美股小白的学习路径 / 用到的网站： · 日常行情：Yahoo Finance · 看盘与技术分析：TradingView · 基本面与估值：TIKR + Fiscal. ai · 美股筛选：Finviz · 宏观数据：FRED · 新闻：Bloomberg + X · 组合追踪：Sharesight 或 Snowball Analytics · 实际交易：Interactive Brokers · 学习基础：Investopedia · 深入估值：Damodaran 这么努力，最后只为了把口袋里的 10u 投到 QQQ

🔍 开源工具推荐：《Claude Code Templates》—— 100+ 即装即用的 Agent、命令、MCP、Hooks 配置，配套 Analytics 监控面板 如果你在从零搭建 Claude Code 工作流，这个模板库能省你几个小时 核心特性： 1. 100+ 模板覆盖 Agent 行为、自定义命令、MCP 服务器、Hooks 配置全链路 2. Analytics 监控面板，可视化 agent 调用链路与 token 消耗 3. 一键安装，交互式选择 4. 模块化设计，可按需组合，不强迫全量安装 5. 持续更新，跟随 Claude Code 版本迭代 目标人群：想快速落地 Claude Code 的工程团队、AI 工具链建设者、Claude API 重度用户 🔗 #ClaudeCode# #AIAgent# #AI工具# #AI编程# #AIEngineering#

纳斯达克100指数成分股调整 加入 $CRWV CoreWeave $NBIS Nebius Group $RKLB 火箭实验室（Rocket Lab） $TER 泰瑞达（Teradyne） $ALAB Astera Labs 移出 $CHTR 特许通讯（Charter Communications） $VRSK Verisk Analytics $ZS Zscaler $CTSH 高知特（Cognizant） $INSM Insmed

TRON 又放大招了！稳定币数据直接用「自然语言」就能查！ TRON 正式接入 Dune Analytics 的 Model Context Protocol（MCP），现在你可以用大白话直接问 AI 关于 TRON 上稳定币的一切数据，再也不用写一行 SQL 了！ 举个例子，你现在可以直接对 Claude / Cursor 说： “过去 24 小时 TRON 上 USDT 转账量多少？Top 钱包和主要流动通道是哪些？” “TRON DEX 交易量和净流入情况给我拉一下” “最近一周大户 USDT 流动趋势如何？” AI 秒回图表 + 数据，丝滑得像聊天一样！ 这到底有多牛？ TRON 本来就是稳定币之王，Q1 结算量接近 2 万亿美元，稳定币供应常年稳定在 850-860 亿美元（基本全是 USDT）。 现在把这海量数据彻底「AI 化」，普通用户、分析师、甚至合规团队都能零门槛玩转链上数据。 这不只是技术升级，更是把区块链数据从「程序员专属」变成了「人人可用」！ 简单来说，这一步把 TRON 从「稳定币结算高手」升级成了「稳定币数据智能平台」。 未来，当你想了解 TRON 上 USDT 到底在怎么流动的时候——不再是查表，而是直接问 AI！ @justinsuntron #TRONEcoStar#

【優勢領先】報告稱中國人形機械人製造商在全球出貨量中的佔比逾97％ 根據行業數據顯示，2026年上半年，中國人形機械人製造商在全球出貨量中的佔比超過97％。據Smart Analytics Global數據，2026年上半年，全球人形機械人出貨量總計約19100台，是去年同期5100台的三倍多。

大多数人聊区块链，第一反应还是：性能、TPS、共识、生态。 @CNPYNetwork 但我越来越觉得，真正的问题不是“能不能发一条链”。 而是： 发完之后呢？ Explorer 要不要自己接？ Wallet 要不要重新适配？ Analytics 要不要从零搭？ 升级要不要等几个月？ 迁移要不要祈祷别出事？ 很多项目不是输在想法不够好，而是输在基础设施太重。 这也是为什么 @CNPYNetwork 让我觉得有意思。 它不是只告诉你“来这里发链”。 它更像是在说： 链可以快点启动。 安全可以从第一天就有。 工具不需要每次重建。 社区应用可以真的跑起来。 Builder 应该把时间花在产品本身，而不是重复搭一堆每条链都需要的东西。 Block Rocket 就是一个很好的例子。 社区成员做出来，发布在 Canopy 上，然后用户开始玩，排行榜开始卷，99.29x multiplier、162-game win streak、thousands of rounds played。 这才是我想看到的 onchain 应用状态。 不是 PPT 里的生态。 不是空喊的 future。 而是有人 build，有人 play，有数据，有反馈。 Canopy 的重点，在我看来不是“再造一条链”。 而是让更多人可以拥有自己的链、自己的经济系统、自己的社区入口。 AI 可以帮我们更快做出应用。 但问题是，谁拥有它？ Canopy 给出的答案很简单： AI creates apps. Canopy creates owners. 🌿 @CNPYNetwork

