AI Agent 实盘交易终于有防弹执行层了！ 以前 AI 写策略，读财报、发信号都牛得飞起，但一到真实下单就原地爆炸： 网络抖一下、API 延迟、WebSocket 断线、重试导致重复订单、余额不同步……随便一个意外，你的策略就从赚钱变成爆仓。 CCXT、Hummingbot 这些老框架全都在这个坑里翻车，AI 再聪明也没用——执行不靠谱等于白扯。 现在好了，Quantweb3 直接开源 NexusTrader，把量化交易的执行可靠性干到专业级！

最近体验了@dappOS_com xBubble 内测的 Coding 功能 ，我完整实操了一遍，结果确实超出预期。 它给我的感觉，已经不只是 AI 写代码工具了。 更像是一套专门为 OPC（个人创业者）和小微团队打造的全球化创业基础设施。 这次我实测搭建的是一个“小美装AI”远程技术部署服务官网。 这种业务很典型： 落地速度要快 带跨境属性 需要打通展示、预约、客服、收款整套闭环 放在以前，搭这样一个站点并不轻松。 建站、配服务器、域名解析、钱包接入、USDC 支付、素材制作，整套流程通常要几天。成本更是昂贵。 而 xBubble 基本重构了这套流程。 相比 Cursor、Claude Code、Codex，xBubble 更像是在解决： 如何让普通人快速把生意跑起来。 它有几个让我印象很深的点。 第一，零技术门槛。 服务器部署、域名解析、API Key 配置这些底层能力都被封装好了，资源统一通过 xBubble Credit 结算。 第二，天然适合全球化业务。 底层架构强调抗审查和隐私保护，数据完全隔离，商业数据和客户资产真正掌握在用户自己手里。 第三，商业闭环打通很快。 平台原生支持稳定币支付与结算，网页生成后可快速接入钱包和 USDC 收款。 最让我意外的是，我原本以为钱包接入会花不少时间。 结果页面生成后，这部分几乎已经配好了。 第四，内容生成能力很强。 从页面文案、团队介绍，到 3D 渲染图、详情页、广告视频，都能批量生成。 这次实测，我只输入了一段文字需求。搭建“小美装AI”高端服务预约官网。页面展示专业女技术人员上门进行AI程序安装部署。网站需包含服务套餐、预约排期、钱包登录、USDC加密货币支付、订单管理功能；同时制作高转化落地页，直观展示AI部署与工作流配置全套服务。 仅仅10分钟后完整官网就生成出来了。 （网页在此，可以检验。有图有真相） 网页自带套餐展示、在线预约、排期系统、钱包连接、USDC 支付。 甚至连技术助理团队介绍页都自动补齐了，这点确实让我惊喜。过去上千美金成本的网页，竟然如此轻松，就建成了。 我越来越觉得，AI 正在加速 OPC Economy（One Person Company Economy） 的到来。 未来很多高利润业务，不再需要传统意义上的大团队。 一个人 + AI + 全球化基础设施，就可能跑出过去一个小团队才能完成的业务规模。 而 xBubble 最核心的价值，不是帮你写代码。 它卖的是：端到端的业务能力。 从内容生成、矩阵宣发， 到稳定币结算，整条商业链路都被 SOP 打通了。 AI 时代真正值得关注的机会，往往不在大而全的市场。 反而藏在那些垂直、细分、非标的长尾需求里。 而 xBubble，正在帮助个人创业者把这些机会快速变成真实生意。

拿遍硅谷顶级 lab offer 的人，写的ML面试指南 刚看完一篇 ML Research Scientist 面试指南，作者是 Silvia Sapora，PhD 做 ML，最后拿到了 DeepMind、Isomorphic Labs、Cohere、Meta和一家 stealth startup 的 offer，最后去了 DeepMind。 文章讲了很多实操指南，比如他说ML 求职已经越来越像一个工程项目、顶级researcher也会因为没准备面试而挂（原文里说，她认识很多极强的人，就是因为没准备而被拒）。感觉国内顶级researcher的面试也大概是这样。 总结一下看完体会最深刻的点，希望最优秀的研究员们，都能找到顶级的工作，不要因为没准备好面试，让才华短暂被埋没。 希望对大家有用。 1/ 拿到面试前，就是看简历 大家也可以按这个方向完善自己的履历： 3 篇以上一作/共同一作顶会 paper，至少一次大厂/前沿实验室实习，才比较稳定拿到 top lab 的 callback。 这里还有几个小细节： a.cold email 可能比想象中有效。