長片更新囉! 這次Cosplay的是風真伊呂波💕 被用上了新的入珠假屌...高潮完全停不下來... 完整版26:43 高潮29回❤️ 訂閱平台都已經上傳完成🥰 @XJDRS @XHSJSX @SXHCL @XNZSTZ

决定代码复杂度的东西不在代码里，在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium（ tl;dr：Peter Naur 的《Programming as Theory building》指出，真正的程序——他称之为 Theory，大写的 T——存在于工程师的脑子里。代码和文档只是下游的（因而不完整的）产物。我对 LLM 最大的抱怨之一，就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念：也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而，读完 Naur 之后我意识到，我们想降低的那个复杂度是 Theory 的复杂度，不是代码的复杂度，而这方面没有任何可用的度量，因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》（ LLM 能做什么、不能做什么的看法，也改变了我对如何给它们写提示词、当前 agent 系统的主要局限，以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文，我真的建议你读一读。说实话，我写这篇文章的主要目的，就是让一些人去读原论文。它值得花这个功夫。这也是练习（或学习！）在 Solveit 里做精读的绝佳机会，因为在 Solveit 里这要容易得多：你可以在阅读过程中随时提问，钻进任何你感兴趣的兔子洞，或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文（ fork 我的对话记录快速上手（ 话说回来，如果你还是决定不读，这里是论文的 tl;dr： 程序是构建和维护它的人所持有的 Theory：一种理解——程序如何与现实世界的问题相关联，哪些约束和权衡塑造了它，它为什么能工作，以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物，永远无法完整地承载它。 工程师通过经验发展出这种理解：与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习，不擅长和用户交谈，也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢？ 我想我们都同意：LLM 总体上倾向于让代码库的复杂度上升，如果没人管的话。原因有很多：它们没意识到某个方法已经存在，于是又写了一遍；它们写过度防御的代码，比如为不可能发生的边界情况做防护；或者过早地过度优化。顺便说一句，大多数前沿实验室从你消耗的 token 里赚大钱，所以它们多少有动机去推广 token 最大化。总而言之，LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码，要想让程序保持简洁，也需要主动付出努力去尽量削减复杂度。 在我天真的日子里（大约两周前），我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标，但我们都同意，有时候一行代码比两三行更复杂。另一个选项是圈复杂度（cyclomatic complexity），它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到，这些东西无法真正解决问题（也许能稍微缓解一点）。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个（我编的）例子里，我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样，只有请求体参数略有不同，于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里，我们有两个不同的类，带重复的样板代码（即 prepare 和 with_retries）。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类，做到 DRY。按很多指标看这都是更好的实现：行数更少、Halstead 容量更好（V=N×log2(n)，N 为程序长度，n 为词汇量）、可维护性指数（Maintainability Index）也更好。 合并版 —— 按指标看确实更好：DRY，行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说，第二个版本（或者类似减少 LoC 和重复的版本）复杂度更低。