我觉得 @0xtonixie 今年最大的贡献就是说服狗哥 @zhiluo12138 万总@muyiwuu坦克老师@tank_btc 以及 @0xDaaa 宝还有 @0xbai 来推特做帐号 也是让真的在加密圈深耕，熊市还能持续带群友几千刀甚至几万刀印，手把手教学打新，协议思路，包括这次 AI Agent甚至达成了37位群友全面覆盖 有机会被大家所看到

抽三个 Early access code 开奖时间： 48小时候 条件： 追踪 @azeemk @0xMiden @rtk17025 留言区留下你对于 @joinbread 的理解 我想把Code 给真正会用的人

别的不说 这个月光群内红包🧧就领了快2000R 这就是 < 青年大学习 > 不看粉丝数 不看流量 只看你在链上玩的怎么样 只能说二级环境不好 但链上满满钞票💵💵 感谢 @0xbai @AKAKAY04 @0xtonixie @muyiwuu @Reboottttttt @RK_Bitcoin @0xDaaa

< Binance Agentic Wallet Skill合集 与一些痛点Feedback > 最近比较多人都在玩 @BinanceWallet ，这里整理一份笔记以及一些新人会遇到的痛点Feedback 给大家做参考 基础安装部分 npx skills add binance/binance-skills-hub/skills/binance-web3/binance-agentic-wallet 想全装官方：npx skills add binance/binance-skills-hub –all 装完让AI登录钱包 开Developer Mode 领.ai Agent ID 官方辅助技能（发现+安全） meme-rush：监控Four Flap等新币 即将毕业 已迁移 query-token-audit：审计蜜罐税率风险 query-token-info trading-signal 等一起用 @Four_FORM_ four-meme-ai：npx skills add four-meme-community/four-meme-ai 做市狙击：npx fourmm skills add 现在也有Agent ID Exclusive模式 内盘只给Agent玩 @flapdotsh 官方内盘外盘：npx skills add 社区发CONFIG直接买：把 丢给AI按默认规则装 蝴蝶技能（发币USDT买卖刷量）：npx skills add flap-builder/flap-skills 官方发税币：npx skills add flap-sh/flap-skills 或 clawhub launch-bnb-token-on-flap GANG npx skills add gangfun/gang-launchpad/skill 全局装CLI：npm i -g @gangfun/cli@latest @binance/agentic-wallet 内盘必须Agent ID 1%上限 毕业约15 BNB 统一工具（不只是skill） ai-wallet-binance：npm i -g ai-wallet-binance 支持Four Flap GANG直接买卖狙击 有本地UI 用法 装完技能后直接发CA或CONFIG 或说“扫描新币买xxx” 痛点整理 第一次极慢 AI没技能自己摸索经常超一分钟 确认多 钱包弹窗 wrap approve 来回拖 Gang尤其慢 要先换底池币加上确认常超一分钟 必须有Agent ID 开Developer Mode 内盘有单钱包限额 社区技能有的要PRIVATE_KEY 官方baw更安全 技能分散不好找 官方Hub没全包第三方 自动模式适合买 卖出建议强制确认 @AncoBinance @heyibinance

看到今天 @heyibinance 一姐关注了 @0xDaaa，真心替你开心，这一路的努力，正在被更多人看见 去年十一月的时候，我慢慢感觉到，推特上出现了两种很不一样的声音 有人感叹钱越来越难赚，加密没机会、撸毛没机会、打新没机会，连交易也没机会 同一段时间，我却也注意到一些持续投入的新生代，比如 @i0ybz0，比如 @0xDaaa 他们愿意花时间探索，有自己的独立思考，也愿意主动去 seek alpha，寻找自己能够理解、能够参与的机会 我很欣赏这样的态度，尤其在大家都觉得难的时候，还愿意保持好奇、投入时间，这份耐心其实很难得 努力未必每次都有回报，市场也不会因为谁更认真就特别照顾谁，但持续探索，至少能让自己的判断多一些依据，也多一些选择 就像 @Mirro7777 说的 ”傲慢” 待在圈子久了，很容易拿过去的经验，太快替新事物下结论，我们也需要保留重新学习的空间 恭喜 @0xDaaa，也期待有更多愿意思考、认真投入的新面孔被看见 多去跟新人学习成长！ Always seeking alpha

