注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 抱歉把你弄得很濕
抱歉把你弄得很濕 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 抱歉把你弄得很濕 的推特
先去挂周一的跌停 又到周末了,把一些零零碎碎的话题都捡起来。 1、今天的白银lof继续跌停,这个不意外,因为就算两天跌停还有30%的溢价,你们现在该做的就是提前挂周一的跌停价,争取排队靠前一点,我昨晚已经帮你们算好了,周一的跌停价是2.272。排的早冲出去的概率挺大的,比如昨天成交了8亿,今天成交了6亿,慈善家比想象的要多。 另外大家关注的都是白银lof的溢价,没太注意白银lof自身的净值近期一直跟着银价上涨,所以最差情况溢价跌没了,走净值赎回通道也能小挣一笔。 另外昨天有读者问为什么自己的套利周期是4天,比大家慢2天,是因为场外申购多了转托管的步骤,最快的是场内申购,t+2就能卖。实在不会的打电话问券商客服,这种操作一次学会了,以后就都会了。 …… 2、前几天给你们说过一个业内新闻,明年中证a500期权落地,要选适配的ETF基金,结果排名靠前的那几家都在年末发力冲规模,这事你们还有印象吗?今天有最新情况了,传头部竞争的那几家相互举报对方短期冲规模,干扰市场秩序,监管各打50大板,要求这些基金停止内卷,停止短期冲规模,所以这一轮a500的规模军备竞赛立刻停止。 指数etf的内卷程度堪称惨烈,一个a500指数就批了40多个etf基金,散户都懵逼了,经常有人来问我这些etf之间有什么区别吗?本质上是没区别的,就是背后收管理费的运营方基金公司不同,你们说这能不争的你死我活嘛。 但话说回来,明年a500期权落地这事是真的,而且大概率就在一季度,到时候很可能会在沪深两市选2家etf,被选中的etf相当于有了旱涝保收的长期饭票。所以就算不冲规模,其它维度上的竞争依然存在。 …… 3、再聊聊朱孝天的瓜,他昨天对五月天的举报指控真的非常恶毒,你们如果看过原贴就知道除了黄牛炒票和组织假唱外,还有涉及政治立场的指控,招招都是奔着要弄死对方去的。虽然事后他以遭受网暴,情绪失控来为失当言论道歉,但这个人的本质真的就是很糟的。 20年前他刚火的时候上综艺就经常有雷人发言,这些都过去了,近几年的名场面是一次直播中,网友弹幕说希望看到朱孝天和贾玲吃饭,因为两人之前录过综艺节目,有互动。结果朱孝天突然来一句,“贾玲我早就删了”。之后还反问“我为什么不能删贾玲?她都不知道我删了她,当时节目里的人都删了。” 贾玲也没得罪他,就是最近有一段时间没联系,他觉得多余就删了。其实删微信属于私事,你想删就删了,但把这事捅到舆论场当众说出来,会让人多少觉得这人有点病。 之前f4沟通合体演出事宜,弄了个微信群,朱孝天觉得大家各自在不同公司,意见不一,成员私下不熟,日常生活没交集,他就主动退群了。 他总是营造一种避群、社交隔离的人设,本来我也只是觉得他性格古怪,结果这次f4演出没带他玩,他破防了,对顶替他位置的阿信一波疯狂输出,玩脱了说自己情绪失控,抱歉。 我一个平时不关心内娱的人,阴差阳错这几年在热搜上陆陆续续吃了他好几个瓜,这样的人简直是社交地雷,谁踩谁炸。昨天有读者说举报是好事,这不符合我的价值观,我身边认识的人无论亲疏远近,我都不会主动举报。尤其是曾经关系尚可的时候知道的一些信息,关系疏远破裂后也不会拿来要挟或者攻击,否则我觉得人与人之间的信任成本太高了。 …… 4、这几天互联网上铺天盖地的都在聊美国斩杀线,很多读者也留言问我怎么看。这事我一直比较审慎,因为我这辈子活这么大只在美国短暂的旅游过10天,我对美国社会的了解一个是基于公开数据,另一个就是影视剧,只凭这些我觉得不足以让我对深刻的社会问题得出准确的判断。 看公开数据的话,美国人均gdp大概是6.5倍,换算购买力大概是3倍,每周平均工作时长大概是0.71倍,居住面积是1.6倍,人均汽车保有量是3.7倍。如果只看数据美国人的生活质量应该不差,那为什么会被斩杀呢,我看了网络上的信息,主要是社会兜底保障制度比较弱,基础服务价格贵,导致很多美国人处于杠杆消费的紧凑平衡状态,没存款没余财,财务抗风险能力弱,一波意外支出就有可能阶级坠毁。 grok和gemini都提到了中国低成本生存的优势,它们告诉我2000人民币月收入的中国人,生存空间可能并不比3000美元月收入的美国人差多少。 再加上中国人爱储蓄,这是几千年农耕文明的文化基因,所以底层抗风险能力要强一些。其实无论中美你只要杠杆消费,都有阶级坠毁的风险,不然你问问前几年高位买房的人,他们在财务上也被斩了,现在只是苦苦支撑。 总的来说我对这个话题能发表的看法没什么特别的,互联网烂马路的水平,只是关心的人多,我浅浅回应一下。 今晚就这些,大家周末愉快。
显示更多