但是，如果我告诉你，下个月我们很可能就停止支持 Anthropic 了呢？在那种情况下，我更倾向于让它们保持分开，这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然，这种简单的例子很容易解决，尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商，而是像 LiteLLM 那样支持 165+ 个供应商呢？那种情况下，直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗？ 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约，不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包，它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样：「文本进，文本出」。然而，当契约不再可靠时，这一切就会崩塌。原因可能是它有 bug，可能是 API 背后藏着大量你拿不到的状态，也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时，那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商，越来越多地把数据藏在服务端，比如加密的压缩数据或推理 token（更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商，那么 LiteLLM 或类似的库可能值得用。反过来，如果你看重控制力、调试和对技术栈的理解，那可能就不值得。不存在「正确的」复杂度（虽然我非常偏好第二种选择）。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止，LLM 几乎接触不到这些信息，因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索，但那些永远只是局部的（最好的情况下）。 其中一些信息可以作为上下文提供给 LLM，比如业务优先级、预期的产品变化、运维约束，以及早期决策背后的原因。这样做也许能改善它的选择，但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好，但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢？那样的话，这篇博客后面的内容说服不了你。如果你处于两者之间，我来描述一个我们在 亲身经历的真实情况，关于 Solveit 的计费系统。 剧透警告：在 最初的计费系统 Solveit 是一个平台，你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的，所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费（比如 5 美元）。这笔月度订阅费变成当月可以消耗的积分（credits），如果全部用完，下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一，积分 + 订阅的机制会把人（比如我自己）搞晕。第二，它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑，以及剩下的积分怎么办。在 Stripe 这一侧，它有两个不同的代码路径：手动充值和订阅服务。 对不熟悉的人来说，Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期（扣款周期、发票、重试全在他们那边）。 你大致只需要这样创建订阅： stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook，在订阅状态变化或付款到达时更新你的数据库（还有很多其他事件可以选择）。 直接收款则需要你启动一个 checkout session，让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer？用户注册时？他们尝试付款时？还是别的时机？全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧？如果你对 Stripe 或支付没有太多经验，很可能你已经感到吃力，没法把这一切全装进脑子里。也许你设法把它简化成了： • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是：使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端，而你必须保证本地数据库和它同步。