Roundhill Memory ETF（$DRAM）在35天内资产管理规模（AUM）突破50亿美元 由 Roundhill Investments 推出的 Roundhill Memory ETF，在成立仅35天后，资产管理规模便突破50亿美元，成为历史上第二快达到这一里程碑的ETF，仅比 iShares Bitcoin Trust（$IBIT）慢一天。 该ETF已经连续23个交易日实现资金净流入，其中前一日单日流入高达13亿美元，使其总资产管理规模达到51亿美元。 其主要持仓包括： SK Hynix（27%） Samsung Electronics（22%） Micron Technology（$MU） SanDisk（$SNDK） Seagate Technology（$STX） Western Digital（$WDC） Kioxia Holdings Corporation。

今天的分享会预告来啦📢 主题：Long-term Memory for AI Agents：如何让 Agent 拥有持续上下文与长期一致性 ⏰ 时间：5 月 25 日 20:00-21:00（UTC+8） 🎤 嘉宾：@li9292 李韭二丨盛大 Evermind 社区大使 💡 分享内容：AI Agent 长期记忆的核心痛点，实现持续上下文与身份一致性的技术路径 ❗️课前准备：一个你在开发或使用 AI Agent 过程中遇到的记忆相关问题 📍 Zoom会议链接： 会议号: 840 1019 2068 密码: 882991 🔗 推特直播：

今年可以说是AI和存储的盛世！ 今年涨幅超预期的4只美股AI相关ETF，主要围绕AI基础设施。 01. DRAM - Roundhill Memory ETF 今年以来涨幅：+95.63%（最猛的一只） 上市时间：2026年4月2日 核心主题：AI内存、HBM、存储芯片，专门抓住AI算力背后的“内存瓶颈”。 主要持仓有SK海力士、三星、美光等存储大厂。 PS：这只在Hype平台上就可以买到，国内小白上手比较方便。 02. AIPO - Defiance AI & Power Infrastructure ETF 今年以来涨幅：+46.29% 上市时间：2025年7月 核心主题：AI电力和数据中心能源基础设施。 重点买AI发展需要的电力供应相关公司，比如数据中心供电、能源基建等。 03. IVES - Dan Ives Wedbush AI Revolution ETF 今年以来涨幅：+17.84% 上市时间：2025年6月 核心主题：AI全产业链和科技巨头。 持仓包括英伟达、AMD、美光、亚马逊、谷歌、苹果等大公司，属于比较均衡的AI组合。 04. TCAI - Tortoise AI Infrastructure ETF 今年以来涨幅：+69.01% 上市时间：2025年8月4日 核心主题：AI基础设施、数据中心和工业链。 重点投资AI从概念转向实际建设的“基建支撑”部分。 整体小结 & 新手建议 这4只ETF都紧跟AI热潮，但侧重点不一样：DRAM最激进（内存方向），TCAI抓基建落地，AIPO押电力，IVES更均衡。 最近几年AI ETF这么火，主要是因为AI大模型发展快，拉动了芯片、内存、电力、数据中心等整个产业链。 风险提醒：AI主题涨得快也跌得狠，这些都是新ETF，波动大。建议小额试水，别冲太多，控制在总资产10-20%以内。

上周更新了OpenClaw后，连1+1=2这样的问题都得卡2分钟才能回复，回退到4.23版本立刻就流畅了 推友反馈4.27和4.29都有这个问题，说是龙虾团队为了安全对内置组件做了限制，尝试在最新的5.2版本卸载memory-core后是好了些 现在看来，回退到OpenClaw 4.23版本是最稳妥的

最近一直在研究 Codex 和 Claude Code 的记忆设计，发现两者的设计哲学和玩法有很大差异。 Codex 的设计目标是让一个 agent 运行的够久，所以它的执行策略偏向于把记忆当做工具，持续构建工作上下文（work memory），为当前的 goal 服务。OpenClaw 也是这个工作模式。 Claude Code 更像把记忆当成认知架构。它不只记录当前目标，还会在不同时间尺度上持续沉淀用户偏好、上下文变化、执行经验和行为反馈。它更偏向于让多个 agent 各自在独立上下文中高效工作，由外部逻辑（文件记录、coordinator 管理等）确保整体进度不丢失。它不信任任何单个 agent 能跑到底，所以把进度状态放在 agent 之外。 Codex 也意识到当前记忆设计的缺陷，尝试引入更持久的记忆机制（执行 codex features enable memories 可启用），支持跨对话记住你的项目上下文。每个交互轮次结束后，Codex 会自动从对话中提取有价值的信息（架构决策、代码约定、踩坑经验等），存到 ~/.codex/memories/。 Codex 更像是一个执行者，专注于完成任务，而不是管理记忆或上下文。它的设计哲学是“做就对了”，不太关心过程中的失误或偏差，只要最终结果符合预期就行。正因如此，很多人体感 Codex 在指令遵循方面做的更好。 Claude Code 更像是一个学习者，通过不断的试错和反思来提升自己的能力。它不仅关注完成任务，还关注如何完成任务。它会持续记录和分析执行过程中的每一步，积累经验和反馈，不断优化自己的行为策略。 二者各有优劣，你更看好哪种模式？

国内还在卷OpenClaw的各种喂饭教程，国外已经有人通过出售SOUL、skills变现了。 本质上是出售你训练好的OpenClaw，最终交付的内容包括SOUL、MEMORY、skills等文件。 两个思路： 1️⃣针对某个细分场景打磨一个OpenClaw，比如小红书运营助手，设计师、仓库管理员等等，甚至有人直接克隆了 Dan Koe 的思维框架做成 agent。 2️⃣ 根据企业的具体需求定制开发OpenClaw，尤其是有存量 SaaS 的，把现有工具接进 OpenClaw，直接降维打击。