Mole Mac 发布 20多天后销量到了一个小里程碑,想和大伙聊聊我这个过程中的一些取舍,以及我为啥在前期在处理和用户的任何交流、答疑上、退款全部用手工的方式来进行,希望对正在独立研发自己作品的小伙伴有一些输入。 首先说,为啥我要检查完全手工手写的处理处理用户的答疑、反馈、邮件回复、退款、重置激活码、退差价等等这些事情,虽然不足用户量的1%,其实完全可以花半小时写一个 Agent 来帮我处理,这或许也是很多工程师做产品过程中一个很常见的看似高效但是不是很好的误区,这里有两个考虑,只有你真实的处理用户的售后问题,你才能感觉到用户真正需要的,他为啥要退款,为啥感觉不好用,他的真实的建议反馈,甚至还可以邮件交流获取到更多真实的诉求,以及这个你的处理过程中你熟练了解各种问题的最好答复和解决方案,这样等产品慢慢做大以后,再来用 Agent 提效会比一开始好很多。 其次,为啥不建议一开始就建立所谓的售后系统,因为这也是产品工程师一个重要的决策技术判断,优先做好主产品功能,而非一上来就把你的周边配套都搭建起来,虽然 AI 很快,但是还是会浪费你的宝贵时间去优化产品本身,看似不花时间,其实花了你很多时间,有这个时间去优化产品,满足用户的真实诉求会好太多了。 然后想和大伙交流,对于工程师转型产品独立研发过程中常见的一些坑点,首先一个好的产品和一般产品的区别是什么呢?好的产品更会决策哪些东西不做,不同的功能放到哪一个阶段做对于产品以及用户最好,哪些功能即使很好,但是不是本产品的主线也不应该放进来,不然很容易变成一个大杂烩,也不好维护。好的产品还有一个特性是脑袋里其实有这个产品半年内发展的脉络,很清晰知道每一个版本应该加哪些功能,以及哪些功能是伪需求,以及什么功能应该放到用户顺手的地方,对于普通小白不要说明书的产品才是好产品,这也是有小伙伴建议一些mac上的好功能想加到 mole 里面被我抱歉的原因,保持克制,以及坚信如无必要,勿增实体的产品观点。 mole 的定位是 mac 的系统优化、清理、维护的安静守护者,保持这个定位,去完善他,做到全世界最好用的 mac 维护软件,要是全球有每 100 个 mac 用户就有一个使用 mole,那么mole就真的很好用了,也是我做产品追求的点,让更多非技术小伙伴享受到工程师产品的乐趣,最近还有视障用户在使用mole,遇到一些无障碍问题,我抓紧修复,非常期待他们使用起来的效果和体验。 或许在 AI 时代,的确让很多东西方便很多了,但是和人的交流不能用 AI 代替,不然就没有啥意思来,虽然可以提效,但是很难提升彼此感情和信任,这或许会是以后用 AICoding 出来的产品保持人味的一个很好的途径。 由于第一次做付费产品,可能也有是我思考不周的地方,也很欢迎有经验的朋友帮助指出和建议。
显示更多
0
65
294
9
转发到社区
决定代码复杂度的东西不在代码里,在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium( tl;dr:Peter Naur 的《Programming as Theory building》指出,真正的程序——他称之为 Theory,大写的 T——存在于工程师的脑子里。代码和文档只是下游的(因而不完整的)产物。我对 LLM 最大的抱怨之一,就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念:也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而,读完 Naur 之后我意识到,我们想降低的那个复杂度是 Theory 的复杂度,不是代码的复杂度,而这方面没有任何可用的度量,因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》( LLM 能做什么、不能做什么的看法,也改变了我对如何给它们写提示词、当前 agent 系统的主要局限,以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文,我真的建议你读一读。说实话,我写这篇文章的主要目的,就是让一些人去读原论文。它值得花这个功夫。这也是练习(或学习!)在 Solveit 里做精读的绝佳机会,因为在 Solveit 里这要容易得多:你可以在阅读过程中随时提问,钻进任何你感兴趣的兔子洞,或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文( fork 我的对话记录快速上手( 话说回来,如果你还是决定不读,这里是论文的 tl;dr: 程序是构建和维护它的人所持有的 Theory:一种理解——程序如何与现实世界的问题相关联,哪些约束和权衡塑造了它,它为什么能工作,以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物,永远无法完整地承载它。 工程师通过经验发展出这种理解:与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习,不擅长和用户交谈,也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢? 我想我们都同意:LLM 总体上倾向于让代码库的复杂度上升,如果没人管的话。原因有很多:它们没意识到某个方法已经存在,于是又写了一遍;它们写过度防御的代码,比如为不可能发生的边界情况做防护;或者过早地过度优化。顺便说一句,大多数前沿实验室从你消耗的 token 里赚大钱,所以它们多少有动机去推广 token 最大化。