另一个问题是，调试的时候，你既要查 Stripe 的服务，又要查自己的数据库。比如，一笔付款没到账，是 Stripe 没发 webhook（「他们的错」），还是我们没把它存进数据库（「我们的错」）？ Stripe 订阅服务很棒、很容易上手，但它是为支持海量用例而设计的。这意味着，即使设计得很好（它确实很好），这个 API 抽象最终也相当复杂。在这种情况下，你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡：只要契约成立，外部抽象能极大地简化你的 Theory；但每当你需要调试、修改或超出契约去推理时，它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论，我们最终定下了一个简单得多的系统。 首先，我们只做积分（credits），按用量收费。这是一个超级简单的模型（和 Theory！）：充值积分，用多少付多少。 订阅一去掉，我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条：手动充值和自动充值。要做自动充值，你需要能保存客户的信用卡，以便随时扣款。而 Stripe checkout 不会保存信用卡，你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说，我们最终发现最简单的办法是：用户一注册就保存他们的信用卡。卡一旦在档，用户可以用它手动充值，也可以设置成自动充值。因为全部是我们自己处理的，同步问题几乎为零。我们只监听支付成功事件（没有订阅了！）。 结果就是，我们支付系统的 Theory 可以用一句话概括： 客户注册时添加信用卡，之后我们对该卡扣款——要么手动（充值），要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度，但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么？一切顺利吗？没有。上线后我们发现，印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session，仍然可以工作，因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程；但自动充值不行。 在寻找解决方案时，我们发现 Stripe 托管订阅在印度确实能工作。为什么？因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图（payment intent），这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时，就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么？ 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里，你会怎么说？你的意见是什么？我们应该迁回去吗？ LLM 列出了两个选项：要么同时支持两套系统（随时可以开工，你一句话就行！），要么完全迁回旧的系统。我们做了什么？什么都没做。我们非常看重 Theory 复杂度，于是我们决定：让印度用户手动充值就好了（抱歉了各位！），换来一个更简单、更健壮的平台。 如果你不同意我们的选择，反思一下为什么不同意。真的，现在就停下来想一想。 这个问题没有正确答案，而这篇博客的目的之一，就是帮你看清你的答案来自哪里。你的论据是什么？更具体地说，它们是从哪里来的？ 有很多场景下 Stripe 托管服务是更优的选择。举几个例子： • 公司收入最重要，手动充值的额外摩擦可能会让我们损失一些印度销售额，那我们应该迁回去（或者同时支持两套） • 销售团队用 Stripe Dashboard 的 UI，所有支付信息都放在我们自己的数据库里并不理想，因为他们没法在那里管理 我的观点是：你的代码的复杂度，真的取决于一大堆和代码无关的因素，而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢？在我看来，最妙的答案是：我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate（借记授权）的方式和世界其他地方不一样。Stripe 试图解决这个问题，但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中，我们学到了产品之外有价值的东西。在我看来，这类洞察是可以转化为竞争优势的。 努力去理解，本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为，你可以很快产出大量代码。选择简化路线更长、更费劲，但长远来看我认为它是值得的，而且你可能会在路上发现隐藏的宝石。 原文： #LLM# #编程# #代码复杂度#

