Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

白毛股神Serenity的投研/蒸馏 Skill大家都用过了吧？在调研了全网Skill后，我决定亲自长期维护这个开源项目。因为市面上的大部分Skill依赖大模型联网抓一些自媒体二手文章，关键数据全靠脑补，非常不严谨这和Serenity基于一手底层披露的投资理念完全不一样，而且推文一有更新，这些项目根本更新不上而我维护的开源项目：不会直接告诉你能不能买，而是让你真正学习并理解Serenity的思维框架。也许是目前市面上最严谨的Skill，甚至没有之一 1. 数据直连交易所：我写了 8,000+ 行 Python 数据网关，直连 SEC EDGAR 官方 XBRL 报表、巨潮资讯和港交所披露易，所有财务数据和公告绑定官方原文，杜绝大模型数字幻觉 2. 拒绝 AI 瞎猜数据：市值必须通过最新股价乘以真实申报股本程序化计算，不准大模型猜数字，误差超 1% 机器直接拦截 3. 还原Serenity的卡脖子理论：不是告诉你买什么，而是通过严密的买方证据链，拆解上下游供需、定位不可替代的物理卡点，带大家彻底看懂选股逻辑是怎么来的 Serenity 后续的所有最新推文、选股逻辑与思路变化，我都会持续收录并同步到 GitHub 仓库，感谢 Serenity 的无私分享🙏 GitHub：可以直接喂给你的 Codex、Claude Code、Grok使用

梭哈.AI

40,470 subscribers

26,454 Aufrufe • vor 18 Tagen •via X (Twitter)

Wissenschaft & Technologie Finanzen

Anya Rossi• Live Now

Private livecam show

42 Kommentare

Profilbild von 北衡

北衡vor 18 Tagen

二手文章数据不靠谱

Profilbild von daviswu

daviswuvor 18 Tagen

期待更新

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

可以提提意见，马上加入图标

Profilbild von Crypto老狼（暴富猎人版💰）

Crypto老狼（暴富猎人版💰）vor 18 Tagen

就看更新跟不跟得上推文

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

必须跟得上

Profilbild von Nate

Natevor 18 Tagen

水货她的观点数据是调研出来的你蒸馏网站的数据呵呵

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

这就是我的Skill 不一样的地方了，你可以仔细看看。你说的是普通的 Skill 蒸馏的流程，我们蒸馏的是方法论

Profilbild von 古登堡

古登堡vor 18 Tagen

感觉可以的，收藏了。

Profilbild von yifei

yifeivor 18 Tagen

感谢，已关注

Profilbild von 凌策 Legio 🥷

凌策 Legio 🥷vor 18 Tagen

你和股神一样专业

Profilbild von Ben Vale｜AI美股笔记

Ben Vale｜AI美股笔记vor 17 Tagen

感谢博主分享这个skill，刚刚我已经下载并安装使用了。刚刚我使用这个skill测了一下调研美光MU这个股票，4分钟了还没有出结果初步数据表明，美光正处于“周期高利润期”：最新季度毛利率约 86.8%，现金流也很强。关键要核实的是，这种盈利能否持续，以及客户的多年长约能提供多大保护. 👍

Profilbild von 澜知 AI

澜知 AIvor 18 Tagen

市面上很多所谓投研 Skill，核心数据全靠大模型上网搜二手文章脑补，跑出来全是大模型的数字幻觉。直接靠程序化算市值并卡死 1% 误差，数据绑定官方原文，跑出来的逻辑才靠谱。

Profilbild von Musolsol.𝟎𝐱𝐔

Musolsol.𝟎𝐱𝐔vor 18 Tagen

已严肃支持，确实很多时候AI会产生幻觉自己瞎捏数据，还得是梭哈哥~

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

隐隐感觉新一轮行情要来了

Profilbild von 丰硕

丰硕vor 18 Tagen

严谨比花哨重要。

Profilbild von 纳瓦尔格

纳瓦尔格vor 18 Tagen

数据的发布日期也得一起留着。旧财报里的数引用对了，放进今天的结论里照样会跑偏。

Profilbild von Ease渡川

Ease渡川vor 18 Tagen

8000行Python数据网关光看数字就服了

Profilbild von 卡霖

卡霖vor 18 Tagen

股神也能蒸馏？

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

必须

Profilbild von 云启

云启vor 18 Tagen

数字不让模型猜、算出来误差超 1% 直接拦，这一步非常关键，很多投研 skill 就栽在数据是脑补的。我更想知道推文更新后是手动整理还是自动抓，Serenity 思路变了的时候，旧判断会不会还混在里面

Profilbild von Pixiu.eth

Pixiu.ethvor 18 Tagen

八千多行代码够下功夫

Profilbild von Cocoa

Cocoavor 18 Tagen

八千行Python写出来是真有耐心

Profilbild von 老杨啊 | AI产品商业化

老杨啊 | AI产品商业化vor 18 Tagen

最认同的是那条硬规矩：市值必须用最新股价乘真实申报股本算出来，误差超 1% 直接拦截，不让大模型猜数字。

Profilbild von 珂珂（冠名就上薪火）买美股上币安

珂珂（冠名就上薪火）买美股上币安vor 18 Tagen

不直接给买卖结论，而是教人理解逻辑，这点很有价值。

Profilbild von Crypto ｜戏画师

Crypto ｜戏画师vor 18 Tagen

投研类 Skill 最有价值的确实不是直接给买卖结论，而是把数据来源、计算过程和推理链条透明化

Profilbild von 水工🍉伏魔投研

水工🍉伏魔投研vor 18 Tagen

搞个加密的

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

路上了

Profilbild von 沈曜 Btc

沈曜 Btcvor 18 Tagen

老师总结的很到位

Profilbild von Dark Black

Dark Blackvor 18 Tagen

感谢老师的分享

Profilbild von ming

mingvor 18 Tagen

二手文章喂出来的数，误差能到两位数，自己维护靠谱

Profilbild von Wale

Walevor 18 Tagen

数据源才是这类 Skill 的命门，模型再会推理，喂进去的是二手文章也白搭。

Profilbild von XiangShi🐬TermMax (💜,💛)

XiangShi🐬TermMax (💜,💛)vor 18 Tagen

数据直连交易所这点太关键了拒绝脑补才是真严谨

Profilbild von 蟾哥·change🔶

蟾哥·change🔶vor 18 Tagen

财务数据绑原文太重要了

Profilbild von Crypto ｜老程

Crypto ｜老程vor 18 Tagen

思路很靠谱

Profilbild von Mando

Mandovor 18 Tagen

看不到数据原始出处的，我不太敢用

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

你想看到什么数据原始输出。都开源了啊

Profilbild von web3 七七（冠名就上薪火）

web3 七七（冠名就上薪火）vor 18 Tagen

这种直接对接一手数据的思路确实靠谱

Profilbild von 安叫兽|Bird🕊️ 🔶 BNB

安叫兽|Bird🕊️ 🔶 BNBvor 18 Tagen

最怕研报写了三千字，数据来源是另一个号的三千字

Profilbild von 晚风

晚风vor 18 Tagen

自己写数据网关的都是狠人用起来放心

Profilbild von Crypto Bella

Crypto Bellavor 18 Tagen

误差超1%直接拦够狠的

Profilbild von 梭哈.AI

梭哈.AIvor 18 Tagen

是的，所以严谨

Profilbild von 抹茶小钱也省（返佣70%）

抹茶小钱也省（返佣70%）vor 18 Tagen

那些靠喂二手自媒体数据的工具确实没法深挖逻辑

Ähnliche Videos

25秒的视频--用白毛股神 Serenity 的Skill 研究股票 Serenity Serenity 的推文影响力太大了，喊什么涨什么，A股几百亿市值的股，她一篇推文就能直接拉 20% GitHub 上已经有很多把她方法论蒸馏成 AI Skill 的项目，我挑来挑去，最后选了目前最系统、最完整的一个——muxuuu/serenity-skill 这个GitHub开源项目把她全部公开推文里的投研路径，系统做成了可直接安装的 Agent Skill，装完后，你就能用 Claude code、Codex ..任何Agent帮你分析股票、拆解供应链核心框架：热点拆解 → 产业链分层 → 瓶颈识别 → 标的筛选 → 强证据核验 → 风险评估 + 优先级排序安装后直接扔问题给AI就行

