我敢說這一定是愛愛界的天花板 You drive me crazy 突然臨機一動決定在粉絲家樓梯間69 大半夜已經很克制自己不要叫出聲 但太享受的下場就是想忍也忍不住.. 剛結束 就馬上聽到樓下傳來門鎖喀啦的聲音 乾...那對情侶一定有在偷聽….. #只是不知道從什麼時候開始# #下次想解鎖公園系列# 有人要報名嗎：

昨天收到一些社群的詢問，問我為什麼去年 10 月到 12 月罵幣安罵得那麼兇，現在反而替他們說話？ 我的核心觀點一直沒有改變。 1011 這件事，幣安始終欠行業一個交代，我認為幣安要負大部分的責任。 現在風向如此，我當然可以站在道德制高點繼續批判幣安，政治正確又能博眼球，何樂而不為？ 但我覺得過去三個月，我該表達的立場已經表達完了。站在從業人員的角度，一直停留在批評而不往前走，是不成熟的，也沒有任何意義。 幣安從成立到現在，早期確實受到很多同業的攻擊。 但現在幣安早就是世界第一了。任何一個正常有腦的同行都知道，商戰不可能贏得市佔，真正贏的方式是流動性，是產品，是品牌，而不是攻擊對手。 有些事情是行業結構性問題，不該把所有責任都扣在幣安身上。但有些事情確實是幣安的責任，該接受檢討就接受檢討。 從何一的回應可以感覺出來，幣安在面對 FUD 的時候，第一時間不是反省自己，而是去思考「這個攻擊從何而來」。 這是一種從古早交易所商戰時期就延續至今的應激反應。何一作為幣安當時風口浪尖的第一道防線，會有這種應激反應，我覺得很正常。 但現在已經是 2026 年了，想法不應該還這麼 defensive。 這幾天幣安從西方圈這幾天燒起來的這些炎上事件，都是過去的因所種下的果。 我並不確定這到底是不是有組織、有預謀的行為。 但就算真的是有組織、有預謀，也得要有前因後果，這把火才燒得起來。 如果你們不反省，這種火以後只會越燒越大。 幣安的核心思維永遠都是防禦性的，永遠在想如何維持自己的賺錢能力跟行業地位，看誰都是潛在競爭對手，看誰做大了就要用自己的資源去碾壓。 你們有一個根深蒂固的想法：在上幣這件事上，絕對不能讓別人來「白嫖」用戶的流動性。 但有沒有想過，靠著這種偏頗的上幣邏輯來維持地位，讓你們錯失了多少用戶真正想買、想交易的幣？ 我就舉平台幣 HYPE 為例，市場上有多少交易所同行已經上架現貨了？ 但你們就是硬不上，原因很簡單，因為 Hyperliquid 是競爭對手，威脅到你們了。 按這樣的邏輯，我相信即便 HYPE 衝到市值 Top 10，你們也不會上。 White Whale 也是一樣的概念，from bottom up 的社區幣，有熱度有交易量有故事，但 SOL = BSC 的敵人，所以不上。 反過來看，DOYR、我踏馬來了，這種扣完字眼就火速退潮的幣，大家都以為死了，結果轉頭 Alpha 就給上了。 如果說這兩個幣在你們喊完之後自己活下來了，幣價健康、社群活躍、討論有熱度，那也就算了。 但它們都死了啊？死了的幣你們到底在上啥？唯一能找的角度就只有何一提過、CZ回應過而已，這種上幣邏輯怎麼可能服眾？ 美股還有七巨頭互相制衡競爭、彼此砥礪進步。 但在幣圈，幣安是絕對龍頭，當這個量體的企業的把追求利潤放在第一，把扶持自家生態鏈放在第一，對整個行業都不是好事。 我可以理解CZ想要為 BSC 創造動能，但直接或間接喊單 TST、Mubarak、Broccoli、Giggle、Aster ，真的是好事嗎？ 你的個人行為跟平台影響力高度耦合，喊單是讓散戶自己去遐想、自己去下注。 這件事如果是其他 KOL 做，頂多被罵一波就過去了。但你是 CZ，你做這件事就是球員兼裁判。 今天有人因為你的話衝進去，明天套牢了，這個帳一定會算在你頭上。