正好拿今天及昨晚两个案例试了试并截图，一个是 Huma Protocol V1 被攻击： Huma Protocol on Polygon was drained for ~$101.39K. Root cause: refreshAccount(address) could move an unapproved credit line from Requested to GoodStanding. Primitive: approval-state bypass in credit lifecycle. _updateDueInfo() sets state = GoodStanding when no periods are missed, without preserving Requested. Profit: - 82,315.571143 native USDC - 19,074.730401 USDC.e Related wallet addresses: - Attacker EOA: 0x13b44e416e0f66359502e843af2e1191f1260daf - Attack borrower contract: 0x44d4a434ae1529106e4b801315e22721978022a3 - Helper: 0xef8a13797b009228f6e4a25112ea114b7ba6e1b2 Tx: - Attack: 0x7b8d641d76affcc029fd0e0f06ab81ad675b1da21ef79b82e1343016040ba359 - Setup requestCredit: 0x0adf9953c4e2506ffd4526ceee962a9bb61c573eaef60f669605cca68d0ef5aa - State refresh: 0x7126ae1d8e8d1e0c0f1c598de16a035cf309d6cc556e73edc2847de2b5777e5e 比较令我满意的是，Agent 自行找出了触发最终利用的一个前置条件 tx State refresh: 0x7126ae1d8e8d1e0c0f1c598de16a035cf309d6cc556e73edc2847de2b5777e5e 另一个是最近可能新起的钓鱼团伙，采用的是 permit 离线签名钓鱼技巧，这个分析其实很简单，如果 Agent 连这种单利用都识别失败，那只能说完全不及格了。 Mark 下，这些都是不错的实践。

分享web3投研的刷推小技巧： 很多朋友找项目，习惯刷各类空投网站或 Rootdata 这样的数据平台 但也别忽略X这块宝地——它往往是最早、最鲜活的信息源 想真正发挥 Twitter 的价值 第一步就是好好“调教”你的时间线 现在的算法已经不是单纯看你关注了谁 而是根据你的点赞、评论、停留时长等行为来推送内容 所以对于我们歪脖山人来说 多去点赞、评论、转发优质的项目投研、早期项目分享、数据分析等内容 主动告诉算法：“这就是我想看的！” 这样坚持一段时间，你的时间线就会越来越“纯净” 高质信息出现的频率会明显提高 不过调教你的推送流只是一方面，它可能会随着你的注意力而变化 比如现在世界杯，可能你看到的那种预测推文就是会多一些 或者你最近盯着一两个项目猛看，结果时间线就被它们“霸占”，容易错失其他项目的机会成本 那么也还有一种方式 把各领域信息量大、质量高的博主按赛道分类做好列表（比如基础设施、DeFi、AI+Crypto、RWA、GameFi 等） 然后有时间就让grok帮你筛选一次，熊市里本也是多看少动，这样经常过一遍，也比较省时间

