Lance 这种交易员非常少见。 据说他这些年在交易中，总共赚走了超过一个亿美金，虽然这个据说是他自己说的。 面对质疑他也有回应，他说自己的交易账户已经让《市场奇才》的作者 Jack Schwager进行了验证，之后会把他和他的经典交易都记录在书里，Jack 也回复了说是真的。 既然如此，我们就很有必要花两三分钟了解一下他，尤其是他有一套策略很经典，简单好用。 就是他的“极端失控策略”。

Lance Breitstein 这种交易员非常少见。 据说他这些年在交易中，总共赚走了超过一个亿美金，相当于是 7 个多亿人民币，非常的强，虽然这个据说是他自己说的，目前我还没有看到公开的账户数据。。 但一般自己空口说赚了多少，最多也就是几百万上千万，很少见到有人直接说赚了 7 个亿，所以更倾向于这是真的。 而且他对这些质疑也有回应，他说自己已经把交易账户的数据，交给了《市场奇才》这本书的作者 Jack Schwager，Jack 已经进行了验证，之后会把他和他的经典交易都记录在书里。 既然如此我就剧透一下一个他非常简单好用的一套策略，极端失控策略。 策略最核心的东西是期望值，也就是我们做每一笔交易之前，都要判断一下它到底值不值得做，值不值主要看三个方面。 第一是胜率，第二是风险大小，第三是收益空间。也就是这个位置反转的概率是不是更高，一旦做错，止损是不是容易设，而且不容易损，价格失控偏离很远后，回收空间的幅度是不是更大，只有这三方面同时符合，这笔交易才好做。 传送门：

美国众议员 Lance Gooden 和 Josh Gottheimer 提出《联邦加密货币盗窃执法与协调法案》，拟在司法部（DOJ）内部设立联邦加密货币盗窃特别工作组，负责协调加密资产盗窃、黑客攻击、诈骗等案件的调查与起诉工作。该工作组将由 DOJ、FBI、国土安全部及财政部等机构参与，重点推动数字证据处理、资产追踪、受害者支持及跨机构协作，但不涉及加密资产市场监管职能。（CryptoSlate）

究极"拼好模"出现了! 字节跳动 Lance! 字节跳动刚发布了一个开源模型 Lance, 激活参数量只有 3B. 但是这个模型可以接受文本, 图片, 视频输入, 然后同时可以输出文本, 图片, 视频! 所以这一个模型就能完成像图片理解, 视频理解, 文生图, 图生图, 图片编辑, 文生视频, 图生视频, 视频编辑等任务. 而训练团队在技术报告中透露, 训练成本仅仅是 128 涨 A100 显卡 (按照大厂算力来说纯纯是把冗余算力拿来用了). 那为啥说是"拼好模"呢? 原因是团队并没有完全从0造轮子. 模型的视觉输入模块直接用了 Qwen2.5-VL-ViT (用来看图和视频), 而视觉输出模块是 Wan2.2_VAE (用来画画). 而模型本体是两个: Lance_3B (用来做图片的理解、生成或编辑任务) Lance_3B_Video (用来做视频相关的任务, 比如文生视频、图生视频) 所以, 这完全是一个研究性项目了, 而项目本身的亮点其实恰好是"拼得好". 这个模型不像之前许多自称为全能模型那样直接把大语言模型 (LLM) 和扩散模型 (Diffusion) 硬拼接在一起 (即所谓的 Pipeline 方案) . 而是在一个共享的交错序列 (Interleaved sequence) 中同时处理文本、图像和视频的上下文. 这样做最大的好处是统一了语义空间, 让模型的理解能力和性能更好. (从评测来看3B就接近了许多10B甚至20B模型的水平) 另外还引入了多任务协同. 简单来讲, 理解任务 (图片转向量) 和生成任务 (向量转图片) 在模型内部本身是互斥的. Lance 创新性地在同一个框架内加入了专用专家模块, 成功缓解了这种冲突, 让模型既能做 VQA (视觉问答) , 又能做图像/视频生成和编辑. 期待一波实际应用落地, 这个模型对于端侧和多模态 Agent 来讲意义是重大的, 有很多之前需要多个模型协作的场景都能用单个模型做了. #lance# #全模态模型#

止盈目标不能定得太理想化，可以先定一个大概率会到的均衡位置！！ Lance 用的是 20 日 EMA 均线，其实就是布林带中轨～ 第一次反弹或第一次回落，很多时候都会先朝这个位置靠拢，所以我们的第一目标，先放在均线附近，不能一上来就想着价格必须反包，甚至迎来大的单边行情！

