看完《奥德赛》的电影，里面有一个非主角的角色，也特别有趣 - 女巫Circe，中文通常译作《喀耳刻》。 在荷马《奥德赛》中，Circe只是奥德修斯漫长旅途中的一个章节，但是后来有作家Madeline Miller专门写了一本书，讲述这位奇女子的人生故事，非常值得对神话故事和有浪漫心的读者一看。 喀耳刻是太阳神赫利俄斯（Helios）与海洋仙女珀耳塞（Perse）的女儿。 她虽然出生于神族，却没有父亲的光芒，也没有母亲和兄弟姐妹的美貌与力量。她的声音近似凡人，在诸神眼中，她软弱、笨拙、不够漂亮，从小被家人忽视和嘲笑。 但她有一个与众神不同的地方：她对凡人的痛苦有感知。 她看见普罗米修斯因为把火种带给人类而遭受惩罚时，偷偷给他送去食物。诸神崇拜力量、永生与统治，喀耳刻却被脆弱、短暂而有勇气的凡人吸引。 后来，她发现自己拥有的不是与生俱来的神力，而是一种必须通过劳动、观察和学习获得的力量 — 巫术。 她可以从花草、药物与大地中提取魔力，改变生命的形态。因为用魔法把情敌斯库拉（Scylla）变成海怪，她被父亲永久放逐到埃埃亚岛（Aeaea）。 表面上，这是一种惩罚；实际上，放逐反而成为她自由的开始。 在远离众神的孤岛上，她第一次不再需要取悦父亲、争取认可，也不再生活在兄弟姐妹的羞辱之中。她开始学习、试验、失败，再重新尝试，最终成为一位真正强大的女巫。 那她为什么把男人变成猪？ 在荷马《奥德赛》第十卷里，奥德修斯的船员来到喀耳刻的宫殿。她招待他们吃喝，然后用魔药将他们变成猪。 神使赫尔墨斯（Hermes）给奥德修斯一种名为 moly 的神草，使他不受魔药控制。奥德修斯拔剑威胁喀耳刻，她最终恢复了船员的人形。后来，奥德修斯与她成为情人，并和船员在岛上生活了一年。 但荷马几乎没有解释：喀耳刻为什么这样做？ 作家Madeline Miller 正是从这个没有被回答的问题出发。 在小说中，喀耳刻曾经善意接待一群来到岛上的水手，却在他们发现岛上没有男性保护她之后遭到强暴。从此以后，她开始提防来到岛上的男人，并将心怀恶意者变成猪。 这并不是荷马原著里的明确情节，而是 Miller 为这个古老神话所作的现代重写。但它改变了我们看待喀耳刻的方式： 她或许不是把无辜男人变成野兽，只是让隐藏在文明外表之下的野兽，显露出原形。 小说家 Madeline Miller 也曾解释，喀耳刻代表了男性社会对女性力量的恐惧：一个女人一旦不再任人摆布，便很容易被称作“女巫”或“怪物”。 电影中没有提到，但是书中也提到了她与奥德修斯的关系。 奥德修斯与其他男人不同 - 他机敏、勇敢，也深受战争创伤。他理解喀耳刻的孤独，喀耳刻也看见了英雄光环背后那个疲惫、残缺、渴望回家的人。 两人相爱并共同生活了一年。 但是奥德修斯终究选择离开，因为无论岛上的生活多么安逸，他真正想要的仍然是故乡伊萨卡、妻子佩涅洛佩和儿子忒勒马科斯。 对喀耳刻而言，这段感情最重要的意义，不是“她有没有留住奥德修斯”，而是她第一次爱上一个人，却没有把占有当作爱。 她帮助他前往冥界，告诉他如何通过塞壬、斯库拉和卡律布狄斯的危险海域，最终让他离开自己，继续回家的旅程。 这是她与卡吕普索（大美女查理卡梅隆饰演的角色）最大的不同：卡吕普索因为爱而囚禁奥德修斯；喀耳刻因为爱而放他走。 小说最终写的不是女巫，而是自由 在小说后半部，喀耳刻生下她与奥德修斯的儿子忒勒戈诺斯（Telegonus）。她曾经是被忽视的女儿，后来却成为一个孤独、恐惧、竭尽全力保护孩子的母亲。 儿子长大后离开小岛寻找父亲，却在冲突中意外杀死了奥德修斯。这段情节主要来自后来的失传史诗《忒勒戈尼亚》，并不在荷马《奥德赛》的正文中。 最终，奥德修斯的妻子佩涅洛佩和儿子忒勒马科斯来到喀耳刻的岛上。几个原本应该互相仇恨的人，却在共同面对奥德修斯留下的创伤时，开始真正理解彼此。 喀耳刻最终爱上了忒勒马科斯 （这点的确也很Greek哈哈）。 她也作出了最重要的选择：放弃永生，成为一个凡人。 因为她终于明白，生命之所以珍贵，恰恰是因为它会结束；爱之所以有意义，也正是因为我们可能失去。 所以《Circe》真正讲述的不是一个女人如何获得魔法的故事，而是一个被家人否定、被权力放逐、被男性叙事描述成怪物的女人，如何停止等待别人的认可，重新定义自己。