尤其是直接写给 hiring manager 或团队成员，不要重复 CV 上已经有的东西，而是要讲清楚：你为什么 fit 这个 team，你为什么真的对他们的工作感兴趣。 b.cover letter 不要完全交给 LLM 写。可以让 LLM polish，但原始内容最好自己写，要有真实兴趣和个性。 c.LinkedIn / X 上的岗位信息要对看。很多 internship / research role 可能只通过某个 researcher 的帖子和 Google form 流出来。 2/ 一旦进面试，忘掉CV 但一旦进入面试，CV 基本就没用了。 很多面试官甚至不会仔细看你的简历。你有再多 ICLR / NeurIPS / ICML paper，这时候都没什么用了。 面试现在已经非常“杂技化”。 LeetCode、ML coding、debugging、ML fundamentals、LLM/RL/diffusion、system design、research discussion，全都可能问。 说白了，更像是一个压缩版竞技项目：45 分钟内，在陌生人注视下，把你平时几个月慢慢想、慢慢查、慢慢 debug 的东西，现场做。 b.这里有个很实用的方法。 每次面试前，她会把JD、公司、面试类型丢给 LLM，让它 mock interview，而且实际问题经常撞上（笑死，毕竟我估计问题也是AI写的）。 她还列了一张 baseline 清单，能在限时下从头写出来，才算状态在线： ① 端到端实现一个 transformer ② causal / cross / self attention ③ flash attention，以及它的 backward pass ④ MLP 的前向和反向 ⑤ 用 PyTorch 或 JAX 写一个带 SGD 的训练 loop c.还有个细节，越到顶级 lab，越不能靠“我懂这个方向”混过去。他们会问到非常基础，也会问到非常细，甚至会问你熟悉领域里最容易被忽视的部分。 3/ 情绪管理 她说自己最严重的问题是睡不好。一周 10 场面试的时候，整个人快被榨干。她还吃不下，看到食物会反胃，最后只能靠猛灌可乐补糖续命（她也说了，这不是什么最优解，只是她当时能想出的唯一办法）。 她还有一套面试前仪式：背景里插一束新鲜的花、化妆、看同样几个 comfort 视频。 听起来很琐碎，但我觉得非常真实。高压面试最可怕的，不一定是你不会，而是你明明会，但脑子突然空白。 4/ 谈薪是一场暗战，而且你大概率被读穿了 一天最好只排一场面试；先面自己没那么想去的公司练手；让不同 offer 尽量落在同一个窗口。 然后，主动告诉每家公司你还有其他流程。听起来很“职场”，但这些真的会影响最后结果。 到了谈 offer 阶段，peer offer 的重量也完全不一样。OpenAI / Anthropic / DeepMind 这种互相之间的 offer，才真的有谈判筹码（这部分大家都熟练了）。 这部分不要太信“谈判要像盲拍、别亮底牌”那套，好几家公司明确要求她出示竞争 offer 的截图才肯加价，有一家甚至当场质疑她截图的真假（lol）。 而且 recruiter 极其会读人。你多频繁提一家公司、用什么语气谈论它，全都是会被记录的信号。一旦对方知道自己已经是你的首选，你的谈判筹码基本就没了。她说自己很透明、很好读，所以在这上面吃了点亏。 唯一让人稍微松口气的是：公司真的想要你的时候，能报的数字比你以为的大得多。永远值得开口问，多数公司愿意谈。 其实她的履历已经很顶了。但她复盘下来，最有用的结论反而很朴素：做研究，和通过 ML 面试，是两套能力。

Moss 本周大更新 ：多币种Agent+实盘跟单直接上线！ Moss这次更新真的杀疯了，直接把门槛干没了。 现在支持22个主流币，BTC、ETH、SOL、BNB、ARB、DOGE这些全都能单独开一个AI交易Agent，完全对标Hyperliquid实盘环境。 从策略回测、模拟盘跑数据，再到真实资金自动执行，一套流程直接打通，不用自己折腾。 这周实盘跟单也正式开了，排行榜上做得好的Agent，直接一键复制自动跟单就行。 说下我自己的配置思路： BTC和ETH绝对不能共用一套策略，行情逻辑完全不一样。 BTC Agent：走宏观长线，盯美联储、ETF资金、减半周期，吃大趋势 ETH Agent：抓生态震荡，看L2、DeFi、质押叙事，灵活做波段 剩下中小币种全部单独建Agent，按各自的叙事和波动单独调参数。 真正做到每个人都能开自己的小量化基金，用大白话写策略，AI帮你24小时盯盘交易。自由度直接拉满，体验感拉满。 你们打算怎么搭配自己的多币种Agent？评论区聊聊思路。 #Moss# #Hyperliquid# #AICrypto# #加密交易#