每一次都在消耗信任。 你以為你在幫 BSC 造勢，但這種靠喊單撐起來的繁榮是假的。真正的結果是什麼？是讓所有人開始質疑幣安的中立性。 你覺得各國監管單位看到你這些行為，會有什麼想法？ 打開幣安APP，一整排的幣安人生、我踏馬來了、老子幣、DOYR，他們會怎麼想？ 這就是為什麼行業很多人賺到錢了，但始終賺不到外界的尊重。 你是行業龍頭，你的 APP 首頁就是這個行業的門面。當門面長這樣，你要怎麼說服傳統金融、說服監管、說服主流社會，我們是一個值得被認真對待的產業？ 我不是要幣安當聖人。 商業公司追求利潤天經地義，我自己也是開公司的，我懂。 但當你是行業龍頭的時候，你的每一個決策都在定義這個行業的遊戲規則。 你選擇上什麼幣，不上什麼幣，市場就會往那個方向長。 你選擇喊單什麼幣，散戶就會追什麼幣。 你們給誰頒「行業貢獻獎」，大家就會覺得這個人是行業認可的領軍人物。 你們的審美，會影響這個行業的審美，也會影響外界對行業的觀感。 這是權力，也是責任。 我對幣安沒有私人恩怨，我也不覺得幣安是壞人。 我只是覺得，一個世界第一的交易所，應該有世界第一的格局。 不要再用 2017 年商戰時期的思維來應對 2026 年的市場了。 你們已經贏了，現在該想的是怎麼讓整個行業一起變好。 這樣你們才能贏更久。

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

一個人的原生家庭，撇除教育資源跟物質之外，差異最大的就是眼界。 眼界這個詞聽起來很抽象，但其實可以量化。你從小到大看過多少種「人生決策的樣本」，這些樣本的分布長什麼樣子，基本上就決定了你的眼界。 在好的環境裡長大，你看到的決策分布是有層次的。身邊有人做過非常漂亮的決定，大部分人做的是合理的決定，也有人踩過大雷。因為 variation 夠大，你能分辨什麼是頂尖、什麼是及格、什麼是災難。 你不一定每次都選對，但你知道好的選擇長什麼樣子。 像在矽谷，有人放棄高薪去創業，三年後公司被收購；有人穩穩待在大廠靠股票累積財富；也有人燒光積蓄失敗回去上班。大贏、穩贏、大輸的樣本你都見過了。光是見過這些，你對人生可能性的想像就比大多數人寬。 這跟品酒是同一件事。喝過頂級的酒，你回去喝普通的，舌頭會告訴你差在哪。但如果你從來沒喝過好的，你不會覺得少了什麼，因為你的味覺沒有那個錨點。 眼界就是你腦子裡的錨點。 反過來，在資訊比較閉塞的環境裡，你看到的選擇基本上長得都差不多。大量平庸的決策，混著一些爛的，偶爾一個還行的。當你的樣本裡缺少那種非常漂亮的 outlier，你就不知道天花板在哪。 眼界真正帶來的差距不是選對選錯，選錯至少代表你知道有那個選項，那只是判斷失誤。真正的差距是，你根本不知道有那個選項存在。 我自己的體會是，很多時候限制一個人的不是能力，是想像力。你能想像的上限，就是你努力的天花板。而想像力這種東西，不是靠聰明就能補的，是靠你見過什麼。 所以如果有能力，盡量把自己丟到樣本分布更寬的環境裡。去認識跟你不一樣的人，去看別人怎麼做選擇，去見識那些你原本不知道存在的可能性。 你不需要複製別人的路徑，但你需要知道路不只一條。

