化： 这可能是最实用的功能。系统会分析你的技能描述和测试提示词，建议怎么改描述才能减少误触发和漏触发。官方测试中，6 个公开的文档类技能有 5 个的触发准确率得到了提升。show more

你会为喜欢买单，还是实用？ 最近想换个新手机，一直喜欢三星W25，上大学的时候兼职卖过几个月手机，那个时候W系列还是翻盖机，成龙代言的，每卖出一部手机就捐出去一部分建设希望小学。 W 系列从此成了我可望不可及的大哥专属手机，直到今天我能买起了，走进店里看了好久都爱不释手，于是鼓足勇气下单，店员却告诉我没现货，调货要一个小时。 就是这一个小时的等待时间让我改变了主意，我用 Chat gpt 查了下 W25... 和 S25 Ultra 性能对比，发现 S25 U 的芯片更好，性能更强。我一下子就打消了购买 W25 的想法，最终买了 s25 ultra。 原因有三点： 1，风险，折叠屏更容易摔坏，一旦摔坏时间成本升高，数据可能丢失； 2，价格，它比旗舰机贵 5000 块； 3，性能，芯片不如旗舰机，安卓手机本身就是越用越卡。 说了这么多，其实还是因为自己内心的贫穷，永远没法为自己的喜欢买单。。。show more

卧槽，Google/DeepMind 团队最新演示的 AI 递归自我改进论文有点吊炸，奇点要来了吗！？ 以前让 Agent 去探索一个复杂的算法或 GPU 算子，每试错一次就要花几十美分、还要等编译跑分，钱包根本扛不住。... 谷歌 Dream-RSI 的思路变了：它让模型在过去的历史日志里做梦，用极低成本试完几千种打法，选出最好的再上线实测。 早上好好看了下，发现DeepMind 这篇 Dream-RSI 最值钱的突破其实还不只是让 AI 去修改自身权重， 他们终于找到了一种办法，把调用大模型做探索的成本直接打掉了最高 162 倍。 对正在做代码智能体、自动科研和算法优化的人来说，这篇论文给出了一个极度清醒的工程底座。 它的思路非常克制，一共踩实了三步： 1️⃣ 冻结模型权重，只改战术打法 科幻小说里的自进化，往往是让模型自己改自己的底层代码或权重，结果往往是灾难性遗忘和幻觉暴增； 谷歌第一步就把安全阀焊死了：底层的大模型完全固定不动，它只负责干活； 自我改进的对象，是指导模型去哪里搜索、什么时候回溯、怎么选分支的探索策略。 2️⃣ 把历史残局做成做梦模拟器 这是全篇最聪明的一步。 以前让 Agent 探索长链条任务，最昂贵的是每一步都要真机运行、在线打分； Dream-RSI 把过去跑完的探索轨迹存成了一棵不可篡改的历史树； 这棵树就是环境模拟器，系统可以在离线状态下疯狂做梦，把成千上万种新的探索打法放在历史数据上快速过一遍， 既不需要重新调用大模型生成一遍内容，也不用重复去跑耗时的编译器。 3️⃣ 用历史教训筛选出最佳策略再实战 在沙盒里挑选出得分最高的探索策略后，才把它装载到下一轮真实的业务环境里； 在数学优化、算法设计和 GPU 内核优化的测试中，它不仅拿到了持平甚至更好的方案， 还把在线调用大模型的次数砍到了原本的几十分之一，特定测试下甚至减少了 162 倍。 但看这篇论文必须看清它的取信边界： 这种自我进化之所以成立，是因为算法和 GPU 代码有着极其冷酷的判定器，能不能编译、运行速度快了多少，物理世界会给出绝对确定的分数； 如果换成写文章、做设计等没有客观真理裁判的场景，做梦机制会瞬间退化成自我陶醉的幻觉堆叠。 真正的智能化突破，往往不是靠盲目堆算力去穷举试错； 模型的能力可以固定，但通过沉淀过去的失败轨迹、用最低的代价把搜索战术打磨到极致， 这套把经典强化学习移植进 Agent 系统的框架，给很多被高昂 API 账单卡住的团队，指了一条极其实在的生路。show more

