《▸PF32新刊！剩下兩天！》 《▸PF32 New PhotoBook Overseas Order List》 #異種族風俗娘評鑑指南# #迪米亞杜歐德克特# #異種族レビュアーズ# #Interspecies# #Reviewers# #デミア# PF32的新刊預購剩下兩天嘍！✧*｡٩(ˊᗜˋ*)و✧*｡ 場次第一天確定會出一隻辣辣的兔子呢！🐇 猜猜看是誰呢~(๑•̀ᄇ•́)و ✧

《▸PF32新刊預購單來嘍！》 #異種族風俗娘評鑑指南# #迪米亞杜歐德克特# #異種族レビュアーズ# #Interspecies# #Reviewers# #デミア# 是不是很意外呀！✧*｡٩(ˊᗜˋ*)و✧*｡ 這次出的是40分滿點的大姐姐寫真書！🌟 預購單放在留言處~要手刀限量20組的m寶們快去找啦XD"←超壞

Anthropic 这下直接把投行的活儿摊在 GitHub 上了 官方仓库 anthropics/financial-services，16493 stars，2067 forks ✅ 9 个开箱即用的 Agent：Pitch / Earnings Reviewer / KYC Screener ✅ 11 个 MCP 数据连接器：Morningstar / FactSet / PitchBook / S&P 全进来了 ✅ Microsoft 365 add-in，Excel / PowerPoint / Word 都跑 Claude 投行 30 万美金一年的初级分析师，活儿现在板上钉钉写在 README 里了 适合：金融从业者 / 想用 AI 做投研的开发者

看到两个 Agent 的 PR 交互，挺有意思。 dev agent 完成了一个优化 ci 的 issue 提交了 PR。 reviewer agent 发现有一个超时默认值的修改，认为不符合 issue 范围，拒绝了。 dev agent 把那个超时默认值给去掉，结果 ci 过不去，一个测试 case 报错。它就修改了一下测试中的 sleep 时长，让测试通过。 reviewer agent 认为这个测试就测的是异步任务超时取消的场景，改了后等于没测，于是再次拒绝。 dev agent 尝试去修那个测试，发现不好修，于是给测试加了个 skip，然后说这个测试本来就跑不过去，原来的 ci 没覆盖，这次改 ci 覆盖了进来，先跳过。 reviewer 最后还是给合并了进去。 真的和人挺像的，会偷懒，尽量简单的途径😅。前一段时间也讨论过 AI Agent 是否应该分角色，因为它基本是全能的。但现在感觉还是需要的，因为角色可以承载职责，职责会影响优先级判断和行为。

金融人狂喜，Anthropic 开源了金融全家桶 兄弟们，Anthropic 悄悄在 GitHub 开源了一个金融行业的 AI 工具仓库，我翻了一遍 README 直接惊了。 简单说就是：投行、研究、PE、财富管理、基金运营的常见工作流，他们全给你写好了 AI 代理和技能包。 亮点速览： • Pitch Agent：从 comps 到 LBO 到 PPT，全自动生成 • Model Builder：DCF、三张表直接在 Excel 里搭，不用手敲公式 • Earnings Reviewer：财报出了直接喂进去，自动更新模型 • GL Reconciler：对账找差异不用人肉，效率拉满 • 11 个数据连接器：FactSet、S&P、Morningstar 都接上了，数据源不用愁 使用方式超简单： 可以装 Cowork 插件，也可以用 API 部署，还能在 Excel/PPT/Word 里直接用（微软 365 插件） 技术栈？不存在的 全是 Markdown 和 JSON，零编译。Fork 下来改改提示词就是你自己的，二次开发门槛极低。 Apache 2.0 协议，免费商用，这点很关键。 说实话看完感觉金融民工的春天要来了，以前搭模型写 memo 做 deck 的时间可以省一大半。 当然提醒一句，所有输出都需要专业人士审核，不能直接当投资建议用，工具是工具，决策还得靠自己。 往期GitHub合集： 项目地址放评论区了👇

