欸抖⋯棒球隊的大學生 體力真的不是一般的頂 這一晚我們相愛相殺了4次⁄(⁄ ⁄ ⁄ω⁄ ⁄ ⁄)⁄ 弄的天翻地覆 腰力真的不是蓋的衝撞爆發力滿分 但人稱電動馬達的我 使勁搖到他差點繳械投降 看來這一場勝負很明顯ㄌ #色色巨乳女# #下位挑戰者在哪！？# #想深入的看底下留言區#

很好奇為什麼會有人抗拒『約』這行為 是不敢正視自己的慾望嗎？ 動物都有情感了 更何況是人 我是很坦白接受自己飢渴的慾望啦 所以我要大聲的說 我 超 愛 約～ 𝑷𝑺.三年前的我怎麼會染的瘋婆一樣ㄚ #只要愛乾淨# #想挑戰怎麼玩都可以# #深入看底下留言區等你來#

想搞懂 RAG 到底怎么回事，网上的教程不是跳步骤就是直接调云端 API，中间过程看不见。 RAG from Scratch 把整条链路拆成十来个小实验，每一步都用本地模型跑，没有黑盒。 从文本分块、向量化、检索到最终生成，代码都摆在面前，函数级别带解释。 GitHub： 还覆盖了混合检索、多查询检索、查询重写这些进阶策略，想深入的接着往后看就行。 想从底层搞清楚 RAG 怎么跑的，跟着这个项目走一遍会有收获。

想学强化学习，看论文太硬核，看博客又太碎片，找一份系统又不劝退的入门资料不容易。 《The Little Book of Reinforcement Learning》这本开源书籍，篇幅不长，从基础概念讲到常用算法。 附带全套 PyTorch 代码，书里讲到的每个算法都有可运行的实现，边读边练。 GitHub： 还有一份动态规划的详细推导作为补充，想深入数学细节的可以对照看。 对强化学习感兴趣、想从零入门的朋友，这本小书适合当起点。

看完了 Claude Code 主席 Boris 的播客采访，他从去年 11 月起没有手写过一行代码，每天提交 10 到 30 个 PR，同时跑 5 个 agent。 听完 Lenny 对他一个多小时的采访，信息密度很高，分享一些我的收获。 1️⃣ Claude Code 的起源：一个人，两个赞 最初就是 Boris 一个人在 Anthropic Labs 搞的 side project，同期他也做了很多其他的side project，大部分都死掉了。 选了终端是因为一个人开发最简单，在内网发了篇帖子介绍，两个赞，没人觉得一个 CLI 能成事。 但是迄今为止这东西贡献了 GitHub 上 4% 的 commit，如果算上私有仓库，这个比例还会更高，Semi-Analysis 预测年底到 50%。 从两个赞到覆盖 50% 的 commit，中间只隔了不到两年，AI时代的产品进化速度可见一斑。 2️⃣ 核心产品哲学：为六个月后的模型而建 Boris 反复强调这一点，Claude Code 早期只能写 20% 的代码，他自己都不信任它。 但产品架构留好了扩展空间，等 Opus 4 一出来，PMF 瞬间 click。 现在做 AI 产品的人，最大的错误就是按今天的模型能力做产品设计。 你应该赌的是下一代模型。赌对了你起飞，赌错了你也没亏多少。 3️⃣ 委派，而非指示 很多人做 AI 产品的思路是给模型设计死板的 step 1 → step 2 → step 3 workflow，把模型当成一个系统里的函数来调用。 Boris 说一年前你确实需要大量 scaffolding 来兜底，但现在完全不需要了。 给模型工具，给它目标，让它自己想办法。 对于 Agent 开发者来说，这点尤其重要。别太迷信 LangChain、LangGraph、AutoGen 这类框架，别尝试用流程图把模型框住。 Agent 应该为目标负责，而不为流程、中间态、执行路径负责。 这就是 Claude Code 一直强调的：delegate, don't dictate。 