我把自己用的Dashboard全删了。 先说清楚，这不是说互联网产品的Web UI和GUI都该消失。只是在我自己的工作方式里，它们已经没有存在的必要了。 我又用回了IRC。 服务器自己建，客户端自己写。Jabber和IRC我都用过，最后还是IRC最顺手。 频道直接按职责拆。 #operations负责执行# #research负责检索和证据# #publishing负责从草稿走到公开验证# #watchdog只盯阻塞和心跳# 每个昵称对应一个固定Agent。每条消息必须带task_id和state。状态也不允许随便写，只认received、in_progress、blocked、verified这几种。 谁接了任务，卡在哪一步，最后有没有真正完成，频道里一眼就能看到。历史消息天然就是日志，不需要再单独做一套trace页面。 权限放在服务器端。大文件不塞进消息流，只传路径、引用和哈希。 XMPP当然更完整，presence、认证、加密和扩展都很规整。但对我自己的Agent控制面来说，完整有时候就是重量。 我不需要再打开浏览器，点进五层菜单，然后盯着几块会变颜色的卡片。 我需要的是拿起键盘，发一句话，系统开始动。 文本就是界面。 频道就是工作流。

龙虾的对手来了？我试了一下Hermes Agent 这几天推荐 Hermes Agent 的人突然多了起来。 我自己装了一个跑了两天，说说感受：确实还可以。不是那种「又颠覆了」的程度，但能明显感觉到它的设计思路跟龙虾不是一回事。 先说一下背景，Hermes Agent 是 Nous Research 今年 2 月底开源的 AI 智能体框架。 上线不到两个月，GitHub 星标冲到了三万多。社区里不少人把它称为 OpenClaw 上线以来，第一个真正意义上的竞争对手。 两个项目表面上很像，都是自托管的开源 Agent，都能接 Telegram、Discord、Slack、WhatsApp。都支持多模型切换，都走 MIT 协议。 但骨子里完全不同。 龙虾是网关，Hermes 是引擎 OpenClaw 的核心是一个 Gateway。网关守护进程，负责统一管理会话、路由消息、连接各种聊天平台。 你可以理解成一个调度中心，把所有聊天应用接到 AI Agent 上。 龙虾解决的核心问题是：怎么把消息送到 Agent Hermes 不太关心这个，它更在意的是：Agent 怎么变得越来越强 官方管这叫 closed learning loop，闭环学习循环。整个框架围绕的就是一件事——让 Agent 在使用过程中自我进化。 打个比方，龙虾是个多渠道助理操作系统，什么聊天工具都能接，生态丰富。 Hermes 是一个会自我迭代的执行引擎，刚开始没那么花哨，但越用越能打。 这是最根本的区别，后面所有差异都从这分叉出来。 会自己写技能的 Agent 我觉得这是 Hermes 最有意思的地方 当它完成一个复杂任务——通常涉及五次以上工具调用——它不是做完就算了。 它会把整个过程沉淀成一份结构化的技能文档，存成 Markdown 文件，放在 ~/.hermes/skills/ 目录下。 下次遇到类似任务？直接加载这份技能文档，不用从头解决。 更狠的是，这些技能在使用过程中会自我迭代。Agent 执行某个技能时发现了更好的方法，它会自动更新技能文档。不需要你手动维护。 Reddit 上有用户反馈，他的 Agent 在两小时内自动生成了三份技能文档。之后跑重复性研究任务，速度提升了 40%。 龙虾也有技能系统，但龙虾的 Skill 主要靠人手写，或者从 ClawHub 技能市场安装。Hermes 等于把「写技能」这件事也交给了 Agent 自己。 一个靠人喂，一个自己长。 我试用的时候确实感受到了，让它帮我查了几轮开源项目的信息，第二天让它做类似的事，它明显快了。 不用再教它「先去 GitHub 看 README，再去看 Issues」这种流程。它自己能记住了。 记忆体系：搜索引擎 vs 笔记本 两者都说自己有跨会话记忆。