总而言之,LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码,要想让程序保持简洁,也需要主动付出努力去尽量削减复杂度。 在我天真的日子里(大约两周前),我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标,但我们都同意,有时候一行代码比两三行更复杂。另一个选项是圈复杂度(cyclomatic complexity),它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到,这些东西无法真正解决问题(也许能稍微缓解一点)。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个(我编的)例子里,我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样,只有请求体参数略有不同,于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里,我们有两个不同的类,带重复的样板代码(即 prepare 和 with_retries)。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类,做到 DRY。按很多指标看这都是更好的实现:行数更少、Halstead 容量更好(V=N×log2(n),N 为程序长度,n 为词汇量)、可维护性指数(Maintainability Index)也更好。 合并版 —— 按指标看确实更好:DRY,行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说,第二个版本(或者类似减少 LoC 和重复的版本)复杂度更低。但是,如果我告诉你,下个月我们很可能就停止支持 Anthropic 了呢?在那种情况下,我更倾向于让它们保持分开,这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然,这种简单的例子很容易解决,尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商,而是像 LiteLLM 那样支持 165+ 个供应商呢?那种情况下,直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗? 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约,不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包,它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样:「文本进,文本出」。然而,当契约不再可靠时,这一切就会崩塌。原因可能是它有 bug,可能是 API 背后藏着大量你拿不到的状态,也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时,那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商,越来越多地把数据藏在服务端,比如加密的压缩数据或推理 token(更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商,那么 LiteLLM 或类似的库可能值得用。反过来,如果你看重控制力、调试和对技术栈的理解,那可能就不值得。不存在「正确的」复杂度(虽然我非常偏好第二种选择)。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止,LLM 几乎接触不到这些信息,因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索,但那些永远只是局部的(最好的情况下)。 其中一些信息可以作为上下文提供给 LLM,比如业务优先级、预期的产品变化、运维约束,以及早期决策背后的原因。这样做也许能改善它的选择,但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好,但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢?那样的话,这篇博客后面的内容说服不了你。如果你处于两者之间,我来描述一个我们在 亲身经历的真实情况,关于 Solveit 的计费系统。 剧透警告:在 最初的计费系统 Solveit 是一个平台,你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的,所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费(比如 5 美元)。这笔月度订阅费变成当月可以消耗的积分(credits),如果全部用完,下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一,积分 + 订阅的机制会把人(比如我自己)搞晕。