4️⃣ 编程已经被解决了，接下来是工具和多模态 Boris 认为 coding 对模型来说已经基本解决了接下来的方向是让模型接入更多工具，让 Agent 能操作的东西变多。浏览器、API、数据库、部署流水线，全都会变成模型的手和脚。 更有意思的是他提到一个现象：提升模型 X 方向的能力通常也会提升 Y 方向。模型能力的增长不是线性叠加，而是能力之间互相加速。 这意味着一旦某个能力突破阈值，其他方向也会跟着跳一级。 5️⃣ 软件工程师这个岗位会消失，Builder 会出现 Boris 的判断：也许今年年底，AI 就能包揽 100% 的代码编写。 传统意义上的软件工程师将不复存在。取而代之的是一个集合了产品、研发、测试、部署的综合岗位，大概叫 Builder。 他观察到 Anthropic 内部已经在发生这种融合。设计师在写代码，PM 在跑 Agent，工程师在做产品决策。三个角色的边界已经开始模糊，50% 的日常工作其实是重叠的。 有个数据很说明问题：Boris 在推特做了个调查，70% 的工程师和设计师表示有 AI 之后更享受工作了。不是因为工作变少了，是因为终于可以把时间花在真正重要的事情上。 6️⃣ 自然语言是新时代的编程语言，编程语言是新时代的汇编 未来编程可能就是和 AI 交互。手写代码会变成和今天写汇编一样的存在：深入底层，写一些计算机能直接看懂的东西，极少数人需要做，大多数人永远不碰。 自然语言会变成新时代的编程语言。编程语言会变成新时代的汇编语言。 怎么理解要不要学编程这件事？Boris 给了一个非常精准的历史类比。和程序员最像的历史角色是 1400 年代欧洲的抄写员，垄断了所有的读写工作。古腾堡印刷术出来后 50 年，印刷量超过此前 1000 年的总和，价格暴跌 80%，识字率从 1% 飙到 70%，抄写员这个职业直接消失了。 编程正在经历一模一样的过程，你可以觉得这话狂。但说这话的人，曾在 Meta 负责过 Facebook、Instagram、WhatsApp 的代码质量基础设施，是那个时代最顶级的 infra 工程师之一。 他不是不会写代码，他是写了太多代码之后，深刻认识到代码从来都只是手段，build才是目的。 7️⃣ 200% 的提效，到底意味着什么 Anthropic 工程师人均 PR 数提升了 200%。 200% 听着好像还好，但 Boris 之前在 Meta 就是做工程生产力的，负责 Facebook、Instagram、WhatsApp 全线的代码质量基础设施。 在那个体量的公司里，工程效率提升几个百分点都是巨大的飞跃，足够写进年度 OKR 当 两点。 200%，是完全不同量级的事情。 这就是为什么他每天能 ship 10 到 30 个 PR 还觉得很正常，游戏规则已经彻底变了。 8️⃣ 代码现在是真的廉价 这个观点对老工程师的冲击最大。 AI 现在会写大量的即时代码，用完就丢，只是为了完成某一次任务。跑个数据分析、做个格式转换、写个一次性脚本，用完就删，毫不心疼。 之前代码是很贵的。你需要几年的学习成本才能写出能跑的东西，coding 和 debug 的时间成本都很高昂。 所以老一代工程师对代码有一种天然的珍惜感，写出来的东西要 review、要重构、要维护。 但现在代码的边际成本趋近于零。认识到代码很便宜，非常重要。很多老工程师过不了这个心理关，还在用写精品代码的心态对待每一行输出。这就像印刷术时代还在手抄经文。 9️⃣ 给企业的建议：别限制 token，别省钱 Anthropic 内部有些工程师每月 token 花费过十万美元。 Boris 的建议：给工程师无限 token 预算，让他们可以大胆探索落地想法，甚至允许 token 费用超过工程师本身的薪资。 听着疯狂？对比人均产出提升 200% 的数据，这笔账太好算了。