但实现方式差很多。 Hermes 的做法 用 SQLite 数据库配合 FTS5 全文检索，把所有历史对话存下来。需要调用时，先搜索再让模型做摘要，然后塞进上下文 不是把整段对话历史搬过去，Token 不会爆 记忆分两层： 常驻层：MEMORY.md 和 USER.md。存关键偏好和核心信息，每次对话都带上，相当于硬记忆。 检索层：全量历史在 SQLite 里，容量不限，按需调用，相当于一个私人搜索引擎。 龙虾的做法 工作区里的 Markdown 文件，memory.md 记生活细节，向量索引做语义检索。上下文压缩前会静默写入一次记忆，防止压缩丢信息。 简单类比：Hermes 给 Agent 装了个搜索引擎式的大脑。龙虾给了它一个笔记本。 搜索引擎查东西更精准，笔记本翻起来更直觉。但记忆量大了之后，搜索引擎的优势会越来越明显。 安全思路也不一样 Hermes 搞了一套五层纵深防御： 用户授权：白名单 + DM 配对 危险命令审批：rm -rf、chmod 777 这些高风险操作要人工确认。默认 60 秒没批准，自动拒绝 容器隔离：终端命令跑在 Docker 容器里，不在宿主机上裸跑 MCP 凭据过滤：隔离 MCP 子进程的环境变量，防凭据泄露 上下文注入扫描：检测项目文件里的 prompt injection 攻击 这套设计思路是「默认不信任，层层设卡」，龙虾那边更强调信任模型和配置审计 它有个 openclaw security audit 命令，一键扫描网关配置的安全隐患。思路不一样，但也不能说不好。 但龙虾在安全上的历史确实不太好看。今年 2 月曝出一批高危漏洞——CVE-2026-25253 是一键远程代码执行，点个链接就能接管你的机器。 ClawHub 技能市场还出了 ClawHavoc 攻击活动，恶意技能伪装成加密货币追踪器、YouTube 摘要工具，实际在偷浏览器会话和 API 密钥。 这不是小事。你的 Agent 跑在本地，权限很高。安全出了问题，搞不好整台电脑都交代了。 Hermes 的五层防御在架构层面想得更远。当然，有没有自己的坑还得等时间检验。但至少出发点比「先跑起来再说」靠谱。 选哪个？看你要什么 先说最实在的：如果你现在用的 Agent 已经顺手了，别换！换工具的迁移成本远比你想的高。 想要现成生态 → 龙虾 三十多万星标意味着教程多、插件多、问题容易搜到答案。ClawHub 上几千个 Skill 直接装。你想接 QQ、飞书、钉钉，社区里都有人踩过坑。 想要长期进化 → Hermes 它不是装好就一成不变的工具。用得越久，它对你的工作方式理解越深，技能库越厚。如果你是搞 AI 研究的，它还能生成训练轨迹、跑强化学习实验。内建了兼容 OpenAI API 的服务端，直接接 Open WebUI。 部署成本都不高，Hermes 跑在 5 美元一个月的 VPS 上就够。也支持 Docker 和各种 serverless 方案。 安装不复杂，参考官方文档就行： 两个项目我都装过。 龙虾像一个装了一堆 App 的手机。开箱即用，什么都能干，生态成熟。 Hermes 像一个会自己下载 App 的手机。刚开始没那么好用，但用着用着，它变成了你的形状。 喜欢折腾的，两个都试试。不喜欢折腾的，等 Hermes 社区再成熟一阵子再来看也不迟。 #AI# #AIAgent#

