Loading video...

Video Failed to Load

Go Home

说个真相：2026 年最能赚钱的 AI 编程工具不是 Claude Code，是 Cursor。 年化 40 亿美金，Claude Code 25 亿，差一截。 这数字不是我拍脑袋，是我让 Apodex 跑出来的，一个主打“每一步先验证再往下推”的 AI 研究工具。 它没像聊天机器人那样秒回一段话，是真去查，最后给了份带 21 条引用的简报。 大方向它给的结论跟我体感对得上：Cursor 最能赚，Copilot 用户最多，Claude Code 体验最好。 但 AI 给的东西我有个习惯，挨条查，21 条引用翻下来，大多数站得住。 有一条没站住：它说 SpaceX 要花 100 亿买 Cursor 的 Colossus 超算。问题是，Colossus 是马斯克 xAI 的超算，不是 Cursor 的。 它也有很克制的地方。比如 Copilot 的收入，它没硬编一个数，直接标“微软没披露，这是估算”，还给了区间。 所以我真正想说的是：它把每一步推理、每一条来源都摊开给你了。正因为摊开，我才查得出哪条不对。换个黑盒聊天机器人，你连查都没得查。 经过验证的简报，不等于你可以不验证。但它能让你验证，这件事本身就比大多数...

yanhua1010's profile picture

Yanhua

33,074 subscribers

27,344 views • 22 days ago •via X (Twitter)

EducationScience & TechnologyFinance
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

🧵1/4 卧槽，我最近被 AI 的一种错误恶心到了——但不是你想的那种😳 一本正经胡说、你一眼能拆穿的，不可怕。可怕的是另一种：数字、引用、逻辑全齐活，看着特别靠谱，结论却是错的。我管它叫“伪正确”。 正好赶上 SpaceX 上市，我顺手拿它当了个活靶子🎯 你现在去搜“这次 IPO 估值多少”，搜出来的数全打架——1.75 万亿？2.2 万亿？2025 年亏 49 亿，还是累计亏 90 亿？每个数背后都有人言之凿凿，随便哪个 AI 抓一条就敢报给你。 我用 Apodex 亲测了一把，看它能不能把这摊浑水理清👇
0:30

🧵1/4 卧槽，我最近被 AI 的一种错误恶心到了——但不是你想的那种😳 一本正经胡说、你一眼能拆穿的，不可怕。可怕的是另一种：数字、引用、逻辑全齐活，看着特别靠谱，结论却是错的。我管它叫“伪正确”。 正好赶上 SpaceX 上市，我顺手拿它当了个活靶子🎯 你现在去搜“这次 IPO 估值多少”，搜出来的数全打架——1.75 万亿？2.2 万亿？2025 年亏 49 亿，还是累计亏 90 亿？每个数背后都有人言之凿凿，随便哪个 AI 抓一条就敢报给你。 我用 Apodex 亲测了一把，看它能不能把这摊浑水理清👇

MapleShaw

10,803 views • 18 days ago

Claude Fable 5 重新开放了 最近刚好有一个demo，就是看能不能用顶级模型做一个meme工厂 “ 就是我输入一个 Meme Coin 创意 然后这个工具自动生成品牌 / 叙事 / 经济模型 / 营销方案 支持中文全流程输出，可以反复优化迭代 “ 也是想尝试一下，做一个可以验证 Fable 5 长任务能力 最终做出了一个能够简单跑的框架（我没有投入任何信息源，没有喂数据 所以跑起来效果没有那么屌，不过我觉得后期再投喂一些案例，我觉得确实是可以落地的） 说说我为什么用Fable 5 来测？ 因为这个任务本质不是写代码 更像是说去测试AI的长链路规划能力测试 它需要： 1/ 语义理解 2/ 叙事能力 3/ 结构能力 4/ 一致性 5/ 自我检查 这刚好是 Claude Fable 5 主打的能力 整体跑下来我觉得还算是可以的，毕竟我这种不会写代码不会设计的小屌丝，确实在Fable 5 上面使用得其乐融融的 哈哈 再说说我的TOKEN使用量吧：112.31K（按照官方的收费标准大概是在：$4.2） 要是加上文本案例 再接入一个AI对话的API框架 我觉得应该费用还要再多出个大几十吧（个人猜测，毕竟投喂数据可能会比较烧tokens） 总的来说的话我个人还是觉得这笔消费还算挺值得的，因为这本身在传统行业的话 可能会是比较高的费用，AI真的弄挺好的 说完Claude Fable 5的体验， 那我不得不说我是在哪里体验的Claude Fable 5了 我这次没有走官方通道，而是走的是我之前给大家分享的中转站 Zenmux ZenMux 因为他这几天又搞活动了，只要你账号的余额＞$0 你就可以免费体验Claude Fable 5 并且 Zenmux支持（不限于）： 200+ 模型统一入口 无 RPM 限制 PK 模式 可以直接做横评 如果大家也想低成本体验一下 Claude Fable 5 我觉得当前使用Zenmux是最好的选择
0:58

Claude Fable 5 重新开放了 最近刚好有一个demo，就是看能不能用顶级模型做一个meme工厂 “ 就是我输入一个 Meme Coin 创意 然后这个工具自动生成品牌 / 叙事 / 经济模型 / 营销方案 支持中文全流程输出，可以反复优化迭代 “ 也是想尝试一下，做一个可以验证 Fable 5 长任务能力 最终做出了一个能够简单跑的框架（我没有投入任何信息源，没有喂数据 所以跑起来效果没有那么屌，不过我觉得后期再投喂一些案例，我觉得确实是可以落地的） 说说我为什么用Fable 5 来测？ 因为这个任务本质不是写代码 更像是说去测试AI的长链路规划能力测试 它需要： 1/ 语义理解 2/ 叙事能力 3/ 结构能力 4/ 一致性 5/ 自我检查 这刚好是 Claude Fable 5 主打的能力 整体跑下来我觉得还算是可以的，毕竟我这种不会写代码不会设计的小屌丝，确实在Fable 5 上面使用得其乐融融的 哈哈 再说说我的TOKEN使用量吧：112.31K（按照官方的收费标准大概是在：$4.2） 要是加上文本案例 再接入一个AI对话的API框架 我觉得应该费用还要再多出个大几十吧（个人猜测，毕竟投喂数据可能会比较烧tokens） 总的来说的话我个人还是觉得这笔消费还算挺值得的，因为这本身在传统行业的话 可能会是比较高的费用，AI真的弄挺好的 说完Claude Fable 5的体验， 那我不得不说我是在哪里体验的Claude Fable 5了 我这次没有走官方通道，而是走的是我之前给大家分享的中转站 Zenmux ZenMux 因为他这几天又搞活动了，只要你账号的余额＞$0 你就可以免费体验Claude Fable 5 并且 Zenmux支持（不限于）： 200+ 模型统一入口 无 RPM 限制 PK 模式 可以直接做横评 如果大家也想低成本体验一下 Claude Fable 5 我觉得当前使用Zenmux是最好的选择