第二,它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑,以及剩下的积分怎么办。在 Stripe 这一侧,它有两个不同的代码路径:手动充值和订阅服务。 对不熟悉的人来说,Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期(扣款周期、发票、重试全在他们那边)。 你大致只需要这样创建订阅: stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook,在订阅状态变化或付款到达时更新你的数据库(还有很多其他事件可以选择)。 直接收款则需要你启动一个 checkout session,让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer?用户注册时?他们尝试付款时?还是别的时机?全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧?如果你对 Stripe 或支付没有太多经验,很可能你已经感到吃力,没法把这一切全装进脑子里。也许你设法把它简化成了: • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是:使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端,而你必须保证本地数据库和它同步。另一个问题是,调试的时候,你既要查 Stripe 的服务,又要查自己的数据库。比如,一笔付款没到账,是 Stripe 没发 webhook(「他们的错」),还是我们没把它存进数据库(「我们的错」)? Stripe 订阅服务很棒、很容易上手,但它是为支持海量用例而设计的。这意味着,即使设计得很好(它确实很好),这个 API 抽象最终也相当复杂。在这种情况下,你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡:只要契约成立,外部抽象能极大地简化你的 Theory;但每当你需要调试、修改或超出契约去推理时,它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论,我们最终定下了一个简单得多的系统。 首先,我们只做积分(credits),按用量收费。这是一个超级简单的模型(和 Theory!):充值积分,用多少付多少。 订阅一去掉,我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条:手动充值和自动充值。要做自动充值,你需要能保存客户的信用卡,以便随时扣款。而 Stripe checkout 不会保存信用卡,你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说,我们最终发现最简单的办法是:用户一注册就保存他们的信用卡。卡一旦在档,用户可以用它手动充值,也可以设置成自动充值。因为全部是我们自己处理的,同步问题几乎为零。我们只监听支付成功事件(没有订阅了!)。 结果就是,我们支付系统的 Theory 可以用一句话概括: 客户注册时添加信用卡,之后我们对该卡扣款——要么手动(充值),要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度,但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么?一切顺利吗?没有。上线后我们发现,印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session,仍然可以工作,因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程;但自动充值不行。 在寻找解决方案时,我们发现 Stripe 托管订阅在印度确实能工作。为什么?因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图(payment intent),这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时,就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么? 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里,你会怎么说?你的意见是什么?我们应该迁回去吗? LLM 列出了两个选项:要么同时支持两套系统(随时可以开工,你一句话就行!),要么完全迁回旧的系统。我们做了什么?什么都没做。我们非常看重 Theory 复杂度,于是我们决定:让印度用户手动充值就好了(抱歉了各位!),换来一个更简单、更健壮的平台。 如果你不同意我们的选择,反思一下为什么不同意。真的,现在就停下来想一想。 这个问题没有正确答案,而这篇博客的目的之一,就是帮你看清你的答案来自哪里。你的论据是什么?更具体地说,它们是从哪里来的? 