7粉7秒福利新BBC结局篇!头像大花嫁+高跟白丝和big cock黑人完美圆房3P内射♠全程露脸完整版54分钟(双视角合在一起很超值)另有不露脸版只要200RMB单买 平台支持支付宝微信银联卡USDT超清4K无水印/不露脸版电报群也已更新口令红包520+姓入🚪谢谢支持🙏私人好友521,两个都加999❤

4P sex party80min video cum7times聚众淫乱活动一下午7发无套内射🤭姐姐身穿原神COSPLAY八重神子和两位单男还有绿帽老公大战!😍完整版1小时+已经更新电报群入🚪口令红包520+姓内含几百部老师原创视频!露脸版更新在fansone平台已修复BUG之前购买和之后都可以全屏观看 @xyberdolls @xybereum @xyberlabs

这场《币安人生》分享会，其实也是一场内容超全的 BNB KOL AMA 整场由 sisi @sisibinance主持控场，加密圈大家平时好奇的、想问的各类问题基本都覆盖到了，CZ @cz_binance 也都一一给出了实打实的解答，真心推荐大家好好看一看 一、怎么做决策：什么该坚持、什么该放弃 核心判断分两步：先看是大决策还是小决策，再看可逆还是不可逆 市面上 90% 都是小决策、可逆决策，可以快速拍板，但不能一条路走到黑，要定期复盘调整，不行就改（比如之前对 RWA 项目持观望，势头起来就进场支持） 不可逆的大决策一定要慢、要少做；还有一类 “大但可逆” 的决策，转向成本很高，也要尽量少做 所有决策都有一条不用想的底线：不做任何伤害用户的事，只要触碰这条线直接否决，不用纠结 做交易尤其要注意风控：哪怕数学期望稳赚的游戏，只要输一次就会全部归零，也绝对不能玩 风控别只盯着收益率，先看你能不能扛住最坏结果 二、各国加密开放的影响，东南亚哪些国家有潜力 大国开放肯定会带来巨大行业利好 很多国家担心加密冲击主权货币，其实是误区：发行本国合规稳定币，反而能让法币在全球流通更广，这个认知需要慢慢沟通扭转 原本预判是 “农村包围城市”，先拿下小国再影响大国；近期美国态度转友好是超预期的利好，直接带动了行情上涨 小国单个影响力有限，但加起来体量也很大 东南亚现状：泰国、菲律宾走在前列，菲律宾已经拿到牌照、银行通道打通，用户不用再走 C2C入金；马来西亚进度稍慢，但整体地区发展很快，长期看好 三、“CZ 原则” 有没有更新第 73 条（书本已有72条） 后面确实出过一版重新整理的更新版，但出书的时候没放进去 觉得教程类内容和个人回忆录放在一起不合适，原本书的结尾停在 “If you can, you must” 效果更好 这套原则初衷是对内用的，让团队对齐我的决策逻辑，不代表标准答案，大家参考有启发就行，不用全盘照搬 四、免费教育项目Giggle Academy @GiggleAcademy：什么时候能到 1000 万用户 增长数据：去年 6 月才几万用户，今年年初 10 万，现在已经 150万+ 按这个趋势 1-2 年有望达成一千万，但不打包票（我感觉还是太低调了） 我更看重用户长期留存：理想状态是孩子能连续用 18 年，现在还差很远 目前只做了 2-6 岁的内容，6-10 岁年龄段的课程还没上线，内容库不够丰富，同时也要控制孩子的屏幕时长 综合预估 2-3 年左右能冲击千万用户目标，终极目标是冲到一亿甚至十亿 五、实体企业进 Web3：怎么避坑、怎么找机会 风控永远第一位：碰新项目、新产品，别一次性投太多钱，先小仓位试水适应，100% 确认可行再加码。重大决策谨慎，小决策可以灵活 币安不只是交易平台，很多功能实体企业都能用： 比如币安支付可以低成本做跨境结算，效率高、手续费低；还有理财功能，能拿到稳定的月收益，很多隐藏玩法我自己都不全了解，大家可以多挖掘一下！ 六、创业九年，压力最大的时刻 很少有 “绝望” 的感觉，本身性格偏乐观、抗压能力强，有个词意思就是，耐操 压力最大的两个阶段：平台刚上线时 BNB 破发，早期几万投资者都亏损，那两周心理负担最重 前两年处理美国相关事件，压力更偏向个人层面。但自问对得起用户、对得起行业，所以心理压力反而没那么大，只是个人要承受后续后果 七、加密从业者要不要主动追求影响力 没有标准答案，看个人风格和项目需求 “枪打出头鸟” 在哪都适用，如果能闷声把事做好、赚到钱，是最优解 但影响力本身也是一条发展路径，有些项目完全没曝光很难起步，有影响力拿资源会更容易，两者各有利弊，自己权衡平衡就好 八、未来资产都会上链、实现资本自由吗 肯定会，演进路线很清晰：股票先上链：面向全球投资者，估值和流动性都会更高 然后是货币（稳定币）：现在 90% 稳定币锚定美元，已经变相扩大了美元在加密世界的影响力 接着外汇上链：传统外汇报价不透明，链上能做到 7×24 小时交易、价格完全公开 再往后艺术品、文化产权、地产也能代币化上链，只是这类资产流动性差，落地速度会慢一些 九、暴富 / 低谷怎么调整心态，给 00 后的建议 一夜暴富听起来美好，但 “来的快去的也快”，伴随的风险极高，大部分人根本守不住。