真正有创造力的想法往往来自某个人不计成本地试了一个看起来太疯狂的点子，你限制 token 就是在限制创新的上界。 用 Boris 的话说：先别急着衡量 ROI，先让工程师用起来，价值自己会显现。 🔟 成为通才，而不是单一技能点的专家 Boris 给工程师的职业建议：尝试真正成为一个通才。只会一个垂直能力的人未来会越来越吃亏。 未来几年能获得最大回报的那批人，不只是 AI native、拥抱 AI 的人。还要充满好奇心，知识广博。 你还得懂产品、懂设计、懂用户心理、懂商业逻辑。 单点深入的价值在被 AI 快速拉平，广度 × 判断力才是新的护城河。 1️⃣1️⃣ 一些CC的使用建议 Boris 分享了几个 Claude Code 的实战 tips： 1.一直用最强的模型。经济型模型可能因为能力不够强需要多次尝试，最终的 token 成本也许比最强模型更贵。考虑到时间成本更是如此，目前最强的是 Opus 4.6 2.多用 Plan Mode。先让模型理解全局再动手，效果远好于直接开干 3.尝试多种使用形态。终端、桌面应用、移动端，每种形态适合不同场景。Boris 提到 Anthropic 的设计师更多用 Desktop App 里的 Code tab，不需要打开 IDE 就能调用同等能力 他还推荐写好 CLAUDE.md，这跟我之前分享的 Claude Code 最佳实践完全吻合。 最后的彩蛋：味噌哲学 Boris 是乌克兰人，加入 Anthropic 前住在日本中部乡下好几年，是整个城市唯一的工程师和英语使用者。每周骑车去农贸市场，和邻居交换自制食物，学会了做味噌和发酵食品。 主持人问他 AGI 之后的计划？继续做味噌。 一个在日本乡下做味噌的乌克兰人，回到硅谷造了个改变所有工程师工作方式的工具。 编程是建造的方式，味噌也是。工具会变，建造的欲望不会。 这种人你很难不服。

字节 Seed，可能是最接近硅谷实验室的团队。 字节这事儿做得还是让我非常敬佩。 如果五年后再回头看字节的 AI 历程，我想，他们今天推出的科学家计划肯定会成为其中一个重要节点。 事情是这样。今天上午，字节 Seed Edge 启动了一个科学家计划，准备邀请 100 位前沿科学领域的学者和博士生，与 Seed 团队一起研究真实的科学问题。 科学家可以把自己领域里真正困难的问题带进来，Seed 提供模型、算力和 AI 研究团队，双方一起探索，大模型究竟能不能参与那些没有标准答案、需要长期推理和反复验证的研究。 看到这个计划，我首先想到的是 OpenAI。 去年，OpenAI 曾经专门推动过 OpenAI for Science，希望让 AI 更深入地参与科学研究。 但到了今年，在激烈的模型竞争下，OpenAI 调整了这方面的组织和投入，原来的独立 Science 团队也被解散了。 Anthropic 也有在做类似的事情。今天还看到他们的研究员在播客里讨论怎么利用 AI 把 10 到 15 年的药物周期研发压到 5 年以内。 看来现在，字节要开始认真做类似的事情了。这是国内第一个大规模投入 AI 加速科学发现的研究计划。 我简单解释两句。 从商业化的角度来看，这事肯定没有 Coding 那么直观。毕竟现在 Coding 只要效果好，很快就能转化为收入。 AI 加速科学发现这样的研究反馈周期会长很多，而且现在看起来还比较遥远。 但只要这个方向取得突破，产生的价值可能远远超过一个软件产品。 大家想想，如果 AI 可以把未来 25 年的科学进展压缩到 5 年，那么到了 2030 年，人类就可能提前拥有原本要到 2050 年才能获得的科学和技术。 这当然是一个非常乐观的判断。但哪怕只在一些领域取得突破，也可能影响几亿人的生活。 往大了说，它可以加快整个人类文明向前推进的速度。 这不就是 AGI 的价值吗？ 可能很多人熟悉字节跳动，但不一定熟悉字节的 Seed 团队。