车九

48,181 views • 8 days ago

🎬 90% 的人没用明白 Codex。 因为一开始就把它当成了 ChatGPT。 但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。 我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。 当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。
17:56

🎬 90% 的人没用明白 Codex。 因为一开始就把它当成了 ChatGPT。 但 Codex 最厉害的地方，从来不是聊天，而是动手。它会读项目、改文件、做表格、操作浏览器，直接在你的电脑里完成任务。 💡 真正决定体验的也不是 Prompt，而是四件事：Project、Permissions、Context 和 AGENTS.md。少一个都能用，多一个才开始好用。 我后来甚至不把它当 AI，而是当新人来带：先教它，再纠正它，最后把经验沉淀成 Skill。 当你开始这样用 Codex，它就不再是助手，而是一套持续进化的工作系统。

Martin

26,905 views • 24 days ago

我以前的物理老师，去年退休了 养老金：$900 / 月 房租：$400 也就是说，他每个月真正能拿来生活的，只剩： $500 我把一篇讲 Polymarket 定价公式的文章发给了他 一小时后，他回了我一句： “这不就是 softmax 吗？我每年都教 11 年级学生这个。结果现在有人拿它交易几十亿美元，大多数人甚至不知道它是怎么工作的？” 三天后，他又发来一张截图： +$670 他找到 4 个市场， Polymarket 给出的价格是： 0.30 但按他的公式算出来，真实概率更接近： 0.48 又过了一周，他的盈利变成了： +$2,100 他说了一句让我印象很深的话： “我教了 30 年这种数学。30 年都有人告诉我这没用。第一次发现，它赚的钱比学校给我的还多。” 放在一起看，其实就很扎眼： 养老金：$900 / 月 Polymarket 第一周：+$2,100 没有复杂设备 没有量化团队 没有 fancy bot 就一条公式 一个退休物理老师 一部手机上的计算器 你当年在学校里，是不是也被人说过： “数学以后根本用不上。”
0:59

我以前的物理老师，去年退休了 养老金：$900 / 月 房租：$400 也就是说，他每个月真正能拿来生活的，只剩： $500 我把一篇讲 Polymarket 定价公式的文章发给了他 一小时后，他回了我一句： “这不就是 softmax 吗？我每年都教 11 年级学生这个。结果现在有人拿它交易几十亿美元，大多数人甚至不知道它是怎么工作的？” 三天后，他又发来一张截图： +$670 他找到 4 个市场， Polymarket 给出的价格是： 0.30 但按他的公式算出来，真实概率更接近： 0.48 又过了一周，他的盈利变成了： +$2,100 他说了一句让我印象很深的话： “我教了 30 年这种数学。30 年都有人告诉我这没用。第一次发现，它赚的钱比学校给我的还多。” 放在一起看，其实就很扎眼： 养老金：$900 / 月 Polymarket 第一周：+$2,100 没有复杂设备 没有量化团队 没有 fancy bot 就一条公式 一个退休物理老师 一部手机上的计算器 你当年在学校里，是不是也被人说过： “数学以后根本用不上。”

0x_Miko

39,329 views • 3 months ago

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。
0:34

今天，把一件关于 AI 很底层的事，彻底想透了。 使用 AI 的最佳方式是以道御术，但前提是你得先以术入道。 就像黄仁勋说的——真正会用 AI 的人，都是极高认知的提问者，带着自己的认知去提问，让 AI 帮你叩开未知的边界，而不是让它替你思考。 这段话最近反复在我脑子里出现， 但我觉得他还少说了一句： 这个认知，到底从哪来？ 首先肯定不是看几本书、刷几条推就能来的， 我觉得至少得是你自己上手干过、踩过坑、改过错，这个认知才能慢慢长出来， 这就是以术入道。 就像做菜，你得自己掌过勺，才知道一道菜真正的好坏在哪，AI 也一样，你得先用过、踩过坑、改过错，才能判断它给你的建议到底对不对。 我现在的判断是，AI 工具大概率会分成两条路。 一条是 agent 型，Claude Code、Codex、Hermes 那种，你给个目标它自己跑，你睡觉时它也跑，手机戳一戳继续跑，像一辆自动驾驶汽车。 另一条是 实习生型，典型代表是 Cursor， 每一步都要你判断：diff 改对了吗？ 这个建议要不要采用？要不要切 MAX 模型重跑一次？ 它有判断力，但没有自主决策权，你不在跟前盯着，它就停下来。 agent 是替你思考，实习生是和你一起思考，而只有后者，才是真正以术入道的过程。 agent 型工具的核心是省时间，你用它做事，实习生型工具的核心是磨判断力，你用它的过程，就是你长出自己那个道的过程。 但实习生型工具有个致命瓶颈——你不在跟前，它就停了。 自从被官方投喂 $10000 额度之后，我现在是个 Cursor 重度用户， 家里专门放了一台 Mac 跑 Cursor， 结果它就变成一个必须我在场才能用的稀缺资源。 直到最近朋友给我推了 UU 远程，网易做的，都免费两年了，而且没广告没会员，一开始我都有点不敢相信。 试了下发现真香，手机一打开就能接进家里那台 Mac，4K 144 帧，几乎感觉不到延迟， 看 Cursor 实时 diff、处理报错、切模型，跟坐电脑前没区别。 最让我惊喜的是，手机能直接开终端， 以前出门想登家里 Mac 跑命令行， 得 Tailscale 再 ssh 再 tmux，折腾半天， 还原生支持一个完整终端，跟敲 zsh 没区别， Cursor 跑一半要 git status、kill 进程、npm install， 手机抬手就办了，特别方便。 更新版本的时候我才发现，UU 远程刚好做到第二年， 周年庆重申不收费，继续打磨产品给大家免费用，还预告了几个新功能：安卓屏幕共享、小窗模式、精细化权限管理、文件夹共享、笔记本设备性能优化。 一个免费做了两年、还在持续往里砸功能的产品，我觉得是真有长期主义、想把产品做好的。 话说回来，AI 发展到这个阶段，我们真正需要的，我理解已经不是更厉害的 AI了，而是一种能让你随时和你的 AI 一起思考的连接方式。 目前看，Cursor和UU 远程这类体验和功能都做的非常丝滑极致的产品， 对我来说就是这个连接方式， 把我和家里那个顶级实习生之间的物理距离消除了， 让我能在任何地方，磨我自己的那个道。 毕竟 AI 工具的尽头，不是替我们做事，是把我们磨成那个，值得被它认真回答的提问者， 以上和大家共勉，一起在学习和使用AI的这条路上，达到以术入道，以道御术的境界。