AI Agent 的记忆通常是黑盒——你不知道它记了什么、存在哪、能不能直接改——EverOS，10300 个 Star，把这件事做成了一堆你能打开的 .md 文件，本地跑，不依赖任何托管服务。 一句话：给 AI Agent 装一个本地优先的持久记忆层，存的是 Markdown 文件，能读、能改、能 git diff，pip 一条命令装好。 先说两个真实在用的场景： 场景一：Claude Code / Cursor 跨会话记住你的项目 你用 Claude Code 做项目，每次开新对话它就失忆了——项目用什么技术栈、之前踩过什么坑、哪些决定是故意这样设计的，全部要重新交代。 接上 evermemos-mcp（官方生态的 MCP 集成包），EverOS 把这些上下文存成本地 .md 文件，下次打开直接继续，不用重复交代背景。 场景二：多个 AI Agent 共享一套记忆 Hive Orchestrator（官方生态项目）让 Claude Code、Codex、Gemini CLI 同时作为真实进程跑，通过 EverOS 共享同一套记忆——Agent A 做完一件事，Agent B 知道，不重复踩坑，不互相打架。 为什么 .md 文件做记忆这件事值得说： （1）Markdown 是唯一真相——所有记忆都存在 ~/.everos/ 里，用任何文本编辑器打开就能看，想删、想改直接动文件，系统自动同步索引 （2）本地三件套，断网也能跑——Markdown 原文 + SQLite 存状态 + LanceDB 做向量/BM25 混合检索，不需要 MongoDB / Redis / Elasticsearch （3）用户和 Agent 分开管——用户有自己的 episodes/profile，Agent 有 cases/skills，两套独立；检索时按 user_id / agent_id / app_id / project_id 任意维度过滤 （4）Reflection（会话间自我进化）——后台自动把零散记忆合并归类，精炼 profile 和技能库，下次召回比上次准，不是纯存取的静态记忆 （5）OpenAI 兼容接口——本地起服务后 API 格式和 OpenAI 一样，现有工具直接接，不用改调用代码 装法： pip install everos everos demo      # 先跑可视化演示，不需要 API Key# everos init      # 配 OpenRouter #+ DeepInfra 的 Key everos server start 做 AI 产品、跑多 Agent 工作流、用 Claude Code 做长期项目的兄弟，这个记忆层值得接进来试试。 好东西转给需要的兄弟。🚀 #AI# Agent #开源工具# #老杨啊分享#