总感觉 @a1lon9 并没有意识到问题的点 @fomo 以我个人的经验来说，优势一直在于很愿意倾听用户反馈，无论是从 Telegram 或是 X 上私信 @seyong 或是 @itshecoz 都是立刻就愿意协助跟处理问题 中文社区跟中文化的体验也是很直接的做到APP中 @Pumpfun 真的离社区太远了

< 当金融走向链上，隐私与可验证性能否共存？ > 区块链发展至今，始终存在一个难以回避的矛盾：透明性提高了金融系统的可审计性，也让用户付出了相当高的隐私成本 链上交易公开可查，任何人都能追踪资金流向、分析钱包余额与资产配置，但当稳定币支付、企业财务、机构资金与现实世界资产逐渐进入链上金融体系，完全公开的账本显然无法满足所有场景的需求 一家企业可以接受财务审计，却不希望竞争对手实时掌握自己的现金流，一名投资者可以证明自己符合合格投资者标准，却没有义务向所有人公开完整的资产负债表 @primus_labs 让数据在保留隐私的前提下，仍然具备可验证性 Primus 此前提出过一句很好的表述： Private when it matters, verifiable when required 这也契合我对下一阶段链上金融基础设施的判断 从技术架构来看，Primus 的 zkTLS 能够为传统互联网服务返回的数据建立密码学证明，使链上应用有机会验证特定链下信息，而无需完全依赖中心化数据提供者的信用 例如，用户需要证明自己的银行账户满足一定资产门槛，理想情况下，应用只需要获知资格是否成立，无须接触完整账户余额、交易记录与个人身份资料 不过，密码学证明的有效性，还需要考虑证明生成过程中涉及的计算环境与密钥安全 Primus 的 Attestor 承担着数据验证流程中的重要职责，如果节点运行环境遭到入侵，即使密码学协议本身没有漏洞，敏感数据、签名密钥以及证明生成过程依然可能面临风险 这也是 Primus 引入 Phala TEE 基础设施的重要原因 TEE，即 Trusted Execution Environment，通过硬件支持的隔离执行机制，为敏感计算提供相对独立的运行空间，降低普通操作系统及其他软件直接读取受保护数据的风险 从安全工程角度来看，这涉及几个不同的信任层次： zkTLS：验证特定数据与 TLS 会话及其来源之间的关联 TEE：对敏感计算过程及密钥提供运行时隔离保护 密码学证明与选择性披露：尽可能减少验证方需要接触的原始信息 远程证明与密钥管理：进一步约束执行环境及相关安全操作 当然，TEE 并不能消除全部攻击面，硬件侧信道、软件供应链、密钥生命周期管理与可信计算基底仍然需要持续审查，zkTLS 也无法单独保证外部数据源所提供的内容一定真实 这些限制恰恰说明，隐私计算的安全性最终取决于协议、硬件与工程实现之间能否形成完整的防护体系 从最近的行业活动来看，Primus 也在持续推动这一方向 9 月底的 KBW 与 BNB Seoul，Primus CEO 谢翔围绕隐私、透明性与可验证性展开讨论，10 月 Token2049 期间，团队又与 @SmartXTerminal @JELabs2024 联合举办 Alphaland 交易嘉年华，并邀请 @BNBCHAINZH 参与链上生态合作 与此同时，围绕格密码与全同态加密 FHE 长期安全性的行业讨论，也提醒我们重新审视隐私计算的密码学假设 FHE 允许在不解密数据的情况下执行特定计算，具有重要的长期应用潜力，但其性能开销、安全参数与具体实现仍需要持续优化 对于密码学基础设施而言，能够清楚说明安全边界，并随着研究进展调整技术路线，比任何绝对安全的承诺都有价值 我认为，Primus 所探索的技术方向有明确的现实需求 当 RWA、稳定币支付、链上信贷与机构金融逐渐扩大应用规模，数据隐私、合规审计、身份认证与风险控制将共同决定这些业务能走多远 监管机构需要获得必要的审计信息，金融机构需要验证客户资质，用户则有权保护与交易无关的个人数据 选择性披露为这些需求提供了一条可行的技术路径，但能否真正实现合规，还取决于具体司法辖区、数据治理机制以及应用层设计 未来的链上金融系统需要支持更精细的访问控制，让不同参与方在明确授权与规则约束下获取必要的信息，同时尽可能降低敏感数据暴露的范围 金融市场从来不要求每个人公开自己的全部底牌，成熟的市场制度同样依赖审计、保密义务与信息披露边界 隐私决定信息可以被谁看见，可验证性决定信息能否被可靠地采信 当这两种能力逐渐成熟，链上金融才有条件承载更复杂的现实经济活动