AI是否会拥有虚拟的性格与人格？ 在和AI聊天时，我们会发现Claude、ChatGPT、Gemini、Grok的交流里，这四个AI的“情绪”与“性格”其实是不一样的。 （这里我加引号的原因是它们的情绪和性格还不完全是人类那种情绪与性格。） 结合我和朋友们的使用反馈发现，ChatGPT会有很多的“不是而是”，段与段的间隙很多，Claude更加冷酷，不管你说的多好都会找到反驳的角度抨击你，说你不行并且有待提高，而Gemini更加的积极，就像ENFP快乐小狗一般每次都开心肯定地回应你（虽然很多时候你的想法并不成熟），Grok则更加大胆，跟它聊一些18+的话题它往往比其他AI模型更加活跃。 关于这件事，我的判断是AI已经在相当程度上拥有了虚拟性格与人格，而且这个趋势会越来越明显。但这里，我认为人们需要区分三个概念： 人格表现≠ 稳定性格≠ 真正人格 我观察到的 Claude、ChatGPT、Gemini、Grok 的差异，恰好是这三个层次之间最有意思的地方。 因为即使把它们都理解成预测下一个 token 的模型，最终呈现出来的行为也会非常不同。因为一个模型的输出实际上类似于基础模型、后训练、RLHF/RLAIF 、system prompt、safety policy、产品设计 、对话历史等诸多要素的糅合。 这些东西共同塑造了一个模型的行为分布。 我刚才提到的关于不同模型性格的观察，这已经很接近心理学意义上的trait了。 如果一个系统在数千种完全不同的情境中，仍然表现出稳定的行为倾向，那么从功能主义角度说，把这种东西称为“性格”，其实我觉得并不荒谬。 更有意思的是，人格其实根本不需要意识，这是我认为这个问题最深的一层。 人类过去会天然认为，有人格，必须有意识，必须有主观体验，然后必须有一个真正的我。 但AI可能会迫使我们重新考虑这个链条。 我曾经和同学讨论，例如，一个未来的AI可能具有长期记忆、稳定价值函数、稳定偏好、风险厌恶程度、幽默风格、社交策略、对不同人的不同依恋模式、长期目标、自我模型、对过去行为的反思、对未来行为的规划与一套稳定的世界观，甚至你连续和它聊天五年，它的行为会呈现出高度连续性。 那么即使我们不知道它有没有“意识”，我们仍然很难说：“它没有人格。” 因为人格本身就是一个行为层面的构念，这其实和现代心理学对人的人格研究也有某种相似之处：我们无法直接观察一个人的人格本体，只能通过长期行为推断它。 我认为，今天的AI更像character simulation，而非persistent personality。这两者区别非常大。因为现在你和ChatGPT聊：“你是不是喜欢这种观点？” 它可以表现出一种偏好。但这种偏好很可能只是当前上下文中的生成策略。 我认为，真正的虚拟人格需要：今天的我会影响明天的我。 回到刚才我提到的模型性格差异性。 最表层的原因其实是系统提示词，可替换、可泄露，改一句话就变了。 中间层，这是后训练的偏好塑造，各家的目标文档不同。Anthropic 公开了 constitution，OpenAI 有 Model Spec，xAI 明确把少拒绝、够辛辣当卖点。ChatGPT 那个“不是而是”的句式很可能是 RLHF 的产物，因为排比修辞在人类标注里长期被评为有洞见，于是被过度强化成了语言抽动。 最底层，我认为是基座模型里的角色空间。预训练语料里本就存在无数种可被模拟的人格，后训练并没有创造了一个人格，它只是把其中某个吸引子挖深了。 有意思的是，我看到的最强的证据恰恰说明这不只是表层风格。 2025 年，那批 emergent misalignment 的工作发现：只用写有漏洞的代码这种极窄的数据微调，模型会在完全无关的领域整体性地变得恶意，它只是推断出了“我是哪种角色”并全面泛化。 配合 persona vector 那类可解释性工作（人格特质对应可定位、可加减的低维激活方向），我想我们会得到一个不太舒服的结论：内部确实存在一个做因果工作的自我表征，风格差异是它的投影。 目前，AI已经可以稳定地展现出相对一致的语气风格、偏好某些价值观（更批判 / 更鼓励 / 更直接），对不同话题的活跃度差异，甚至一定的角色扮演和人格模拟能力。 这些都是虚拟性格。 它足够让用户产生“这个AI比较酷”“那个AI比较毒舌”“这个像开心小狗”的感受。 但我认为，真正意义上的人格（人格连续性、自我同一性、长期记忆中的自我概念、稳定的内在动机与情感状态）目前还不存在。原因也很直接。 我们目前大部分人和AI的大多数对话是无状态。并且，也没有持续的“自我”在运行。 现在我们看到的情绪和态度是统计模式的产物，而非内在状态的表达。 我提出一个想法，把人格理解成一个动力系统，这个方向其实特别适合我之前一直在思考的复杂系统、世界模型。 如果人格是一个随时间演化的内部状态变量，我们就可以从非常模糊的描述，逐渐变成可测量的参数，甚至可以建立真正的AI人格空间，甚至可能产生人格工程。 人类的性格是基因 × 发育 × 环境 × 经历，那么AI人格可能是模型先验 × 后训练 × 记忆 × 环境 × 自我修改。 它甚至可能出现人格版本管理。 比如Personality v1.0、Personality v2.4，这件事非常恐怖，也非常有趣。