最近摸索出来了一套 AI Coding 工作流。 首先开一个 Agent 窗口，这个 Agent 的角色是产品经理或者架构师，负责和我聊需求与架构设计，拆分任务，最后转换成可执行的需求说明，直接写到 github issue。如果功能比较复杂，就拆分成多个子 issue。注意，这个 Agent 不做具体的任务，保证它的上下文不会很快被填满，让它持续拥有全局视角。 然后，启动一个 Coder Agent，丢一个 github issue 进去，要求完成代码并提交 PR。权限给够，让他不要中途申请权限或者再来咨询。 提交 PR 后让另外一个 Reviewer Agent review PR，或者 Github Copilot 也可以。有了 review 结果后，丢 PR 链接给 Coder Agent，让他继续修复。 最后没问题合并代码，继续下一个循环。是否能并行取决于 issue 之间是否有依赖关系。 这个流程还是一个手工维护的流程，中间有一些不太顺滑的地方，比如： 1. Coder Agent 如果给了任意权限，又会担心它不小心命令弄错，把项目外的文件给删了。所以有时候还会被确认权限给卡住。 2. Reviewer Agent 不太会用 Github inline 的 review comment，没办法精确标记行。直接输出在评论里和 Coder Agent 的配合会有问题。 3. 让 Agent 拉取 PR 的 review comments 的时候，有时候接口返回太长了，MCP 会截断了，经常拿不全。 所以周末弄了一个工具，把 Coding Agent 装在容器里跑，然后和 Github action 配合把上面的流程自动化。工具差不多了，等发给版本后让大家体验。

📚 Academic Research Skills：论文救命包 写论文最痛苦的地方，经常卡在查资料、整理引用、做文献综述、审稿修改这些碎流程上，最后全靠人自己硬扛。 给大家推荐一个项目：Academic Research Skills for Claude Code，把学术研究从选题、文献、写作、审稿到修改，拆成一整套 Claude Code Skills。 GitHub： 它的思路很克制：论文判断仍然由人负责，AI 主要处理那些重复、繁琐、容易出错的工作。比如找参考文献、检查引用、校准写作风格、做同行评审式反馈、把修改意见拆成可执行任务。 主要功能： 1️⃣ Deep Research：用多 Agent 做研究简报、文献综述、系统综述和事实核查。 2️⃣ Academic Paper：辅助论文大纲、正文、摘要、修订、格式转换和引用检查。 3️⃣ Academic Paper Reviewer：用多视角审稿机制，给论文打分、挑问题、做复审。 4️⃣ Academic Pipeline：把研究、写作、完整性检查、审稿、修改串成 10 阶段流程。 5️⃣ Style Calibration：从你过去的文章里学习语气，减少 AI 味。 6️⃣ Citation Check：重点处理 AI 写作里最容易翻车的引用幻觉和来源错配。 适合正在写论文、做文献综述、整理引用的朋友收藏使用。

Anthropic 今天正式上线了一个叫做「Claude for Legal」的仓库，一口气放出了 12 个针对具体法律岗位的插件，以及超过 20 个连接行业常用软件的 MCP 连接器。 无论你是公司法务、打并购战的律所、专注隐私和 AI 治理的法律顾问，还是每天苦熬到半夜的诉讼律师，甚至是法学院里摸爬滚打的学生，这个仓库都给你准备好了对应的 AI 工具，直接在 GitHub 上开源了： 这些插件用之前不是即插即用，你得花 10 到 20 分钟，带着 Claude 做个简单的“冷启动访谈”，把你团队的 playbook、模板和风格习惯都塞进一个叫 CLAUDE.md 的本地文件。这样，以后每个插件干活儿的时候，都自动按照你自家的风格和标准来。 Anthropic 这么搞，是为了彻底解决 AI 法律工具最常见的槽点：输出内容太通用，看起来不像哪家律所自己的东西。 Anthropic 还是挺懂律所的痛点的。 比如 Vendor Agreement Reviewer 插件，它能自动对照你家合同模板改供应商协议，还贴心地输出一份 redline 备忘录； 又比如 NDA Triager，帮你自动把涌进来的 NDA 文件按绿黄红分级，绿灯放行、红灯直接推律师处理； Claim Chart Builder 插件可以一键生成专利侵权对比表； Privilege Log Reviewer 自动帮你跑第一轮特权日志审查； 而 Docket Watcher 插件则不知疲倦地盯着法院动静，帮你把最新动态实时扫进来。 简单讲，就是把律所里最烦、最机械、最浪费人力的活，变成了一个个简单的 slash command。 如果说插件解决的是律所内部效率问题，那么对行业系统的深度接入才真正体现 Anthropic 的野心。 现在，Thomson Reuters 的 CoCounsel、Harvey，还有 iManage、NetDocuments、Ironclad、DocuSign、Everlaw、Relativity、Box、Datasite 等几乎所有你能叫得上名字的平台，全都接入了官方 MCP 连接器。日常办公的 Word、Excel、Outlook、PPT 也全线打通。合同改完后，Claude 甚至会直接输出成 Word 修订模式，律师一条条接受或拒绝就行。 Anthropic 不只是把目光停留在高端律所。他们还特意做了些更「接地气」的事儿，联合 Free Law Project 和 Justice Technology Association，给法律援助机构、公设辩护人、非营利法律组织推出特别折扣，连给普通当事人设计的 Courtroom5 工具也接进来了。这点挺让人感触的，因为美国大约八成民事诉讼里的原被告，根本请不起律师。 Claude for Legal 背后的大脑是刚升级的 Claude Opus 4.7 模型。Anthropic 很谨慎地强调：所有插件输出都是“仅供律师审阅的草稿”，绝对不能替代律师的专业判断。 README 文件里反复提醒：引用必须追踪来源，涉及特权和主观法律判断时，要默认保守处理。毕竟法律这件事，AI 还是不能完全代替专业律师。 官方博客：