日读论文 Prompt 技巧中的「角色扮演法」，有效，但为啥会有效呢？这篇论文给了一个解释，有意思。 ──────── The Granularity Axis: A Micro-to-Macro Latent Direction for Social Roles in LLMs 扮演非格，实是刻度 ──────── 你跟 GPT 说「你是一位忧心的家长，孩子最近沉迷手机怎么办」，它给你的答案带着具体家长的那股焦虑——「试试把手机放客厅」「和孩子聊聊他刷的都是啥」。然后你换一句：「你是世界银行行长，怎么看青少年屏幕成瘾这个全球公共健康问题」——同一个模型，瞬间换了一套口吻：跨国数据、政策杠杆、长期 GDP 影响。 这个换台的丝滑感，所有用过大模型的人都体会过。但模型脑子里究竟发生了什么？过去研究者的默认假设是：模型记住了"家长该怎么说""行长该怎么说"——每个角色对应一组语言风格的模板。如果你打开模型，应该能看到几百个角色，对应几百个独立的小堆。「扮演」就是个表面活儿——本质是模板匹配。 但 Qin 这群人翻出来的发现完全不一样。他们让模型分别"扮演"75 个角色（从最微观的"忧心的家长"到最宏观的"世界银行行长"），把每次回答时模型内部的隐藏向量都记下来，再做几何分析。结果：这 75 个角色不是几百个孤立的点——*它们排在一根直线上*。从微观到宏观，每个角色都是这根线上的一个刻度。换角色不是换一套风格模板，是沿着一把"视野远近"的尺子挪一个位置。 ──────── *"角色"不是模型的属性，是这根轴上的一个坐标。所谓"扮演谁"，本质是"挪到哪一格刻度"。* 这个洞见超出 LLM。 你在生活里"扮演角色"——CEO、父亲、咨询顾问、学生家长——之间的切换，可能也不是几百个独立模板，而是同一个你沿着几根类似的轴（粒度、时间尺度、利他度、风险偏好）调位置。模型把这件事做得这么干净，可能不是因为它特别简单，是因为它继承了人类语言里就编码了的这种结构——*我们的语言对"视野远近"这件事，本身就是个连续刻度*。

🤖 AI Daily #022｜每日一个# AI 小技巧：别急着问答案，先让 AI 帮你问问题 这是我最近用 AI 学到的一个小技巧，而且真的很好用。 很多人一打开 AI，就是直接问： “这个项目能买吗？” “这篇文章怎么写？” “帮我分析一下。” 但后来我发现，很多时候不是 AI 回答得不好，而是我的问题本身就没问到重点。 现在我的习惯变成了： 先跟 AI 说一句—— “先别回答，先问我几个问题。” 比如我准备写一篇推文，我不会直接让它写。 我会说： “先问我几个问题，帮我把思路理清楚，再开始写。” 结果它会一步步把我真正想表达的东西挖出来。 有时候聊了十几分钟，我甚至已经知道文章怎么写了，反而不太需要 AI 动笔。 工作也是一样。 遇到一个复杂的问题，我会让 AI 先告诉我：“如果你是顾问，你会先了解哪些信息？” 它会把那些我没想到的关键点一个个列出来。 很多问题，不是没有答案。 而是我们一开始就问错了。 所以现在，我越来越少把 AI 当”答案生成器”，而是把它当一个会不断追问你的思考伙伴。 这个小技巧看起来很简单，但真的让我的 AI 使用效率提升了不少。 如果你平时总觉得 AI 回答得一般，下次试试先说一句： “先别回答，先问我几个问题。” 你可能会发现，后面的答案会比以前好得多。

不懂财报不懂技术分析，小白该怎么买美股 很多人觉得买美股很难 要看财报，要懂K线，要研究宏观经济等等 不是的 大多数小白买美股亏钱 不是因为技术不够 是因为一开始就问错了问题 上来就问 买哪只，但更重要的问题是 亏了30%你扛得住吗 这笔钱三年内用不用得到，你有没有时间每天盯盘 这三个问题想清楚了，后面怎么买都好说 真正适合小白的，只有一类 不用看财报，不用懂技术分析，不用研究任何公司 直接买指数 ETF $SPY 或者 $VOO ，跟踪标普500 等于一键买入美国前500家最大的公司 苹果、微软、谷歌、亚马逊、英伟达，全部都在里面 一次买齐 QQQ跟踪纳斯达克100 科技股占比更高 涨得更猛但跌起来也更狠，比SPY激进一点 不知道选哪个就选VOO，最省心 为什么是ETF而不是个股 因为你不知道哪家公司会出问题 看起来再稳的公司，也可能突然暴雷 但500家公司同时出问题的概率，几乎为零 巴菲特说过，大多数普通人一辈子定投标普500 能跑赢大多数专业基金经理 这不是在劝你躺平，是在告诉你，对普通人来说 简单的策略往往比复杂的策略结果更好 怎么买最简单 每个月固定拿一笔钱，不管市场涨跌，买进去 涨了继续买，跌了也继续买 跌了反而是好事，同样的钱能买到更多份额 不用择时，不用看新闻，不用研究宏观 设好计划，执行就行 小白最容易犯的错 看到某只股票最近涨了很多 忍不住冲进去，结果买在最高点 这不是买股票，这是追涨杀跌 ETF的好处就是，你买的是整个市场 不需要判断哪只股票会涨 只需要相信美国经济长期向上 等你买了一段时间 慢慢熟悉了市场节奏，再去研究个股也不迟 但刚开始，先把这件事做简单 看不懂的东西不碰，能看懂的东西拿稳 入门不需要很多技巧 需要的是不犯大错，然后让时间帮你工作