AYi

695,078 views • 1 month ago

迫不及待开始用Fable 5了，让它给我做个网页版的红警。 三年前我用AI编程做贪吃蛇，发推特说"留给人类程序员的时间不多了"。 一帮程序员追着我抬杠："你让它写个王者荣耀试试？" 今天我觉得，Fable 5没准真能行。刚才它还问我要不要尤里的复仇，全给我规划好了，现在已经开干了。 大家等我消息，明天咱们验收一下，看这个传说中的神话寓言，是不是真的那么神，看看布林说的AGI是不是真的来了。
3:04

迫不及待开始用Fable 5了，让它给我做个网页版的红警。 三年前我用AI编程做贪吃蛇，发推特说"留给人类程序员的时间不多了"。 一帮程序员追着我抬杠："你让它写个王者荣耀试试？" 今天我觉得，Fable 5没准真能行。刚才它还问我要不要尤里的复仇，全给我规划好了，现在已经开干了。 大家等我消息，明天咱们验收一下，看这个传说中的神话寓言，是不是真的那么神，看看布林说的AGI是不是真的来了。

傅盛

27,507 views • 1 month ago

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。 什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。 直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面： 这玩意儿怎么这么像拆熟食的？ 传统 AI 给我的感觉，就像买一整块封装好的肉。 看起来油亮，切面也不错， 但你永远不知道里面有没有掺点别的。 你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”： 它不让你信整块， 而是把 AI 推理一刀一刀拆开。 你不需要接受“这个模型很强”这种宏大叙事， 你只需要确认一件小事： 这一刀，是不是真的这么切的。 说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。 不是让所有人去理解整个模型， 而是让验证这件事本身变轻。 我不用背“我要为整个 AI 结果负责”的心理包袱， 我只关心我现在用到的这一小段推理， 有没有被乱来。 这在很多现实场景里太重要了。 医生、风控、合规， 没人有精力啃完整头猪。 更让我有好感的是，他们连“怎么验”都顺手简化了。 我是真的讨厌管理私钥。 不是不懂，是不想。 每次验证之前先来一套仪式感， 本身就已经在劝退人了。 和 Self Chain 的无密钥方案， 第一次看到的时候我心里是松了一口气的那种感觉： 哦，终于不是为难普通人了。 验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。 它不讲终极信任， 也不喊改变世界， 只是很务实地把信任拆碎、摊平、递到你手里。 你想验，就验这一小块。 你不想理解，也没关系。 未来如果 AI 真开始翻车， 那些没法被拆、没法被验的模型， 大概真的会被永久挂在链上当反例。 我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。 我更在意的是： 当我真的要用 AI 的那一刻，它有没有为我考虑过。 这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs
5:21

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。 什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。 直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面： 这玩意儿怎么这么像拆熟食的？ 传统 AI 给我的感觉，就像买一整块封装好的肉。 看起来油亮，切面也不错， 但你永远不知道里面有没有掺点别的。 你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”： 它不让你信整块， 而是把 AI 推理一刀一刀拆开。 你不需要接受“这个模型很强”这种宏大叙事， 你只需要确认一件小事： 这一刀，是不是真的这么切的。 说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。 不是让所有人去理解整个模型， 而是让验证这件事本身变轻。 我不用背“我要为整个 AI 结果负责”的心理包袱， 我只关心我现在用到的这一小段推理， 有没有被乱来。 这在很多现实场景里太重要了。 医生、风控、合规， 没人有精力啃完整头猪。 更让我有好感的是，他们连“怎么验”都顺手简化了。 我是真的讨厌管理私钥。 不是不懂，是不想。 每次验证之前先来一套仪式感， 本身就已经在劝退人了。 和 Self Chain 的无密钥方案， 第一次看到的时候我心里是松了一口气的那种感觉： 哦，终于不是为难普通人了。 验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。 它不讲终极信任， 也不喊改变世界， 只是很务实地把信任拆碎、摊平、递到你手里。 你想验，就验这一小块。 你不想理解，也没关系。 未来如果 AI 真开始翻车， 那些没法被拆、没法被验的模型， 大概真的会被永久挂在链上当反例。 我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。 我更在意的是： 当我真的要用 AI 的那一刻，它有没有为我考虑过。 这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 MemeMax ⚡️ 🐬TermMax

27,155 views • 6 months ago

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊
1:00

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,466 views • 6 months ago

天才数学家陶哲轩对数学AI的思考 像真的，但其实不对。 AI写出的证明，乍看完美无瑕，细看漏洞百出。 为什么？ 因为它没有“嗅觉”。 今天的AI，已经完全能通过“目测测试” 生成的内容看起来专业、太对味了。 但一旦你靠近它、认真嗅一下，就会发现它撒了香水 掩盖的，是逻辑上的腐臭。 不像传统的初学者那种“明显错”， AI的问题常常隐藏在最高级别的伪装底下： 写得太好，看不出哪里坏。 就像Terry Tao说的：“数学，是有味道的。” 一个真正靠谱的证明，不只是形式正确，而是通体带着那种“对的直觉” 结构自然、推理顺畅、细节干净利落。就像人闻食物的味道，不需要吃一口，就知道有没有毒。 AI没有这个。 它可以模仿口感，复制包装，但闻不到底层的真实。因为它是在学“怎么看起来像对的”，而不是“为什么它是真的”。 你可以把它理解为一个训练过非常精良的演员，知道什么时候该皱眉、什么时候叹气，用上最漂亮的定理、最熟练的转折，但它不明白它的角色到底在干什么。 而这，正是问题所在。 人类在判断一个复杂证明时，靠的不止是推理，更靠一种经验直觉：这个步骤自然吗？这个拆解方式靠谱不靠谱？这个结构合理不合理？我们甚至很难说清楚“为什么不行”，但就是知道，“不对劲”。 这就是“数学的嗅觉” 你说不明白，但你能闻得出来。 AlphaGo和AlphaZero之所以能搞定围棋和国际象棋，不是因为它们穷举了所有下法，而是因为它们学会了在哪些局面里，有“胜利的味道”。 即便讲不出理由，它们凭那股味道，也能找到通向胜利的路。 数学AI要想达到人类水平，它得也有这种“方向感”。 不是生成个像样的证明，而是能问自己：“我是不是在一个貌似正确，实际上死路的方向上走太远了？” 也许未来某一天，它能真正感觉到：“这一步味道不对，我得退回来。” 那一天，它就不只是一个生成文本的工具，而是真正的数学伙伴了。 🙋‍♂️人有灵气
2:06