长期稳步积累，才是最稳妥、心态最平和的方式 哪怕运气好赚到快钱，也绝对不能 allin，风控永远是底线。allin 赌暴富，也可能一夜归零 不建议年轻人执着于一夜暴富。年轻人最大的资本是时间，每月拿出小部分闲钱定投，坚持十年收益会非常可观，不用急于求成。世界上没有稳赚不赔的暴富捷径 十、区块链新人怎么参与行业变革 六个月之后的赛道热点，谁都预判不了，不用硬猜 区块链入行门槛很低，但骗子也多，新人第一要务是注意风控 投项目先看社区：没有真实社区的项目大概率走不远；有社区也要分辨是真活跃用户，还是水军刷出来的虚假热度 十一、区块链项目成败的核心因素 归根结底看人、看团队 技术强、能做出合格产品的团队并不少，最难得的是三个品质：韧性（逆境能不能扛住往前走）、心态正（赚长期安稳的钱）、使命感 牛市的时候鱼龙混杂，不好分辨；前阵子大量从业者跑去 AI 赛道，反而筛掉了一批捞快钱的，留下来深耕区块链的，普遍使命感更强 对比 AI 行业：AI 高度中心化，红利基本被头部大厂拿走；加密行业普通人赚钱的机会相对更多 十二、现在年轻人还要 allin 比特币吗，未来还有机会吗 绝对不建议任何人随便 allin 任何资产 allin 之前先问自己：如果归零了，你的生活受不受影响？答案是 “受影响” 就绝对别做，更不能借钱投资 我当年 allin 比特币的时候已经 35+，就算归零也能打工养活全家，有足够的安全垫 未来的机会只会比过去更多。比特币再涨几百倍是有可能的，但没人知道要多久，短期也照样会跌。除了比特币还有很多赛道机会 给年轻人的配置建议：大部分仓位放主流蓝筹币，绝对别卖房、掏空身家进场。可以拿每月收入的 10%-20% 做高风险投资，前提是不影响基本生活 十三、AI 时代的教育会变成什么样，Giggle Academy 初心变了吗 Giggle Academy 从一开始就后是 AI 时代的项目，第一天就打算把 AI 能力用到极致 目前纯 AI 还做不了从 0 到 18 岁的完整体系化教学，只能零散回答问题。现在的阶段是：人类专家设计课程大纲，AI 用来提升内容生产效率 未来终极形态：一个 AI 导师就能陪伴孩子完成全部成长教育。真到那天 Giggle Academy就算停了也没关系，本身就是公益项目，目标只是做出最好的教育产品 传统校园教育是平均化，培养适配工厂的标准化人才； 未来全球化竞争激烈，顶尖 0.1% 的人收益远超普通人，所以教育要保留基础通识，同时深挖个人强项 AI 驱动的一对一教学是未来主流，成本远低于线下老师 十四、重新创业会选什么方向，什么时候 allin 创业别只看什么最火，要结合三件事： 你擅长什么、你感兴趣什么、这件事有没有社会价值，三者重合再去做 就算 AI 再火，我也不会去做，因为没有技术积累，进去没优势。我还是会选加密相关，做了一辈子，熟 别盲目跟风，别人开川菜馆赚钱，你不一定也要开。英伟达深耕显卡几十年才等到 AI 红利，苹果也经历过多次起伏 创业 allin 的前提：产品验证了市场匹配，再全力投入 十五、交易踏空、焦虑怎么办 只要交易让你产生明显焦虑，最直接的办法就是降仓位 仓位小了，行情波动对你的冲击自然就小了，踏空焦虑没有完美的解决方案 十六、币安下一阶段生态增长点 中心化交易所业务现在由一姐，何一@heyibinance负责。目前 RWA（现实资产代币化）增长很快，是核心主线 币安本身不适合做资产发行方，定位是做基础设施，联合 BNB Chain、PancakeSwap 等整个生态，配合全球券商一起推进 未来不会强行创造趋势，社区里什么项目跑出来、跑出热度，整个生态就跟进扶持 十七、财富自由还有烦恼吗，幸福来自什么 有钱不等于长久开心，财富带来的快乐衰减非常快：工资翻倍开心两周，资产加零开心一个月，之后就回到原来的状态 我自己日常开销不高，对跑车、奢侈品没兴趣，快乐主要来自滑雪、风筝冲浪这些户外运动 幸福的优先级排序： 健康：健康的人有一百种烦恼，失去健康的人只有一种烦恼 家庭：家人的支持和温暖 高质量的朋友：朋友贵精不贵多 最后才是事业和赚钱，钱够温饱就行，多了不会更幸福 十八、极简主义怎么化解复杂监管危机 遇到复杂危机，就把问题简化回归到最核心的原则上，决策就会变简单 比如遇到海外执法施压、各种复杂选项，我只回归一条底线：这个决策是不是保护用户利益。守住这条标尺，再大的压力也知道怎么选，当年尼日利亚事件就是这么处理的 十九、香港加密推进慢的原因 越成熟的金融体系，政策迭代越慢。