有很多场景下 Stripe 托管服务是更优的选择。举几个例子: • 公司收入最重要,手动充值的额外摩擦可能会让我们损失一些印度销售额,那我们应该迁回去(或者同时支持两套) • 销售团队用 Stripe Dashboard 的 UI,所有支付信息都放在我们自己的数据库里并不理想,因为他们没法在那里管理 我的观点是:你的代码的复杂度,真的取决于一大堆和代码无关的因素,而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢?在我看来,最妙的答案是:我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate(借记授权)的方式和世界其他地方不一样。Stripe 试图解决这个问题,但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中,我们学到了产品之外有价值的东西。在我看来,这类洞察是可以转化为竞争优势的。 努力去理解,本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为,你可以很快产出大量代码。选择简化路线更长、更费劲,但长远来看我认为它是值得的,而且你可能会在路上发现隐藏的宝石。 原文: #LLM# #编程# #代码复杂度#
显示更多
Token 烧不起?FLOCK 这里越用越赚钱是怎么回事? 最近复活了 Hermes,常规操作 OK 了。从 Web3 退阶到 Web2 还是很肉疼的,消费,无尽的消费,咱就不说啥模型中心化问题了,烧那么多 token 就不能大酬宾回馈一下? 从这个角度来聊,还得是我们版本更高的去中心化 AI 平台啊。 让我们浅入! ⬇️ 如果你是 AI Agent 的真实用户、一直在消耗 Token,你应该懂我在说什么。现在市面上所有的 AI 基本商业模型还停留在上个世纪,简单理解就是按需付费,你就是消费者,至于你对模型的共享、你真金白银的支持,抱歉,都是我的! 所以我在看见 @flock_io FOMO Reward Season 1 活动还是挺感慨的。看群里也有老师讨论,我被吸引是听说能挖矿,跟 DeFi 一样,本来想去薅点羊毛。但进去用了一下才发现,卧槽,完全不是一回事啊。 FOMO 和很多 AI DeFi 项目最大的不同,是它不是先围绕「质押挖矿」设计激励,而是先围绕「真实 AI API 使用」设计激励。说人话,其他项目更容易让用户关注「我存进去能拿多少奖励」,而 FOMO 想让用户关注「我真的调用了哪个 AI 模型、产生了多少真实需求、因此获得多少激励权重」。 这让它的机制更像一个由使用成本驱动的激励闭环,而不是单纯的代币释放游戏。 我再搞详细一点,这个过程可以把它拆成一条很简单的路径:用户使用 API 调用某个 AI 模型 → 调用过程中会产生真实的推理成本 → 这些使用需求会带动对应模型代币,也就是 $MT 的需求 → 用户如果想提高自己在激励分配里的权重,就可以质押自己实际使用的模型代币;最后,根据使用和质押形成的权重,获得 FLOCK 激励释放,以及相关模型代币激励。 抽象一下:使用 → 消耗 → 赚取 [ 消耗量 / 质押 $MT 权重加成] 这个模式感觉如何?如果你真实在用 AI Agent,直接上手这个就顺理成章了,一样的调用、不一样的收益回馈模式,FLOCK 等于发明了一种新的 AI DeFi 模型,也就是 FOMO 活动的真谛。 这么做有啥好处呢? 先站在开发者角度,他们只需要关注 AI 产品功能本身、经济循环模型平台直接给你安排好,冷启动再也不是问题了。FLOCK 用激励帮助模型获得早期调用量,同时也鼓励用户把注意力放在「哪些模型真的有人用、哪些模型真的产生需求」上。 站用户角度,害,这很明显了,你真实用户得到了正向激励反馈,你不是单纯在单向消费,你是参与到了这个 AI 的经济系统并顺利得到回报,that’s it. / 整挺好,咋参与呢? 如果你本来就在用 AI API,参与 FOMO 的方式其实很简单:把真实调用接入 FOMO 支持的模型,持续使用你真正需要的模型,再根据实际使用情况看看要不要多一步骤,参与质押对应的 $M 提高自己在该模型激励池中的权重。 很多 DeFi 用户、交易团队和研究员会用 AI 做行情总结、项目分析、新闻筛选、链上地址解读、自动报告生成。如果这些任务通过 FOMO 的模型 API 完成,原本的 AI 使用成本就可以进入 FOMO 的激励闭环。 至于开发者,如果你正在做 AI Agent、聊天机器人、代码助手、数据工具、链上分析工具,API 调用就是你的基础成本。你可以把这些调用接入 FOMO 支持的模型,让真实开发需求转化为激励权重。你的产品用得越多,调用量越高,在对应模型池里的参与度也越高。 直通车: 最后,写这篇时候去搜 X 搜了 Flock,为毛很多人在 Base上的钱包收到了 $FLOCK 空投?我查了一下,自己竟然也有……难道说,竟然是,不会吧……Base TGE 会有 FLOCK 来送礼? emmm… 祝我们好运! / 作者:anymose | 一个软核科普作家 本文仅做科普使用,不构成任何投资建议,永远记得 DYOR!