我看了一下@ycombinator 今年的项目，基本上都是 1. FDE/Router + Vertical Application： 模型router → 针对某个具体场景做优化 → 接入业务 workflow → 用数据反馈继续优化。 初创公司卖模型，初创公司都是中转站。 2. Router + LLM Optimization / Infra： 跟上一类不一样，这种是解决大模型调用本身的问题：routing、cost、latency、eval、observability、prompt optimization、fine-tuning、inference 等。 比如说 @WorkWeave 这个产品，他们说自己是AI to understand and then route engineering work。最开始的产品更像是 AI-native engineering analytics：接 GitHub / PR / Claude / Cursor 等工程数据，然后用模型分析： 工程师到底完成了多少工作 哪部分代码是 AI 写的 AI coding tools 有没有真正提高 productivity AI 花了多少钱、ROI 怎么样 哪些任务 AI 做得好、哪些做得不好 后面他们这个方向跑到最后发现还是需要模型聚合能力，他们就往一个中转站走了，然后发布了weave router。 他们分析 各种企业的Claude Code workload 后称，大约 60–70% requests 是比较简单的 completion，这些任务用便宜的 open-source model 可以做到相近效果，而成本可能只有约 1/40。 Coding request → Weave classifier/router → 判断任务难度 → 选择模型。 所以拆解一下这家公司就是做Router + Vertical Coding 场景，Weave 这种模式比单纯做一个LLM中转站 Router 更值得借鉴，先找到一个 token spend 巨大、任务高度重复、而且不同任务对模型能力要求差异巨大的 vertical，尤其是coding场景，然后做它的 intelligent routing layer。 所以我感觉年初做中转站的经验虽然没有给我个人带来什么经济收益，但是确实积累了很多实战技能，比如说如何从零到一搭建中转站，如何做FDE，挨个建群解决用户的api问题，比如我自己搭画布接seedance。 往后来看这种经验太值钱了，以后的ai startup都会是这个形态。

Cloudflare 真是大善人哈哈~ 给自己订阅站在cloudflare 搭了一个流量分析看板：基础的IP、设备、 请求路由、地域分析数据都有了。 下面这套组合足够让你走出新手村了⤵️ 1⃣Google Search Console：看 SEO 2⃣Cloudflare Web Analytics：看流量 3⃣PostHog：看注册、付费漏斗

💰 很多按月收费的云服务，都有能自己部署的开源替代。 这六个自托管开源神器，帮助所有刚刚起步的中小型公司把每月的 SaaS 订阅省下来！ 1、Cal — Calendly 的开源替代，45.9k star 约会议、发预约链接，自托管后团队版每人每月那笔订阅直接省了。 2、NocoDB — Airtable 的开源替代，63.7k star 把数据库变成像表格一样好用的界面，团队协作管数据，不用再交 Airtable 的人头费。 3、Plausible — Google Analytics 的开源替代，27.4k star 网站访问统计，不用 cookie、不收集隐私，脚本极轻不拖慢页面。 4、Mattermost — Slack 的开源替代，38.2k star 团队 IM 自己部署，消息数据全在自己服务器，付费墙后的功能开源版基本都有。 5、Documenso — DocuSign 的开源替代，13.6k star 发电子合同、收签名，自托管后不用为每份文件给 DocuSign 付费。 6、listmonk — Mailchimp 的开源替代，21.8k star 自己发邮件营销和 newsletter，单机性能很强，省下邮件平台按订阅人数收的钱。