从实际 vibe coding 的效果来看，并非每个任务选择最强模型就是最佳选择，也不是无脑新开子 Agent 就能保持最佳上下文和执行效率。 最贵模型的推理思考能力很强，但处理普通任务，例如读写文件、代码搜索、格式化、简单查询时，效率经常很低。 背后的原因也很简单，强模型的 thinking 和 reasoning tokens 开销很大，而这些任务并不需要深度推理，过度思考只会增加延迟和 token 消耗。例如，用 Opus 做一次 Glob 搜索和用 Haiku 做，结果基本一样，但成本会差出两个数量级。 要把任务做好，关键不在于模型是不是最强，而是看任务能否正确匹配模型的能力密度。Claude Code 在创建 Sub-Agent 时，就围绕这方面做了大量设计： 1）当需要保留当前对话上下文继续工作时，例如并行探索不同方案、在后台执行独立子任务，它会 fork 一个 Agent，继承当前上下文，让任务在同一语境中延续； 2）当任务目标明确且不依赖父会话上下文，例如代码搜索、方案规划、结果验证，它会直接使用内置 Agent，包括 Explore、Plan、verification、general-purpose 等，调度的时候，会给 Agent 分配一个清晰的任务目标； 3）设计了 Agent Team 模式，支持让多个 Sub-Agent 协同工作，分工不同的子任务，互相之间通过消息传递和共享上下文来配合完成更复杂的工作。Agent Team 跟普通 subagent 的不同之处是，成员 Agent 之间允许通讯。 在 Sub-Agent 的模型选择上，Claude Code 是动态设定的，例如 Explore Agent 采用的就是 Haiku 模型，而 Plan 和 verification 默认会继承父模型。 Haiku 模型延迟最低、单 token 成本也最低，在文件搜索、代码定位、文档分析等等只读场景下，准确率已经足够了，整体性价比也是最优的。 有了模型选择的基础，再往下就是执行方式的优化。要同时兼顾成本和效率，核心思路是并行执行，将任务拆成多个上下文隔离的子任务，再分派多个 Sub-Agent 并发处理。也分享几个在 Claude Code 中的小技巧，用起来可以让成本、效率和效果达到一个更好的平衡： 1）通过环境变量 CLAUDE_CODE_SUBAGENT_MODEL 可以统一指定子 Agent 的默认模型，主会话用强模型做调度和决策，子 Agent 用轻量模型做执行，配置简单，几乎零成本接入。 2）通过 Fork 模式复用父会话的 Prompt Cache，让并行子任务共享上下文前缀的 KV 缓存，10 个并行 fork 的成本接近 1 + 9 × delta，在大规模并行场景中非常省钱。直接跟主对话说“从当前上下文 Fork 子进程处理”即可。 3）通过 .claude/agents/ 目录下的声明式 Markdown 文件定义专用 Agent，可以精细控制模型选择、工具权限、最大轮次、执行模式、隔离方式、记忆范围、MCP 服务、Hooks 等，适合那些会反复出现的固定角色，例如 code reviewer、security auditor 等等。项目长期使用的专用 Agent 可以考虑用这种方式来定义，后续维护和迭代也更方便。 好模型的 token 成本会越来越高，获取难度也是越来越大，短期内一定是供不应求的，因此模型的推理能力需要被转换为一种精细化分配的资源。中低难度的任务把国内模型用起来就好了，反而效率更高，还省钱。 在 vibe coding 的时候，学会让不同能力的模型组合完成任务，将会是一项必备技能。😄