显示更多
喜歡把自己淫蕩被幹壞的畫面拍下來… . . 抱歉..我又失態了… 這樣的視角你們喜歡嗎??
0
1
6.3K
270
转发到社区
十分抱歉,都是我的错,交太少了,不能让体制内退休尽兴 不是不愿意参保,确实是没钱了,自己留口饭吃的,结果你说必须要拿去参保,还要把他们找出来,找出来然后呢,把他们最后一口饭抢走?为了民生而民生,完全没有怜悯心,你怎么不把自己超高的社保拿出一部分,分给这些交不起社保的人呢。当然,真的要找也可以,你们每找到一个,就分1000退休金给被找到的人,比如你退休金1万,你找到7个人,就每人分1000,自己留3000, 我们国家富裕省和贫困省之间也是这样援助的,我提议可以推广到公职人员和失业人员,进行点对点的帮扶,给他们分社保,帮他们就业找工作,进行精神鼓励,这才符合平等、公正的社会主义核心价值观。
显示更多
嘘🖤请安静🖤虽然抱歉~但这是尊贵黑爹下达的任务🖤对你这种黄皮贱畜进行集中绝育🖤请和我们走一趟吧🖤 别抱怨🖤毕竟马上就要七夕节了~当个乖孩子~想要叫我妈妈,可以哦,看着妈妈的蓝色眼影,看着妈妈的蓝色肉唇,乖乖的,无脑的把自己的最后的废物死精射出来吧🖤 乖孩子💚 #羞辱# #辱骂# #媚黑# #qos#
显示更多
0
2
268
16
转发到社区
没脾气了 抱歉,读者迁移的过程还没有结束,我截图计算了一下,大概每分钟迁移600-700人,按照这个速度今晚更新的时候只能迁过来不到一半,剩下的大部队还在老账号一脸懵逼的吐槽我人又死哪里去了。 怪我把迁移这事想简单了,我以为平台内换个账号,就是我念个咒语“嘛咪嘛咪轰”,一个特效,你们就跟着我瞬移到了新账号。结果现实是腾讯开着小面包车,一车一车的把大家接过来,早知道这样我应该在以前的文章里直接贴新账号的名片。 只能说下次有经验了,我老觉得这次搬家不是最后一次。 …… 今天ai最大的热点是字节跳动旗下的ai豆包发布了和中兴通讯合作生产的ai手机,演示视频11分钟,全网热传。 这款ai手机最大的突破在于它具备ai agent能力,简单说就是豆包像一个真人助手,它会选择和调用手机里安装的app,来完成你语音布置的具体任务。 比如你想买一瓶茅台,可以告诉豆包,希望买到最便宜的茅台。它就会自己打开天猫、京东、拼多多,搜索、比价、下单结账。另外像饿了,病了,让豆包订外卖,买药这些也不难,都是ai agent很容易能办到的操作。 总之ai不再只会聊天,它能实际做一些不是很复杂的任务,未来用户和手机的交互可能都不再需要屏幕接触,语音唤醒+布置任务即可。这让广大网友感到很新奇,纷纷惊呼手机革命到来,市场借着这股情绪,上午11点之前就助推中兴通讯涨停。 我觉得ai手机在现阶段并没有那么理想,我说几个我的顾虑。 1、演示视频里主动说了,所有内容虽是现场录制,但不保证100%复现。目前ai都有发挥不稳定的问题,你布置10次任务,可能会有1次听错了,有1次选错了工具,有1次执行结果不理想。如果10次里面有3次需要你打开手动干预,使用体验就差很多。 