Polymarket 上一个 天气套利 Python bot 的代码，被泄露出来了 而且这次放出来的，不只是代码 还包括一整套 从搭建到策略逻辑... 的说明 这篇内容讲的核心很直接： 就算你 完全不会写代码，也能照着流程，先搭出一个自己的天气交易 bot 它覆盖的内容包括： 机场天气 API 的解析 策略的基本设置 仓位大小的处理逻辑 这套 bot 的逻辑，大致是这样： • 用机场坐标，从 NWS 获取天气预测 • 把站点实时数据和 1 小时 forecast 做比较，拿到更接近真实的判断 • 在 Polymarket 上寻找 $0.01–$0.15 的温度区间 • 当市场价格 低于或等于入场阈值 时进场 • 先用 $1000 做策略模拟测试 • 后续仓位管理还会加入 Kelly + EV 的 sizing 逻辑 这类 bot 最值得看的地方，不是“明天能不能立刻赚到 $500” 而是它给了你一个可反复测试的 sandbox 你可以先把自己的想法丢进去跑，再决定哪些天气策略真的值得上实盘。 也就是说，它卖的不是暴富承诺 而是一套能让你自己验证策略的框架 这种“先给你测试环境，再让你慢慢调策略”的 bot， 你觉得更适合新手入场，还是只对已经会做天气盘的人有用？show more

别再买昂贵的显卡了，这个项目把手头闲置的手机、平板、电脑组成一个 AI 计算集群 在GitHub 已斩获 4w+star 它把你所有设备的算力统一成一块虚拟 GPU，iPhone、iPad、Mac、树莓派，只要接在同一个局域网里就行 不用手动配置，自动发现节点，p2p... 直连，所有推理都在本地跑 它会根据每台设备的实时性能和网络状况决定怎么切分模型，确保整体推理速度达到最优 有人实测用 4 台 M3 Ultra Mac Studio 跑起了 DeepSeek v3.1 671B，支持 RDMA over Thunderbolt 5 之后多机延迟降了 99%show more

Claude有个很让人不爽的点！！ 每次新模型发布，官方非订阅用户连体验的资格都没有！！ 想起之前在 ZenMux 充了钱还没用完，登上去一看，没想到已经上架了Claude Fable 5 ， 也算是第一时间体验上了这个“目前最强模型”。... 听说这模型死贵！！ 于是很慎重的用它跑了一个支付模块重构的任务！ 零代码基础，只能把之前Codex的输出给复制进去， 任务要求比较复杂： 保持原 API 兼容； 拆出 PaymentRequested / PaymentSucceeded / PaymentFailed； 补幂等，避免重复扣款； 改状态机； 更新单测； 输出迁移风险； Fable 5 不算快，面对这个长任务，它做对了两件事： 第一，先拆计划，再执行。 它把兼容层、事件定义、状态机、handler、测试、回滚风险都列出来了。 第二，最后主动自检。 它自己指出：支付成功事件必须幂等；旧接口“返回成功”不再等于“扣款完成”，调用方文档要改。 结果看起来，还是一如既往的稳！ 但是真的贵，就这么几分钟，直接跑了十多美金！！ 所以，我觉得要是家里没有矿，还是不要随便用Fable 5 ，根本不适合当常驻模型！ 感谢Zenmux让我体验了一下“宇宙最强”！ 虽然有点贵，但有时候相比价格，省心省力会更重要。 比如多文件重构、复杂迁移、PR review、长链路 Agent workflow这些复杂任务，偶尔用用，还是可以的！ 最后说一下 Zenmux，它有个PK 模式我一直很喜欢，可以同屏对比多个模型输出、延迟和成本。 现在刚好还有个限时的充值返赠活动： 充 20 美元送 10 美元 充 50 美元送 30 美元 如果你想第一时间体验Claude Fable 5或者其他模型，现在就是下手的最好时间！show more