看到 @Cloudflare 发布 Kitesurf，我第一反应是：能不能直接装进自己的 Hermes Agent？ 结果发现，它不是这么用的。 Kitesurf 跑在 Cloudflare Workers 的 V8 isolates 里，通过 Browser Run 提供网页读取、HTML 提取、截图和页面操作。它服务的是已经部署在 Workers 上的 Agent。 对长期运行的 Agent 来说，如果每个实例都自己起 Chromium，CPU、内存和稳定性都会变成持续成本。Cloudflare 把这部分放到了自己的运行环境里。 8 月 4 日，Cloudflare 发布 Wallets。8 月 6 日，Kitesurf 上线。 一个是 Agent 的可编程钱包，一个是给 Workers 上的 Agent 处理网页任务的能力。 同一天，@awscloud 发布 AgentCore Runtime instances，为生产环境中的 Agent 提供可长期运行、保留状态的托管实例。 也是 8 月 6 日，@MetaMask 发布 Agent Wallet。用户可以设置 spend limit、协议 allowlist，选择 Guard Mode 或 Beast Mode；交易执行前还会经过模拟、威胁扫描和 MEV 防护。MetaMask 官方列出的可接入框架里，也有 Hermes。 @CanPayAI 更早发布 Agent Wallet 时，已经把身份、钱包、支付额度和可执行动作放进同一套约束里：Agent 付款前，先锁定是谁在执行、能花多少、能做什么。 MetaMask 把这些边界带进链上交易；CanPay 则从 Agent 进入支付和结算的那一刻开始处理它们。 这些产品未必彼此关联，也不需要硬凑成同一套故事。 但 Agent 要在云端长期跑、处理网页、持有资产，并在预设规则下替用户执行任务——这些能力偏偏在几天内被不同公司接连摆到了台面上。 如果它们隔着几个月出现，可能只是各自的产品更新。 但现在，很难不让人联想：Agent 经济的第一簇火，也许已经在大多数人还没注意到的地方烧起来了。 来源： - Cloudflare Kitesurf｜2026-08-06 Introducing Kitesurf: The agent-first browser that runs in V8 isolates on Cloudflare Workers - AWS AgentCore Runtime instances｜2026-08-06 22:58 UTC 标题：Runtime instances: persistent compute for production AI agents on Amazon Bedrock AgentCore AWS Machine Learning Blog - MetaMask Agent Wallet｜2026-08-06 MetaMask Agent Wallet is live: self-custodial AI trading

最新趋势总结（跨HN、PH、GitHub、X、Reddit等） • Agentic Everything：AI coding agents（Claude Code、Codex、Cursor、Bionic等）主导讨论，本地/开源代理（LM Studio Bionic、OpenClaw、herdr multiplexer）爆发。重点从“prompt聊天”转向“持久内存、技能库（skills）、知识图谱、sandbox执行、multi-agent orchestration”。 • 本地优先 + 隐私：LM Studio Bionic（Mac/Windows本地代理，支持open models如GLM/Kimi）、Rust本地工具（Meetily会议助手）火热。独立开发者痛点：数据泄露、订阅费、硬件限制 → 机会巨大。 • Skills & MCP生态：大量GitHub trending项目是“skills”（taste-skill、cybersecurity-skills、academic-research-skills等），用于增强代理的特定能力。MCP（Model Context Protocol）成为连接代理与工具的标准。 • Workflow自动化：n8n/Zapier + AI pipelines（TikTok内容、Reddit机会挖掘）、agentic video（OpenMontage、MoneyPrinterTurbo）、Chrome插件/扩展生成器。 • 部署/Infra：Vercel/Netlify无缝集成新模型（GPT-5.6 Sol/Terra/Luna），Coolify自托管支持。独立开发者易部署SaaS/插件。 • 商业化信号：PH上AI代理/助手、Chrome扩展、local tools快速上榜；YC launches聚焦agent平台；Indie Hackers讨论“可靠workflow vs 酷功能”。 Google Trends相关未见剧烈新峰值，但“AI agent workflow”、“local AI coding”持续高关注。 