25秒的视频--用白毛股神 Serenity 的Skill 研究股票 Serenity Serenity 的推文影响力太大了，喊什么涨什么，A股几百亿市值的股，她一篇推文就能直接拉 20% GitHub 上已经有很多把她方法论蒸馏成 AI Skill 的项目，我挑来挑去，最后选了目前最系统、最完整的一个——muxuuu/serenity-skill 这个GitHub开源项目把她全部公开推文里的投研路径，系统做成了可直接安装的 Agent Skill，装完后，你就能用 Claude code、Codex ..任何Agent帮你分析股票、拆解供应链核心框架：热点拆解 → 产业链分层 → 瓶颈识别 → 标的筛选 → 强证据核验 → 风险评估 + 优先级排序安装后直接扔问题给AI就行

梭哈.AI

82,280 Aufrufe • vor 5 Monaten

有人把最近爆火的白毛股神大 V Serenity（ Serenity ）的投研思路蒸馏成 AI Agent Skill，并且全开源了直接装进 Claude / Codex / Cursor，AI 就能直接按照Serenity的硬核工作流，帮你拆解产业链➡️锁死真正卡脖子的单点垄断➡️过滤蹭热点公司➡️回到财报/客户/产能/公告核实证据➡️交付研究清单全网实测了几十个skill，真正有价值的是这 5 个： 1. 直击最底层逻辑：找那个最难扩产、最难替代、供应商最少的 Chokepoint，适合拿来做第一轮产业链拆解 2. 不只是 Serenity，还融合了 51 位投资大佬逻辑、22 维数据、180 条量化规则、17 种机构方法。支持 A股/港股/美股全市场 3. 从 Serenity 全文章存档（6000+ 帖）提炼而成，包含 follow、method、radar 等模块。能实时追踪她的研究矩阵、主题轮动和注意力流向，帮你观察下一个可能升温的方向，双语友好 4. 自动抓取她的全部文章，沉淀到 SQLite，生成可视化 Dashboard + 单票 Serenity 信号打分（0-100）。适合想长期积累自己的投研数据库 5. 结构非常清晰，通用性强，适合直接套用来做单票深度拆解、行业板块与 Thesis 逻辑推演 Serenity 这套方法真正有用的地方，是逼你利用 AI 的信息吞吐量，让agent学会用工程思维问6个问题——刚需性、扩产壁垒、认证时间差、垄断度、财报验证、Price-in等 Skill 是研究工具，不是买卖信号哦～以上内容仅为工具分享和研究参考，dyor～

有人把最近爆火的白毛股神大 V Serenity（ Serenity ）的投研思路蒸馏成 AI Agent Skill，并且全开源了直接装进 Claude / Codex / Cursor，AI 就能直接按照Serenity的硬核工作流，帮你拆解产业链➡️锁死真正卡脖子的单点垄断➡️过滤蹭热点公司➡️回到财报/客户/产能/公告核实证据➡️交付研究清单全网实测了几十个skill，真正有价值的是这 5 个： 1. 直击最底层逻辑：找那个最难扩产、最难替代、供应商最少的 Chokepoint，适合拿来做第一轮产业链拆解 2. 不只是 Serenity，还融合了 51 位投资大佬逻辑、22 维数据、180 条量化规则、17 种机构方法。支持 A股/港股/美股全市场 3. 从 Serenity 全文章存档（6000+ 帖）提炼而成，包含 follow、method、radar 等模块。能实时追踪她的研究矩阵、主题轮动和注意力流向，帮你观察下一个可能升温的方向，双语友好 4. 自动抓取她的全部文章，沉淀到 SQLite，生成可视化 Dashboard + 单票 Serenity 信号打分（0-100）。适合想长期积累自己的投研数据库 5. 结构非常清晰，通用性强，适合直接套用来做单票深度拆解、行业板块与 Thesis 逻辑推演 Serenity 这套方法真正有用的地方，是逼你利用 AI 的信息吞吐量，让agent学会用工程思维问6个问题——刚需性、扩产壁垒、认证时间差、垄断度、财报验证、Price-in等 Skill 是研究工具，不是买卖信号哦～以上内容仅为工具分享和研究参考，dyor～

爱丽丝呀！

63,125 Aufrufe • vor 5 Monaten

甲骨文的拉里·埃里森，刚刚给所有AI公司判了死刑。他说，你们的模型，一文不值。不是技术不行，也不是人才不行。问题出在数据上。 ChatGPT，Gemini，Grok，Llama…… 所有这些模型，吃的都是同一锅饭。整个公共互联网。每一篇维基百科，每一个Reddit帖子，每一条新闻。结果是什么？它们正在趋同，变成贴着不同logo的同一个产品。用埃里森的话说，就是“大路货”。真正的黄金，不在网上。在私有数据里。医院系统里的病历。银行金库里的财务数据。财富500强公司的供应链机密。猜猜这些数据，大部分都存在哪里？不在谷歌，不在亚马逊，也不在微软。在甲骨文的数据库里。所以甲骨文出手了。他们推出了一个叫“AI数据库26ai”的东西。它允许所有顶级AI模型，直接在你公司的私有数据上进行推理。而且数据永远不用离开保险库。他们用的是一种叫RAG的技术。 AI不去“学习”你的数据，而是实时“检索”它。这意味着什么？银行可以分析它发放的每一笔贷款，而不用暴露任何一个客户记录。医院可以用AI诊断病人，而不用担心违反HIPAA法案。国防承包商能让AI分析机密行动，数据一步都离不开安全环境。埃里森在赌一个比GPU热潮、比数据中心建设更大的未来。他称之为“历史上最大、增长最快的市场”。数字很惊人。甲骨文的待履约收入刚刚达到5230亿美元。其中3000亿，来自OpenAI一家公司。但这里有个没人谈论的危险。如果私有数据是AI真正的护城河。那么谁控制了数据库，谁就控制了AI的未来。这种权力集中到一家公司手里。难道不该让每个人都感到不安吗？