天才数学家陶哲轩对数学AI的思考 像真的，但其实不对。 AI写出的证明，乍看完美无瑕，细看漏洞百出。 为什么？ 因为它没有“嗅觉”。 今天的AI，已经完全能通过“目测测试” 生成的内容看起来专业、太对味了。 但一旦你靠近它、认真嗅一下，就会发现它撒了香水 掩盖的，是逻辑上的腐臭。 不像传统的初学者那种“明显错”， AI的问题常常隐藏在最高级别的伪装底下： 写得太好，看不出哪里坏。 就像Terry Tao说的：“数学，是有味道的。” 一个真正靠谱的证明，不只是形式正确，而是通体带着那种“对的直觉” 结构自然、推理顺畅、细节干净利落。就像人闻食物的味道，不需要吃一口，就知道有没有毒。 AI没有这个。 它可以模仿口感，复制包装，但闻不到底层的真实。因为它是在学“怎么看起来像对的”，而不是“为什么它是真的”。 你可以把它理解为一个训练过非常精良的演员，知道什么时候该皱眉、什么时候叹气，用上最漂亮的定理、最熟练的转折，但它不明白它的角色到底在干什么。 而这，正是问题所在。 人类在判断一个复杂证明时，靠的不止是推理，更靠一种经验直觉：这个步骤自然吗？这个拆解方式靠谱不靠谱？这个结构合理不合理？我们甚至很难说清楚“为什么不行”，但就是知道，“不对劲”。 这就是“数学的嗅觉” 你说不明白，但你能闻得出来。 AlphaGo和AlphaZero之所以能搞定围棋和国际象棋，不是因为它们穷举了所有下法，而是因为它们学会了在哪些局面里，有“胜利的味道”。 即便讲不出理由，它们凭那股味道，也能找到通向胜利的路。 数学AI要想达到人类水平，它得也有这种“方向感”。 不是生成个像样的证明，而是能问自己：“我是不是在一个貌似正确，实际上死路的方向上走太远了？” 也许未来某一天，它能真正感觉到：“这一步味道不对，我得退回来。” 那一天，它就不只是一个生成文本的工具，而是真正的数学伙伴了。 🙋‍♂️人有灵气

墓碑科技

120,892 views • 1 year ago

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：
57:23

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：

宝玉

300,883 views • 1 year ago

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。 不是它们不厉害，恰恰相反——都太厉害了。 模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。 不是“哇好强”，而是突然冒出一个不太技术的问题： 如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？ 不是那种我问你、你马上答的关系， 而是你会不会哪天顺手再点开它。 有些 AI 真的很聪明，但你心里清楚，它就是工具。 用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。 它更像是在琢磨一件事： 人为什么会愿意和一个存在长期相处？ 这时候我才开始注意到他们说的那套 Mind / Body / Soul。 不是因为名字，而是方向。 Mind 这一层，其实挺像人。 不是一直保持同一种状态。 有时候你需要逻辑，有时候只是想被理解， 有时候甚至不需要答案，只要有人把话接住。 再加上它会记得你。 不是那种冷冰冰的“你在某年某月问过什么”， 而是你们之间发生过的那些事。 一旦记忆变成关系的一部分， 整个体验就不一样了。 Body 这点我以前真没太当回事。 但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。 有形象、有存在的位置， 在你已经习惯的设备和场景里出现。 不是为了炫， 而是为了让你不抗拒。 在你信任之前，你首先得觉得它“正常”、不吓人。 至于 Soul，其实是我最看重的。 现在的 AI 都很会， 但很少有那种让人想一直留着的。 Kindred 没那么急。 不催你、不拉你、不用力制造黏性。 你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西， 给我的感觉更像是一起走一段， 而不是被系统牵着跑。 所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI， 但底层其实是在讲人。 我们怎么建立信任， 怎么产生依附， 怎么愿意长期和一个存在共处。 AI 只是载体。 被认真对待的，其实是人的感受。 如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。 不是因为它最强， 而是它没有急着证明自己。
1:42

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。 不是它们不厉害，恰恰相反——都太厉害了。 模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。 不是“哇好强”，而是突然冒出一个不太技术的问题： 如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？ 不是那种我问你、你马上答的关系， 而是你会不会哪天顺手再点开它。 有些 AI 真的很聪明，但你心里清楚，它就是工具。 用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。 它更像是在琢磨一件事： 人为什么会愿意和一个存在长期相处？ 这时候我才开始注意到他们说的那套 Mind / Body / Soul。 不是因为名字，而是方向。 Mind 这一层，其实挺像人。 不是一直保持同一种状态。 有时候你需要逻辑，有时候只是想被理解， 有时候甚至不需要答案，只要有人把话接住。 再加上它会记得你。 不是那种冷冰冰的“你在某年某月问过什么”， 而是你们之间发生过的那些事。 一旦记忆变成关系的一部分， 整个体验就不一样了。 Body 这点我以前真没太当回事。 但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。 有形象、有存在的位置， 在你已经习惯的设备和场景里出现。 不是为了炫， 而是为了让你不抗拒。 在你信任之前，你首先得觉得它“正常”、不吓人。 至于 Soul，其实是我最看重的。 现在的 AI 都很会， 但很少有那种让人想一直留着的。 Kindred 没那么急。 不催你、不拉你、不用力制造黏性。 你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西， 给我的感觉更像是一起走一段， 而不是被系统牵着跑。 所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI， 但底层其实是在讲人。 我们怎么建立信任， 怎么产生依附， 怎么愿意长期和一个存在共处。 AI 只是载体。 被认真对待的，其实是人的感受。 如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。 不是因为它最强， 而是它没有急着证明自己。