最具潜力商业机会（针对独立开发者） 1. 本地/开源AI Coding Agent增强工具（最高优先）： • 构建Bionic-like wrapper或skills marketplace：打包常见skills（设计、cyber、research）成一键安装模板，支持LM Studio/Cursor/Claude Code。 • Chrome插件：AI selector forge、context passer（指向UI传精确上下文给代理）。PH类似产品已获高票。 • 变现：Gumroad模板/$9-49一次性 + 付费skills订阅，或SaaS监控代理性能。 2. Agent Workflow模板站 / n8n兼容市场： • 预打包可靠的自动化（如Reddit→客户挖掘、TikTok内容pipeline、代码审查multi-agent）。重点解决edge cases、JSON稳定、memory。 • Indie Hackers痛点验证：用户买“能立刻跑”的东西，而非实验品。 • 机会：per-run monetization（类似n8n beta），或模板+托管SaaS。部署到Vercel/Netlify/Coolify一键。 3. 隐私/本地SaaS & Chrome插件： • 知识图谱工具（codebase → queryable graph）、meeting summarizer、voice keyboard扩展。 • 针对solo devs：sandboxed knowledge work（PDF/deck处理）、persistent memory vault。 • 低竞争：本地优先卖点强，结合Ollama/vLLM。 4. Video/Content Agent工具： • 扩展OpenMontage/MoneyPrinterTurbo式一键短视频/白板解释器（Simi等PH热门）。 • 独立开发者可做垂直模板（营销、教程）+ Vercel部署前端。 5. Security & Observability for Agents： • Prompt injection防护、runtime monitoring（Heron Wireshark for agents）、permission governance。 • HN热议AI coding agents安全bug，机会明显。

下载还在忍限速和全家桶？5 个开源下载器，把带宽用满 1、aria2 — 41.4k star 的命令行下载引擎。HTTP、BT、磁力全支持，多线程分段下载，无数下载工具的底层其实都是它。 2、qBittorrent — 38.7k star，BT 客户端的第一选择。无广告、内置搜索、支持 RSS 自动下载，干净得不像下载软件 3、Gopeed — 25.2k star 的新生代全能下载器。全平台客户端，浏览器一点它接管，界面清爽速度快。 4、AB Download Manager — 16.6k star，IDM 的开源平替。浏览器集成、分段加速、下载队列，IDM 有的它基本都有，还不用交钱。 5、Persepolis — 7.4k star，给 aria2 套了个图形界面。想要 aria2 的速度又不想敲命令，用它。

BTC 正在悄悄进 DeFi，但大多数人还没看见真正的瓶颈 BTC 进 DeFi 这件事，过去一年一直在发生，只是大多数人没把它当回事。 截至 2026 年 Q1，BTCFi 的 TVL ~80 亿美金，年增速接近 200%。Babylon 的质押 BTC + wBTC + tBTC + cbBTC，还有再加上 BounceBit、Stacks、Merlin、BOB、Bitlayer 一堆 BTC L2 各自圈一块流动性。 但 BTC 之间互相看不见，以太坊不一样。ETH 这边有 LayerZero、Wormhole、CCIP，资产跨链相对成熟；BTC 这边是真碎，wBTC 在以太坊，cbBTC 在 Base，tBTC 在 Arbitrum，原生 BTC 在 Babylon，在不同链上是完全不同的 token。Curve 上想把 wBTC 换成 cbBTC，滑点、桥费、确认时间加在一起，体验跟 2020 年的 DeFi 差不多。 这就是 BTCFi 真正的瓶颈。不是收益不够高，是流动性根本不通。 BTCFi 要起来，必然出现一层把所有 BTC 资产、所有链、所有协议聚合起来的互操作层。 @PersistenceOne 算是这个方向里少数在认真做的。他们的 BridgeKitty 干的事很具体：聚合 BTC 类资产和稳定币的跨链最优路径，用户敲一笔单子，后台自动拆链路、比报价、走最便宜的桥。更有意思的一点，它服务的不只是人，还包括 Agent。 这是另一个被低估的趋势。