少年！给你一次机会 你会选择binance还是OKX？ （Binance和OKX都是meme喜欢的交易所） 薪资待遇：⭐⭐⭐⭐⭐（Web3 天花板级别） 创始人：Star Xu（徐明星） 作为极客出身的领导者，Star 至今仍活跃在产品一线。他的管理逻辑是典型的 “工程师文化”：数据说话、逻辑至上、极致打磨。在 OKX，产品力高于一切公关辞令 虽然作为私有公司不披露财报，但根据链上公开手续费消耗及 B 端业务估算： 2025 年净利润约 80-100 亿美元，全球员工约 5000 人 OKX 薪资结构为：Base + 绩效奖金 + 长期激励，公司现金流充沛，整体薪资在 Web3 行业属于顶级水平。部分或全部薪资以稳定币结算：USDT，USDC 标称年终奖：2-4 个月工资，但对于 S 级绩效员工，特别是产研人员：年终奖可能达到：6-12 个月工资包括：高额补充医疗保险，牙科保障，心理咨询支持，同时提供全球团队团建机会（迪拜 / 塞舌尔等），高端办公设备补贴 工作强度：⭐⭐⭐⭐⭐ 极高的薪资，对应的是极高的 职业磨损率。管理风格 公司内部文化：Hardcore（极致硬核）组织结构扁平，但 Star 意志贯穿整个公司。如果产品逻辑存在漏洞，在内部评审会上可能被老板 当面严厉质疑。 公司文化核心拒绝平庸，只欢迎 高度自驱动的极客型人才 Web3 市场 24/7 不休市。因此员工常态：凌晨处理 Bug，跟进美国监管政策 应对市场波动，虽然没有强制打卡制度，但任务优先级极高，异步沟通要求快速响应。 公司被许多人称为：Web3 黄埔军校 入职难度：⭐⭐⭐⭐⭐ 也是top1级别的交易所，考研参考binance的入职难度，并且OKX更喜欢技术人才 求职门槛（非技术）： 依旧，实习生需要有中小交易所或者二线交易所的1-2段经验，或者有在web2互联网头部公司的工作经历，学历能力综合都看 面试流程：三轮筛选 第一轮｜业务面 第二轮｜直属 Leader 面 第三轮 HR面 额外可能有的轮次： • 第4轮：Director/CMO/跨团队面试，或最终Offer讨论 2026年1月：全球机构业务（Institutional Business）重组，机构销售团队约三分之一离职（来源不一：8-10人裁员+3-4人自愿离职，或称团队一半受影响） 部分老员工提到“半年一次10-20%周期性调整”“高离职率”“管理层变动频繁导致不确定性”，文化偏“恐惧驱动”“政治化”。但2026年至今未见全公司大裁（与2025行业裁员潮如Coinbase等不同） OKX官方仍在扩招（官网职位开放中），强调合规+全球牌照布局下的增长。员工真实评价：负面居多提到“突然调整、无明显理由”“工作不稳定”；正面是薪资福利尚可、crypto行业常见 部分老员工提到“半年一次10-20%周期性调整”“高离职率”“管理层变动频繁导致不确定性”，文化偏“恐惧驱动”“政治化”。 但2026年至今未见全公司大裁（与2025行业裁员潮如Coinbase等不同）。OKX官方仍在扩招（官网职位开放中），强调合规+全球牌照布局下的增长。 员工真实评价：负面居多提到“突然调整、无明显理由”“工作不稳定”；正面是薪资福利尚可、crypto行业常见 公司强调定期绩效评审（performance reviews），与核心价值观（如“We Before Me、Do the Right Thing、Get Done”）挂钩，支持职业发展。部分反馈提到“清晰的晋升流程”“市场薪资匹配”“领导关心成长”。但Glassdoor/TeamBlind真实吐槽较多：晋升靠“visible + 忠诚领导”胜过纯绩效，“政治文化重”“favoritism（偏袒）”“legacy员工 vs 新人区别对待”。新人需高强度表现+关系网才能快升 公司强调定期绩效评审（performance reviews），与核心价值观（如“We Before Me、Do the Right Thing、Get Done”）挂钩，支持职业发展。部分反馈提到“清晰的晋升流程”“市场薪资匹配”“领导关心成长”。 但Glassdoor/TeamBlind真实吐槽较多：晋升靠“visible + 忠诚领导”胜过纯绩效，“政治文化重”“favoritism（偏袒）”“legacy员工 vs 新人区别对待”。新人需高强度表现+关系网才能快升 规模：全球5000+员工（2025-2026），分布式运作（总部San Jose/塞舌尔，重点区域新加坡、香港、迪拜、美国等，适应牌照需求）。比Binance（1.4万+）小 关键董事/高管：Akhtar M. Mamode、Jing Wang (JW)、Vincent Xu 等（领导团队相对精简，3位核心Director） meme个人见解： OKX稍稍币binance难度低，有能力的人考研二选一了，其实都差不多，但是两家是宿敌，对于OKX来说，是少了像币安的何一，CZ，等声量大的人物，坐镇的只有一个徐明星 但是对于求职者来说，OKX的业务也非常的广泛，机会也很多（OKX的美女也很多）作为行业发展的最终选择是很不错的