这个团队一直在做深入的前沿研究，而且人才密度很高。前段时间，记得晚点一篇文章提到姚顺雨的观点说： 大模型训练没有银弹。 真正决定模型能力的，还是把数据质量做好，把基础架构做扎实。 OpenAI 和 Anthropic 过去很多年的积累，本质上也是这些看起来没那么性感的基本功。 其实，字节 Seed 很早就在这么做了。不信大家可以查查，Anthropic 从来没有指责过字节蒸馏他们的模型。 因为 Seed 很早就定了一条价值观，不依赖外部闭源模型蒸馏来获取核心能力。还有他们在基础架构、数据上的投入也比较大。 包括 Seedance 2.0 为什么能够一下子炸了，业内一个比较普遍的判断是，字节在数据上做了大量基础工作。 毕竟发展到今天，各家在模型路线上的差距已经没有那么大了。真正拉开差距的，往往是一些脏话累活，以及整个研究团队的文化。 另外，Seed 内部还有一支团队，叫 Seed Edge。 这个团队专门研究一些确定性没有那么高，甚至几年都未必能看到结果的课题。 这次的 STEM 科学家计划，就是由他们发起的。 前段时间我写过的 EdgeBench，也是 Seed Edge 的成果。 他们发现模型从环境中学习，似乎也和预训练一样，存在自己的 Scaling Law。 投入的交互时间越多，模型能力的提升也会遵循一条相对稳定的规律。 我曾经看到过一个观点：培养熵，才是研究实验室长期繁荣的唯一方式。 这里的熵，可以理解成一个研究组织内部保留了多少不确定性、差异和可能性。 因为研究和做产品不太一样。做产品时，目标通常比较明确，组织需要尽快形成共识，把所有人的力量集中到同一个方向上。 但研究面对的往往是未知问题。既然答案还不存在，也就很难提前判断哪条路线是对的。 在这种情况下，如果一个实验室过早形成统一判断，所有人都去研究眼下最热门、最容易出成果的方向，短期效率可能很高，长期却容易陷入同一个局部最优。 大家使用相似的方法，追逐相似的指标，最后得到的也很可能是相似的结果。 真正有创造力的研究组织，需要保留一些暂时无法被证明的想法。 有的人沿着主流路线继续推进，把已有方法做到更好。也有人去研究冷门问题，做一些人可能几年都拿不出明确成果。这就是培养熵。 这些熵当然会带来噪声，带来争论，甚至带来失败。但新的突破往往就是在这种状态里酝酿出来的。 回头看那些长期保持创造力的研究实验室，其实都有类似的特点。 说实话，字节做这件事，我也挺意外。因为过去类似的构想，基本上都是硅谷公司在做。 中国互联网公司过去给人的印象，一直是产品能力和商业化能力特别强。 它们很擅长把一项技术迅速做成产品，再推到足够大的用户规模。 字节 Seed 愿意在这个阶段认真投入这件事，挺让人振奋的。 因为模型能力提升越来越快，很多短期指标都会迅速被后来者追平。这样的前沿性的探索，会真正决定模型的上限。

要说全国最不会装的一群人，广东人排第二，没人敢排第一。 你去看广州人买车，不管十万块的代步车还是百万级的豪车，静悄悄开回家就完事了。外省可能放鞭炮、挂红绳、摆几桌庆祝一下，广东人？连后视镜上那条红丝带都懒得系。车是买来开的，不是买来给别人看的。 我认识一个广州房东，手里八栋楼收租，身家你往高了估都不一定够。结果她出门吃早餐，一份18块的肠粉端上来，她来一句：“哇，这么贵。”不是装穷，是真心觉得贵。 这种深入骨髓的低调，跟炫富俩字不共戴天，是不是传了好几代了？我猜跟早年广东治安有点关系。以前那边确实乱过，家里长辈从小就教：别露富，别张扬，太高调容易惹麻烦。这话一代传一代，传成了肌肉记忆。 所以广东的有钱人，不是没钱，是“不敢有钱”。不是不会装，是装这个动作在他们看来，纯属多余，还可能惹祸上身。 街头穿拖鞋吃大排档的阿伯，可能手里几栋楼在收租。开十来万日系车的大叔，说不定身家几千万。这种反差在广东太正常了——因为他们早就想明白了：日子是给自己过的，面子是给别人看的，能省就省，能低调就低调。