甲骨文的拉里·埃里森，刚刚给所有AI公司判了死刑。他说，你们的模型，一文不值。不是技术不行，也不是人才不行。问题出在数据上。 ChatGPT，Gemini，Grok，Llama…… 所有这些模型，吃的都是同一锅饭。整个公共互联网。每一篇维基百科，每一个Reddit帖子，每一条新闻。结果是什么？它们正在趋同，变成贴着不同logo的同一个产品。用埃里森的话说，就是“大路货”。真正的黄金，不在网上。在私有数据里。医院系统里的病历。银行金库里的财务数据。财富500强公司的供应链机密。猜猜这些数据，大部分都存在哪里？不在谷歌，不在亚马逊，也不在微软。在甲骨文的数据库里。所以甲骨文出手了。他们推出了一个叫“AI数据库26ai”的东西。它允许所有顶级AI模型，直接在你公司的私有数据上进行推理。而且数据永远不用离开保险库。他们用的是一种叫RAG的技术。 AI不去“学习”你的数据，而是实时“检索”它。这意味着什么？银行可以分析它发放的每一笔贷款，而不用暴露任何一个客户记录。医院可以用AI诊断病人，而不用担心违反HIPAA法案。国防承包商能让AI分析机密行动，数据一步都离不开安全环境。埃里森在赌一个比GPU热潮、比数据中心建设更大的未来。他称之为“历史上最大、增长最快的市场”。数字很惊人。甲骨文的待履约收入刚刚达到5230亿美元。其中3000亿，来自OpenAI一家公司。但这里有个没人谈论的危险。如果私有数据是AI真正的护城河。那么谁控制了数据库，谁就控制了AI的未来。这种权力集中到一家公司手里。难道不该让每个人都感到不安吗？

墓碑科技

596,111 Aufrufe • vor 8 Monaten

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」。

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

白毛股神 Serenity 的卡脖子理论大家肯定都知道相关的 Skill 现在已经一堆了，我自己也对比了好几个试下来发现，还是这个最全面、最好用： Github地址：为什么推荐它？方法论最完整，从热点拆产业链、找真实瓶颈、排优先级、到证据验证和证伪条件，全流程都有跨市场支持最好：美股、A股、港股、台股都能直接用证据要求更严，输出更像真正的研究报告，而不是简单给票，社区最活跃，更新也勤不管你是做美股光模块/CPO，还是A股半导体设备、电力、机器人，用这个都能直接上手

白毛股神 Serenity 的卡脖子理论大家肯定都知道相关的 Skill 现在已经一堆了，我自己也对比了好几个试下来发现，还是这个最全面、最好用： Github地址：为什么推荐它？方法论最完整，从热点拆产业链、找真实瓶颈、排优先级、到证据验证和证伪条件，全流程都有跨市场支持最好：美股、A股、港股、台股都能直接用证据要求更严，输出更像真正的研究报告，而不是简单给票，社区最活跃，更新也勤不管你是做美股光模块/CPO，还是A股半导体设备、电力、机器人，用这个都能直接上手

梭哈.AI

34,181 Aufrufe • vor 2 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。

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

19,295 Aufrufe • vor 1 Monat

🚨 卧槽！终于有人把 A 股 + 美港股的免费数据源彻底打通了！一个作者两个硬核开源项目，把原本散落在各个平台的原始数据，整合成了 AI 能直接调用的数据层。从此不用再自己对接各种接口、处理反爬、或者花几万块买专业数据了。 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 下载、概念板块、北向资金、融资融券、大宗交易、解禁等。 > 7 层架构 > 28 个端点 > 13 个数据源 > 零第三方 data wrapper 依赖美港股版：global-stock-data 覆盖美股期权链、SEC EDGAR 结构化 XBRL、503 个 GAAP 指标、纯 Python 技术指标计算、资金流、财报三表、全市场列表等。 > 8 层架构 > 18 个端点 > 5 个数据源 > 仅依赖 requests 这两个项目最大的价值，不是又多了几个股票接口。而是直接封装成 Skill，可以让 Claude、GPT、Cursor、Codex 这类 AI Agent 直接调用，瞬间变成你的量化数据助手做 A 股 / 美股 / 港股复盘、AI 投研、自动化报告、量化分析的人，建议保存看看。

🚨 卧槽！终于有人把 A 股 + 美港股的免费数据源彻底打通了！一个作者两个硬核开源项目，把原本散落在各个平台的原始数据，整合成了 AI 能直接调用的数据层。从此不用再自己对接各种接口、处理反爬、或者花几万块买专业数据了。 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 下载、概念板块、北向资金、融资融券、大宗交易、解禁等。 > 7 层架构 > 28 个端点 > 13 个数据源 > 零第三方 data wrapper 依赖美港股版：global-stock-data 覆盖美股期权链、SEC EDGAR 结构化 XBRL、503 个 GAAP 指标、纯 Python 技术指标计算、资金流、财报三表、全市场列表等。 > 8 层架构 > 18 个端点 > 5 个数据源 > 仅依赖 requests 这两个项目最大的价值，不是又多了几个股票接口。而是直接封装成 Skill，可以让 Claude、GPT、Cursor、Codex 这类 AI Agent 直接调用，瞬间变成你的量化数据助手做 A 股 / 美股 / 港股复盘、AI 投研、自动化报告、量化分析的人，建议保存看看。

爱吃折耳根的Ace

101,722 Aufrufe • vor 4 Monaten

OpenAI 创始人 John Schulman 访谈节选：为什么 GPT-4 比一年前更“聪明”了？主要都是后训练（Post-Training）带来的！另外他认为，在强化学习研究领域，研究人员需要具备丰富的经验和敏锐的直觉。了解整个技术堆栈，并对各个部分充满好奇心是关键。此外，从第一性原理出发思考问题，而不仅仅依靠实验证据，也能够帮助研究人员在数据操控和环境设置方面做出更好的决策。 *** Dwarkesh Patel：在未来，用于训练的计算力中，预训练与后训练的比例是否会明显偏向后训练呢？ John Schulman：确实，有一些观点支持这种说法。 Dwarkesh Patel：我是说，现在这个比例非常不平衡。 John Schulman：但你可以认为，模型生成的输出质量比网上的大多数内容都要高。因此，让模型自己思考似乎更有道理，而不仅仅是训练来模仿网络上的内容。所以，我认为从第一性原理上来说，这是有说服力的。我会说，我们通过后训练取得了很多进步。因此，我不确定。所以，我希望我们会继续推动这种方法，并且可能会增加投入到后训练中的计算力。 Dwarkesh Patel：当前的 GPT-4 的 ELO 分数比最初发布的版本高出了大约 100 分。这是否全都是后训练带来的改进呢？ John Schulman：对，我会说大部分都是后训练带来的。 Dwarkesh Patel：这很有意思。 John Schulman：因此，有很多不同的改进方向。我们会考虑数据质量，数据数量，进行更多的部署和收集新数据的迭代，改变你收集的注解种类。因此，有很多因素叠加在一起。但是全部加在一起，就会带来一个相当不错的，有效的计算力提升。 Dwarkesh Patel：后训练的优化程度对于竞争优势有多大影响呢？ John Schulman：目前，我会区别公司是通过我们的模型有多大等等。那么，找出你之前提到的所有这些数据的复杂问题的公司，会占据大优势吗？ John Schulman：我认为这确实是一个优势，因为这是一个非常复杂的任务。因此，你必须有很多有技能的人来执行它。因此，存在大量的隐性知识。同时也需要大量的组织知识。我认为后训练的过程，创建一个具备人们所关心的所有功能的模型，是十分复杂的。这需要付出大量的努力，它是大量研发工作的积累。我会说这种情况在某种程度上形成了一种壁垒，要想立即启动这种模型并非易事。 Dwarkesh Patel：看起来那些正在进行最严肃的预训练努力的公司，也在进行严肃的后训练努力。因此，看起来这种模型有可能被复制或有更多的类似努力出现。 John Schulman：另外，还有一种情况使得这个壁垒并非那么明显，那就是你可以提取模型，或者复制别人的模型输出，或者使用别人的模型进行比较。我认为大公司可能并不会这样做，因为这违反了服务条款，也会损害他们的自尊心，但我预计一些规模较小的参与者可能正在这样做以便更好地起步。 Dwarkesh Patel：那些真正擅长进行这种强化学习（RL）研究的人有什么样的特质呢？我听说这种研究非常具有挑战性，但是什么样的直觉能帮助你找到操控数据和设置环境的方法呢？ John Schulman：我觉得有相当多的经验是关键。自从研究生时期以来，我一直在研究 RL 算法，涉及到数据收集、到注释过程，再到与语言模型的交互。所以，我算是涉猎了这些领域。我认为，在这类研究中表现出色的人通常对整个技术堆栈有全面的了解，并且对其中的各个部分充满好奇心。他们不仅依靠实验证据来更新自己的观点，还会从第一性原理出发思考问题。比如，假设深度学习是有效的，那么理想的收集数据的类型应该是什么，等等。