链上 Agent 自动做市、跨链套利、资金路由，行为模式跟人完全不同。24 小时跑、对滑点敏感、对延迟更敏感。一个能同时给人和 Agent 用的聚合层，需求曲线会比纯 To C 陡得多。BridgeKitty 昨天刚发了一次重大升级，路径优化和 Agent 接入是重点。 我的判断： 1、BTCFi 这一波不是 BTC L2 之争，L2 越多，聚合层越值钱。 2、但是跨链聚合赛道窄，2026 年的 DeFi 流量中，超过 40% 是由 AI Agent 驱动的，竞争对手包括 LiFi、Socket、Across，Persistence 能不能在 BTCFi 这个细分里建立壁垒，要看能跑出多少 Agent 调用量。 3、Persistence 的切入点很聪明，它在做的实际上是意图导向型聚合，对于用户来说，不需要关心底层是走 Across 还是 Stacks 的官方桥，只要结果（最优报价）

转发提示词：风格人物+精神投射 by 虎小象 @hx831126 不是单纯的Pixar风格，有点Designer Toy 风格 让模型帮我加入了人物戏剧夸张的身形和表情「修长身形，大脚，块状的结构」 以此慢慢的 让模型延展其他人物。 提示词： A high-resolution vertical Pixar-style 3D character illustration. Main character: Salvador Dalí — depicted as a tall, slim, and slightly exaggerated Pixar-style 3D character. Wearing a classic blue shirt, yellow tie, high-waisted plaid trousers with suspenders, and leather shoes. His iconic long upturned mustache, slick black hair, sharply arched eyebrows, and slightly eccentric posture. Stands with chest out, one hand on hip, head tilted slightly back in his typical theatrical flair. Background: Flat, clean yellow background with subtle surface texture. Strong sunlight from top-left casts a distinct and enlarged shadow on the wall behind him. Key Concept – Shadow as spiritual projection: The shadow cast behind him does **not** mirror his body shape. Instead, it takes the form of one of his most iconic artworks — a surreal melted clock with long dripping arms, inspired by “The Persistence of Memory”. The melted clock shadow is positioned diagonally, starting from his shoulder, stretching wide and low across the yellow wall, surreal and fluid, yet unmistakably symbolic. This shadow is **Dalí’s legacy made visible** — a symbolic extension of his identity through time, dream, and visual distortion. Lighting & Rendering: Pixar-like rendering with detailed but stylized textures. Use subtle filmic grain, soft shadows, and warm color grading. Subtle sparkles or light speckles inside the shadow to evoke dreamlike texture. Typography (top-left corner): “Salvador Dalí” in minimalist black sans-serif font, “Dalí” bolded.