董小姐 ｜预测世界杯就在Gate

43,660 views • 6 months ago

Claude Code 团队的 Thariq 称：他用了 Fable 5之后，自己的工作方式发生了什么根本转变： 以前是"检查 Claude 有没有把活干对"（doing the work right），现在变成"检查 Claude 有没有在做对的事"（doing the right work） ——从盯执行细节，变成定方向。 他给的三条具体做法： 1. 把 Claude 当成一起想问题的伙伴，而不是等想清楚了才让它干活。 他常常自己都不确定要什么，就早早拉 Claude 进来——比如先写个小需求说明，让 Claude 反过来"采访"他、逼他想清楚；或者给个想法让它出几个方向、用 HTML 做原型给他挑。关键动作是给背景而不只是给限制：与其说"别过度设计"，不如说"这功能是个实验、可能一个月后就删，所以别搭扔起来心疼的东西"。 2. 给目标 + 给验证方法。 点了两个新功能：/goal（让 Claude 一直干到完成为止）和 workflows（让 Claude 验证自己的成果、出报告说明实现了什么、有没有偏差）。 3. 更大胆一点。 Fable 强到逼他跳出框框，他顺带抖了个包袱：这条视频本身就是他用 Fable 剪的。 "如果有什么你以为大模型做不到，不妨给它个机会"。
3:00

Claude Code 团队的 Thariq 称：他用了 Fable 5之后，自己的工作方式发生了什么根本转变： 以前是"检查 Claude 有没有把活干对"（doing the work right），现在变成"检查 Claude 有没有在做对的事"（doing the right work） ——从盯执行细节，变成定方向。 他给的三条具体做法： 1. 把 Claude 当成一起想问题的伙伴，而不是等想清楚了才让它干活。 他常常自己都不确定要什么，就早早拉 Claude 进来——比如先写个小需求说明，让 Claude 反过来"采访"他、逼他想清楚；或者给个想法让它出几个方向、用 HTML 做原型给他挑。关键动作是给背景而不只是给限制：与其说"别过度设计"，不如说"这功能是个实验、可能一个月后就删，所以别搭扔起来心疼的东西"。 2. 给目标 + 给验证方法。 点了两个新功能：/goal（让 Claude 一直干到完成为止）和 workflows（让 Claude 验证自己的成果、出报告说明实现了什么、有没有偏差）。 3. 更大胆一点。 Fable 强到逼他跳出框框，他顺带抖了个包袱：这条视频本身就是他用 Fable 剪的。 "如果有什么你以为大模型做不到，不妨给它个机会"。

小互

42,349 views • 5 days ago

收费站的检查终于出了大结果了，它们要检查车里是不是真的拉的是蜜蜂，结果让人很满意，每一个收费站捡查的人员都得到真实验证：真的！的确是真的，满头的包都能证明！😂😂😂😂😂
0:37

收费站的检查终于出了大结果了，它们要检查车里是不是真的拉的是蜜蜂，结果让人很满意，每一个收费站捡查的人员都得到真实验证：真的！的确是真的，满头的包都能证明！😂😂😂😂😂

老司机

139,781 views • 8 months ago

🔥 AI 任务终于看得见了！Flowtrace 把复杂工作变成可视 Trace：一步步走、每步可查、可追溯、可复用、还能持续进化！ 我每天用 Claude、Cursor 干活：写报告、研究股票、做方案、优化简历…… 用得越多越崩溃： - 今天花几个小时跟 AI 聊出来的东西，明天想再用一次，又得从头重新说一遍 - AI 给的答案看起来很专业，但我根本不知道它哪来的依据，靠不靠谱心里没底 - 好不容易调教出一个好 Prompt，下次就作废了，全是沉没成本 - 改一个想法，整个对话就乱套，得全部重来 - 领导问“你这个结论怎么来的？”我只能尴尬地说……AI 说的 真的太没有安全感了，用完就忘，越用越焦虑。 直到我刷到 Flowtrace 这个开源项目，它直接解决了我这些痛点。 现在我做事情时，AI 不再是扔个 prompt 吐一大堆看不懂的黑箱内容，而是： - 整个过程一步一步清清楚楚，我全程看得见 - 每一步都有单独的文件，想查哪步就点哪步，依据一目了然 - 做完一次以后，下次直接复用，改改输入就能出新结果 - 只想改哪里，就只重新跑哪里，不用全部重来 - 做完之后心里特别踏实，因为每一步都有痕迹、有证据 最打动我的是：AI 终于不再是一次性聊天工具，而是变成了我真正能掌控、能重复使用、越用越强的个人助手。 现在做股票分析、写周报、准备方案，都会用它跑一遍，心里安心多了，不再担心“明天又得重来”。 作为一个普通人，我完全不需要懂技术。 把仓库丢给 AI，说一句“帮我安装并跑 tailored-resume 示例”就能立刻上手。 项目自带 9 个现成例子，普通用户也能马上感受到巨大差别： - 股票投资决策：完整研究报告 + 图表 + 依据，最后生成可引用 PDF - SaaS 尽职调查：多维度分析，每一步证据链完整 - 定制简历生成：一步步优化，轻松复用 - 行业深度报告、Bug 修复循环、周报、广告优化…… - 甚至能把别人的 Skill / Chat Log 直接转成 Trace！ 如果你也和我一样，天天靠 AI 干正事，却总觉得不踏实、怕沉没成本，真的强烈推荐你去试试！
0:47

🔥 AI 任务终于看得见了！Flowtrace 把复杂工作变成可视 Trace：一步步走、每步可查、可追溯、可复用、还能持续进化！ 我每天用 Claude、Cursor 干活：写报告、研究股票、做方案、优化简历…… 用得越多越崩溃： - 今天花几个小时跟 AI 聊出来的东西，明天想再用一次，又得从头重新说一遍 - AI 给的答案看起来很专业，但我根本不知道它哪来的依据，靠不靠谱心里没底 - 好不容易调教出一个好 Prompt，下次就作废了，全是沉没成本 - 改一个想法，整个对话就乱套，得全部重来 - 领导问“你这个结论怎么来的？”我只能尴尬地说……AI 说的 真的太没有安全感了，用完就忘，越用越焦虑。 直到我刷到 Flowtrace 这个开源项目，它直接解决了我这些痛点。 现在我做事情时，AI 不再是扔个 prompt 吐一大堆看不懂的黑箱内容，而是： - 整个过程一步一步清清楚楚，我全程看得见 - 每一步都有单独的文件，想查哪步就点哪步，依据一目了然 - 做完一次以后，下次直接复用，改改输入就能出新结果 - 只想改哪里，就只重新跑哪里，不用全部重来 - 做完之后心里特别踏实，因为每一步都有痕迹、有证据 最打动我的是：AI 终于不再是一次性聊天工具，而是变成了我真正能掌控、能重复使用、越用越强的个人助手。 现在做股票分析、写周报、准备方案，都会用它跑一遍，心里安心多了，不再担心“明天又得重来”。 作为一个普通人，我完全不需要懂技术。 把仓库丢给 AI，说一句“帮我安装并跑 tailored-resume 示例”就能立刻上手。 项目自带 9 个现成例子，普通用户也能马上感受到巨大差别： - 股票投资决策：完整研究报告 + 图表 + 依据，最后生成可引用 PDF - SaaS 尽职调查：多维度分析，每一步证据链完整 - 定制简历生成：一步步优化，轻松复用 - 行业深度报告、Bug 修复循环、周报、广告优化…… - 甚至能把别人的 Skill / Chat Log 直接转成 Trace！ 如果你也和我一样，天天靠 AI 干正事，却总觉得不踏实、怕沉没成本，真的强烈推荐你去试试！