OpenAI 创始人 John Schulman 访谈节选：为什么 GPT-4 比一年前更“聪明”了？主要都是后训练（Post-Training）带来的！另外他认为，在强化学习研究领域，研究人员需要具备丰富的经验和敏锐的直觉。了解整个技术堆栈，并对各个部分充满好奇心是关键。此外，从第一性原理出发思考问题，而不仅仅依靠实验证据，也能够帮助研究人员在数据操控和环境设置方面做出更好的决策。 *** Dwarkesh Patel：在未来，用于训练的计算力中，预训练与后训练的比例是否会明显偏向后训练呢？ John Schulman：确实，有一些观点支持这种说法。 Dwarkesh Patel：我是说，现在这个比例非常不平衡。 John Schulman：但你可以认为，模型生成的输出质量比网上的大多数内容都要高。因此，让模型自己思考似乎更有道理，而不仅仅是训练来模仿网络上的内容。所以，我认为从第一性原理上来说，这是有说服力的。我会说，我们通过后训练取得了很多进步。因此，我不确定。所以，我希望我们会继续推动这种方法，并且可能会增加投入到后训练中的计算力。 Dwarkesh Patel：当前的 GPT-4 的 ELO 分数比最初发布的版本高出了大约 100 分。这是否全都是后训练带来的改进呢？ John Schulman：对，我会说大部分都是后训练带来的。 Dwarkesh Patel：这很有意思。 John Schulman：因此，有很多不同的改进方向。我们会考虑数据质量，数据数量，进行更多的部署和收集新数据的迭代，改变你收集的注解种类。因此，有很多因素叠加在一起。但是全部加在一起，就会带来一个相当不错的，有效的计算力提升。 Dwarkesh Patel：后训练的优化程度对于竞争优势有多大影响呢？ John Schulman：目前，我会区别公司是通过我们的模型有多大等等。那么，找出你之前提到的所有这些数据的复杂问题的公司，会占据大优势吗？ John Schulman：我认为这确实是一个优势，因为这是一个非常复杂的任务。因此，你必须有很多有技能的人来执行它。因此，存在大量的隐性知识。同时也需要大量的组织知识。我认为后训练的过程，创建一个具备人们所关心的所有功能的模型，是十分复杂的。这需要付出大量的努力，它是大量研发工作的积累。我会说这种情况在某种程度上形成了一种壁垒，要想立即启动这种模型并非易事。 Dwarkesh Patel：看起来那些正在进行最严肃的预训练努力的公司，也在进行严肃的后训练努力。因此，看起来这种模型有可能被复制或有更多的类似努力出现。 John Schulman：另外，还有一种情况使得这个壁垒并非那么明显，那就是你可以提取模型，或者复制别人的模型输出，或者使用别人的模型进行比较。我认为大公司可能并不会这样做，因为这违反了服务条款，也会损害他们的自尊心，但我预计一些规模较小的参与者可能正在这样做以便更好地起步。 Dwarkesh Patel：那些真正擅长进行这种强化学习（RL）研究的人有什么样的特质呢？我听说这种研究非常具有挑战性，但是什么样的直觉能帮助你找到操控数据和设置环境的方法呢？ John Schulman：我觉得有相当多的经验是关键。自从研究生时期以来，我一直在研究 RL 算法，涉及到数据收集、到注释过程，再到与语言模型的交互。所以，我算是涉猎了这些领域。我认为，在这类研究中表现出色的人通常对整个技术堆栈有全面的了解，并且对其中的各个部分充满好奇心。他们不仅依靠实验证据来更新自己的观点，还会从第一性原理出发思考问题。比如，假设深度学习是有效的，那么理想的收集数据的类型应该是什么，等等。

宝玉

57,212 Aufrufe • vor 2 Jahren

🚨 卧槽！白毛股神 Serenity Serenity 的研究方法，被做成了开源 Skill Serenity 在 A 股和美股圈子里以供应链深度研究着称，很多人都把她当成「白毛股神」级别的存在。她最强的地方在于：不追热点，而是把一个赛道拆解成供应链各环节，找到真正的瓶颈和稀缺环节，再去匹配公司和证据。现在有人把她的这套研究框架，做成了一个可直接用的 serenity-skill，这个 Skill 能做什么： > 把一个热门赛道（AI、半导体、机器人等）拆成供应链各层级 > 自动识别瓶颈环节（供应商少、验证周期长、扩产难等） > 要求 AI 用公告、财报、订单、专利等证据来验证，而不是空谈逻辑 > 输出带优先级排序的股票/基金列表 + 风险提示简单来说，它把 Serenity 那种「先找瓶颈、再找证据」的硬核研究方法，变成了 AI 可以直接调用的结构化流程。对做 A 股、美股、港股量化或者主题投资的人来说，这个 Skill 可以作为研究辅助工具，帮你把模糊的赛道 hype，变成更有逻辑和证据支撑的个股筛选，所以建议保存

🚨 卧槽！白毛股神 Serenity Serenity 的研究方法，被做成了开源 Skill Serenity 在 A 股和美股圈子里以供应链深度研究着称，很多人都把她当成「白毛股神」级别的存在。她最强的地方在于：不追热点，而是把一个赛道拆解成供应链各环节，找到真正的瓶颈和稀缺环节，再去匹配公司和证据。现在有人把她的这套研究框架，做成了一个可直接用的 serenity-skill，这个 Skill 能做什么： > 把一个热门赛道（AI、半导体、机器人等）拆成供应链各层级 > 自动识别瓶颈环节（供应商少、验证周期长、扩产难等） > 要求 AI 用公告、财报、订单、专利等证据来验证，而不是空谈逻辑 > 输出带优先级排序的股票/基金列表 + 风险提示简单来说，它把 Serenity 那种「先找瓶颈、再找证据」的硬核研究方法，变成了 AI 可以直接调用的结构化流程。对做 A 股、美股、港股量化或者主题投资的人来说，这个 Skill 可以作为研究辅助工具，帮你把模糊的赛道 hype，变成更有逻辑和证据支撑的个股筛选，所以建议保存