去年帮亲戚打理一家小面馆，第一周我就被收银这事儿整懵了。顾客点完单，我得翻本子记、回头再抄进Excel算账，月底盘库存更是靠肉眼数面条。后来实在受不了，决定找个免费好用的收银系统，结果搜了一圈发现：要么上云、要么付费、要么功能堆得像给连锁餐厅用的。 直到这个Flutter写的开源项目，我才觉得"这事终于对了"。它叫POS System - Order & Checkout。 说说我为什么觉得它踩中了小餐馆的所有痛点： 食材库存管理——每道菜都能设库存阈值，卖一碗牛肉面就自动减一份，快卖完时心里有数，不用再半夜爬起来数冰箱。... 顾客分析——这功能我挺意外，结账时能顺手记下顾客的性别和年龄，日积月累能看出谁在反复光顾、什么年龄段是主力，对调整菜单挺实用。 蓝牙打印小票——连上热敏打印机就能出票，不用依赖网络，这对小店来说太刚需了。 完全离线 + 隐私优先——数据只存在本地文件里，不用注册账号、不用连云端、不用担心顾客信息被上传到哪个服务器。说实话，单是这一点就让我睡得踏实。 自定义报表——支持折线图、饼图自己配，想看什么维度的数据拖一拖就行，不复杂但够用。 目前项目在GitHub上有持续更新，Google Play也有Demo可以试。当然，它不是那种"开箱即用、保姆级"的商用软件，需要一点动手能力去部署。show more

兄弟们，以前在DEX做流动性方案都是固定死的，想在某个价格区间多放些钱都不行，收益忽高忽低没谱，还得天天盯着调整，纯靠瞎忙活。 行情一波动，好多项目就歇着不干活了Ferra 反一直在优化实在的功能。 不用再用固定方案，想在哪个价格区间多放资金，直接设置就行，琢磨出好办法还能保存分享给别人，不用瞎折腾。 以前费率都是死的，现在行情稳的时候手续费低点，吸引更多人交易；波动大的时候自动调高，既能保护做流动性的人，还能多赚点手续费，挺灵活； 想发币的话，价格能按市场实际需求自动调，不会被科学家一上来就抢光，买卖都是真实的市场情况。 这两天BTC大跌，#Ferra 没躺平LP公会的奖金现在能领了，不是光画饼；还开放了谁都能建池、上币的功能，后续还要优化界面、搞交易协作这些，想让大家来了能留下来一起赚钱。 #Ferra... 没搞短期炒作，都是在做实在的改进：普通用户做流动性不用那么累，项目方发币更省心，交易者也能有更好的体验。行情不好还踏实做事的项目，确实值得多留意下。 Ferra #FerraLPGuild #Sui #CetusProtocol #ferraprotocol #ferra Ferra Feedsshow more