香港传统券商、银行体系庞大，每条新规都要反复评估对现有行业的冲击，还要给机构留足过渡期，所以合规更新都是按 “年” 算的，不是创业圈的 “天 / 小时” 另外香港还要考虑政策对内地的连带影响，还要平衡两个现实难题： 数字货币和人民币国际化目标的关系、加密资产跨境流通对外汇管理的挑战，每个问题都没有简单答案，所以周期长 但香港监管层推进的主观意愿很强，只是落地难度确实很高 二十、大学是加密推广的好阵地吗 是，历史上绝大多数重大变革都是从校园萌芽的，非常适合做新兴行业推广 但加密属于金融赛道，校园推广会有一定敏感度，之前在香港大学的讲座反响很好，币安也有行业内最完善的免费区块链教育资源 整个行业未来还可以继续加大校园科普的力度 以上就是这次分享会的全部内容啦！ 其实整场聊下来，CZ 的逻辑一直很清晰：底线原则寸步不让，小事可逆快速试错，大事不可逆慎之又慎，风控永远排在收益前面 不管是刚入行的新人、做交易的玩家，还是创业做项目的朋友，都能对应到自己的阶段参考 觉得有用可以随手转给身边圈内的朋友，咱们慢慢赚、稳稳走！

如果只把@clawchatglobal当成聊天软件，可能会低估它了 最近重新梳理了一遍@clawchatglobal的更新，我有一个比较明显的感受： 这个项目现在越来越不像是在做一个“Web3 版 Telegram”。 它真正想做的，可能是把 Social、Bitcoin 和 Agent 三件事情放到同一个产品里，这也是我最近比较看好的地方。 先说最现实的一点，我觉得有认真在做产品。 从早期 Alpha 到现在 S1，@clawchatglobal一直在补功能、修体验，而不是只靠发公告制造热度。 Meow 是公开内容场景，Chat 是私密沟通，Group 承载社区，再叠加钱包和链上身份。 看起来都是一个个小功能，但组合起来以后，其实已经开始形成完整的 Social 产品框架。 官方此前对产品的定位也很明确：Chat 和 Meow 共用一套身份与 Social Graph，用户的关系不是简单锁在某个平台数据库里，而是尝试向链上、可组合的方向发展。 我认为这点非常重要。 因为 Web3 Social 真正的价值，不应该只是：“我可以用钱包登录。” 而应该是：我的身份、内容和关系，能不能真正属于我？ 这是@clawchatglobal和普通社交 App 最大的区别之一。 第二个值得看的，是 Bitcoin Native。 很多项目喜欢给自己贴一个 BTC 标签，但真正做到产品层面的 Bitcoin Native，其实并不容易。 @clawchatglobal背后的逻辑，是基于 OP_CAT Layer 去承载 Social 应用，并把身份、内容、社交关系以及价值流转逐步连接起来。 简单理解：@OPCATLayerCN更像基础设施，@clawchatglobal更像跑在上面的用户入口。 这件事如果最终跑通，我认为意义不小。 因为 Bitcoin 生态现在最不缺的就是“叙事”。 缺的是：普通用户到底每天能用什么？ 如果 BTC 最终只能拿来交易和长期持有，那它依然更像一种资产。 但如果未来 Bitcoin 上真的出现 Social、Gaming、DeFi、AI Agent 等大量日常应用，那么 Bitcoin 才有机会从“资产网络”进一步走向“应用网络”。 @clawchatglobal正好在尝试这个方向。 第三个变量，我觉得可能是未来最大的想象空间：Agent，这一点很多人现在可能还没感觉。 但 AI Agent 一旦真正拥有钱包、身份和自主执行能力，未来的互联网参与者就不再只有人。 可能会出现：人 ↔ 人，人 ↔ Agent，Agent ↔ Agent 那 Agent 需要什么？它也需要身份，需要通信，需要进入社区，甚至需要进行经济活动。 而 ClawChat 从产品设计阶段就强调 Agent-ready，这意味着团队考虑的并不只是“今天怎么把聊天做好”，而是在提前考虑下一代 Social 会长什么样。 官方也提到，Agent 可以作为一等参与者，并通过 sats 进行交互。 这个方向现在当然还属于早期，但投资看项目，我比较喜欢看的就是这种东西： 今天可能不起眼，未来一旦成立，想象空间却很大的变量。 最后再说一个我比较喜欢的地方：@clawchatglobal没有把所有东西都押在“空投”上，EXP、任务、排行榜确实可以帮助冷启动，但真正决定项目能不能活下来的，还是产品。 如果用户只是为了 EXP 进来，奖励结束之后就走，那 Social 网络其实没有形成。 所以我接下来最关注的不是：“今天能刷多少 EXP？”而是：S1 之后，用户还会不会主动回来？ 有没有人持续发 Meow？ 有没有真正活跃的 Group？ Creator 能不能沉淀自己的粉丝？ 用户之间能不能形成真实关系？ 如果这些东西慢慢跑出来，那@clawchatglobal的价值就完全不是一个积分盘可以解释的。 所以现在让我给 ClawChat 一个简单判断：短期看产品迭代，中期看社区留存，长期看 Agent + Bitcoin 的结合。 