传统的 Deep Research 已经卷到头了。 能写出一份漂亮的总结报告 ≠ 能把真实的复杂任务干完。 我拿几十万字的《红楼梦》原著，给 Apodex 1.1 在线工作台，出了个极其变态的任务。 统计 20 个核心人物的 → 出场次数 → 出场回数 → 每个人第一次出场时的原句 最后还要整理成一张可以直接下载的完整表格。 整个完成任务的过程，像是直接「雇佣一个 AI 数据团队」。 上传文件后，它自己开始拆任务。 一个 Agent 负责解析原著，另一个独立分析，多个任务并行推进； 右侧 Task Board 会实时告诉你现在做到哪一步。 更有意思的是，任务跑到一半，我突然改需求： “只分析前 80 回，后面的不要了。” 以前遇到这种情况，AI 很可能重新来一遍。 Apodex 直接保留已经完成的成果，只重规划受影响的部分。 更关键的是，它不是做完就交卷。 交付前，又调起独立核验 Agent，把人物统计、出场回数和 900+ 条出场原句重新检查一遍。 最后交付给我的是： 可下载的结构化表格 + 完整分析结果 + 口径说明。 这可能才是下一代 Deep Research 真正值得关注的变化： 从“帮你生成一份报告”，变成“接管一项复杂任务，并把它做完”。 目前，Apodex 1.1 Web 端已经正式上线。 🎁 注册即送 credits，强烈建议立刻上传个复杂文件自己跑跑看： 🌐 没想到，更炸裂的是，Apodex 居然开源了 开源模型： Apodex 1.1 mini，35B，开放模型权重，支持本地部署。 开源框架： FrontierAgent，Agent 执行 Harness，支持 ReAct 单 Agent + Multi-Agent Team。 本地运行： 支持 macOS / Linux，无需强制依赖 Docker。 组合能力： Apodex 1.1 mini + FrontierAgent，可在本地运行完整 Agent 执行流程。 💻 如果你是开发者，这里有开源 Agent 框架，欢迎顺手点个 ⭐： 👉 🤗 想本地自己跑模型的看这里👇 #Apodex# #DeepResearch#

现在很多人聊 Research Agent，最容易想象的画面是： 给它一堆论文，让它自己想一个新 idea。 但这篇论文提醒我一个很关键的问题： idea 的质量，很多时候取决于它有没有被放回真实的文献脉络里。 论文提出了一个系统，叫 ResearchStudio-Idea。它的目标是把 ML 研究里常见的 idea 生成方式，整理成可以复用的 skill。 它主要包含三个部分：Paper-Search 负责找相关论文，Scoop-Check 负责检查 novelty claim 有没有撞车，IdeaSpark 负责真正生成研究想法。 最核心的是 IdeaSpark。 作者分析了 2021–2025 年 ICLR、ICML、NeurIPS 的 1,947 篇论文，从里面抽出 31 个 ideation sub-pattern，最后整理成 15 个可复用的 research ideation patterns。 这些 pattern 更像是研究经验的压缩：什么场景适合用，通常解决什么 bottleneck，和已有方法怎么拉开差异，过去哪些论文用过类似思路。 实验结果也比较直接。 在 100 个 ICLR 2026 Oral seeds 上，IdeaSpark 的 idea quality 得到 3.87/4，并且在 88 个 seed 上排名第一。相比之下，裸模型直接生成 idea 的效果明显弱很多。 论文里还有一个很有意思的现象： GPT-5.5 bare 的 novelty 分数最高，但 quality 最低。 这说明一个问题：看起来「新」的 idea，不一定是好的 idea。很多时候只是因为它太泛、太空，所以不容易和已有工作直接撞上。 这篇最有意思的地方在于，它把 Research Agent 的重点从「多生成几个想法」，推进到了「把想法生成变成一套可复用的研究技能」。 未来真正有用的 Research Agent，可能会越来越依赖这种 skill library。它需要读更多论文，也需要把证据、瓶颈、已有方法和风险放在同一个框架里考虑。 AI 科研的下一步，可能会从「更会幻想」走向「更会沿着真实研究脉络提出问题」。 📎 arxiv:

📚 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。

