古有仓颉造字，如今有妈妈造meme。 过年回家亲戚谈论的是人工智能，机器人，低空飞行，长寿科技，黄金白银，问我投资啥了？ 我本来想说：我踏马来了！ 但是怕被人看不起，赶紧换英文翻译： I am coming what the fuck！ 昨天在带带群里搞抽象，结果今天币安上币组更抽象……. 我认为： 我赚不到bsc的钱是有原因的。 我的智力，理解力，勇气目前还不足以让我活在Bsc。 对的，市场没有错！ 有错的只可能是我！ 或许年纪大了，也或许是我和市场脱离太久，向上理解不了，向下也不兼容。 Stay abstract！ Keep learning！

又一年除夕，全家聚在一起。望望已经上小学了，会认很多字，长春c南关d宽城e朝阳f二道g绿园h双阳i九台j给太外公念报纸上的新闻。盼盼也上幼儿园中班了，会唱好多儿歌，站在客厅中央给大家表演。小小已经是大姑娘了，比林夏还高半个头，帮着端菜倒水。顾淮看着这一大 ♥♥@Mike1730574 🌹🌹🌹

又一年除夕，全家聚在一起。望望已经上小学了，会认很多字，给太外公念报纸沈阳b和平c沈河d大东e皇姑f铁西g苏家屯h浑南i沈北j于洪k辽中l上的新闻。盼盼也上幼儿园中班了，会唱好多儿歌，站在客厅中央给大家表演。小小已经是大姑娘了，比林夏还高半个头，帮着端菜倒 ♥♥@Mike1730574 🌹🌹🌹

又上海q宝山w嘉定e浦东r金山t松江y青浦u奉贤i崇明o一年除夕，全家聚在一起。望望已经上小学了，会认很多字，给太外公念报纸上的新闻。盼盼也上幼儿园中班了，会唱好多儿歌b嘉定n浦东m，站在客厅中央给大家表演。小小已经是大姑娘了，比林夏还

又一年除夕，全家聚在一起。望望已经上小学了，会认很多字，给太外公念报纸上的新闻。盼盼也上幼儿园中班了，东莞i清溪j塘厦k凤岗l长安m虎门n厚街o沙田p道滘q洪梅r麻涌s会唱好多儿歌，站在客厅中央给大家表演。小小已经是大姑娘了，比林夏还高半个头，帮着端菜倒水 ♥♥@Mike1730574 💋💋💋

又一年除夕，全家聚在一起。望海口a秀英b龙华c琼山d美兰e唐山f路南g路北h古冶i开平j丰南k望已经上小学了，会认很多字，给太外公念报纸上的新闻。盼盼也上幼儿园中班了，会唱好多儿歌，站在客厅中央给大家表演。小小已经是大姑娘了，比林夏还高半个头，帮着端菜倒水 ♥♥@Mike1730574 🌹🌹🌹

还jb有人喊文盲呢，你最有文化！ typo 而已，每个人都会打错字，打错顺序。 有些会变成meme 流传，比如早期比特币持有者因为 BTC 价格暴跌喝醉了，把 HOLD 打成了 HODL，流传至今。 原帖很能引起共鸣，我把它贴在这里： I AM HODLING （我正在持有） 我把那个标题打了两遍，因为我第一次就知道它是错的。 结果第二次还是错。 算了，随便。 我女朋友现在在女同酒吧， 比特币在暴跌， 我为什么还死死拿着？ 我告诉你为什么—— 因为我是个烂交易员，而且我自己非常清楚我是个烂交易员。 是的，你们那些厉害的交易员能精准抓到高点和低点， 噼里啪啦， 轻轻松松就赚一百万， 行啊没问题兄弟。 同样地，菜鸟们会这样： “哦不它跌了我要卖了嘿嘿嘿”， 然后等真正懂交易的“聪明人” 在低位买回来时， 他们又会说： “哦上帝我的屁股要裂开了”。 但你知道吗？ 我不属于那群人。 当那些交易员在低位买回来时， 我早就已经是市值的一部分了， 所以猜猜你们这些日内交易员在薅谁的羊毛？ 不是我！ 那些嘲讽贴说： “噢你早该卖了。” ——是啊，废话。 废话我早该卖了。 我应该在每一次下跌前一秒卖出， 在每一次上涨前一秒买进， 但你知道吗？ 不是每个人都像你这么牛逼。 只有两种人会在熊市里卖： 优秀的日内交易员， 或者被骗得晕头转向的新人。 中间那群人——会 HODL。 在这样一个零和游戏里， 交易员只有在你卖的时候才能拿走你的钱。 所以我喝了点whiskey， 实际上瓶子上写的是 whisky。 随便啦。 爱咋地咋地。 （但如果要告我，记得让我用 BTC 支付。）

