Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

现在用 Claude Code / Codex 做产品,写代码反而越来越不是最难的部分。 真正麻烦的是:去哪找数据? 刚翻到一个 GitHub 46W ⭐️ 的老牌仓库:public-apis。 股票、Crypto、新闻、天气、地图、航班、体育、政府数据、机器学习…… 各种公开 API 全部按类别整理好了。 以前做一个产品: 先搜 API → 看文档 → 注册 → 测接口 → 再开始写代码。 现在完全可以反过来: 先告诉 Agent:“我要做一个美股 + 新闻 + Crypto 情绪 Dashboard。”然后让它来这里找数据源,再自己接 API、写后端、做前端。 AI Coding 把“代码”变便宜以后,真正值钱的开始变成数据和接口。 模型负责思考;代码负责执行;API 负责把 AI 接到真实世界。 仓库:

27,504 Aufrufe • vor 3 Monaten •via X (Twitter)

47 Kommentare

Profilbild von 星烁 | Gate打金狗0Gas费
星烁 | Gate打金狗0Gas费vor 3 Monaten

AI写码不难,数据接口才值钱

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

说到正理了,数据才是基础。

Profilbild von 新瑞🐳
新瑞🐳vor 3 Monaten

来学习amazing 😘

Profilbild von 二狗
二狗vor 3 Monaten

数据其实是最难的部分

Profilbild von CarrotSwap
CarrotSwapvor 3 Monaten

Agreed. AI agents need data more than code these days. That's kinda what our SpoonOS folks are building infra for — helping agents connect to real-time crypto/DeFi info. The hunt is real. 👀

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

谢谢

Profilbild von 时愿
时愿vor 3 Monaten

现在就去试试

Profilbild von 小孩💢
小孩💢vor 3 Monaten

API 负责把 AI 接到真实世界

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

也可以这样理解,api数据,ai运用。

Profilbild von 小赵|🕊️| 🎒
小赵|🕊️| 🎒vor 3 Monaten

数据源才是AI产品真正的护城河

Profilbild von Crypto墨城
Crypto墨城vor 3 Monaten

说到点了,我学习学习。

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

一起学习,学习使人进步。

Profilbild von 凯尔 Skyler 🟠
凯尔 Skyler 🟠vor 3 Monaten

加密数据接口太难找了

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

其实非常容易,只是你不太熟悉,直接用它。

Profilbild von 禹攸 | Gate Card刷遍全球
禹攸 | Gate Card刷遍全球vor 3 Monaten

搞定数据源就赢了大半

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

api搞定,其他都是小问题。

Profilbild von TaoFen
TaoFenvor 3 Monaten

南亥老师,这个是不是有点儿以结果为导向来进行写代码的啊

Profilbild von 石井°
石井°vor 3 Monaten

来学习了,以前难的是写代码,现在难的是找对数据。

Profilbild von 阿军
阿军vor 3 Monaten

数据源打通了等于事半功倍

Profilbild von web3 八方
web3 八方vor 3 Monaten

包租公周末这么早啊

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

早起运动减肥

Profilbild von 撸币教程|火币余币宝13%
撸币教程|火币余币宝13%vor 3 Monaten

这个工具好啊

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

数据是基础,ai是未来。

Profilbild von 陶朱 | Gate Card刷遍全球
陶朱 | Gate Card刷遍全球vor 3 Monaten

代码便宜数据贵

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

是啊,许多数据你还不知道在哪里查。

Profilbild von K-Line
K-Linevor 3 Monaten

以前做个天气App光找接口就折腾一礼拜,现在让Agent直接翻这个仓库挑数据源,确实省事,但真正值钱的还是怎么把数据用出花来

Profilbild von 猪脚饭.Ai
猪脚饭.Aivor 3 Monaten

好东西 收藏了

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

必须收藏😂

Profilbild von HuaHua🌱
HuaHua🌱vor 3 Monaten

加油,祝早日研发出

Profilbild von Zyc
Zycvor 3 Monaten

收藏一波

Profilbild von 等待被割的老韭菜 Gate打金狗0Gas费
等待被割的老韭菜 Gate打金狗0Gas费vor 3 Monaten

数据的寻找还是很重要的

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

先有数据才能让ai快速处理!