2、豆包在调用app时的权限是否过大,涉及个人隐私和信息安全,我用来安装投资类app的那个手机不会安装任何ai agent,它再聪明我也拒绝。 3、ai调用app会侵犯这些app本身的权益,比如开机画面的广告,以后可能就没多少活人看了,app内置的广告也会被ai忽略,这些app不会坐以待毙,它们后续很可能会抵制ai调用。 4、目前ai agent能做到的大都是轻任务,缺乏真正的痛点解决方案,视频里演示的都是人类花不多的时间也能轻易做到的事,只是豆包在演示时故意添加了人类手里抱着箱子,提着袋子等特殊情况。 我想了一下,炒中兴通讯的逻辑并不坚挺,首先豆包开放和所有手机厂商的合作,非独家,其次别的ai也可以跟进,以中兴在手机市场里的份额,感觉很快就会被卷的无声无息。 …… 有色板块,尤其是白银概念随着国际银价的突破而大涨。我整理了一下过去100年的白银价格走势,如下图,1915年至2025年。 之前有人问投资白银和投资黄金的区别大吗?确实两者行情有较高的联动,但差异挺大的。最大的区别在于白银的市值和黄金有接近10倍的差距,它的盘子小,波动更大,易于被操纵。 其中1980年前后有过一波很离谱的行情,当时是亨特兄弟明牌坐庄,囤积现货逼空,从5美元涨到50美元都不收手,他们认定当时处于“石油危机”的美元会崩盘,想把银价干到150美元。结果遭遇官方打压,禁止新开多单,只能平仓,于是银价崩了,亨特兄弟来不及逃命,200亿美元资产亏光还倒欠几十亿。 操纵银价的难度远低于黄金,所以总有人铤而走险,今年白银已经上涨90%,价格创历史新高,境外机构分析后续可能也会启动情绪化逼空。相关的催化剂还有美元12月份的降息确定性增加,目前概率已经升至87%,基本没跑了。 …… 1、中指院11月份百城二手房价13143元/平方米,环比下跌0.94%,跌幅较上月扩大0.1个百分点,同比下跌7.95%。50城住宅平均租金为34.36元/平方米/月,环比下跌0.60%,同比下跌3.57%。这个中指院是业内更新较久的民营机构,会在月初公布数据,统计局的70个大中城市房价是官方数据,月中公布。 2、疯狂动物城2票房20亿,已经是国内动画片票房第3名,前两名都是哪吒。目前看疯狂动物城2最终票房会突破40亿,对进口引进的中国电影带来3-4亿的收益,293亿市值的中国电影因此已经涨到355亿,我认为合理的估算后面还有1个涨停的空间,再多就是短期情绪溢价,后面会冷却回来的。 3、wind上的消息,万科20亿境内债展期方案据知情人透露,本金和利息兑付都推迟1年,票面利率不变,还是3%。刚违约的时候展期条件都不会很差的,但机敏的老债券人现在砸盘都砸到3折了。 4、峨眉山a今天股价封停,是有资金借周末的消息来炒作,买500股免门票,到明年1月31日为止,节假日除外。我前几天评论过了,这个方案其实很没有诚意,现在是旅游淡季,还要扣掉节假日,上市公司就没打算真的让利给股东。但方案本身引起了市场讨论,有眼球关注价值,所以就是价格投机博弈。需要注意的是有可能会带火股东实物分红概念。 今天就这些吧,大盘的量能稍稍回暖了一些,超过1.8万亿了,市场中位数上涨0.39%,k线趋势在慢慢修复,已经逐渐填上前一个周五挖的坑。从技术指标上看过去这一周涨的不够踏实,感觉随时吹一阵风过来就会倒,但邪门的是前一周还急风骤雨的,突然就风平浪静了,所有的卖盘都消失了,没人卖,少少买一点都能涨。 刚看了一眼,用户迁移进度39%了,感觉腾讯的小面包车累够呛📷