开发者Hailey

13,052 views • 24 days ago

100块的AI，如何帮我接单月赚12万？这次做这个项目给我的感受是国产模型真的能用了！ 其实我一直都是用最好的模型，Claude 4.5 + Claude Code也一直是我的AI编程主力，但真的被封麻了。每天重新搞Claude的时间都有一两个小时，这次用GLM4.6来平替效果还真可以。虽然它下午高峰期时不时会卡，而且偶尔指令遵循确实比GPT-5差不少，可90%的开发任务都还不错，返工率也可以接受。 我现在的最好的实践就是，保留20美金的Cursor用顶级模型，再来个GLM4.6干活，很香！
4:22

100块的AI，如何帮我接单月赚12万？这次做这个项目给我的感受是国产模型真的能用了！ 其实我一直都是用最好的模型，Claude 4.5 + Claude Code也一直是我的AI编程主力，但真的被封麻了。每天重新搞Claude的时间都有一两个小时，这次用GLM4.6来平替效果还真可以。虽然它下午高峰期时不时会卡，而且偶尔指令遵循确实比GPT-5差不少，可90%的开发任务都还不错，返工率也可以接受。 我现在的最好的实践就是，保留20美金的Cursor用顶级模型，再来个GLM4.6干活，很香！

Yihui

74,834 views • 7 months ago

我的龙虾帮我把日本七天旅行全安排了，行程 + 机票都查好了，最后还把结果发到了我邮箱。 用的是扣子 2.5，拆解一下它是怎么做的。 这次主打的概念是"满配 Agent"，说白了就是 AI 不再只是一个聊天框，你可以给它配一台云手机、一台云电脑、一个独立邮箱，让它自己去干活。 先建了个 Agent，给它起了名换了头像。然后去虾评装了个旅行规划 Skill，让它用云手机帮我排行程。 规划完之后它用自己的邮箱把行程发到了我个人邮箱。 第一印象：确实不只是聊天了👇
1:50

我的龙虾帮我把日本七天旅行全安排了，行程 + 机票都查好了，最后还把结果发到了我邮箱。 用的是扣子 2.5，拆解一下它是怎么做的。 这次主打的概念是"满配 Agent"，说白了就是 AI 不再只是一个聊天框，你可以给它配一台云手机、一台云电脑、一个独立邮箱，让它自己去干活。 先建了个 Agent，给它起了名换了头像。然后去虾评装了个旅行规划 Skill，让它用云手机帮我排行程。 规划完之后它用自己的邮箱把行程发到了我个人邮箱。 第一印象：确实不只是聊天了👇

Yanhua

51,746 views • 3 months ago

最近 OpenClaw 和 Hermes 让大家关注到一件事：给 AI 一个真实的环境（文件系统、工具、记忆），比单纯的对话框有意思得多。我们也是这个思路，不过我们更关注另一个场景：群聊。 传统 chatbot 在群聊里只有被 @ 才会处理消息，其他时候它是不存在的。这在 1v1 对话里没问题，但群聊本来就不是一问一答的——你不会每说一句话都 @ 一个人。 所以我们给Memoh引入了discuss模式。Discuss 模式下 bot 收到群里的每一条消息，但 LLM 直接输出的文字是内心独白——没人看得到。要说话得调 send 工具，不调就是沉默。该不该开口，LLM 自己推理决定。 所以 bot 在群聊里终于是个正常的参与者了：有人问它问题会回答，有话题它能聊就插一句，没它的事就安静待着。而不是一个 @了才弹出来的工具。 技术细节写了篇 blog（见评论），讲了怎么用确定性上下文管线（DCP）把群聊消息流转成结构化上下文，以及怎么通过 inner monologue + tool call 的方式让 bot 自主决定说不说话。
0:37

最近 OpenClaw 和 Hermes 让大家关注到一件事：给 AI 一个真实的环境（文件系统、工具、记忆），比单纯的对话框有意思得多。我们也是这个思路，不过我们更关注另一个场景：群聊。 传统 chatbot 在群聊里只有被 @ 才会处理消息，其他时候它是不存在的。这在 1v1 对话里没问题，但群聊本来就不是一问一答的——你不会每说一句话都 @ 一个人。 所以我们给Memoh引入了discuss模式。Discuss 模式下 bot 收到群里的每一条消息，但 LLM 直接输出的文字是内心独白——没人看得到。要说话得调 send 工具，不调就是沉默。该不该开口，LLM 自己推理决定。 所以 bot 在群聊里终于是个正常的参与者了：有人问它问题会回答，有话题它能聊就插一句，没它的事就安静待着。而不是一个 @了才弹出来的工具。 技术细节写了篇 blog（见评论），讲了怎么用确定性上下文管线（DCP）把群聊消息流转成结构化上下文，以及怎么通过 inner monologue + tool call 的方式让 bot 自主决定说不说话。

📦Acbox

43,207 views • 2 months ago

说实话，这才是我想要的AI该有的样子。 前_buildspace创始人Farza刚刚发布了Clicky，一个住在你Mac光标旁边的AI伙伴， 你不用打开任何App，不用打字，只要对着屏幕说一句话， 它就会分裂出一个小代理， 直接帮你把活干了。 你说，帮我把桌面这些乱七八糟的截图清理一下， 它就自动给你分类归档。 你说，帮我明天晚上九点设个提醒和Sharif去吃饭，它就直接打开提醒事项帮你建好。 你说，帮我找25个粉丝不到五万的同领域微网红，列成CSV再写几条DM模板， 它就自己上网搜，自己整理，几分钟给你一个现成的表格。 最离谱的是这个， 你说，帮我建一个Mac App，控制本地的Spotify，做成复古唱片机风格，有播放暂停显示歌名，五分钟之后，它真的给你编译出了一个完整的原生App，还自动打开给你运行。 以前所有的AI，都是你去找它，你打开聊天框，你打字，你复制粘贴，而Clicky是它一直在你身边，它看得到你屏幕上的一切，你需要的时候喊一声，它就出来帮你搞定。 Siri会告诉你，我帮你打开提醒事项，然后让你自己填，而Clicky会直接帮你填好保存，这才是真正的AI助手，不是聊天机器人，是你的数字员工。 现在已经可以免费下载了，Mac用户直接冲，这绝对是2026年到目前为止，最让我兴奋的AI产品。
3:43