Profilbild von 小伍哥 | Gate打金狗0Gas费
小伍哥 | Gate打金狗0Gas费vor 3 Monaten

学习学习。

Profilbild von Miya | Gate Card刷遍全球
Miya | Gate Card刷遍全球vor 3 Monaten

数据接口才是新基建

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

没有数据,ai也无法非常不错运用。

Profilbild von layen.bnb |Bluebird🕊️Backpack 🎒
layen.bnb |Bluebird🕊️Backpack 🎒vor 3 Monaten

謝謝老師這個資料倉庫

Profilbild von 老韭菜南亥
老韭菜南亥vor 3 Monaten

不客气,有用就行

Profilbild von Freesia
Freesiavor 3 Monaten

学习学习

Profilbild von SweetGuy
SweetGuyvor 3 Monaten

Nice

Profilbild von ApeCaptain
ApeCaptainvor 3 Monaten

感谢推荐

Profilbild von Weilan
Weilanvor 3 Monaten

数据接口确实是新基建了

Profilbild von AI Mastery Guide
AI Mastery Guidevor 3 Monaten

Data is the real bottleneck now.

Profilbild von 交易何.Ai
交易何.Aivor 3 Monaten

数据源确实是现在做AI产品的核心瓶颈,特别是加密这块,很多实时接口都要付费或者限流。public-apis这个仓库确实良心,分类也全,省了不少筛选时间。

Profilbild von 观象外
观象外vor 3 Monaten

这倒是蛮有用的诶,正好需要

Profilbild von 9h0st
9h0stvor 3 Monaten

确实,找数据越来越成了产品开发的关键!public-apis 整理得很好,节省了不少时间。希望越来越多的人能善用这些资源!

Profilbild von DJ
DJvor 3 Monaten

马上用起来

Profilbild von InsomniaLK
InsomniaLKvor 3 Monaten

确实,以前找 API 是体力活,现在整理好直接调确实省事很多

Ähnliche Videos

这项目我可太爱了!! 一个哥们把1324个健身动作全整理完了,英文、西班牙语、意大利语、土耳其语、俄语、中文,六种语言的动作讲解全翻好了。 本来这事你至少得雇两个人,一个整理数据,一个翻译。现在一个开源仓库,建表SQL、API代码、连LLM提示词都给你写好了,复制粘贴就能用了。 我最近减肥中,打算自己搞个小程序,监督训练,就看到了这个宝藏项目。 其实,做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完,把英文讲解一字一句翻成中文,再琢磨数据存哪、怎么让App读到这些数据。这堆东西,一个人干至少两周,外包出去少说两万。 这个仓库把三件事全替你干了。打开这个仓库你能拿到什么: 1324个动作的数据库,按部位、器械、目标肌肉全部分好了,拿来就能用 六种语言的讲解翻译全齐,不用自己雇人译 选个数据库类型,建表代码自动生成,不用从零建库 接口直接给你写好,七八种语言都能跑,改个地址就行 最狠的,连让AI帮你生成整个后端的提示词都写好了 数据录好了,六种语言翻好了,数据库怎么建也用不着你想了。打开setup.html,选一下你用的数据库类型,四五个主流的一列都支持,建表代码直接生成。 你连接口都不用自己看代码写了,选完框架和数据库,它给你生成一段提示词,直接甩给Claude或者GPT,一条消息整个后端就出来了。 老王自己跑了一趟,先做了个网页版吧,半小时全通了,六种语言的接口一个没落。 你也可以尝试一下,做一个自己的健身管家。