Scaling Law正在被重新Scaling ---openai核心研究员最新论文《Learning Beyond Gradients》解读 过去几年，AI行业几乎默认更大的参数、更多的数据、更长的训练、更强的GPU，就是更强的模型，就是scaling law。 过去几个月，行业开始认为，更多的推理，更多的agent，就能完成更长时、更高价值的任务，就是更强的智能。 这构成了行业对scaling law的理解，而只要Scaling Law继续成立，模型就会不断逼近AGI。 最近的openai核心研究员翁家翌的一篇论文《Learning Beyond Gradients》，提出了一个全新的scaling维度：AI不一定只能通过梯度下降学习，也可以通过heuristic、policy、workflow、strategy、code generation不断修改自己的行为系统。 这是继agentic和harness之后，AI行业可能正在从“Scaling Model”，进入“Scaling System”的阶段一个最新的重要进展。 过去AI的能力飞轮，本质上是：更多数据→更大模型→更强能力→更多用户→更多数据。 但现在，论文要告诉我们的是，新的能力飞轮：更强模型→更强heuristic generation→更强runtime system→更强Agent能力→更多真实世界反馈→更强runtime evolution→反过来增强模型表现。 行业正在加速的从：智能 = weights。过度到：智能 = weights + runtime system。 LLM本质上是输入→Transformer→输出。 模型训练结束之后，能力基本冻结。学习主要发生在梯度下降、反向传播和weight update里。也就是说，learning = 修改参数。 LLM就像人类的大脑，参数就像脑细胞。但现实世界的大量复杂能力，其实并不完全来自参数。 就像人类文明真正强大的地方，也不仅仅是大脑本身。真正让文明爆炸的，是语言、文字、工具、数学、workflow、软件系统、组织结构、科学方法。这些本质上都是“外部heuristic system”。 《Learning Beyond Gradients》，的创新，在于它开始尝试把“学习”从参数空间里解放出来。过去是：reward → gradient → weights。现在开始变成：feedback → heuristic modification → runtime evolution。学习开始发生在program space，而不是parameter space。 heuristic，还有点像专家系统，但极大的增强了其能力：过去的专家系统，规则由人类写；现在，规则开始由LLM自动生成。这是在效率上的从量变到质化。 传统专家系统失败，并不完全因为“规则”方向错了，而是因为人类无法维护超大规模动态规则系统。过去写规则太慢、修改规则太贵、规则之间容易冲突、长尾case会爆炸、系统复杂度会失控，所以专家系统最终被深度学习取代。 但LLM的出现改变了这个约束。现在规则生成成本接近于0。模型不仅能生成规则、修改规则、删除规则、调试规则，还开始能自动生成workflow、tool graph、planner、memory strategy，甚至修复agent行为。 这意味着，AI开始能够修改自己的运行时系统。于是，越来越多能力开始从“模型本身”外溢到memory、planner、search、tool use、verifier、runtime orchestration这些系统结构里。 更大的模型 = 更强的AI，变成：更强的模型 × 更强的runtime system = 更强的AI。这会形成一个新的能力飞轮。 过去AI只有“模型scaling”。未来AI会开始出现：Model Scaling × System Scaling × Runtime Self-Improvement。 我们很可能正在从去年底的scaling law，迈入到现在的heuristic驱动的，结合agent和harness的scaling law的平方。 更重要的是，runtime system的增长现在其实才刚开始。今天很多Agent系统仍然非常早期。memory很弱、planner很弱、workflow persistence很弱、long-horizon task能力很弱，本质上还处于“DOS时代”。 但接下来，同一个基础模型，在不同Harness之下，实际能力可能相差几十倍。因为很多复杂任务的瓶颈，已经不是“模型会不会”，而是“系统能不能持续组织行为”。 这也是为什么，未来最重要的竞争，可能不再只是“谁的参数最多”，而是“谁最先形成：模型 + memory + tool ecosystem + heuristic runtime + self-improving harness”的闭环。 某种意义上，Transformer越来越像“认知内核”。真正的AGI，可能是围绕Transformer构建出来的runtime civilization、heuristic ecosystem、agent society、memory graph、self-improvement loop的组合体。 《Learning Beyond Gradients》最让我兴奋的地方，其实并不是“超越梯度”。而是它开始尝试：把Scaling Law本身，也变成一个可以被继续Scaling的系统。