我的 Trading Agent 换上了这个大脑后，明显聪明了几个量级！ 长期以来，我在使用 Agent 的过程中，都被同一个问题所困扰：它太容易失忆了！ 每次开启一个新会话，我都要重新交代背景： 我是谁、我在做什么项目、我的判断标准是什么、哪些资料已经看过、哪些坑已经踩过、哪些结论已经被推翻过。 这带来的问题非常明显： 第一、Agent 很难保持连续性。今天它帮我分析了一个项目，明天再问它相关问题，它往往又像第一次接触一样，从零开始推理。 第二、Agent 很难沉淀经验。一次研究中已经证明无效的路径，下次它可能还会重复。而一次写作中已经验证有效的结构，下次它也未必会主动再用。 第三、记忆很容易被锁在某个工具里。Claude Code 里沉淀的上下文，换到 Codex、OpenClaw 或其他 Agent 工作流里，就很难自然迁移。 第四、传统的补救方案也不够优雅。把 Prompt 越写越长，会增加 token 成本，也容易污染上下文；自己搭向量库，又经常变成一个黑盒，能搜到碎片，但很难检查、编辑、回滚和复用。 也就是说，Agent 真正需要是一套可以持续积累、可以被人类检查、可以跨工具复用的记忆系统。 直到我遇到 EverOS，我才意识到： Agent memory 不应该只是“把历史记录塞进 RAG”，而应该更像一个面向 AI Agent 的记忆操作系统。 EverOS 最吸引我的地方，是它把“记忆”这件事做得非常工程化。 它不是把所有内容扔进一个看不见的向量数据库，而是把记忆保存成可读、可编辑、可版本管理的 Markdown。 这样一来，Agent 的记忆不再是黑盒，人可以打开看，可以修改，可以用 Git 管理，也可以在需要时回滚。 它也不是只做简单语义搜索，而是采用本地优先的 Markdown + SQLite + LanceDB 架构，并结合 BM25、标量过滤等方式，让记忆既能被语义检索，也能按项目、用户、Agent、应用、会话等维度精确限定范围。 更关键的是，EverOS 区分了两类记忆：用户记忆和代理记忆。 用户记忆记录的是“我是谁”： 我的偏好、长期目标、判断标准、历史项目、常用工作方式。 代理记忆记录的是“Agent 怎么做事”： 完成过哪些案例、哪些路径有效、哪些错误发生过、哪些工作流可以复用。 这个区分非常重要。因为一个真正有用的 Agent，不仅要记住用户，还要记住自己做过什么，并且从自己的执行轨迹中沉淀出技能。 EverOS 的自我进化机制，正是解决这个问题的关键。 一次任务完成后，它可以把这次执行过程沉淀成 Case； 当某类成功路径反复出现，就可以进一步提炼成可复用的 Skill。 也就是说，Agent 不只是记住发生过什么，而是开始形成“以后遇到类似问题应该怎么做”的程序性记忆。 我把 EverOS 最适合落地的场景，放在了我的 AI Trading 和 Research Agent 上。 这个 Agent 的任务是帮我持续做研究：追踪 AI x Trading 项目、整理项目文档、提取交易假设、比较同赛道竞品、记录风险点、形成研究笔记，再输出适合发布的内容草稿。 在没有 EverOS 之前，这个 Agent 有几个明显问题。 它会忘记我的研究标准。比如我反复强调不要只看叙事，要看产品机制、资金流、风控结构、真实用户、可验证的数据和同赛道比较，但下一次分析新项目时，它还是可能滑向空泛总结。 它会忘记我已经踩过的坑。比如某些信源质量不高、某些指标容易误导、某些项目的营销话术不能直接采用，这些经验如果不能沉淀，下次就还要重新提醒。 它也很难复用成熟工作流。一次完整研究往往要经过“资料导入—事实提取—机制拆解—风险核查—竞品比较—交易假设—内容输出”几个步骤。如果每次都从零开始设计流程，Agent 就很难真正提高效率。 接入 EverOS 后，我会把这个 Agent 的记忆分成几层。 第一层是项目资料记忆。白皮书、官网、GitHub、截图、PDF、文章、推文、数据表，都可以作为多模态资料导入，让 Agent 在后续研究中能检索到原始上下文。 第二层是用户偏好记忆。比如我的研究偏好是“证据链优先、少用空话、避免 Shill、必须对比同赛道、必须写风险点、必须区分事实和推测”。这些不应该每次重新写进 Prompt，而应该成为长期用户记忆。 第三层是研究案例记忆。每次分析一个项目，都记录这次研究用了哪些资料、得出了什么结论、哪些假设被保留、哪些判断被推翻、哪些风险后来被验证。 第四层是技能记忆。当某个流程反复有效，比如“AI Trading 项目拆解模板”、“交易型 Agent 风控检查表”、“项目亮点转 X 长文结构”、“竞品比较框架”，就把它沉淀成 Agent 可以重复用的 Skill。 这样一来，Agent 的工作方式就发生了变化。 以前它像一个一次性助手：每次叫醒它，都要重新喂背景、重新讲规则、重新纠正偏差。 现在它更像一个会积累的研究搭档：它知道我以前看过什么，知道我更重视哪些判断标准，知道哪些路径曾经失败，也知道哪些工作流可以复用。 这才是我认为 EverOS 最有价值的地方。 它不是让 Agent 瞬间变成全知全能，而是让 Agent 的每一次有效工作不再归零。 长期看，Agent 的竞争力不只来自底层模型，而来自它能不能把用户、任务、项目、错误、决策和工作流持续沉淀下来。 没有记忆的 Agent，只是一个反复被唤醒的工具。 有了可读、可迁移、可检索、可进化的记忆层，Agent 才开始接近真正的长期协作伙伴。 如果你也在构建 AI Agent、LLM 应用、AI Coding 工作流，或者任何需要长期上下文的系统，强烈建议把 Star 一下这个 Repo !!! 因为下一代 Agent 真正重要的能力，可能不是一次回答有多聪明，而是它能不能记住过去、理解现在，并在下一次任务中变得更好 链接：

Lacertians 是一个包含 3000 个独特像素蜥蜴角色的系列 即将在 ETH 主网上推出的NFT 项目 日期：待定 目标：3000 价格：免费薄荷 🎁 抽取 GTD WL x 5 1⃣ 关注 @spicycandy00 + @lacertianseth 2⃣点赞❤️+转发+留EVM地址 ⏰24小时