从产品视角看 白 + 支付结算 + 隐私”做成一条更短的路径 孙哥参与顾问的项目 白 让用户/开发者/未来的智能体，用统一入口与统一结算方式，低摩擦地调用顶尖模型与算力，同时尽可能减少传统支付体系带来的行为画像与围墙效应。... 1）用户痛点到底是什么？不是“没有模型”，是“调用这件事太碎” 如果你是普通用户或轻量创作者，你会遇到这种体验问题： • 想用不同模型完成不同任务：写作一个、代码一个、图片一个、推理一个 • 但每家要注册、订阅、绑定支付、切换账号 • 一旦涉及支付，信息链路和行为沉淀很重（隐私敏感的人会非常在意） 如果你是开发者/团队，痛点会更硬： • 多家模型不同 API、不同限速、不同计费、不同账单 • 采购与对账像在做供应链 • 模型迭代很快，接入层维护成本越来越高 • 更现实的一点：跨区域支付/风控/合规流程会直接卡进度 而当你开始做 Agent，痛点会升级成“结构性问题”： • Agent 要按任务动态选模型、选算力 • Agent 需要“自己付钱买资源”，才能持续运行 • 没有支付与结算能力，Agent 很容易停在 demo（靠人工续费/人工维护） 2）白 把产品拆成三层：入口、路由、支付网络 白 的产品设计不是单点功能堆叠，而是三层结构，对应三类用户与未来演进： （1）To C：BAIclaw（白虾助手）——多模型交互入口，主打隐私体验 这是面向普通用户的入口层：把多模态与多模型聚合到一个交互端，并把“隐私保护”放在主叙事上。 从产品价值来说，它解决的是“想用最合适的模型，但不想在一堆平台之间迁移和暴露信息”的需求。 一个很直观的对比案例： 你在传统平台用信用卡订阅/计费时，支付链路天然会把“你是谁、你在哪、你买了什么、你多久用一次、你偏好什么能力”沉淀成画像；而 白 主推的路径是钱包地址登录 + 链上支付，尽量把这条“支付—身份—行为”的绑定关系拆开，让隐私敏感用户在使用多模型时不必默认交出完整画像。 这也是孙哥特别推的一点：匿名与隐私不是噱头，而是 Agent 时代的生产要素——谁控制了调用与支付数据，谁就控制了未来的分发与定价权。 （2）To B：LLM 顶尖大模型聚合路由——开发者默认网关 对开发者来说，白 的关键点是“路由”而不是“模型”。 它提供统一 API，把多模型接入变成一种更工程化的能力： • 不用逐家谈采购、逐家接 SDK • 不用自己维护复杂的切换与策略 • 让产品团队能把资源花在体验与场景，而不是胶水工程 你可以把它理解为：多模型时代的“接入层与调度层”。 （3）To Agent：AI 智能体链上支付网络——让智能体拥有身份与支付能力 白 提到的双协议（x402 / ERC-8004）对应两个核心能力： • ERC-8004：链上身份（让 Agent 可被识别、授权、计量） • x402：无摩擦支付（让支付成为可编程能力） 它想解决的是：当 Agent 开始自主运行时，支付/结算不应继续依赖“人类账号 + 信用卡 + 平台风控”这套体系。 这里也可以用一个更“可感知”的案例来理解： 假设一个 Agent 需要和另外 5 个 Agent 协作完成任务（A2A），并且按贡献实时分账：传统体系下你很难做到“秒级微结算 + 自动对账 + 可验证历史”；而依托 x402 与 ERC-8004，交易与交互历史可以沉淀为可验证的信任基础，逐步形成“Agent 社会”的信用体系，使得真正去中心化的 A2A 协作与微结算成为可能。 更重要的是，一旦这条支付网络已经支持多链、支持主流加密币种的支付，那对 Agent 来说就不是“能不能付”的问题，而是“付得足够快、足够低摩擦、可跨生态”的问题——这会直接决定 Agent 商业闭环能不能跑起来。 3）它解决的问题可以总结成一句产品话术：把路径缩短 站在产品角度，白 做的是把链路变短： 以前： 多平台注册/订阅 → 各自绑定支付 → 调用留痕与画像 → 多模型维护与对账 现在（白 叙事）： 钱包登录 + 链上支付 → 统一调用与路由 → 清算网络支撑结算 → 更少网关壁垒 这里要注意它的 PR 边界：白 并不把自己描述成“代理/中转站”，而是强调智能路由、算力聚合、底层基建、隐私保护、无边界访问——也就是把自己放在基础设施位置，而不是工具拼装位置。 4）对标怎么说才专业：体验上像 OpenRouter，但差异点在隐私与支付闭环 如果非要找一个“体验层”的参照，白 在 To C/To B 的使用路径上，确实会让人联想到“多模型聚合平台”（比如 OpenRouter 的那类思路）。 但 白 想强调的差异不是“模型更多”，而是两点： 1）隐私叙事更强：通过链上支付，尽量切断传统支付体系的信息收集闭环 2）更偏 Agent 经济化：不仅是聚合调用，还要把身份与支付/清算做成底层网络，让 Agent 能自主购买算力并形成商业循环 这也是为什么它避免和 OpenAI/Anthropic 直接竞争——它的野心不在模型层，而在“让模型与 Agent 可持续运行”的底层能力。 5）适合谁用：三类用户一眼就能对号入座 普通用户/创作者： 想要一个入口随时切模型，同时更在意隐私与支付痕迹的人。 开发者/产品团队： 想降低多模型接入维护成本，尤其是需要动态路由、统一结算、快速迭代的团队。 Agent 构建者： 目标是让 Agent 真正自主运行（能付费、能对账、能闭环），而不是停留在演示。 6）为什么说孙哥这步布局“格局高”：再创业不是换赛道，是把赌注押在底座 孙哥作为 白 顾问，我觉得这里最打动人的点，反而不是“站台”，而是他身上那种典型的 AI 赛道创业者气质：看得更远，也更愿意做难事。 很多人会选择在应用层追热点、做流量型产品；孙哥更像是在“第二次创业/再出发”时，把筹码压在下一阶段的必需件上——当 Agent 从“会对话”走向“会协作、会交易、会自我运转”，身份、支付、清算、路由会从可选项变成基础配置。 这种选择不一定最热闹，但一旦趋势兑现，基础设施的生态位会更稳、更厚。能在大家都追短期叙事的时候，去推动“匿名与隐私保护”以及“Agent 经济化 H.E. Justin Sun 👨‍🚀 🌞 B.AI #TRONECOStarshow more