Culper Research 发布做空英伟达（ $NVDA ）的详细解读 Culper Research 是一家美国激进做空机构，它的模式非常简单，先建立空头仓位，再发布调查报告，攻击上市公司的财务、业务、监管、关联交易或信息披露问题。 所以 Culper 的报告并不是一份中立的研究，而是交易的一部分。 不过这类机构真正的价值，是把市场没注意到的异常线索，挖掘出来，但从我个人的理解来看，可能更多的是对于做空标的短期的价格影响，长期还是要看企业本身的业绩。尤其是对于 英伟达 这种 AI 风口浪尖的企业来说。 这次 Culper 做空英伟达，核心表述只有一个，就是 英伟达 的中国业务，可能没有真正归零。潜台词就是 英伟达 可能没有完全遵循美国的对于中国的限制。 英伟达对市场的公开表述是： 2025年4月 美国收紧出口限制后，公司在中国的算力业务已经基本归零。黄仁勋也多次说，英伟达在中国的 compute business 从接近 95% 份额跌到 0%。 那么市场因此会认为： 既然中国业务已经没了，那么未来如果中美关系缓和，或者出口限制放松，中国就是英伟达的额外增量。尤其是这次在最后关头 黄仁勋 也加入了访华团队，这对于打开 英伟达 在中国的销售可能会有帮助。 但 Culper 的判断正好相反，Culper 认为中国需求并没有消失，只是从直接销售，变成了东南亚中转、云算力租赁、OEM 供货和中间商采购的形式。 也就是说，英伟达财报上看到的可能不是中国收入，但最终真实需求仍然可能来自中国客户。 Culper 报告里最重要的几条线索： 第一， Megaspeed Megaspeed 是一家新加坡 AI 算力云服务商，表面上是在东南亚购买英伟达服务器，然后把算力租给客户。 英伟达曾为 Megaspeed 背书，说它没有中国股东，也没有发现芯片转移。但没有中国股东，不等于没有中国资金。 Megaspeed 2023 年底体量还很小，2024 年底资产负债表突然膨胀到接近 30 亿美元，主要来自 29 亿美元可退还押金。 同时，它又有接近 29 亿美元对子公司的应收款，资金继续流向马来西亚子公司 Speedmatrix。 第二，Speedmatrix 和阿里相关资金链 Culper 指出，Speedmatrix 曾把自己的业务、设备和未来资产抵押给一家新加坡公司 Apex Enterprise Solutions。 而新加坡文件显示，Apex 的母公司是 Alibaba Group，业务目的包括 procurement activities。Apex 账上有超过 41 亿美元预付款，同时有约 42 亿美元来自阿里相关公司的贷款。 所以 Culper 的推论是阿里相关资金可能通过 Apex 进入采购结构，再通过 Megaspeed 和 Speedmatrix 体系购买英伟达服务器。 第三，Aivres Speedmatrix 从 2024 年底到 2026 年初进口了约 46 亿美元产品，其中约 40 亿美元来自 Aivres Systems。Aivres 是英伟达 Elite OEM compute partner，负责组装高端英伟达服务器。 但 Aivres 的前身是 Inspur Systems，也就是浪潮体系的一部分。浪潮集团被美国列入实体清单后，Inspur Systems 改名为 Aivres。 Culper 认为，Aivres 表面上是美国公司、合规 OEM 伙伴，但它和中国需求之间的关系非常敏感。如果 英伟达 把货卖给 Aivres，财报上可能体现为美国客户收入。 但如果这些服务器最终通过马来西亚、新加坡、印尼等路径服务中国客户，那么市场看到的区域收入分布，就可能低估英伟达对中国真实需求的依赖。 第四，Supermicro / OBON 案件 2026年3月，美国司法部起诉了几名与 Supermicro 有关的人士，指控他们通过东南亚中间实体，把至少 25 亿美元英伟达芯片服务器走私到中国。 