我和 @rtk17025 差点被双向诈骗了 我看账号也是他，然后就让我发个验证码，所以我就无所谓没有检查，以为是他微信被封了 没想到是那个人，问DD借钱，DD让他给他微信发验证码，还好 @rtk17025 老师聪明 大家记住了，我绝对不会主动私信，更不会借钱，主动私信的话就是你中奖了，给你发钱

看到 @BTCKiK 的这篇观点，非常同意 就像之前 @KuiGas 提到的，噜毛的本质本身就是Alpha投研，很多meme交易的本质，本身也是对项目的投研 比如以 @RK_Bitcoin @Reboottttttt 来说他们都是同时在做打新噜毛也同时在链上交易的 之前有幸在 @base alpha 线下见到 @Aurelius0121 本人，他也是一个Top researcher，谈吐跟insight都非常顶 其实我认为未来噜毛跟交易这些的赛道会逐渐结合，变成哪里有Alpha，就去哪里赚钱 放下成见，共同成长

作推特本质上还是希望能多交朋友，以及让自己的声音被看见 不过目前的环境其实是越来越好的，越来越多项目开始重视这个 KOL 是否真材实料 很多交易所也愿意给新人机会 比如 @okx 交给了很多新人机会，这里也恭喜 @Ron521520 而很多过去靠诈骗跟P图起家的KOL，不少的也出现三四个月没有合作，去舔也没人理的现象 就像早上看到 @MengLayer 的贴，其实一个人是否真材实料，时间会去验证 良币或许会反过来取代劣币 看好 @0xDaaa @i0ybz0 @Mojito_cx @Ron521520 @blueskylh1 相信新时代