产品经理老王霸

35,058 Aufrufe • vor 4 Monaten

卧槽!终于有人把 A 股 + 美港股的免费数据源彻底打通了 一个人干了两套开源项目,把散落在各个平台的股票数据全收拢起来,直接整理成 AI 能拿来用的数据层。 以后不用再满世界找接口、折腾反爬,连专业数据这笔钱都能省下一大块。 A 股版:a-stock-data 覆盖:实时行情、资金流、股东户数、龙虎榜、全量公告、研报 PDF、概念板块、北向资金、融资融券、大宗交易、解禁等。 1️⃣ 7 层数据架构 2️⃣ 28 个数据端点 3️⃣ 13 个数据源 4️⃣ 零第三方 data wrapper 依赖 美股 / 港股版:global-stock-data 覆盖:美股期权链、SEC EDGAR、XBRL、503 个 GAAP 指标、技术指标、资金流、财报三表、全市场股票列表等。 1️⃣ 8 层数据架构 2️⃣ 18 个数据端点 3️⃣ 5 个数据源 4️⃣ 核心只依赖 requests 我觉得这两个项目真正有意思的地方,不是“又多了两个股票 API”。 而是作者直接把数据能力做成了 Skill。 接到 Claude、GPT、Cursor、Codex 之后,AI 可以自己查行情、翻财报、读公告、看资金流,再继续往下做分析。 以前是:人找数据 → 人清洗 → 人整理 → 再喂给 AI。 现在开始变成:你提问题 → Agent 自己找数据 → 自己分析 → 直接给结果。 做 A 股 / 美股 / 港股复盘、AI 投研、量化分析、自动化报告的,这两个建议一起收下。

爱吃折耳根的Ace

19,411 Aufrufe • vor 1 Monat

做数据分析的人应该都懂那种崩溃感: Excel 一开就卡、SQL 跑半天、模型调参像瞎猜、报告一写就是一下午。 更别说很多人本职工作也不是“数据科学家”,但又不得不啃一堆 CSV、报表和图表。 这两天看到人民大学 RUC Datalab 开源的DeepAnalyze,有点眼前一亮。 它不是那种“帮你写点分析文案”的 AI,而是想做一个真正的「AI 数据分析师」: 能读 Excel/CSV/JSON/TXT,自己规划步骤、清洗数据、建模、画图、最后给你一份完整报告。 甚至还能把推理链(reasoning trace)展示出来,让你看到它是怎么一步步想出来的。 我自己最有感觉的点有几个: 以前 ChatGPT 更像“写稿子、写代码”的助手,但对数据本身不够“懂”; DeepAnalyze 直接把这一块补上了,做到“从数据到报告”的全流程; 对普通人来说,可能第一次有机会把“专业的数据分析能力”当成一个工具来用,而不是一门必须自己啃几年的技能。 当然,它现在肯定还不完美,落地也需要折腾环境、准备数据。 但这个方向我很看好: AI 帮你做繁琐的统计和建模,人类负责问好问题、选好指标、做最后决策。 数据分析不再是少数人的特权,而是变成人人可用的一种“智能能力”。 简单说: 过去是「你学会数据分析再去用工具」, 以后可能是「你先有一个 AI 数据分析师,再慢慢学会怎么问对问题」。

sitin

15,328 Aufrufe • vor 1 Jahr

卧槽!AKShare 的 1000 多个财经数据接口,现在连 Claude Code 都能直接调用了! 股票、ETF、基金、期货、宏观经济数据,不用自己写 Python 爬取,直接让 AI 查询就行。 AKTools,1.5K Stars、MIT 开源,由 AKShare 团队开发,支持 HTTP API + MCP 两种调用方式。 以前做量化研究,Python 获取数据还算方便,但换成 JavaScript、Go、Java,又得自己封装接口,AI 想查询行情也得额外写工具。 现在 AKTools 直接把 AKShare 的数据接口变成标准 API,AI 还能通过自然语言自动查找和调用。 核心能力: 1️⃣ 1000+ 财经接口:覆盖 A 股、基金、期货、宏观经济等 AKShare 数据资源 2️⃣ AI + MCP:支持 Claude Code、Claude Desktop、Cursor,让 AI 自动查找接口并获取数据 3️⃣ 跨语言调用:Python、JavaScript、Go、Rust、Java 等都能通过 HTTP 获取行情 4️⃣ 数据直接导出:支持 JSON、CSV、Excel,不用自己写数据格式转换代码 5️⃣ 一键启动服务:一行命令启动 HTTP API,支持 Docker 和服务器部署 6️⃣ 接口搜索与缓存:自动查询接口参数,内置 60 秒缓存,减少重复请求 更实用的是,你可以直接告诉 Claude Code: “帮我获取贵州茅台最近一年的日线行情,再分析价格和成交量变化。” AI 就能搜索对应的 AKShare 接口、填写参数并读取数据,不用自己反复查文档。 整个服务也能部署到本地或服务器,让多个程序共用同一套财经数据接口。 做 A 股量化、金融 AI Agent、股票数据分析或者自动化投研的,这套工具值得收藏!