爱吃折耳根的Ace

16,165 Aufrufe • vor 4 Monaten

这绝对是学生党必备的GitHub开源仓库，能一站式帮你搞定搜文献、数据分析等写论文中最麻烦的步骤，而且完全免费！学生党最头疼的就是写论文和做课题研究，查文献、跑代码，一搞就是两三天，特别是有些关键数据还需要付费才可以获取而最近我在GitHub上发现了一个免费的AI科研项目，叫ScienceBuddy （PhAI Labs），专为学生和科研人员打造。你只需要在平台上上传论文和相关数据文件，并精准表达需求，ScienceBuddy就能调用Agent去专业数据库中检索文献、收集数据并运行分析代码。整个分析过程全部清晰可见，方便你随时核对视频中，我选择了相对复杂的医学研究场景对该项目进行了简单测试，想看看它处理多篇专业论文以及梳理研究证据的能力如何。在我上传相关论文后，ScienceBuddy不仅判断了选题是否可行，还将研究方法、结论和局限整理成证据表，并总结研究共识与争议，最后生成论文提纲和摘要草稿。全程运行速度非常快，相当于直接快速完成了文献综述的前期准备同时在此基础上，ScienceBuddy还帮我继续深入搜索其他文献，并完整生成了一篇3000字左右的论文综述，结果清晰而且写作格式十分专业，个人感觉完全可以直接用于正式论文里了。整体体验下来，我认为对学生来说该工具是非常必要的，能节省非常多的时间另外，ScienceBuddy背后的团队也开源了ScienceIDE，其是 ScienceBuddy 的底层框架技术，现能让Agent在7个领域的真实科研代码中练习，并通过结果能否复现来验证修改是否有效，大家感兴趣也可以看看！！！目前项目的 ScienceBuddy 相关实验代码已经在GitHub上开源，感兴趣的同学可以去官网免费体验。不过考虑到当前仍是Preview版本，分析结果请自行核验后再用于正式研究官网地址： GitHub仓库地址：

这绝对是学生党必备的GitHub开源仓库，能一站式帮你搞定搜文献、数据分析等写论文中最麻烦的步骤，而且完全免费！学生党最头疼的就是写论文和做课题研究，查文献、跑代码，一搞就是两三天，特别是有些关键数据还需要付费才可以获取而最近我在GitHub上发现了一个免费的AI科研项目，叫ScienceBuddy （PhAI Labs），专为学生和科研人员打造。你只需要在平台上上传论文和相关数据文件，并精准表达需求，ScienceBuddy就能调用Agent去专业数据库中检索文献、收集数据并运行分析代码。整个分析过程全部清晰可见，方便你随时核对视频中，我选择了相对复杂的医学研究场景对该项目进行了简单测试，想看看它处理多篇专业论文以及梳理研究证据的能力如何。在我上传相关论文后，ScienceBuddy不仅判断了选题是否可行，还将研究方法、结论和局限整理成证据表，并总结研究共识与争议，最后生成论文提纲和摘要草稿。全程运行速度非常快，相当于直接快速完成了文献综述的前期准备同时在此基础上，ScienceBuddy还帮我继续深入搜索其他文献，并完整生成了一篇3000字左右的论文综述，结果清晰而且写作格式十分专业，个人感觉完全可以直接用于正式论文里了。整体体验下来，我认为对学生来说该工具是非常必要的，能节省非常多的时间另外，ScienceBuddy背后的团队也开源了ScienceIDE，其是 ScienceBuddy 的底层框架技术，现能让Agent在7个领域的真实科研代码中练习，并通过结果能否复现来验证修改是否有效，大家感兴趣也可以看看！！！目前项目的 ScienceBuddy 相关实验代码已经在GitHub上开源，感兴趣的同学可以去官网免费体验。不过考虑到当前仍是Preview版本，分析结果请自行核验后再用于正式研究官网地址： GitHub仓库地址：

Sac

45,987 Aufrufe • vor 1 Monat

向量数据库脑电图来啦! 把一大堆文档拖进 RAG，然后提问题，结果大模型回答的驴唇不对马嘴，是不是会怀疑大模型到底是怎样在向量数据库检索的, 才能搞成这个熊样? 来看这个 RAG 可视化项目 Project Golem! 它把向量数据库从黑盒变成了一个可交互的 3D "大脑皮层"。使用 UMAP 算法将 768 维的嵌入向量降维到 3D 空间，当你输入查询时，它不只是返回文本，而是会"点亮"与你的查询相关的神经通路。这个项目的设计初衷是作为 RAG 的诊断工具。当检索失败时，你可以亲眼看到"思考"从嵌入查询出发所走过的精确路径。如果看到一个紧密的簇亮起，说明模型找到了一个连贯的概念。如果可视化看起来很分散，那就意味着检索到的文本块在语义上彼此相距甚远，这正是你需要的视觉提示，告诉你 RAG 正在幻觉或强求关联。技术栈方面，嵌入模型用的是 Google 的 embedding-gemma-300m，向量数据库是 LanceDB，前端是 Three.js 和 WebGL，后端是 Flask。项目已经在 Reddit 的 LocalLLaMA 社区获得了 200 多个赞。有用户说这看起来真的像大脑中神经细胞的激活。还有用户说这对数据库优化太棒了，当某个查询表现不佳时，能立刻调出投影，瞬间获得一把手术刀。项目还支持对接 Qdrant、Pinecone 等外部向量数据库，架构是解耦的，3D 查看器本质上是一个位于数据之上的界面，你无需移动数据，只需将其投影出来即可。项目地址:

向量数据库脑电图来啦! 把一大堆文档拖进 RAG，然后提问题，结果大模型回答的驴唇不对马嘴，是不是会怀疑大模型到底是怎样在向量数据库检索的, 才能搞成这个熊样? 来看这个 RAG 可视化项目 Project Golem! 它把向量数据库从黑盒变成了一个可交互的 3D "大脑皮层"。使用 UMAP 算法将 768 维的嵌入向量降维到 3D 空间，当你输入查询时，它不只是返回文本，而是会"点亮"与你的查询相关的神经通路。这个项目的设计初衷是作为 RAG 的诊断工具。当检索失败时，你可以亲眼看到"思考"从嵌入查询出发所走过的精确路径。如果看到一个紧密的簇亮起，说明模型找到了一个连贯的概念。如果可视化看起来很分散，那就意味着检索到的文本块在语义上彼此相距甚远，这正是你需要的视觉提示，告诉你 RAG 正在幻觉或强求关联。技术栈方面，嵌入模型用的是 Google 的 embedding-gemma-300m，向量数据库是 LanceDB，前端是 Three.js 和 WebGL，后端是 Flask。项目已经在 Reddit 的 LocalLLaMA 社区获得了 200 多个赞。有用户说这看起来真的像大脑中神经细胞的激活。还有用户说这对数据库优化太棒了，当某个查询表现不佳时，能立刻调出投影，瞬间获得一把手术刀。项目还支持对接 Qdrant、Pinecone 等外部向量数据库，架构是解耦的，3D 查看器本质上是一个位于数据之上的界面，你无需移动数据，只需将其投影出来即可。项目地址:

karminski-牙医

34,128 Aufrufe • vor 10 Monaten

你抄袭也就算了，你还盗窃；你盗窃也就算了，你还调戏正版。这性质要比那些盗取alpha123数据偷偷开会员卖钱要恶劣，人家只是谋财，你是杀人诛心。 Alpha123做的工作：通过监控币安推特官网将零散不固定的空投数据进行整理结构化，标记是否合约是否现货是否TGE等关键参数，而后进行链上查询合约信息计算池子价格、查询交易所以及盘前价格形成空投的价格数据，此外还通过计算alpha项目的波动价差情况形成稳定度数据。以上三项数据构成了网站的核心数据，通过网站界面简洁易懂的方式呈现给用户。为什么要做这些？加密女王何一在反思加密行业中散户与专业玩家的不对等，写道： “面对专业玩家，散户手无寸铁，不是现货浇给、就是合约爆破，他们的愤怒我懂，而行业结构性的改变，我觉得自己无能为力；曾经在6个小时的AMA中哽咽，因为我不知道怎么能让散户和专业玩家可以都有肉吃，如果我们希望我们的用户是第一站呢？直到我和自己和解，大部分用户期待的不是永赚，用户想要的永远是公平、公平，还是他妈的公平。” Alpha123把本是科学家才能获取到的数据，公平的呈现在你面前，你和专业玩家同时知道价格信息，同时掌握价差基点以减少磨损。我们直接拉平了你和专业玩家的技术差距。我和你一样，我看什么数据，你也看什么数据；你看到不准的数据，我也一样。本可以私享的数据完全公开的呈现在你我面前，是因为同理心，我不想遭受太大的磨损，我想你也是。我想早点看到价格以决定是否消耗宝贵的积分，我想你也是。为什么是公开免费？还是因为同理心，Alpha收益对我而言是地上捡到10块钱的那种快乐，但是对于那些年轻的大学生、对于60多岁的老人，可能就是他们一个月的生活费，对一个币安立足普惠的项目的边缘服务收费，并不符合我的德性。公开免费的服务也意味着我们的数据是不设防的。所以很多网站直接盗链Alpha123甚至开会员收费，除了善意提醒下用户谨防受骗，也认为没有争吵的必要。直到今天有人不仅抄袭而且还盗窃，不仅盗窃还直接调戏正版，指责我抄袭他。这种事情不能忍。如果不做回应了，可能被不明真相的用户认为我理亏。我想对抄袭者说的是：你要竞争起码你先把各项核心数据自研完成吧，你把Alpha123的数据直接拿过来用，在加点额外的东西套上新的皮肤就宣传更全更快了？苦活累活别人干了，你加点东西就是你自己了。怎么有种上司抢打工人功劳的即视感。今天你允许自己通过盗窃数据来获取用户，明天你网站拥有接入用户钱包的能力是否还能抑制住盗窃的冲动。话说的有些重，但是盗窃就是盗窃，不是用致敬两个字可以蒙混的。想对KOL说：你的一次转发，可能是很多用户的第一次点击；你的一句话，常常就是他们的风险边界。请尽量不要为盗版站引流和背书。希望能邀请你与我们一起设一条简单的底线：不助长、不美化、不遮掩盗版。支持原创不是站队，是为你的粉丝多加一层安全垫。当“更快更全”建立在偷来的砖上，输掉的可能是用户的资产和你辛苦建立的口碑。我想对用户说：区块链是黑暗森林，我们为什么只用币安、 OK 这类大所？因为在这个行业里，信任是最昂贵、也是最稀缺的资产。一个靠偷窃数据吸引流量的网站所提供的数据，怎么能承受的起你宝贵的信任。下文视频是盗版网站的盗版证据，CC这次维权，看起来就像是两个乞丐为抢一个空矿泉水瓶子打起来了，但如果是为了树立支持正版的风气、让这个行业多一份信任多一点点光，就是值得的。

你抄袭也就算了，你还盗窃；你盗窃也就算了，你还调戏正版。这性质要比那些盗取alpha123数据偷偷开会员卖钱要恶劣，人家只是谋财，你是杀人诛心。 Alpha123做的工作：通过监控币安推特官网将零散不固定的空投数据进行整理结构化，标记是否合约是否现货是否TGE等关键参数，而后进行链上查询合约信息计算池子价格、查询交易所以及盘前价格形成空投的价格数据，此外还通过计算alpha项目的波动价差情况形成稳定度数据。以上三项数据构成了网站的核心数据，通过网站界面简洁易懂的方式呈现给用户。为什么要做这些？加密女王何一在反思加密行业中散户与专业玩家的不对等，写道： “面对专业玩家，散户手无寸铁，不是现货浇给、就是合约爆破，他们的愤怒我懂，而行业结构性的改变，我觉得自己无能为力；曾经在6个小时的AMA中哽咽，因为我不知道怎么能让散户和专业玩家可以都有肉吃，如果我们希望我们的用户是第一站呢？直到我和自己和解，大部分用户期待的不是永赚，用户想要的永远是公平、公平，还是他妈的公平。” Alpha123把本是科学家才能获取到的数据，公平的呈现在你面前，你和专业玩家同时知道价格信息，同时掌握价差基点以减少磨损。我们直接拉平了你和专业玩家的技术差距。我和你一样，我看什么数据，你也看什么数据；你看到不准的数据，我也一样。本可以私享的数据完全公开的呈现在你我面前，是因为同理心，我不想遭受太大的磨损，我想你也是。我想早点看到价格以决定是否消耗宝贵的积分，我想你也是。为什么是公开免费？还是因为同理心，Alpha收益对我而言是地上捡到10块钱的那种快乐，但是对于那些年轻的大学生、对于60多岁的老人，可能就是他们一个月的生活费，对一个币安立足普惠的项目的边缘服务收费，并不符合我的德性。公开免费的服务也意味着我们的数据是不设防的。所以很多网站直接盗链Alpha123甚至开会员收费，除了善意提醒下用户谨防受骗，也认为没有争吵的必要。直到今天有人不仅抄袭而且还盗窃，不仅盗窃还直接调戏正版，指责我抄袭他。这种事情不能忍。如果不做回应了，可能被不明真相的用户认为我理亏。我想对抄袭者说的是：你要竞争起码你先把各项核心数据自研完成吧，你把Alpha123的数据直接拿过来用，在加点额外的东西套上新的皮肤就宣传更全更快了？苦活累活别人干了，你加点东西就是你自己了。怎么有种上司抢打工人功劳的即视感。今天你允许自己通过盗窃数据来获取用户，明天你网站拥有接入用户钱包的能力是否还能抑制住盗窃的冲动。话说的有些重，但是盗窃就是盗窃，不是用致敬两个字可以蒙混的。想对KOL说：你的一次转发，可能是很多用户的第一次点击；你的一句话，常常就是他们的风险边界。请尽量不要为盗版站引流和背书。希望能邀请你与我们一起设一条简单的底线：不助长、不美化、不遮掩盗版。支持原创不是站队，是为你的粉丝多加一层安全垫。当“更快更全”建立在偷来的砖上，输掉的可能是用户的资产和你辛苦建立的口碑。我想对用户说：区块链是黑暗森林，我们为什么只用币安、 OK 这类大所？因为在这个行业里，信任是最昂贵、也是最稀缺的资产。一个靠偷窃数据吸引流量的网站所提供的数据，怎么能承受的起你宝贵的信任。下文视频是盗版网站的盗版证据，CC这次维权，看起来就像是两个乞丐为抢一个空矿泉水瓶子打起来了，但如果是为了树立支持正版的风气、让这个行业多一份信任多一点点光，就是值得的。