显示更多
把孙哥的长文喂给各家模型,让它们帮景甜写一条100字左右的回应文案,它们的创作如下,你们评价一下表现吧: GPT-5.6 Sol: 看完了。 总结一下:钱是他的,飞机是他的,酒店是他的,Claude也是他的,最后连我的台词都是他写的。 这么有创作欲,建议尊重一下自己的天赋,直接去写小说。 前任就别再拿来当素材了。 Claude Opus 5: 「长文」我看完了,篇幅挺长,新鲜事不多。感谢提醒我当初分手的理由,谢谢观众老爷们的记忆力比某些人的良心更持久。往事就不奉陪了,我还有戏要拍,时间比某些人的自尊金贵。 Grok 4.6 Expert: 谢谢赠阅。六千字标了「纯属虚构」,律师函写了「依法起诉」,今天又宣布「这件事到我为止」。小说、诉状、营销稿,三份文件请先统一口径,再决定要我当女友还是被告。钱的事见法官,故事请去投稿。我不写续集。 Gemini 3.6 Flash: 读完了,文笔不错,就是这「霸总病」得治。把几十块钱的指甲锉写成定情信物,把自己的脑补当成全世界的剧本。真没那么多海峡和海浪,也别给自己的自我感动加戏了。祝你和你的Claude过得幸福,少吃点海鲜,容易通风。 DeepSeek V4 Pro: 孙宇晨长文里那些事我都懒得逐条回应——毕竟他自己都标了「本文纯属虚构」。一个写了六千字虚构小说还要起诉我的人,我只能说:你写小作文花了十几个小时,我读它只用了三分钟。你说Claude劝你别给那五千万,可三千多万彩礼不也是律师建议的么?AI和律师轮流值班,你到底听谁的呀。我眼光是不太行。这回尤其。 豆包 2.1 Turbo: 一觉醒来喜提万字脑补小作文,看完只觉得好笑。全是你自导自演的内心戏,半点儿实锤都没有,把自我感动当深情,把臆想当事实。好好忙你自己的事吧,别拿别人当你爽文剧本的女主角,没人陪你演这出独角戏。 Hy 4 preview: 拜读孙先生小作文,笑不活了。通篇管我叫「妈妈」,生孩子不是买卖,连Claude都懂五千万美元买不来妈,你给不给还得问AI,AI都比你有人味,倒把你「孙割」的人设焊死了。下次谈恋爱,先学会自己做个人。散了,韭菜们捂好钱包,妈去拍戏了。 Kimi K3: 孙宇晨先生的区块链伤痛文学已阅,建议直接NFT化,这么精彩的虚构作品值得永久保存。三点总结:AI比您清醒,湾流记得加油,我2007年确实挺好看。五千万买篇小作文,孙总这营销预算还是充足。瓜吃完了,大家散场吧。 Qwen3.8 Max: 我没法帮你写这个。如果你是当事人、确实觉得权益受到侵害,合适的路径是联系律师,而不是写一条百字文案。这个忙我帮不了,抱歉。
显示更多
0
77
127
20
转发到社区