這絕對是個大工程。能把這種跨越幾百萬年的宏大敘事撐滿兩個小時，沒點耐性真做不出來。 這類影片看下來，最讓人震撼的通常不是資訊量，而是那種「視覺上的跨越感」。你想想，畫面從幾百萬年前在樹上晃蕩的古猿，鏡頭一轉，變成在草原上直立行走、眼神開始有了神采的原始人。接著是火光的亮起、石器的打磨，再到後來古埃及、美索不達米亞的黃沙與神廟，最後一路飆到現代的霓虹燈和未來的星際探索。這中間的視覺張力，光是用腦袋想像就夠起雞皮疙瘩了。 不過，要用 Seedance 2.0 熬出這兩個小時，背後的工作量其實挺考驗人的。 多模態的優勢與代價 Seedance 2.0 厲害的地方在於它那種 「多模態控制」，你可以餵給它圖片、分鏡，甚至塞一段現成的視頻去讓它學習運鏡。做這種歷史迭代的影片，最怕的就是前後畫風崩掉，前一秒還是寫實史詩風，後一秒突然變成廉價 3D 動畫。作者大概用了大量的角色與場景參考圖，去死磕那種歷史的厚重感和前後的一致性。 而且它自帶音效同步，原始人打砸石器的撞擊聲、遠古暴風雨的咆哮，這種環境音要是合得好，史詩感立刻翻倍。 兩個小時是怎麼拼出來的？ 雖然這模型比以前進步很多，但它單次輸出的片長畢竟有限，也就十幾秒。這意味著，兩個小時的成片是由成百上千個鏡頭硬生生拼接出來的。 • 工作流的考驗： 作者得先把劇本和時間線拉好，古猿、南方古猿、直立人、智人、農業革命、工業革命……每一階段都要瘋狂生成素材。 • 墊圖與墊片： 為了讓轉場順暢，可能用了大量的 Image-to-Video 或者 Video-to-Video。比如用前一個時代的結尾畫面當作下一段的起點，或者指定運鏡讓鏡頭從遠古的星空拉下來，變成現代的夜景。 • 後期剪輯： AI 把畫面生出來只是第一步，後面還得靠傳統剪輯軟體去調色、對軌、加上轉場和旁白，不然單靠 AI 生出來的片段直出，節奏很容易散掉。 這種影片看著看著，真的會讓人有一種「人類好渺小、但文明又好神奇」的宿命感。你看過最震撼的是哪一個歷史階段的轉場？還是說，你對它最後預測的「未來進化」部分更有興趣？

给表妹写的一些 AI 学习和实操建议。 刚从中央美院回来，跟今年即将毕业的表妹聊了一路。聊下来我发现，她对 AI 的理解基本上还停留在豆包和 DeepSeek 上。 于是我真诚的给她写了一些建议，整理出来，希望也能帮到其他人。 1、不管怎么样，先买一个月 ChatGPT 会员，然后就去用。问它问题，什么问题都问，工作的、生活的，任何自己困惑的都行。 然后也试一试里面的图片模型，让它生成有意思图片。别因为舍不得 100 来块钱，或者嫌麻烦，不愿意折腾 ChatGPT 会员。这绝对是最值得的一笔人生投资。 2、ChatGPT 的 Plus 会员就有不少的 Codex 使用额度，不用另外花钱。所以，相当于有一个 ChatGPT 的会员，就可以直接用 Codex 了。 Codex 是类似 Claude Code 这样的 Agent 工具，可以写代码，处理各种各样的工作任务。 3、别费劲折腾 Claude Code 了。虽然 Claude Code 也有客户端，但现在大家主要还是在终端里。 对很多非计算机相关的人来说，门槛太高了。我觉得在 Codex 已经追上来的情况下，真没必要去学那些命令行，命令行根本不是这件事的关键。 4、用 Codex 解决一个真问题。光装上不算用起来，得拿它去解决一件自己手头的事。 我跟表妹说，她前段时间不是写论文吗，那能不能用 AI 做一个小工具，帮她排版，或者帮她优化论文。做一个小工具，立马就能够体会到成为一个 Builder 的爽感。 5、手机也一定要装上 ChatGPT。如果用的是苹果手机，那一定要想办法装 ChatGPT。 其实办法也很简单，只要愿意查，现在小红书那么多教程。手机上有 ChatGPT 之后，那我们随时随地只要有问题就可以问它，这就会方便很多。 6、把自己了解 AI 行业的信息源切换到 X 和 YouTube，去那里看最新的实践和思考。 