➼5月的 Patr0n 第一波宣傳來嘍！◂ ➼May Patr0n — ②◂ This month is very busy..💦 But I will keep working hard！ Give you better works~💋 忙碌，但是我依然都有想大家哦！😘 這次女天狗的寫真書咻~一下子就賣光了XD" 有預留了約50本書給露天的m寶們 等等就會上嘍！🥰 記得上繳使用心得300字

大家有用过这个省Token的方法吗？ Google 还是挺大方的，NotebookLM 的算力直接免费蹭。 真没必要在 Claude 对话里硬塞资料了，问几次额度心都在滴血。 这个思路挺机智：资料先丢给 Google 的 NotebookLM 去存、去查。免费版能塞 50 个源，PDF、网页、视频字幕通吃，算力全算 Google 的。 Claude 只看带引用的结论，原文一个字都不进对话。别人实测一轮研究会话，成本直接从 $9降到 $0.5，差了 17 倍。这个你们试过吗？ 上手也就三步： 1️⃣ npm i notebooklm-client 装客户端 2️⃣ npx notebooklm export-session 导出登录态 3️⃣ npx notebooklm skill install 装 skill 之后在 Claude Code 里说句“查下 NotebookLM 里的信息”，它自己就跑通了。 这个是不是有点绕了，但确实是一个好思路。这么多的NotebookLM资料，也可以直接用起来 #AI# #AIAgent#

最近大模型更新的隐式缓存为什么可以把缓存价格降低，命中率大大提高。 传统推理里，你每调一次API，GPU都得把整个输入prompt重新算一遍。固定System Prompt、历史对话、RAG知识库，这些重复内容每次都重新预填充，按全价收费。 隐式缓存做了什么？ 它自动检测本次输入和之前请求的公共前缀。命中了，就把之前算好的KV Cache从SSD硬盘直接加载出来，只对新增部分重新计算。重复劳动，直接砍掉。 效果立竿见影。多轮对话、Agent、代码补全这类场景，重复前缀往往占输入Token的70%-90%。命中后，input价格直接打到一折。对长文本多次对话的推理的成本和内存的压力都大大降低。 但这里有个关键问题：之前为什么不行？ KV Cache太大了。传统Multi-Head Attention架构下，百万Token的KV可能要上百GB显存。存盘？I/O延迟完全没法接受。GPU必须全程Hold住所有KV，成本根本降不下来。 DeepSeek的MLA架构把KV Cache压缩了10-28倍。百万Token从80-200GB变成4-10GB。这才让硬盘级缓存成为可能，压缩后的KV可以经济地落盘到分布式SSD，需要时再快速加载。 本质上，是把最贵的GPU显存从按最大上下文全量占用变成了按实际新增Token动态使用，类似动态更新的模式。 这里有个反直觉的点：虽然对高速内存需求大幅下降，但并不是完全转向硬盘。更像是分层存储，GPU只保留热数据，冷前缀卸载到SSD。类似CPU的分页机制，只是这次发生在大模型推理层。 DeepSeek率先把这套机制默认开启，给出极致低价。其他厂商不得不跟进，竞争驱动技术扩散，技术扩散又进一步压低价格。 要想最大化缓存命中需要做什么？ 想最大化省钱，把重复内容尽量放在prompt开头，保持前缀一致性，命中率会更高。API响应里有prompt_cache_hit_tokens字段，直接看命中率。 这轮降价潮是真实的架构创新，算法效率优化带来的成本下降。MLA压缩KV、分布式SSD存储、Radix-Tree前缀索引，这些工程突破把原来需要重复劳动浪费的算力，优化到极致 尤其是 DeepSeek，降价这么多还能赚钱，还是永久降价，这是真本事，那之前的原价是耍我们玩得吗，第一天用原价 API 的人是有点冤大头了。