刚又入手了两个 @SurfAIHQ NFT 这里来替我的包发声吧 聊聊为何看好 Quotrons 提供了相近的机制参照，包括 ERC-404、不可逆开启，以及交易费购买代币化股票，SurfBoard 的估值则需要放回自己的成交量、分配权重与产品需求评估，直接套用其他系列的地板价，容易忽略收入规模与流动性的差距 资金如何流动，官方池收取 3% 交易费，按成交额计算，2.2125% 用于股票奖励、0.6375% 补充永久锁定的流动性、0.15% 进入金库，已开封 NFT 的二级交易另有 5% 版税投入股票奖励，每产生 100 万美元官方池成交额，就有约 22,125 美元可用于购股，尚未扣除转换成本，持有人可以追踪成交额与实际新增资产，检验机制的运作效率 这项设计让交易费逐步累积成股票代币，持有部位的价值因此受到股票市场影响，与 SurfBoard 自身价格形成不同的定价来源，不过新增奖励仍依赖 SurfBoard 的交易需求，股票代币解决的是奖励以什么资产保存，持续成交才决定还有多少资产能分配 ERC-404 让流动性与持有收益之间有了明确取捨，完整 1 枚 $SURFBOARD 与未开封 NFT 对应同一份资产，开封后永久退出代币形态，开始参与股票分配，偏好流动性的用户可以持有代币，愿意承担 NFT 流动性风险的用户，则可以开封累积资产 供给变化也需要连同分配权重观察，开封会减少可交易代币，同时增加分享奖励的权重，因此代币供给减少，并不代表单张 NFT 收益同步提高，当新增权重快于交易费增长，既有持有人的奖励就会被稀释，评估收益时，我会更重视每单位权重实际累积多少资产 95% 赎回机制提供了另一个估值参照，持有人可以连同累积资产出售 NFT，也可以销毁 NFT，取回其中 95% 的股票代币，其余 5% 分配给仍在参与的持有人，赎回同时移除该张 NFT 的权重，改变后续分配比例，这里的 95% 对应累积奖励，与买入本金无关，实际退出价值仍取决于股票代币价格、流动性及兑付条件 @SurfAIHQ 的优势在于已有研究服务与付费用户，团队在 2025 年 12 月公布由 Pantera 领投、Coinbase Ventures 与 DCG 参投的 1,500 万美元融资，资金支持后续开发，既有产品则提供接触用户的管道，这些条件能否转化成 SurfBoard 的持续需求，需要靠使用体验与留存数据验证 用户持有资产后，会反复产生追踪变化、评估收益与安排退出的需求，Surf 的研究能力有适合发挥的场景，若能把这些功能做好，资产持有就能增加产品使用频率，研究工具也能提高持有体验，这是我对后续产品的期待，仍需要团队落地 对 Surf AI 的看好，建立在它已有能力服务研究需求，也开始尝试承接用户的资产持有需求，接下来若能让研究、持仓与收益管理彼此配合，Surf 就能更深入地参与用户日常决策，这值得我持续投入时间追踪

主要是看到 @0xDaaa 在玩 觉得挺好玩的 也顺便测试一下 @WalrusProtocol 的新功能 你在互联网上积累了十年的信誉，换个平台，依然可能从零开始 X 的内容影响力、Steam 的游戏记录、GitHub 的代码贡献与钱包的交互历史，分散在相互隔离的数据系统里，用户承担信誉重建成本，品牌承担身份识别与流量筛选成本 @conso_xyz 尝试把用户授权的跨平台行为组织成 Consumer Graph，再汇总为可验证、可携带的 Consumer Passport 按照项目设计，Sui 承载不可转让的 SBT 信誉凭证，Walrus 存储经 Seal 加密的数据，ZAPs 与 Badges 分别记录参与表现和成就，这套结构的技术含金量，取决于行为数据经过怎样的处理，最终形成多大程度上可信的评分 从数据科学角度，我会沿着实体解析、图表示学习与因果评估三个方向研究它，以下论文提供的是分析框架，具体算法仍以项目披露为准 Grover 与 Leskovec 在 KDD 2016 发表的 node2vec，通过有偏随机游走学习节点的低维嵌入，让网络中的邻近关系与结构特征进入下游预测任务 这为 Consumer Graph 提供了一个研究参照：账号之间的关系结构，可能补充单个账号活跃度无法表达的信息，但跨平台实体解析需要先处理账号归属、重复身份与关联置信度，同一个人连接五个平台，不能被计算成五份独立的信誉证据 反刷量则涉及类别不平衡与评估指标选择 Saito 与 Rehmsmeier 在 2015 年的研究中指出，面对不平衡二分类数据，Precision–Recall 曲线能够比 ROC 曲线更清楚地呈现部分识别问题 假设样本里只有 1% 的机器人，把所有账号都判定为真人，也能得到 99% 的准确率，同时漏掉全部机器人 因此，评估 CONSO 的抗女巫能力，需要结合精确率、召回率、PR-AUC，以及固定误报率下的检出率，同时明确样本中的机器人占比，单独公布一个“识别准确率”几乎没有解释价值 CONSO Extension 将 AI 工具的使用行为转化为 ZAPs，也会遇到代理变量有效性的问题 按项目披露，对话内容留在设备端，系统处理行为元数据，调用频次、会话时长和连续活跃天数，能够描述使用习惯，却不足以直接证明产出质量，一旦这些指标与奖励绑定，策略性刷量会改变输入分布，评分系统就需要面对概念漂移与特征抗操纵性的检验 5,555 枚 CONSO BOTS 与每枚 25% 的挖矿加成，则带来另一项需要厘清的设计：奖励倍率是否进入信誉排序 如果资产持有量能够直接抬高信誉权重，评分就会混入资本投入这一混杂因素，后续品牌看到的“高信誉用户”，可能同时包含高贡献者与高倍率参与者，两类用户的商业价值需要分别验证 Smart Campaigns 的效果，可以进一步放进因果推断框架 Athey 与 Imbens 在 2016 年关于异质性因果效应的研究中，提出通过样本拆分，将分组规则的学习与效应估计分开，降低自适应分组造成的估计偏差 对 CONSO 的启发是，高分用户本来就可能更愿意消费，活动后的高转化率不能全部归功于信誉筛选，品牌需要通过随机对照实验估计增量转化，再研究条件平均处理效应，判断哪些用户会因激励改变行为，哪些用户即使没有补贴也会参与 我会继续观察评分校准、抗刷量表现、停止补贴后的同期群留存，以及外部应用对 Passport 的实际采用 信誉资产的价值，需要在迁移之后依然成立，也需要在奖励减少之后，仍能解释用户的真实行为