这个案件对 Culper 很看重，因为它证明了东南亚中转 + 假数据中心 + 真实服务器转移到中国不是幻想，而是已经进入司法程序的真实案例。 第五，马来西亚数据中心 Culper 认为，东南亚数据中心是绕开出口限制的关键节点。美国限制的是高端 GPU 直接出口中国。但如果 GPU 放在马来西亚、新加坡、泰国的数据中心，中国公司远程租用算力，形式上可能不是芯片出口，但实质上仍然是在满足中国 AI 需求。 这才是英伟达中国问题的复杂之处。问题不是芯片有没有被直接运进中国。而是算力是否被中国客户实际使用。这也是 Culper 对英伟达最严重的指控，认为 英伟达 不可能完全不知道。 因为 英伟达 理论上可以通过客户 KYC、订单规模、客户成立时间、保修记录、服务器 IP、软件更新、延迟数据、设备心跳信号等方式，判断 GPU 是否真的在申报地点运行。 如果几万张 GPU 声称部署在马来西亚、新加坡，但实际使用路径异常，英伟达不应该完全没有感知。如果英伟达知道、默许或者放任，那就会变成出口管制、收入质量和管理层可信度问题。 当然，到这里复杂的情况就变多了，因为要证明 英伟达 主观知情，门槛非常高。英伟达有能力知道和英伟达已经知道并故意放任，完全是两回事。 所以这份报告真正的目的，并不是在于 Culper 能不能定罪英伟达，而在于后续监管会不会接手调查。 如果美国商务部、司法部、新加坡、马来西亚继续调查 Megaspeed、Speedmatrix、Aivres、YTL、Novagate 这些链条，那它就不是单纯做空报告，而是监管事件。 总体来说 Culper 做空英伟达的核心逻辑就是市场认为中国是英伟达未来的潜在增量。而 Culper 认为中国其实是英伟达过去一年隐藏的存量。 如果中国业务早就归零，那么未来放松限制就是利好。但如果中国业务过去只是藏在东南亚、OEM 和云算力渠道里，那么当美国继续收紧出口管制，中国又推动国产替代时，英伟达面对的就不是增量消失，而是隐藏存量被切断。 这才是 Culper 做空英伟达的真正逻辑。

一张B200，带着14台Mac训练模型 最近看到 Pluralis Research 做了个挺有意思的实验：他们用分散在四个国家的 14 台 Mac，给一个 8.3B 参数的 MoE 模型做 RL 后训练。其中一台，还是研究员自己天天用的 MacBook。 简单说，这套系统是： - 14 台分散在巴黎、苏黎世、都柏林和多伦多的 Mac，负责让模型不断做题、搜索论文、生成回答，也就是产生 RL 所需的 rollouts。 - 一张数据中心里的 NVIDIA B200，负责真正的梯度更新。 - 两边不直接连接，只靠一个 Cloudflare R2 对象存储中转模型权重和 rollouts。 - 最后，模型在 PaperSearchQA 上的 held-out pass@1 从 29% 训到了 63%。 为什么这么分工？因为 agentic RL 里最耗时间的往往不是反向传播，而是生成 rollouts，很多任务能占掉整场训练 90% 以上的时间。而生成 rollouts 要的是大量推理和足够大的内存，不一定非得动用最贵的训练卡。 Mac 的统一内存刚好适合干这个。尤其是 MoE，模型很占内存，但每个 token 只激活一部分专家，计算量没总参数看起来那么吓人。于是 Mac 用 MLX 跑 int8 推理，B200 用 Megatron 跑 bf16 训练。 当然，这还不是“在家用Mac训练大模型”，但很有意思，这跑通了一种很有意思的算力分工：少量昂贵的训练卡负责梯度更新，大量消费级设备负责最耗时间的生成。以后那些白天开会、晚上吃灰的 Mac，说不定真能兼职给模型打工了？

当我看到 Good Morning 的时候我蹦不住了 不是不强，是赛道不一样，它负责叫你起床🤣 1⃣GPT：Good for Chat 2⃣Claude：Good for Coding 3⃣xAI：Good for Research 4⃣Gemini：Good Morning