Alpha123华语

122,585 Aufrufe • vor 11 Monaten

我去！TradingAgents 中文增强版，现在已经不只是汉化版这么简单了原版 TradingAgents 本身就是 GitHub 上最火的 AI 股票分析项目之一，10 Stars。而 TradingAgents-CN 在它基础上，直接把 A 股、港股、中文数据源、国产模型、选股、模拟交易这些能力全补上了，现在也已经冲到 30K+ Stars。更关键的是，最新版已经开始从“多 Agent 分析股票”，往真正的 AI 投研助手走。核心能力： 1️⃣ 支持 A 股、港股、美股，多位 Agent 会从大盘、基本面、新闻、技术面等不同角度独立研究，再做多空辩论 2️⃣ 中文环境完整适配，支持 DeepSeek、Qwen、Kimi 等国产模型，也能接 OpenAI、Claude 等海外模型 3️⃣ 接入 Tushare、AkShare、BaoStock 等国内数据源，A 股行情、财务、资金这些不用自己重新拼 4️⃣ 新增自然语言选股，直接说“低估值 + 高增长 + 最近资金流入”，AI 可以从全市场筛候选 5️⃣ 加入 Agent 自主规划 + AI 记忆 + Skill 中心，不只是回答问题，而是自己拆任务、找数据、调用工具继续研究 6️⃣ 支持批量分析、自选股、专业报告、Docker 部署和模拟交易，研究完还能继续跟踪、复盘和验证结果我觉得它现在真正有意思的地方，是已经不只是： “给 AI 一个股票代码，让它分析。” 而是：你给它一个研究目标，AI 自己决定该找什么数据、调什么工具、叫哪些 Agent 上场，最后再把不同观点整合成一份完整研究结果。所以它更适合拿来做： A 股复盘美股个股研究港股分析智能选股量化策略灵感 AI 投研流程学习自动化研究报告如果你平时本来就在研究股票，或者想把 AI Agent 真正接进自己的投研工作流，这个项目很值得收藏。

我去！TradingAgents 中文增强版，现在已经不只是汉化版这么简单了原版 TradingAgents 本身就是 GitHub 上最火的 AI 股票分析项目之一，10 Stars。而 TradingAgents-CN 在它基础上，直接把 A 股、港股、中文数据源、国产模型、选股、模拟交易这些能力全补上了，现在也已经冲到 30K+ Stars。更关键的是，最新版已经开始从“多 Agent 分析股票”，往真正的 AI 投研助手走。核心能力： 1️⃣ 支持 A 股、港股、美股，多位 Agent 会从大盘、基本面、新闻、技术面等不同角度独立研究，再做多空辩论 2️⃣ 中文环境完整适配，支持 DeepSeek、Qwen、Kimi 等国产模型，也能接 OpenAI、Claude 等海外模型 3️⃣ 接入 Tushare、AkShare、BaoStock 等国内数据源，A 股行情、财务、资金这些不用自己重新拼 4️⃣ 新增自然语言选股，直接说“低估值 + 高增长 + 最近资金流入”，AI 可以从全市场筛候选 5️⃣ 加入 Agent 自主规划 + AI 记忆 + Skill 中心，不只是回答问题，而是自己拆任务、找数据、调用工具继续研究 6️⃣ 支持批量分析、自选股、专业报告、Docker 部署和模拟交易，研究完还能继续跟踪、复盘和验证结果我觉得它现在真正有意思的地方，是已经不只是： “给 AI 一个股票代码，让它分析。” 而是：你给它一个研究目标，AI 自己决定该找什么数据、调什么工具、叫哪些 Agent 上场，最后再把不同观点整合成一份完整研究结果。所以它更适合拿来做： A 股复盘美股个股研究港股分析智能选股量化策略灵感 AI 投研流程学习自动化研究报告如果你平时本来就在研究股票，或者想把 AI Agent 真正接进自己的投研工作流，这个项目很值得收藏。

爱吃折耳根的Ace

26,285 Aufrufe • vor 1 Monat

最近看到一堂斯坦福公开课，用大约两小时，系统梳理了大语言模型从文本输入到训练、推理和生成结果的完整链路。它不会让你两小时造出一个 Claude 或 ChatGPT，但能帮你建立一张非常重要的“大模型知识地图”。课程重点： 00:00｜LLM分词机制文本进入模型前，为什么必须先被拆成 token？不同分词方式又会怎样影响训练效率与模型表现？ 25:44｜模型如何解码提示词大模型并不是一次“理解”完整句话，而是根据上下文计算概率，逐个预测接下来最可能出现的 token。 35:40｜大模型训练流程从训练数据、预训练到参数更新，了解模型能力究竟是怎样一步步形成的。 1:16:47｜从零理解LLM架构拆解嵌入层、注意力机制、Transformer 模块和输出层，看清语言模型内部的数据流动方式。我最大的感受是：很多人每天都在研究提示词和新工具，却没有真正理解模型底层是怎样工作的。当你理解了 token、注意力、训练和推理之后，很多原本模糊的概念都会连起来：为什么上下文长度有限？为什么模型会产生幻觉？为什么推理速度如此重要？为什么训练一个大模型这么昂贵？建议先完整看一遍建立框架，再根据时间点回看不懂的部分。两小时不能让你成为大模型工程师，但足以帮你判断下一步应该学什么。

最近看到一堂斯坦福公开课，用大约两小时，系统梳理了大语言模型从文本输入到训练、推理和生成结果的完整链路。它不会让你两小时造出一个 Claude 或 ChatGPT，但能帮你建立一张非常重要的“大模型知识地图”。课程重点： 00:00｜LLM分词机制文本进入模型前，为什么必须先被拆成 token？不同分词方式又会怎样影响训练效率与模型表现？ 25:44｜模型如何解码提示词大模型并不是一次“理解”完整句话，而是根据上下文计算概率，逐个预测接下来最可能出现的 token。 35:40｜大模型训练流程从训练数据、预训练到参数更新，了解模型能力究竟是怎样一步步形成的。 1:16:47｜从零理解LLM架构拆解嵌入层、注意力机制、Transformer 模块和输出层，看清语言模型内部的数据流动方式。我最大的感受是：很多人每天都在研究提示词和新工具，却没有真正理解模型底层是怎样工作的。当你理解了 token、注意力、训练和推理之后，很多原本模糊的概念都会连起来：为什么上下文长度有限？为什么模型会产生幻觉？为什么推理速度如此重要？为什么训练一个大模型这么昂贵？建议先完整看一遍建立框架，再根据时间点回看不懂的部分。两小时不能让你成为大模型工程师，但足以帮你判断下一步应该学什么。