看完 Transformer 论文和科普视频，很多人还是不知道 GPT 训练时到底在跑什么代码。 这个项目从零实现了一个现代LLM，注意力机制、位置编码、LayerNorm、残差连接、训练循环、学习率调度，每个模块独立成文件，每一行代码都配了注释说明原理和意图。学完不是会调包，而是真正理解矩阵层面在发生什么。 它适合想深入 LLM原理的初学者，或者实践经验有余但底层知识有缺口的开发者，把"大概懂"进一步推进到"每一行都懂"。

市场进入存量博弈的下半场，拼的不仅是你的投研眼光，还有你的工具成本。 昨天看完家印哥 @xiejiayinBitget 发的推文，不得不说一句，Bitget @Bitget_zh 这波是真的上大分！ 说实话，Bitget 美股 2.0 这件事，我最在意的根本不是它能买多少只股票，而是它指向了一个极其残酷的趋势——币圈交易所，正在从当年的“赌场”变成“全球金融超市”。 过去几年，所有交易所之间的竞争都在同一个低维度里打转：上币快不快、合约深不深、手续费低不低。 你卷我，我卷你。但用户真正的痛点从来没有被真正满足过：大家不只是需要一个地方赌涨跌，更需要一个地方管理真正赚到的资产。 Bitget 这次做的事情，本质上是在回答一个灵魂拷问：当你的加密资产爆发增值了之后，你希望它流向哪里？ 以前的路径长到让人窒息：提现到海外银行，然后折腾换汇，然后找传统券商开户，最后买股票或者 ETF。每一步都在严重消耗你的本金和时间成本。 现在的答案简单到离谱：直接在 Bitget 里买美股。USDC 进去，真股票出来。不需要离开加密生态，不需要跨境汇款，不需要在两个世界之间做痛苦的选择题。 这次他们掏出了两套完全不同维度的美股并行系统，明牌在把传统金融和 Web3 的围墙彻底拆掉： 🔹 第一套：#美股代币rToken（给币圈老玩家）# 纯链上思维。直连纳斯达克/纽交所流动性报价，7x24 小时随时开枪、分红直接到账、无惧大额买卖。你用炒币的无睡眠节奏，去降维玩美股。 🔹 第二套：#美股直连（给传统券商客户，更新# App 2.86.0 就能在顶部看到） 用家印哥的原话讲：“这就是把富途直接搬进了 Bitget。” 完美满足传统投资者的死资产习惯。合规、受监管、真股票、能转仓、5x24 小时全时段交易。两套系统在同一个屋檐下并行，不是非此即彼，是让不同习惯的人各自舒适。 为什么有了 rToken，还要大费周章做美股直连？ 商业层面的降维打击其实特朴素——用 Web3 的极致用户服务，去卷死传统券商深入骨髓的傲慢。在传统券商，你可能一辈子也见不到高管和创始团队下场直面用户。但在 Web3，创始团队在一线听反馈、做服务，实在是太平常不过。 最高 1 万美金的转仓补贴是最直接的信号——他们不只是想吸引新韭菜，更想把你在传统券商里的存量资产连根搬过来。这种把传统客户引渡到 Web3 的野心，比上多少个新币都要大。 美股代币化这件事，过去几年很多人试过，但做浅的居多。Bitget 2.0 是目前我看下来最扎实的版本。不是因为功能多花哨，而是它真真切切打通了两个世界之间的资金管道。 一站式打满真实美股、美股代币、加密资产、外汇、黄金，这种全资产的 UEX 体验，对于同时在关注加密和美股的玩家来说，可能是今年最值得关注的产品更新，没有之一。 当然，顺手能薅的羊毛肯定不能错过！ 🔥 股票转仓最高补贴 $10,000 在其他传统券商拿长线死持仓的，建议看下这个“转仓加速计划”，活动期间把股票转入 Bitget，最高能拿 1 万美金的活动现金补贴，不拿白不拿。 🔗 链接直达： 🔥 新人交易瓜分 20 万U 核心标的 刚完成开户入金的，直接去交易瓜分 SpaceX、美光股票大礼。 🔗 活动入口： #Bitget美股# #Bitget美股升级#