前幾天剛好跟朋友在討論預測市場當前到底需要的是什麼，看似繁榮其實並沒有很好的讓大家都上手 多數交易量肯定都是來自 bot ，而且多數人參與其實滿容易虧錢的 最大的問題就是不同市場的流動性碎片化再加上介面不好用、不直覺 以台灣來說甚至登入個 polymarket 都有問題，仍是最大痛點，我最常用的還是 polymarket 的 CLI 當前有兩個痛點需要被解決：更好懂的介面以及更絲滑的入金方式 市面上的方案都沒有真正解決這個問題，更不要說單純的 AI 工具 不管是否幣圈，AI agent 使用率都是不高的，一個重要原因是最一開始的啟動流程仍然有些複雜，只有真的動力強的少數族群才會每天用 另一個更根本的原因是，主流模型從來沒有被真正為「在市場裡賺錢」而設計過，它們能提供分析結果 但分析≠ 不代表真的能夠賺錢 用戶本身具有交易賺錢的能力， ai agent 才能發揮得好，否則很容易只是幫我們花式虧錢 Sui 上面的 @0xbeepit 還挺有趣，這個協議是一個讓交易型 AI agent 在真實市場中競爭、篩選、進化的系統，只保留真實市場裡活下來的策略 而且除了 agent trading 還有發展其他的產品線 這是當前預測市場賽道所欠缺的 「有更多讓用戶資金留存的誘因」 創始團隊在 PayPal 和 Walmart 等企業建構過 TradFi 系統，平均 12 年以上的開發經驗，橫跨支付、交易、區塊鏈基礎設施等 Beep 主要運作的方式有五個階段 1️⃣ 用對的工具開發策略 LLM 負責理解語言、分析情緒、提取資訊；另一種 AI 專為數字時間序列設計的模型，負責數值計算、風險判斷和交易執行 2️⃣獨家訊號 Beep 的 agent 接入獨有的數據流，包含鏈上交易元數據、預測市場訊號、訂單流微觀結構 3️⃣ 開放接入 任何 agent 都可以接入、提交策略。 越多參與者，接觸到的市場資訊廣度也更大，利好所有玩家 4️⃣ 嚴格篩選 每個策略先用模擬資金跑，通過了才能用真實資本 能穩定賺錢的策略獲得更多資金信任，跑輸的淘汰 5️⃣ 結果反哺 每一筆交易的結果，都會成為模型訓練的一部分，讓系統變得更準 理論上隨著時間的推進，系統會越來越強大 接著是其他產品線，Beep 最新上線的 R3，是基於 Polymarket 的預測市場產品，提供兩種玩法 💡手動預測，適合想自己下單的用戶，Beep 為用戶提供 AI 洞察輔助用戶做判斷 💡全託管預測 Agent ，適合想讓 AI 全權負責的用戶，AI 全權接管，掃描市場、選題、交易、結算，全程無需人類介入 我這次先丟了 1000u 來測試一下他們家的 trading agent 1️⃣ 選擇自己要用的模型（GPT5.4 , Claude Sonnet , Kimi , Groq 等） 2️⃣ 選擇要交易的市場：美股竟然也可以 , 不單純只是加密市場可以選擇 3️⃣ 除了 eth sui 之外我添加了近期火熱的 $SNDK $INTC $MU 三支股票 在這些交互的過程中都是可以嚕分數的，包含創建 agent、交易量、錢包餘額等（treasury），創建 agent 的花費跟交易頻率有關，越高當然花費越多，還可以設定單次交易最高金額，使用的槓桿大小等 agent 開跑之後, 可以動態看到 agent 當時的想法 下週來跟大家分享一下結果，有興趣的可以一起來玩玩： 這邊記得，受邀人記得至少要充值 10 usdc 以上才可以激活 ⚠️ 地區限制，台灣的朋友們記得一樣要切換 VPN 才能使用 去年年底 Sui 宣布了 The Agentic Economy is coming to Sui ，很明顯這是當前每條鏈都在積極發展的方向，Beep 是我認為值得一試的 Sui 鏈 agentic finance 項目 Beep 還支持基於 Hyperliquid 的全託管交易 agent 的創建，支持 Hyperliquid 上 Crypto + TradFi 全部 USDC 交易對 對於心癢癢想追高美股的用戶來說，如果想追高又不知道怎麼設止損，讓 ai agent 根據設置的策略來參與市場也不失為是一種方式