说实话，这才是我想要的AI该有的样子。 前_buildspace创始人Farza刚刚发布了Clicky，一个住在你Mac光标旁边的AI伙伴， 你不用打开任何App，不用打字，只要对着屏幕说一句话， 它就会分裂出一个小代理， 直接帮你把活干了。 你说，帮我把桌面这些乱七八糟的截图清理一下， 它就自动给你分类归档。 你说，帮我明天晚上九点设个提醒和Sharif去吃饭，它就直接打开提醒事项帮你建好。 你说，帮我找25个粉丝不到五万的同领域微网红，列成CSV再写几条DM模板， 它就自己上网搜，自己整理，几分钟给你一个现成的表格。 最离谱的是这个， 你说，帮我建一个Mac App，控制本地的Spotify，做成复古唱片机风格，有播放暂停显示歌名，五分钟之后，它真的给你编译出了一个完整的原生App，还自动打开给你运行。 以前所有的AI，都是你去找它，你打开聊天框，你打字，你复制粘贴，而Clicky是它一直在你身边，它看得到你屏幕上的一切，你需要的时候喊一声，它就出来帮你搞定。 Siri会告诉你，我帮你打开提醒事项，然后让你自己填，而Clicky会直接帮你填好保存，这才是真正的AI助手，不是聊天机器人，是你的数字员工。 现在已经可以免费下载了，Mac用户直接冲，这绝对是2026年到目前为止，最让我兴奋的AI产品。

AYi

14,195 views • 2 months ago

AI会永远对你撒谎。 这不是bug，是数学定律。 我，卡内基梅隆大学的数学学生，用数学告诉你为什么。 所有语言模型，只做一件事： 根据它读过的所有资料，预测下一个最有可能的词。 但这里有个死结。 模型的猜测，我们叫它q(x)。 真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。 它们之间，永远有一道鸿沟。 有个数学公式，就是用来测量这道鸿沟的。 只要模型不能完美预测下一个词 它永远不能 那这个鸿沟就永远不会是零。 所以，当AI不知道真相的时候会发生什么？ 它不能停机，它必须给你一个答案。 它只能硬着头皮，输出一个它认为“最像”答案的答案。 哪怕那是错的。 这就是“幻觉”。 一个基于不完整信息，却无比自信的猜测。 最要命的是，数学甚至给出了一个下限。 就算最完美的模型，它的幻觉率也永远不可能低于这个数字。 只要它不知道关于这个世界的一切 它永远不可能知道。 它就总会有概率，编造事实。 所以，无论AI变得多强大，它都会撒谎。 因为数学就是这么写的。
0:45

AI会永远对你撒谎。 这不是bug，是数学定律。 我，卡内基梅隆大学的数学学生，用数学告诉你为什么。 所有语言模型，只做一件事： 根据它读过的所有资料，预测下一个最有可能的词。 但这里有个死结。 模型的猜测，我们叫它q(x)。 真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。 它们之间，永远有一道鸿沟。 有个数学公式，就是用来测量这道鸿沟的。 只要模型不能完美预测下一个词 它永远不能 那这个鸿沟就永远不会是零。 所以，当AI不知道真相的时候会发生什么？ 它不能停机，它必须给你一个答案。 它只能硬着头皮，输出一个它认为“最像”答案的答案。 哪怕那是错的。 这就是“幻觉”。 一个基于不完整信息，却无比自信的猜测。 最要命的是，数学甚至给出了一个下限。 就算最完美的模型，它的幻觉率也永远不可能低于这个数字。 只要它不知道关于这个世界的一切 它永远不可能知道。 它就总会有概率，编造事实。 所以，无论AI变得多强大，它都会撒谎。 因为数学就是这么写的。

墓碑科技

73,491 views • 6 months ago

30 万 U 手续费，0 空投！Backpack 把加密行业下限踹穿了！ 继上车币安亲儿子预测市场 Opinion 集体反撸用户后，这次 Backpack 又一次刷新了行业下限。 我见到被反撸最狠的是我一个兄弟。 刷了 30 万 U 手续费 进去，最后直接 0 空投。 对，你没看错。 30 万 U。 不是几百刀试玩。 不是脚本点点。 不是纯白嫖。 是真金白银狠狠干进去，最后被项目方一脚踹出来。 说真的，看到这个结果，我第一反应都不是愤怒。 是太恶心了！ 1、这不是反女巫，这是拿“女巫”当赖账按钮。 现在很多项目，根本不是在发空投。 他们是在用空投预期，把你的手续费、时间、流动性和情绪价值先榨干，到了结算那天，再拿“女巫”两个字把你直接清零。 Backpack 这次干的，就是这套。 先让你刷。 刷交易，刷量，刷 API，刷对冲，刷手续费。 等你真的把钱和时间全砸进去了，TGE 来了，项目方一句： 不好意思，你是女巫。 结束。 前面所有投入，瞬间归零。 这根本不叫反女巫。 这叫把“女巫”两个字做成了项目方的赖账按钮。 想给谁就给谁。 不想给谁，就女巫谁。 更恶心的是，规则不透明，标准不公开，证据链没有，申诉也像演戏。 你交手续费，不算真实用户。 你亏钱，不算真实用户。 你实名，不算真实用户。 那谁算真实用户？ 老外算？ 这也是为什么这次中文区会炸成这样。 不是因为大家输不起。 是因为 Backpack 这次的吃相，真的太难看了。 2、Backpack 最大的问题，不只是反撸，是它把自己拖成了一个过气项目。 很多人别忘了，Backpack 当年不是没被吹过。 相反，它当年是被吹得很猛的那批。 Solana、Mad Lads、钱包、交易所、合规、IPO、币股同权。 那时候市场是真给过它很大想象空间的。 保守一点，看的是几亿美金。 激进一点，看的是几十亿。 再疯一点，真有人把它往 Binance 潜在对手、FTX 之后新交易所代表那个方向去想。 结果呢？ 最该发币的时候，它不发。 市场最有情绪的时候，它不发。 用户最相信“做量能换未来”的时候，它不发。 它一直拖。 一直 soon。 一直讲长期。 一直讲建设。 一直讲以后。 拖到今天，整个市场环境已经彻底变了。 山寨玩家这一轮基本都被狠狠干麻了。 空投玩家也早就被各种项目反撸教育出 PTSD 了。 现在大家看到“积分空投”这四个字，第一反应已经不是暴富，而是： 这次又准备怎么赖我？ 这就是 Backpack 最蠢的地方。 它不是没故事。 是它把故事讲得太久，讲过期了。 3、以前大家以为它是下一个大所，现在看，更像一个体面收尸的老项目。 Backpack 今天最大的问题，不只是价格低。 而是它根本没有长成当年市场吹出来的那个样子。 你说它有绝对壁垒吗？没有。 你说它强到能跟 Binance、OKX、Hyperliquid 正面打吗？也没有。 你说它现在还配得上当年那种估值幻想吗？更没有。 最致命的是： 它没赶上最好的发币窗口， 还把最早支持它、最愿意给它贡献手续费和流动性的那批用户狠狠干了一遍。 这已经不是单纯的空投翻车了。 这是战略失误、执行拉胯、吃相难看，三件事一起爆了。 4、Backpack 这次最坏的影响，不只是坑了一波人，是把整个空投行业最后一点信用狠狠干穿了。 以后项目再出来说什么： 长期主义。 真实用户优先。 反女巫。 不是为了短期炒作。 很多人都会自动翻译成一句话： 项目方在给自己留最后赖账的后门。 这才是 Backpack 这次最恶心的地方。 它不只是自己翻车。 它是又一次告诉所有人： 现在很多项目方眼里，用户根本不是伙伴。 只是成本项。 是手续费来源。 是可以在最后一刻随时清理掉的数据。 5、Backpack 最失败的，不是 BP 值多少钱。 也不是 FDV 有多难看。 更不是发币晚了两三年。 它最失败的是，亲手告诉了所有人一件事： 你可以陪一个项目熬三年。 你可以给它贡献手续费。 你可以真亏钱。 但到了结算那天，项目方照样可以用“女巫”两个字，把你当垃圾一样扔掉。 这才是最恶心的。
4:43