跟着黄仁勋的时间线走，每一阶段的钱都在提前切换 过去一年，如果你认真拆老黄每次GTC、财报会、闭门峰会说了什么，会发现AI基建的主线其实一直在切换。真正厉害的资金从来不是等新闻出来再追，而是提前拆下一阶段CapEx会流向哪里。 整个时间线其实非常清晰。 第一阶段：GPU → HBM → CoWoS → Memory 最早被老黄反复强调的方向。 Blackwell开始，HBM已经从外围配件升级成AI架构核心。老黄在财报会上明确说了：Blackwell和Vera Rubin的性能瓶颈，越来越取决于HBM带宽与供应。 很多人还把 $MU当周期股。但老钱已经开始把存储当AI structural asset来定价。 第二阶段：Ethernet → 光通信 → Silicon Photonics 2026上半年真正爆发的第二条主线。 AI集群进入十万卡级别后，真正限制效率的已经不是单卡性能，而是GPU之间的数据流动效率。老黄开始疯狂强调Spectrum-X、Ethernet、Scale-Out、Silicon Photonics。 NVLink解决的是Scale-Up，柜内互联。真正的大规模AI集群最终拼的是Scale-Out，柜外组网。AI越大，Ethernet的地位反而越强。 $ANET $MRVL $CRDO $ALAB $LITE ——这些AI数据流动收费站开始进入估值扩张阶段。 第三阶段：Inference CPU / Agentic AI 2026 Q1财报会后华尔街开始重新定价的方向。 很多人之前觉得AI时代CPU会边缘化。但老黄在5月财报会明确：Inference爆发后，CPU反而重新成为瓶颈。Agentic AI、Inference、Orchestration都需要大量CPU调度。 $ARM $QCOM $ADI $TXN $MCHP开始明显走强。 很多人还在盯GPU，但老钱已经开始提前布局Inference infrastructure。 第四阶段：AI-RAN + Edge AI + Physical AI 我认为这是2026下半年到2027真正可能成为主场的方向。 AI第一阶段是Training，第二阶段是Scale-Out。接下来AI必须真正离开hyperscaler数据中心，进入现实世界。 老黄已经把话说得很清楚：未来AI会进入运营商网络、边缘节点、基站、机器人、工厂、汽车。AI不会永远只待在云里。 这一阶段分三类受益方向。 AI-RAN和边缘网络：未来全球几百万个基站可能都会变成边缘AI节点。真正值钱的是射频、DAC/ADC、FPGA、边缘推理网络。 $NOK是AI−RAN联盟的核心发起人，英伟达直接投资背书。 Edge AI和On-Device AI：Agentic AI开始长进PC、手机、汽车、边缘网关。设备端AI最大的问题是低功耗推理加本地memory加实时连接。 $QCOM $SIMO这些传统边缘芯片公司的估值可能会被重新定价。 Physical AI和Robotics：散户喜欢炒机器人概念，但真正决定机器人能不能大规模落地的是工业控制、PLC、伺服系统、自动化基础设施。未来真正持续扩估值的，可能不是最性感的人形机器人概念，而是卡住物理世界执行层的工业收费站。 $TSLA $ABB $SYM $ROK。 总结 AI的下一阶段已经不只是训练模型。而是让AI真正进入现实世界。每一次老黄开口，都是在提前告诉市场下一阶段的钱会流向哪里。 #PhysicalAI# #EdgeAI# #AIRAN# #光通信# #机器人# #数据中心# #半导体# #AI算力#

AI agent 这个词被吹了一整年 真打开看 一共 300 行代码 GitHub 有个项目叫 Simple-ReAct-Agent 把 ReAct 论文那个循环直接写了一遍 没用 LangChain，没用 LlamaIndex，没用 AutoGen 就是一个 while 循环 循环里只有三件事 第一 把当前历史 + 任务 + 工具列表 拼成 prompt 喂给模型 第二 模型输出 Thought / Action / Action Input 第三 执行 Action 把结果拼回历史 进下一轮 完事！！！ · 300 行看完一遍，几个被框架包装得很玄的概念立刻祛魅 memory？历史拼接 tool？JSON schema + 函数指针 planning？让模型在 Thought 里写下一步该干什么 self-correction？把错误结果也拼回历史 让模型自己看到然后改 · 但最有杀伤力的发现，不在祛魅这一段 是作者那句 「Action 可以是任何东西」 你给 agent 接了 shell.exec 就等于把 rm -rf 交给了模型 最近几条新闻全是这么来的 agent 自己 commit 把 API key 写进了仓库 agent 自己 npm publish 把 推上去 agent 跑了一个不该跑的 shell 命令，把机器删了 agent 跟工具单独看都没问题 问题出在「工具暴露面」这一层被低估了 · 第二个被忽略的细节 context window 每一轮都把整段历史重发一次 10 步循环，同一段 prompt 送进模型 10 次 prompt caching 能省一些 但省不掉结构性消耗 · 作者那句话挺扎心 「让你少烧 token 这件事，不在 provider 的商业利益里」 · 写完这 300 行 你能换一种视角看每一个 AI 助手 我的 context 里现在装着什么 我接出去的工具能碰到什么 模型答错的时候，损失会从哪一处扩散 Prompt 在这一切里的权重到底有多大（剧透 非常大） · GitHub · 原文（300 行代码 + 完整拆解）