最近看 @dappOS_com 的 xBubble @xBubble_ai US Equity Research SOP，我第一感觉是，美股这条线正在和加密交易越来越近了。 过去半年，市场里很多清晰的机会都绕不开 AI capex。 $NVDA 、 $AMD 、 $MU 、 $MRVL 、 $INTC 这些标的，早就不只是美股交易员在盯，加密市场里的资金也开始把它们当成新的主线来进行观察了，就比如这两天最火的SpaceX 的IPO了，在加密市场也是炸了锅了 。 各大交易所也是摩拳擦掌，Binance 开始把大量美股和 ETF 带进更贴近加密用户的交易入口，OKX 也在通过代币化美股继续扩展资产边界，Hyperliquid、Lighter 这些链上平台，也让股票合约、ETF 合约、商品合约和 crypto 仓位放在同一个视野里。 /////////////////////////////////// 「xBubble 让一个 ticker 变成一份买方级判断」 这时候，交易者之间的差距会被重新拉开。 有人看到的是 ticker，有人看到的是产业链位置、竞争格局、财报口径、估值锚点和未来几个季度的催化节奏。 为什么有人敢围绕 MU、AMD、NVDA 这类 AI capex 标的建立更重的仓位？ 先知道公司在哪个环节赚钱，再知道它和谁竞争，再去看 SEC 文件、IR 材料、电话会纪要，最后才会形成一个可以持续跟踪的 thesis。 这套流程，才是专业美股交易员的底层能力。 xBubble 的 US Equity Research SOP，切入的正是这一步。 你只要输入一个 ticker，它就能把研究框架拉起来。 公司在产业链里的位置、核心竞争变量、财务数据、管理层表述、分部估值、Bull / Base / Bear 三种情景，以及未来 3-6 个月值得关注的催化节点，都会被放进同一份结构化报告里。 /////////////////////////////////// 「xBubble 的优势，是把研究框架先搭好」 很多人做美股研究，最容易卡在第一步。 信息太多，来源太散，媒体文章看了一圈，最后还是很难形成自己的判断。 xBubble 这套 SOP 的价值，在于它先把买方研究报告的骨架搭出来。 开头先给 thesis，后面所有内容围绕这个判断展开。 财报数据负责给锚点，管理层口径负责补充方向，估值模型负责拉出价格区间，催化事件负责提示未来跟踪重点。 因为当美股标的进入 Binance、OKX、链上衍生品平台之后，交易节奏会变快，资金切换会更频繁。 如果还停留在看二手信息、追热点名字、刷市场情绪，很容易跟不上资产扩展的速度。 /////////////////////////////////// 「每个数据都能找回它的原始出处，这是 xBubble 的强项」 我更看重的一点，是 xBubble @xBubble_ai 对来源数据的处理。 xBubble 生成的报告里，每个关键数据都能回到原始文件。 SEC 的 10-K、10-Q、8-K，官方 IR deck，earnings call transcript，管理层指引，这些资料会成为报告的基础。 这意味着你不用在十几个页面之间反复切换，也不用一边扒数据一边担心口径对不齐。 它先帮你把资料链路整理好。 你要验证，就能回到出处。 你要调整 thesis，也能基于原始信息继续追问。 这才是 AI 在交易研究里最实用的地方。 它不替你拍板，也不替你下判断。 它先把慢活、脏活、重复活处理掉，让你把精力放回到核心判断上。 /////////////////////////////////// 「同样问一个 ticker，xBubble 给的是更完整的交易研究链路」 当真正使用到xBubble的时候，你会觉得惊叹，为何会将问题的细节梳理的如此详细，似乎每一个疑问都有了解答，我也是满怀着欣喜的心情，把xBubble给我的每一步的答案都记录了下来，可以用「步步生花」来说，不为过了。 