30 万 U 手续费，0 空投！Backpack 把加密行业下限踹穿了！ 继上车币安亲儿子预测市场 Opinion 集体反撸用户后，这次 Backpack 又一次刷新了行业下限。 我见到被反撸最狠的是我一个兄弟。 刷了 30 万 U 手续费 进去，最后直接 0 空投。 对，你没看错。 30 万 U。 不是几百刀试玩。 不是脚本点点。 不是纯白嫖。 是真金白银狠狠干进去，最后被项目方一脚踹出来。 说真的，看到这个结果，我第一反应都不是愤怒。 是太恶心了！ 1、这不是反女巫，这是拿“女巫”当赖账按钮。 现在很多项目，根本不是在发空投。 他们是在用空投预期，把你的手续费、时间、流动性和情绪价值先榨干，到了结算那天，再拿“女巫”两个字把你直接清零。 Backpack 这次干的，就是这套。 先让你刷。 刷交易，刷量，刷 API，刷对冲，刷手续费。 等你真的把钱和时间全砸进去了，TGE 来了，项目方一句： 不好意思，你是女巫。 结束。 前面所有投入，瞬间归零。 这根本不叫反女巫。 这叫把“女巫”两个字做成了项目方的赖账按钮。 想给谁就给谁。 不想给谁，就女巫谁。 更恶心的是，规则不透明，标准不公开，证据链没有，申诉也像演戏。 你交手续费，不算真实用户。 你亏钱，不算真实用户。 你实名，不算真实用户。 那谁算真实用户？ 老外算？ 这也是为什么这次中文区会炸成这样。 不是因为大家输不起。 是因为 Backpack 这次的吃相，真的太难看了。 2、Backpack 最大的问题，不只是反撸，是它把自己拖成了一个过气项目。 很多人别忘了，Backpack 当年不是没被吹过。 相反，它当年是被吹得很猛的那批。 Solana、Mad Lads、钱包、交易所、合规、IPO、币股同权。 那时候市场是真给过它很大想象空间的。 保守一点，看的是几亿美金。 激进一点，看的是几十亿。 再疯一点，真有人把它往 Binance 潜在对手、FTX 之后新交易所代表那个方向去想。 结果呢？ 最该发币的时候，它不发。 市场最有情绪的时候，它不发。 用户最相信“做量能换未来”的时候，它不发。 它一直拖。 一直 soon。 一直讲长期。 一直讲建设。 一直讲以后。 拖到今天，整个市场环境已经彻底变了。 山寨玩家这一轮基本都被狠狠干麻了。 空投玩家也早就被各种项目反撸教育出 PTSD 了。 现在大家看到“积分空投”这四个字，第一反应已经不是暴富，而是： 这次又准备怎么赖我？ 这就是 Backpack 最蠢的地方。 它不是没故事。 是它把故事讲得太久，讲过期了。 3、以前大家以为它是下一个大所，现在看，更像一个体面收尸的老项目。 Backpack 今天最大的问题，不只是价格低。 而是它根本没有长成当年市场吹出来的那个样子。 你说它有绝对壁垒吗？没有。 你说它强到能跟 Binance、OKX、Hyperliquid 正面打吗？也没有。 你说它现在还配得上当年那种估值幻想吗？更没有。 最致命的是： 它没赶上最好的发币窗口， 还把最早支持它、最愿意给它贡献手续费和流动性的那批用户狠狠干了一遍。 这已经不是单纯的空投翻车了。 这是战略失误、执行拉胯、吃相难看，三件事一起爆了。 4、Backpack 这次最坏的影响，不只是坑了一波人，是把整个空投行业最后一点信用狠狠干穿了。 以后项目再出来说什么： 长期主义。 真实用户优先。 反女巫。 不是为了短期炒作。 很多人都会自动翻译成一句话： 项目方在给自己留最后赖账的后门。 这才是 Backpack 这次最恶心的地方。 它不只是自己翻车。 它是又一次告诉所有人： 现在很多项目方眼里，用户根本不是伙伴。 只是成本项。 是手续费来源。 是可以在最后一刻随时清理掉的数据。 5、Backpack 最失败的，不是 BP 值多少钱。 也不是 FDV 有多难看。 更不是发币晚了两三年。 它最失败的是，亲手告诉了所有人一件事： 你可以陪一个项目熬三年。 你可以给它贡献手续费。 你可以真亏钱。 但到了结算那天，项目方照样可以用“女巫”两个字，把你当垃圾一样扔掉。 这才是最恶心的。

比特币橙子Trader

41,371 views • 3 months ago