爱吃折耳根的Ace

13,300 Aufrufe • vor 15 Tagen

如果你经常用 Claude、Cursor、Codex 做金融分析,这个可以直接给 AI 装一套金融数据底座——FinanceMCP 它不是单纯接一个行情 API,而是把股票、基金、债券、期货、宏观、新闻和 Crypto 数据统一封装成 MCP,让 Agent 自己按需要调用。 核心能力: 1️⃣ 19 个金融 MCP Tools:行情、分钟 K、财务、基金、资金流、龙虎榜、融资融券、宏观、7×24 新闻等都已经封装好 2️⃣ 多市场覆盖:A 股、港股、美股、指数、基金、债券、期货、外汇、宏观和加密资产 3️⃣ 多数据源路由:支持 Tushare、Qveris、Twingly、Binance,Agent 不需要自己判断该调哪个接口 4️⃣ 自动降级:某个数据源限流、超时或没有覆盖时,会自动切换到下一个可用来源 5️⃣ 来源可追溯:每次返回都会标记实际用了哪个数据源,方便检查 AI 到底拿了什么数据 6️⃣ 技术指标:MACD、RSI、KDJ、BOLL、MA 可以直接计算,不用每次让模型自己写 7️⃣ Claude / Cursor / Codex 都能接:支持本地 stdio,也支持自己部署 Streamable HTTP 以前想让 AI 帮你查 A股数据,得自己写一堆 Tushare 接口、处理降级、再拼指标。 FinanceMCP 不一样,一个 MCP 服务把 19 个金融数据工具全封装好,A股/港股/美股/基金/债券/期货/外汇/币圈全覆盖,接上 Claude/Cursor 直接用。 我比较喜欢它的一点是:很多金融 Agent 最大的问题,不是模型不够聪明,而是数据源太乱。 AI 查 A 股用一个接口,查 Crypto 又换一个,新闻再换一个,任何一个接口挂了,整条分析链路就断。 想让 AI 真正能查 A股数据、写研报、做分析,这个 MCP 值得接上。

爱吃折耳根的Ace

16,731 Aufrufe • vor 2 Monaten

以后的工作方式,不会是一个人指挥一堆 AI,而是几个人加几个 Agent 在同一个群里一起干活 Teamily AI 是我见过第一个把这件事做顺的 Humans + Agents 平台:项目做到一半突然改主意,人和 Agent 都能接着彼此的成果往下做,越做越像一支真正的团队 这次我就拿自己一直在用的美股研究站: Teamily 里做了个真实测试。 Product Agent 先分析现在网站的问题,UX Agent 接着重新设计首页,最后直接用 Website Builder 做出新版。 我还把一起合作的伙伴拉进了群,他看完第一版在群里说:“不要再像普通 AI SaaS 官网,我要用户打开就能直接研究股票,更像一个专业的 Research Terminal。”,Builder 把这条也一起做进了新版。 最后出来的新版,Ticker 搜索、热门股票、最近研究这些都被提到了前面,整体也从一个普通工具站变得更像真正的美股研究终端 我自己其实完全不懂网站设计,所以这次最有感觉的不是“AI 会写网页”,而是我真的可以像拉一个项目群一样,把 Product、UX、Builder 都放进去,各自负责一块 我只负责说我要什么、哪里不满意,中间临时改方向,它们自己继续往下接,最后直接在 Website Builder 里把东西做成。 这也是我觉得 Teamily AI Teamily AI 比较特别的地方:它不是让我去管理一堆独立的 AI,而是把人和 Agent 放进同一个工作空间里,聊天、任务、修改记录和最终交付物都在一起。 所以Teamily AI 是一个人和 Agent 协作的工作空间,特别适合小企业和小团队 像网站可以直接做到 Website Builder 里,研究、文档、Dashboard 这些也能从对话继续变成实际产物;一些反复要做的事情,还可以用 Loop 把整套人 + Agent 流程留下来,下次直接再跑。 对我这种一个人同时做产品、研究、内容的人来说,这个思路挺舒服的:我不用每个领域都变成专家,只要能把合适的事情交给合适的 Agent 新版研究终端在这: 产品:

梭哈.AI

14,669 Aufrufe • vor 1 Monat

做股票量化,其实真不一定非得拉一整支团队。 我把几个成熟的开源项目拼起来,一个人也能搭出一套比较完整的股票量化工作流: 数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行 我目前重点看的 5 个: Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整,适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做,回测和实盘基本是一套逻辑,网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉,很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整,美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合,把策略最终落到真实交易这一步。 这 5 个组合起来,大致就是: AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。 它们当然替代不了专业量化团队,但对个人来说,已经足够把一套股票量化流程真正跑起来。 想自己系统搭一套股票量化工作流的,这几个项目值得收藏跑一下的。

爱吃折耳根的Ace

21,007 Aufrufe • vor 2 Monaten

骂归骂,但毫无疑问claude code 是anthropic 出来的最优秀的产品。 这篇 Anthropic 原文是 Claude Code 的“口述史”,首先文章网站做的就很有意思:直接仿真了一个terminal,看起来很有趣! 内容上:讲了 Claude Code 从早期内部实验、clide 原型、Claude CLI,到 2025 年研究预览发布后的扩散过程 一句话总结:Claude Code 的成型,靠的是模型能力进步、终端式产品形态、小团队高频迭代、Anthropic 内部重度试用,以及一批早期用户不断反馈出来的真实工作流。 Claude Code 不是突然冒出来的产品。Anthropic 从 2021、2022 年就一直在研究怎么让模型写代码、跑测试、用 bash、在真实环境里完成任务。 早期还有过 VS Code 插件和内部工具 clide,虽然粗糙,但已经证明“AI 可以真的参与开发”。 clide 很难用,但内部工程师一用就发现有未来感。Boris Cherny 后来做了 Claude CLI 原型,一开始没人太当回事,Slack 上反响也很小。直到大家看到它真的能改代码、写 PR、帮工程师推进工作,团队才意识到:这个方向值得全力做。 他们认为 Claude Code 代表一种新的写代码方式:工程师会越来越少手写每一行代码,更多是在安排任务、审查结果、管理多个 AI agent。它也可能让很多原本没钱、没团队做软件的人,第一次能做出可用工具。 原文链接:

岚叔

10,454 Aufrufe • vor 4 Monaten

卧槽!A 股量化最费时间的,可能根本不是写策略,而是把 7000+ 股票的分钟数据真正变成“能回测的数据”。 free-stockdb,2.6K Stars,MIT 开源,一套专门给 A 股量化做的本地数据引擎。 以前做全市场回测,光数据就能耗死你:7000+ 股票分钟线拉数据 3-5 天、清洗 1-2 天、复权 1-2 天、建库 1-3 天、算指标 2-3 天,一套下来 10-15 个工作日才能跑通第一个策略。 free-stockdb 不一样,数据同步 / 清洗 / 复权 / 组织全在同步层完成,策略只读本地数据,C++ 时序引擎加 Rust 计算核心,开箱即用。 核心能力: 1️⃣ 全市场本地数据:日 / 周 / 月线、1/5/15/30 分钟 K,ETF 和 Tick 数据也能继续接 2️⃣ 复权直接做好:前复权、后复权、不复权、原始复权因子统一查询 3️⃣ 增量更新:第一次同步完,后面只处理变化数据,断网也能继续研究和回测 4️⃣ 本地计算:内置 39 种指标 + 5 类指数,批量股票可以直接一起算 5️⃣ C++ 时序引擎 + Zstd 压缩,不用自己再折腾 MySQL、表结构和查询优化 6️⃣ Python、HTTP、Excel/WPS、网页、MCP 五种方式都能调用,Claude / Codex 也能直接接 我觉得它真正有意思的地方,是把 A 股量化最脏、最费时间的数据工程先处理掉了。 以前是: 每跑一个策略 → 请求 API → 等数据 → 清洗 → 复权 → 再回测。 现在更像是先把整个市场搬到自己电脑里,后面选股、因子、回测、AI Agent 全部围着本地数据跑。 核心服务甚至只有约 2.2MB。 做 A 股量化、全市场回测、因子研究,或者想给自己的 AI 股票 Agent 搭本地数据底座的,这个很值得收藏。 仓库:

爱吃折耳根的Ace

20,687 Aufrufe • vor 1 Monat