当然你这里可以拿 Gemini 做一个很直观的对比。 Gemini可以很快帮你整理行业背景、近期新闻、市场关注点，让你先理解这家公司大概处在什么位置，很宽泛。 但如果你要真正的把 AMD 当成一个可交易标的来研究，问题会变得更细，这里xBubble会成为你的必选项，我相信，尤其是当你看了我这张图之后，一定会在心里种下这个答案。 AI capex 对 AMD 的收入弹性到底体现在哪些业务里？ 数据中心 GPU 的增长预期有没有被市场提前计价？ 管理层在 earnings call 里对 MI 系列、毛利率、客户订单释放过哪些信号？ Bull / Base / Bear 三种情景下，对应的每股价值区间分别是多少？ 接下来 3-6 个月，真正可能改变市场预期的催化点在哪里？ 带着这些问题，去找寻真正的答案，这才是 xBubble 更擅长处理的地方。 它会把 ticker 拆成 thesis、财务、估值、催化和分歧。 从 SEC 文件到 IR deck，从电话会纪要到管理层指引，每个关键数据都能回到原始出处。 甚至可以细致到每一个月的内容，甚至你觉得xBubble考虑的比你还要细致，真的是有一个专业团队在后面保驾护航的感觉，你的问题不再是问题，你所考虑的一切都会有答案等着揭晓。 xBubble 更像直接把你带进一张买方分析师的研究桌，摊开了，铺平了，让你一步步的研究。 /////////////////////////////////// 「xBubble 背后的 Bubble Engine 会持续进化」 这套 SOP 还有一个很关键的地方。 它不是一份固定的研究模板。 Bubble Engine 会持续生成、测试、迭代，把 SOP 推到更适合不同场景的版本。 如果你专门看 AI 半导体，它可以围绕 AI capex 做更细的框架。 如果你看软件、消费、金融、能源，它也可以按照行业逻辑重组分析方式。 如果你已经有自己的研究风格，它还能围绕你的 thesis style 继续生成更贴近你习惯的版本。 这意味着你拿到的是一套会继续进化的研究方法。 模板会老，研究引擎会更新。 xBubble 真正拉开的差距，就在这里。 /////////////////////////////////// 「xBubble 让专业美股交易能力变得更轻」 以前只需要看 BTC、ETH、山寨和链上数据。 现在还要理解 AI capex、ETF、商品、宏观和美股财报。 交易入口变多之后，研究能力就会变成新的分水岭。 一句话交给 dappOS @dappOS_com 的 US Equity Research SOP，生成一份买方级美股研究报告。 xBubble @xBubble_ai 替你省下找资料、核数据、搭框架的时间。 判断依然留在你手里。 当美股资产开始进入加密用户的主场，xBubble 给到的可能就是下一阶段专业交易能力的入口.

很多人觉得 AI 的护城河是数据、GPU、模型，但越来越觉得不是 真正的护城河可能变成是 Research Culture + Research Leadership 大厂们频繁抢人背后是深深的焦虑 John Jumper（AlphaFold 核心负责人，2024 诺奖得主）离开 Google DeepMind 加入 Anthropic Noam Shazeer（transformer 作者之一，Gemini 核心负责人）离开 Google 加入 OpemAI Jonas Adler（Gemini Coding）和 Alexander Pritzel（Gemini Training）预计加入 Anthropic 因为 Frontier AI 已经进入下一个阶段，目前也不一定可以做出来，有 GPU 也不一定知道怎么训练。 真正稀缺的是那些踩过无数坑，又知道 scaling law 在哪里失效、知道 RL、pretraining、post training 每一步怎么调的人 就很像 NBA，球员（研究员）比球队（公司）更值钱