刚看到 @misaENFP 的贴文，有关安全方面也提醒大家定期检查充值地址的使用与公开情况，尽量避免把交易所充值地址长期公开，或提供给不熟悉的人。若担心地址遭到恶意利用，可以先联系平台客服，确认是否需要更换，以及旧地址是否仍可入帐 更换地址不能保证隔绝来源有问题的资金。遇到不明转入，建议保留交易纪录、主动联系客服厘清，避免自行按照陌生人的要求转回 @okxchinese 在用户资安上的投入上很细节，地址更换后也可以选择对于旧地址做留存或其他处理 平台的安全机制，加上自己的地址管理、帐户防护与交易纪录留存，才能让资产多一层保障

< @base 在机器人数据经济中的角色 > 这次在新加坡，印象最深的就是Physical AI 的规模化，受制于物理交互数据的采集成本、场景覆盖与品质控制，@axisrobotics 将模拟机械臂操作搬进浏览器，让全球用户参与任务示范，再透过回放验证、数据清理与场景扩增，转化为训练资料，模型执行失误时，由人类接管修正，让后续采集围绕模型的能力缺口展开 Base 承担这套流程的贡献登记与核对功能，通过验证并签署的轨迹，会将资料、任务与贡献者识别资讯写入链上，低交易成本支撑高频登记，可查验的记录则为奖励分配提供依据，模型训练在链下完成，数据品质由验证与评测把关，公链负责保存来源与贡献关系，形成清楚的技术分工 根据官方截至 2026 年 10 月 10 日公布的资料，Axis 已累积超过 730 万条采集轨迹、700 万笔链上记录与 22.9 万名贡献者，研究使用的 V1 数据集则包含 207 项任务、50,129 条轨迹，经持续预训练与相同设定的下游微调后，π0.5 在 LIBERO-Plus 的成功率由 83.9% 提升至 88.8%，增加 4.9 个百分点，平台规模与模型成效因此有了各自可检验的指标 Axis 对 Base 的意义，在于将链上活动连接到机器人训练需求，模型的能力缺口产生采集任务，全球用户提供示范与修正，Base 留存贡献凭证，这条路径若能降低有效数据成本、改善真实部署表现，并获得企业持续采购，就能为 Base 建立由生产需求支撑的使用量，评估其长期价值，应同时追踪数据成本、模型增益与付费需求，链上笔数则用来观察协作规模 Bullish on @axisrobotics Bullish on @base Bullish on @jessepollak