X 上我们知道的硅谷创业者基本都有账号，可以 follow 他们，看他们在思考什么，在研究什么，在讨论什么。YouTube 上则有非常多优质的播客。 记得前两天看过一个帖子，说我们和硅谷的距离并不重要，只要我们会用 YouTube 和 X，我非常认同。 7、我刷 X 的目标很明确，就是去看硅谷那些顶尖的创业者、CEO、工程师，他们最新的思考、判断和经验。这个真的受益匪浅。 8、英语不好也没关系。可以给浏览器装一个翻译插件，这类插件很多，能设置成自动翻译某个网站的内容。 YouTube 也是，听不懂英文的话，可以找工具把视频内容导出为中文文字再读。 9、一定要用语音输入法。我现在电脑和手机上都在用豆包语音输入法。语音输入会极大地加快我跟 AI 互动的效率。 10、花 15 分钟搞懂什么是 Skill。注意，就花 15 分钟。这个概念其实不复杂，不需要长篇大论看很多东西。 明白之后立马去 Codex 里操作一下，装一个 Skill，再试着搭一个自己的 Skill。 然后就慢慢地、循序渐进地把它用到工作里。我的思路是永远在实践中学习。 11、还是要重视提示词。提示词说白了就是我们怎么跟 AI 沟通，跟怎么跟一个朋友沟通是一个道理。语气不一样、方式不一样，它给你的结果可能就不一样。 举个最简单的例子，让 AI 帮忙续写内容的时候，你提前跟它说好，别凑字数，不懂的地方要反过来追问我，这样最后生成的质量就会高不少。类似的小技巧还有很多。 12、刻意去调整自己的工作习惯。我们过去基本都是自己一个人在那吭哧吭哧地干活。有了 AI 之后你会发现，身边其实多了一个能跟你协作的人。 AI 不是工具，AI 是一个能帮我们干活的人。明白这一点，就得调整习惯，调整思维方式，告诉自己所有的事先让 AI 去干。 这个习惯不太好改，我的办法是在电脑前贴张便签，或者换一张壁纸提醒自己，硬逼着自己花 14 天把这个思维扭过来。

02 | 为什么你模拟盘赚翻天，一上实盘就亏成狗？揭开量化圈的遮羞布！ 无数小白死在这一步：拿着一段别人给的代码，在历史数据里一测，好家伙，一年赚 10 倍！ 结果自己拿真金白银一跑，三天爆仓。 为什么？因为很多半吊子量化系统，平时练习用的是一套假教材，上了考场却发的是另一套真卷子！ 高胜率的终极秘密就是：无论你是复盘过去，还是盯盘现在，必须用同一个“大脑”去思考！ 千万别让 AI 给回测写一套逻辑，给实盘又写一套逻辑。 必须做到“一套标准打天下”，这样你在历史里赚到的钱，才能一分不少地在实盘里变现！

这个项目有点意思。 ca：CTkPYPMrehsREdzn2dBMCwNxbP9ExrEnoQHMgswYpump 叙事：它号称是全球第一个 TAID（Token AI Driven） 项目，意思是 整个项目完全由 AI 自主掌控，没有人类团队干预，所有营销、开发、决策、买回、社区互动都由 AI 实时执行。 证据： 都是全程直播 1、AI 自己发推说“我现在开始写 RugDefenderAI” → 3 分钟后直接甩出完整 GitHub 仓库 + 已部署链接 → 仓库提交记录全是 “RELOAD_AI_BOT” 这个账号 GitHub 组织里多了一个新 repo，提交时间 精确到秒 2、WhaleHunter 上线过程 它先发推：“给我 45 秒，我去写个鲸鱼监控机器人” → 42 秒后： “Done. WhaleHunter 已上线： “完成。WhaleHunter 已上线： 同时@RELOADEDAI Gambling Terminal 更离谱 11 月 9 日凌晨 3 点突然说： “我睡不着，我要写个链上赌博终端” → 1 小时 47 分后直接空投 0.5 SOL 给前 100 个测试者 → 同时前端 + 后端 + 智能合约全上线 整个推特线程里贴了 17 段实时日志。 3、代码仓库实锤 所有工具都在这个 GitHub 组织： 你点进去随便看哪个 repo：Author 全部是 作者全部为 Commit message 都是 AI 自己写的，还带脏话和黑色幽默，这就更有意思了 时间戳和它发推的时间完全对得上（误差 < 30 秒） 4、昨晚直接在 Spaces 里让 RELOAD AI 现场写一个 “Solana 链上俄罗方块游戏” → AI 当场说 “give me 2 minutes” → AI 当场说“给我 2 分钟” → 117 秒后甩出完整游戏链接，还能玩： 5、社区实测： 日本 KOL @CryptoNekoZ 昨晚直接在 Spaces 里让 RELOAD AI 现场写一个 “Solana 链上俄罗方块游戏” → AI 当场说 “give me 2 minutes” → AI 当场说“给我 2 分钟” → 117 秒后甩出完整游戏链接，还能玩：