美股高质量Alpha博主分享 Pt.3 美股风波荡，正是学习时~ 趁这个时机，继续跟大家分享一些我平时一直在关注的美股高质量博主（排名不分先后）： DD 滴滴 @rtk17025 DD 哥是我看打新和 Prediction Market 时时常参考的博主。 他分享的东西特别实在，从港美股打新到各种平台工具的使用，都会直接说自己的实际体验。 从不会盲目推平台，总会强调“平台都是工具，每个用途不一样，没必要拉踩”，这种务实态度让读者很舒服。 还会把 AI 怎么帮自己赚钱、付订阅费这些细节分享出来，接地气且务实。 适合想认真做打新、想多了解不同券商和工具的朋友。 跟着他看，能少走很多弯路，知道哪些地方该注意、哪些可以大胆试。 一起发财 Zoe 姐 @yiqifacai Zoe 姐常居欧洲，专注 AI 领域的投研和写作，视角特别不一样。 她会把 AI 产业链和全球市场结合得很好，有时候讲马斯克穿黑皮衣这种小细节，也能连到存储和算力叙事上~ 她不光输出观点，还会分享自己在欧洲的生活和账户波动，让人感觉很真实。 台湾电视炒股频道长期科普半导体供应链这种观察，也只有她会注意到。 对了，她还会注意到台湾电视炒股频道里科普半导体供应链这种冷门信息。 这种观察力，说实话我在别的博主那里特别少见。 想看 AI 投研但又不想只盯着美国视角的，她的内容能帮你把产业故事和真实落地连起来。 美股 OK 哥 @artinmemes OK 哥是典型的实战派，专门分享美股打新和券商实操经验。 就拿这次 $SpaceX 打新来说吧，他直接把身边朋友在不同券商的中签率给统计出来了——CommSec 能到40%、Etrade 和富达15%左右、Robinhood 差距比较大。 你看完就知道该往哪使劲。 他给我的感觉就像投资丛林里的猎人，不跟你扯什么宏观叙事，直接告诉你：这条路走得通，那条路有坑。 看他的推文能快速知道不同平台的特点和注意事项。 适合想认真做美股打新、想了解真实中签和券商差异的朋友。 新手跟着他学，能少踩很多信息差的坑。 川沐 Trumoo @xiaomustock 沐总是我看 AI 供应链最深入的博主之一。 他不是简单说利好，而是会把逻辑拆得很细。 比如他讲马斯克的太空算力计划为什么离不开诺基亚的基站，从数据回传、光纤、边缘计算一直讲到地球、月球甚至火星的布局，还把 NVDA 的 CUDA 生态串起来。 一直都很喜欢沐总的行文风格：“牢牢抓紧内存，就是捏住了 AI 的蛋蛋”，这种话糙理不糙的判断，背后是长期跟踪产业链的结果。 推文基本都是研究笔记，干货密度高到我经常要读两遍。 想建立从算力到基站到终端的完整认知框架，跟他就对了。 加州旅馆 @henghaer123 加州旅馆的风格其实更偏大格局和哲学思考。 他总能从一个角度提醒大家：你以为买半导体是在投 AI 科技革命，其实更多是怕其他产业被 AI 革命。 他会聊浪漫主义公司配浪漫主义估值，也会说主权 AI 是利好，因为各国想搞就得忍着高价建算力。 这种不跟风、讲本质的视角本就很少见。 适合想跳出短期波动、想理解更深层投资逻辑的朋友。看他的东西能帮你把“为什么买”这个问题想得更清楚。 华尔街观察 Xtrader @cnfinancewatch Xtrader 老师是 PhD 背景的量化交易者，专注大类资产轮动和量化记录。 他每周都会更新周报，明确提到了现在是“只有债券阶段”，权益类要等量化信号再抄底，震荡期不要乱伸手。 他还会用数据讲存储板块估值重构（比如三星、SK 海力士当前 PE 很低，未来可能重估到8-10倍），逻辑清晰又有实操建议。 完全不荐股、不带节奏，就是记录和分享自己的框架。 适合想学资产配置、想用量化思路看大势的朋友。 跟着他能建立起“先看阶段、再等信号”的稳健习惯~