人性密学合集 🔗： 内容超全，人性分析、心理学、社交学、成长励志、财富自由、富人思维、冷门技巧、富人行为学、富人心理学、富人习惯、富人法则等都有，适合想提升自己、学习人性、心理学、社交技巧的朋友。

今天，我想聊聊当下数学竞技考试的技巧陷阱与学术认知深度之间的巨大断层。 一路走来，我听过太多人讲齐次化、定比点差、极点极线、仿射变换、蒙日圆、丹德林双球，这些看起来花哨又硬核，实际上在现代数学和物理的语境下，绝大部分都只是19世纪甚至更早时期解析几何与初等几何的遗木，经过高考和诸如MST这种竞赛培训机构的包装与解题技巧化之后，变成了应试环境下的二级结论。 十年前，我也会觉得高考压轴题很精妙。 现在，我只想说，无论是圆锥曲线还是导数，本质上是只是在极其狭窄的公理体系与工具限制下，制造人工复杂性。 在此，我举一个例子，仿射变换与极点极线。 在射影几何与线性代数的框架下，其实这不过是简单的线性变换与对偶空间性质，几行矩阵运算就能优雅消解。 而对于导数压轴题的技巧，在实分析和泛函分析的视野下，许多构造性不等式只是更一般化定理，比如凸分析、测度论相关性质，这些东西的特例。 用高考技巧炫耀，就像是在练一套极其繁复的锁匙功去开一把特定的旧锁。 而现代数学发展出的，是直接把整个门连同墙壁一起推倒的装甲车。 二级结论的炫耀，应试教育中非常普遍，我认为根源可能在于信息差与局部最优解。 在中学阶段，学生接触不到更高维度的工具，只能在现有工具集里将技巧练到极致。 因此，谁掌握了能秒杀复杂计算的二级结论，谁就认为在局部战场拥有了神力。 但是这是错误的。从数学思维本身。 背诵几十个圆锥曲线二级结论并能快速套用，是模式识别与记忆力的胜利，这并不是数学创造力、思维能力的胜利。 高考需要制造区分度，但它受限于中学的教学大纲，所以只能在初等数学的边界内把运算和技巧推向畸形的极致。 当你跳出高考和竞赛的框架，尝试进入科研或工程时，即使尚不明晰，但你会发现数学和科学的魅力远不在于做出一道压轴题。 那是一种高压缩率与极简主义。 那是一种问题的选择与范式构建。 说到底，高考数学，高中数学，大部分只是翻译条件，计算关系而已。 如果在高考结束后，仍然痴迷于二级，沉迷于讲高考数学的各种之乎者也，其实仍然在追求成为高精度的符号处理器。 我希望，大家对数学本身持有一种更明智的态度，那或许就是在规则内以极高的效率驾驭它、通过它，但绝不让它的局限性框定你对数学科学与世界真实运行规律的理解。 毕竟，如果一个人可以在经主动把复杂的动态过程看作相空间中的轨迹，把数据拟合看作高维 Hilbert 空间中的投影，这种直觉，我认为其远比算出一个具体的交点坐标要深刻得多。