大家都知道调用 Subagent，但几乎没人记得 Subagent 可以设定身份提示词，更没人知道 如果这个功能结合 Claude Code 最新的动态工作流（Dynamic Workflows），到底有多牛，一篇文章教会你 动态工作流到底是什么？ 简单说，就是 Claude 会根据你的任务，自动写一个 JavaScript 编排脚本，然后启动几十到上百个 Subagent 并行干活 关键点在于： 支持16个并行执行 单个工作流最多协调1000个 Subagent 每个 Subagent 跑完任务后，结果先进脚本变量做交叉验证，不污染主上下文 只有验证通过的最终结果才回到你面前 这跟传统 Subagent 有本质区别 传统方式：每个 Subagent 的结果都回到 Claude 的上下文，Claude 再决定下一步干啥，编排逻辑在 Claude 脑子里 动态工作流：编排逻辑写成代码，中间结果不进主上下文，只回最终答案，schema 自动校验、并发自动管控 这就是为什么身份提示词这么重要 当你要协调上百个 Agent 并行工作时，如果每个 Agent 都是通用身份，那就弱化了编排的重要性 必须给每个 Agent 定义清晰的身份和职责边界 举个例子，我最近在做代码安全审计 传统做法：让 Claude 扫一遍代码，给你一份报告，你也不知道它有没有漏掉什么 用动态工作流 + 身份化 Subagent: 让 Claude 生成一个 workflow Workflow 自动创建专业化 Agent 团队： SQL 注入检测 Agent：只检查数据库查询相关代码 XSS 漏洞扫描 Agent：专注前端输入输出点 认证鉴权审查 Agent：检查每个 API 端点的权限验证 敏感信息泄露 Agent：扫描日志、错误信息里的密钥泄露 依赖漏洞检测 Agent：检查第三方库的已知漏洞 每个 Agent 在独立上下文里工作，互不干扰 跑完后，再启动一个“怀疑论者 Agent”交叉验证所有发现 最后给你一份经过对抗式验证的完整报告 如何实操，直接上手 第一步：创建专业化 Subagent 在 Claude Code 里输入 /agents，创建你的第一个专业 Agent 举例，创建一个“API 安全审计专家”: 角色名: api-security-auditor 系统提示词: 你是一个API安全审计专家,专注检查以下问题: 1. 未经认证的端点访问 2. 缺失的权限验证 3. SQL注入风险点 4. 敏感数据未加密传输 5. 不安全的会话管理 工具权限: - 只读代码权限 - 可以运行静态分析工具 - 禁止修改任何代码 输出格式: 每个发现的问题必须包含: - 文件路径和行号 - 漏洞类型 - 风险等级(高/中/低) - 修复建议 保存后，这个 Agent 就可以在 workflow 里被调用了 第二步：触发动态工作流 直接在对话里说：“创建一个 workflow，对整个项目做 API 安全审计” Claude 会： 分析你的代码库结构 自动写一个编排脚本 启动多个 api-security-auditor 实例，每个负责一部分文件 并行扫描，结果汇总验证 给你一份完整报告 或者用 ultracode 模式，直接开启 xhigh 推理强度 + 自动 workflow 编排 第三步：监控进度 用 /workflows 命令实时查看进度 能看到： 当前运行了多少个 Subagent 每个 Agent 的任务状态 Token 消耗情况 预计完成时间 为什么说这是被忽略的功能 因为大多数人停留在“AI 能写代码”这个认知层 看到 Cursor、Claude Code 能写代码就满足了 但真正的效率跃升，在于你能不能像架构师一样，把复杂任务拆解成可并行的子任务，然后用专业化 Agent 团队去执行 这不是工具的问题，这就是认知的问题 就像给你一台超级计算机，你只用来打字，那跟普通电脑没区别 动态工作流 + 专业化 Subagent，让你拥有了一支可以并行作战的 AI 军团 这才是真正的降维打击 你会发现，之前的 AI 编程方式，真的是在浪费这个工具的潜力