Dobby

118,456 Aufrufe • vor 14 Tagen

好家伙！18K+ Stars，这个开源股票终端真有点东西。 OpenStock，把 TradingView 图表、行情、财务、新闻、Watchlist、市场情绪，全塞进一个网页里。以前看一只股票，图表一个网站、财报一个网站、新闻再开一个。这个项目直接把常用的东西收进一个工作台，而且源码开放，自己就能部署。核心亮点： 1️⃣ TradingView K 线 + 技术指标，图表这块基本不用自己重做 2️⃣ 支持全球 30+ 交易所，股票搜索、行情和市场数据都能看 3️⃣ 个股基本面直接整合，财务数据、公司资料、估值信息集中展示 4️⃣ Watchlist 自选股管理，关注的股票可以长期放在一个地方跟踪 5️⃣ 新闻 + 市场情绪，把 Reddit、X、Polymarket 等信息一起拉进来参考 6️⃣ Next.js + MongoDB，自部署以后数据源、界面、AI 功能都能继续自己改我觉得它最爽的一点是：你不是在用别人家的股票网站，而是在搭自己的股票终端。后面想接 AI Agent、量化策略、自己的数据源，都有继续改的空间。做美股研究、股票量化，或者想自己搭一个 TradingView 风格终端的，这个很值得收藏。

好家伙！18K+ Stars，这个开源股票终端真有点东西。 OpenStock，把 TradingView 图表、行情、财务、新闻、Watchlist、市场情绪，全塞进一个网页里。以前看一只股票，图表一个网站、财报一个网站、新闻再开一个。这个项目直接把常用的东西收进一个工作台，而且源码开放，自己就能部署。核心亮点： 1️⃣ TradingView K 线 + 技术指标，图表这块基本不用自己重做 2️⃣ 支持全球 30+ 交易所，股票搜索、行情和市场数据都能看 3️⃣ 个股基本面直接整合，财务数据、公司资料、估值信息集中展示 4️⃣ Watchlist 自选股管理，关注的股票可以长期放在一个地方跟踪 5️⃣ 新闻 + 市场情绪，把 Reddit、X、Polymarket 等信息一起拉进来参考 6️⃣ Next.js + MongoDB，自部署以后数据源、界面、AI 功能都能继续自己改我觉得它最爽的一点是：你不是在用别人家的股票网站，而是在搭自己的股票终端。后面想接 AI Agent、量化策略、自己的数据源，都有继续改的空间。做美股研究、股票量化，或者想自己搭一个 TradingView 风格终端的，这个很值得收藏。

爱吃折耳根的Ace

17,794 Aufrufe • vor 1 Monat

autocli v0.3 重磅更新 🎉🎉🎉 精准的、AI自动化的抓取任何网站的数据！ - 使用 autocli 的 chrome 插件精准选择网站中你要的核心数据 - 的 AI 引擎自动帮你扩展相关数据并生成适配器规则（AI 大模型调用完全免费） - autocli 自动同步规则，直接使用 - 理论上可精准抓取所有网站数据，不再受固定规则和有限的内建网站支持限制。不再依赖不稳定的自动解析和不精准的数据获取，通过极度简化的人工辅助操作，让 autocli 可以精准获取任何网站的结构化数据。共享社区：项目地址：

autocli v0.3 重磅更新 🎉🎉🎉 精准的、AI自动化的抓取任何网站的数据！ - 使用 autocli 的 chrome 插件精准选择网站中你要的核心数据 - 的 AI 引擎自动帮你扩展相关数据并生成适配器规则（AI 大模型调用完全免费） - autocli 自动同步规则，直接使用 - 理论上可精准抓取所有网站数据，不再受固定规则和有限的内建网站支持限制。不再依赖不稳定的自动解析和不精准的数据获取，通过极度简化的人工辅助操作，让 autocli 可以精准获取任何网站的结构化数据。共享社区：项目地址：

nash_su - e/acc

75,261 Aufrufe • vor 7 Monaten

清华清华大学讲席教授张亚勤犀利提问腾讯首席AI科学家姚顺雨：DeepSeek、腾讯、Anthropic、OpenAI...你家用户黏性何在？ --- 姚顺雨：护城河更多在产品层，而不是模型层。我认为有两方面。首先是数据和上下文。如果你有别人没有的私有数据和上下文，那可能就是最大的护城河。因为你想，现在你可以在微信里使用 AI。它不必是最聪明的 AI，但它知道你的日程、朋友和活动，这就很难被取代。你可以有一个更聪明的模型，但它并不了解你是谁。另一道护城河是信任。你是否信任 AI 了解你的数据和上下文，并采取行动？张亚勤：所以你是说，Anthropic 不值两万亿美元，甚至不值一万亿美元。它总有一天会变成同质化商品，对吧？开个玩笑。别听我的建议去买股票。

清华清华大学讲席教授张亚勤犀利提问腾讯首席AI科学家姚顺雨：DeepSeek、腾讯、Anthropic、OpenAI...你家用户黏性何在？ --- 姚顺雨：护城河更多在产品层，而不是模型层。我认为有两方面。首先是数据和上下文。如果你有别人没有的私有数据和上下文，那可能就是最大的护城河。因为你想，现在你可以在微信里使用 AI。它不必是最聪明的 AI，但它知道你的日程、朋友和活动，这就很难被取代。你可以有一个更聪明的模型，但它并不了解你是谁。另一道护城河是信任。你是否信任 AI 了解你的数据和上下文，并采取行动？张亚勤：所以你是说，Anthropic 不值两万亿美元，甚至不值一万亿美元。它总有一天会变成同质化商品，对吧？开个玩笑。别听我的建议去买股票。

宝玉

175,963 Aufrufe • vor 2 Tagen

🚨 卧槽！终于有一个又轻又好用的股票行情统一 API 了！一个好的开源股票 API，直接让你每年省几万块数据订阅费。 stock-api，1.4K+ stars，MIT 开源。最大的卖点：统一的 API 接口，A 股、港股、美股全包——你只需要换一个参数，底层数据源自动切，不用记十套不同接口。核心亮点： > 支持 A 股、港股、美股以及场内基金 > 自动从多个数据源（腾讯、新浪、东方财富）获取数据并 fallback > 提供 CLI 命令行直接查询 > 支持 MCP，可以直接给 Claude Code、Cursor 等 AI 工具使用 > 非常轻量，几乎没有运行时依赖以前做跨市场数据：A 股接 Tushare → 港股接 yfinance → 美股再接 Alpha Vantage，三套鉴权、三种格式、三个坑。现在 stock-api 一个接口全通。数据管道这件事，终于不用维护八套 SDK 了！对想自己写股票工具、或者用 AI 做量化/投研辅助的人来说，是一个比较实用的开源项目

🚨 卧槽！终于有一个又轻又好用的股票行情统一 API 了！一个好的开源股票 API，直接让你每年省几万块数据订阅费。 stock-api，1.4K+ stars，MIT 开源。最大的卖点：统一的 API 接口，A 股、港股、美股全包——你只需要换一个参数，底层数据源自动切，不用记十套不同接口。核心亮点： > 支持 A 股、港股、美股以及场内基金 > 自动从多个数据源（腾讯、新浪、东方财富）获取数据并 fallback > 提供 CLI 命令行直接查询 > 支持 MCP，可以直接给 Claude Code、Cursor 等 AI 工具使用 > 非常轻量，几乎没有运行时依赖以前做跨市场数据：A 股接 Tushare → 港股接 yfinance → 美股再接 Alpha Vantage，三套鉴权、三种格式、三个坑。现在 stock-api 一个接口全通。数据管道这件事，终于不用维护八套 SDK 了！对想自己写股票工具、或者用 AI 做量化/投研辅助的人来说，是一个比较实用的开源项目

爱吃折耳根的Ace

87,060 Aufrufe • vor 4 Monaten

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

karminski-牙医

16,146 Aufrufe • vor 10 Monaten