我觉得自己转变为创业者身份以后确实认知提升了。以前看见这样的视频，也会在嗤之以鼻的同时，思考一些优化的方案，比如： 我们可以只采用一套采编（可能视频里干的不是采集，还请专业人士指正）设备，然后分输入信号到各个手机； 接着会考虑，我们可以不需要实体手机，只要把信号转接到电脑的虚拟机； 然后会想，这一套东西使用容器化拉起就可以了，还可以按需扩缩容； 说不定就真的这么去干了，最后实操才发现各种受限、卡脖子、兼容、调试，钱没赚到，技术倒是精进了不少 现在发现简单粗暴买一大堆山寨手机来进行类似操作可能才是大干快上、经济实惠的最优解 之前全家移居日本（ 考虑做课程（ deadline... 再做，事情推着自己进步，总是会向好的方向发展 干什么不是这样呢！show more

Codex 5.6 真正与普通人拉开 90% 差距的，不是 prompt，而是你会不会配置 config.toml 很多人用 Codex... 还停留在“打开就聊”，但真正重度使用的人，早就把模型、任务模式、项目规则和自动化流程写进配置里了。 现在 Codex 5.6 最值得折腾的 4 个专业设置： 1️⃣ 固定模型 + Reasoning Effort 别每开一个任务都重新选模型。 把默认模型和推理强度写进 ~/.codex/config.toml，日常任务追求速度，复杂架构任务再提高 reasoning effort。 输入prompt： 请检查我当前 Codex 5.6 实际支持的模型和 reasoning effort 配置，不要猜测或使用已经废弃的参数；然后修改 ~/.codex/config.toml，为日常 Coding 设置合理的默认模型与推理强度，并告诉我具体修改了哪些字段、为什么这样配置，最后验证配置是否成功生效。 2️⃣ 不同任务建立 Profile 写功能、修 Bug、Code Review、做系统架构，根本不应该用完全相同的配置。 Codex 支持 Profiles，可以针对不同任务切换不同工作模式。 配置用的prompt，直接用： 请基于我当前 Codex 5.6 配置创建 3 套 Profile：fast-dev 用于快速开发和小修改，code-review 用于 PR 和代码审查，deep-architecture 用于复杂系统设计；分别配置合适的模型、reasoning effort 和执行策略，不使用已经废弃的配置项，并告诉我之后如何通过 --profile 切换使用。 3️⃣ 给每个项目建立独立配置 全局配置解决“你习惯怎么工作”，项目配置解决“这个项目必须怎么工作”。 把技术栈、测试方式、项目约束和工具配置放进项目自己的 .codex/config.toml，不要每开新会话都重新解释。 直接输入： 请分析当前项目的技术栈、目录结构、测试方式和开发工具，为这个项目设计一份最小化的 .codex/config.toml，只写当前项目真正需要的配置，不覆盖无关的全局设置；完成后解释每项配置的作用，并检查项目级配置是否能够被当前 Codex 正确加载。 4️⃣ 用 Hooks 把规则变成自动执行 最浪费时间的方式，就是每次都提醒 Codex 改完记得跑测试、提交前记得检查、别忘了扫安全问题。 现在可以直接把这些规则做成 Hooks，在生命周期节点自动触发。Codex 当前官方配置已经支持 lifecycle hooks。 直接用这段： 请检查当前项目适合配置哪些 Codex lifecycle hooks，并为我建立最精简的一套自动化流程：代码修改完成后运行必要测试和 lint，关键变更执行安全检查，提交前执行最终验证；只配置真正必要的 Hook，避免重复执行和拖慢开发速度，完成后实际触发一次并验证每个 Hook 是否正常工作。 真正高效的 Codex 启动就知道该怎么工作。 赶紧配置试试吧！show more

最近做了个小工具 Dukou，把微信聊天记录批量转发给你常用的 Agent。 实测 500 条消息，20 秒左右。 macOS 微信最近支持了将消息合并打包成... ZIP，转发给第三方应用。但目前能接住这份文件的应用还很有限，于是做了 Dukou，在微信和 Agent 之间搭座桥。 微信单次最多转发 100 条，Dukou 会自动分批、连续完成，不用一轮轮手动操作。把聊天记录交给 Agent，总结群聊、提取待办、整理资料都方便不少。 不用配置微信机器人，也不用折腾数据库 Key，整个流程调用微信原生功能，无任何门槛和风险。 开源，免费。欢迎试试：show more