我比较看好的原因也很简单，它没有只讲一个故事。 而是在尝试把 Bitcoin 的底层能力、Social 的用户场景、Agent 的未来需求慢慢拼到一起，这条路肯定不会特别容易。 但恰恰因为难，才值得持续观察，8,800+ 用户只是一个阶段性数字，S1 也只是一次阶段性验证。 如果 ClawChat 最后能证明： Bitcoin 不只是用来 Hold，也可以成为一个真正有人天天使用的 Social 网络。 那我觉得，这个项目的故事会比“BTC 生态聊天 App”大得多，现在还早，但我愿意继续蹲。 #OPCAT# #ClawChat# #Bitcoin# #AIAgent# @clawchatglobal @op_catlayer @OPCATLayerCN

前天和@潘乱 连麦聊RSS的文字版总结来啦，这期话题不光是考古，文艺气氛也拉满了，我设想的标题方向要么是「Google Reader死去10年了，我很怀念它」这样的，要么是更雷蒙德·卡佛一点的「当我们在谈论RSS的时候，我们在谈论什么」，哈哈哈你们感受一下⋯⋯ 嘉宾也都是见证过RSS兴衰周期甚至参与其中的，分别是豌豆荚和轻芒的创始人、现在经营阅读产品「阅览室」的@jinyu，以及知乎的前COO、目前正活跃着更新Platform Thinking的@neozhang。 在我看来，任何时候聊到RSS这么一个宏大到可以追溯到上世纪九十年代的协议标准，场外信息都一定要比场内信息要多太多了，很难系统性的去把它完完整整梳理清楚，直播本身也无意科普这么一个过气概念，虽然以2013年Google Reader关停为转折点，RSS一直就在小众的悼念和复兴两端循环，但本质上，对它的招魂情结，其实就和对人生里的白月光念念不忘一样，是在追忆那个「迎风尿三丈」的互联网时代，落后，清冷，不好用，但是开放。 只是就连这么一个本着向理想主义致敬的预判，也被证明在很多程度上是连麦前的一厢情愿。 我们都知道，RSS尽管在产品端以阅读器的形式出现、是服务于内容消费者的，但它也在同时得到了内容生产者的认同和支持，无论是个人网站还是独立博客，至少需要供给端提供RSS源的输出，才能实现订阅的功能。 但这不意味着内容生产这个行为，就发生在形形色色的RSS阅读器里，它更像是一个互联网平台角色缺位下的代餐，用尽可能符合直觉的古典方式，去满足了供需两侧的诉求：写的人能把过往未来的所有内容打包到一个链接里随身携带并做分发，看的人可以一站式的订阅自己感兴趣的内容源，且在一个统一纯净的环境下阅读。 RSS的繁荣时期，也是我们耳熟能详的博客/网志成为上网青年们精神食粮的那短暂片刻，一五一十部落、爱枣报、煎蛋、掘图志、连岳、钱烈宪要发炎、土摩托、带三个表、东东枪、可能吧、keso等等，包括博客这种BSP产品成了各大门户网站的标配，罗永浩同样自建了牛博网，加上老中们特有的人情关系，热闹这块属实拿下了。（1/n）

股票转仓看起来只是一个小功能，但它还有一个意义，就是让股票从“被账户锁住的持仓”，逐渐变成可以自由迁移和进一步利用的资产。 现在更新最新版币安 App，就会发现股票那一栏新增了「转入 / 转出」功能。 你可以把其他券商持有的股票转入币安，也可以把币安里的股票转到其他券商。 这个功能补上以后，bStocks 的链路就更完整了： 其他券商股票 → 币安股票 → bStocks → 币安股票 → 其他券商。 同一笔资产，可以在券商、币安和链上之间切换，不需要为了换个平台，先卖成现金再重新买回来。 换个平台这件事，从“一次重新交易”，变成“一次资产迁移”。 这个变化中，股票的资金效率进一步打开了。 一直以来，股票都被留在各自的券商账户中，而且股票、期货、加密资产也往往属于不同的保证金体系，资金彼此分散。 现在，把股票转入币安，再转换成 bStocks 后，符合条件的 bStocks 已经可以作为抵押品进入保证金体系了。 同一份持仓，可以继续获得对应股票的价格敞口，同时为其他仓位提供保证金支持。 目前这一功能主要面向 VIP 3 及以上用户，不过可以剧透一下，很快就会逐步覆盖更多用户。 从资产能不能买，到资产能不能自由移动、能不能继续被使用，这个是 bStocks 更值得关注的方向。

跟随卡神的步伐，我用 Teamily AI 制作了AI 3D 信息源监控网站，集合了所有一手 3D 厂商的最新信息以及各路大神用 AI 建模的神仙玩法 做完最大的感受：Teamily AI 的群里不光有 Agent，还能拉真人进来。几个人 + 几个 Agent 共用一份上下文，一边聊一边接着改，这才叫 Humans + Agents 平台 通过这个网站，不仅可以及时掌握3D建模、blender白模等最新的 AI 3D玩法，还可以很方便的了解opus 5.5、astra 这类模型的3D能力 网站全程在 Teamily AI（ @Teamily_AI ）的群里构建，从调研方案 👉UI设计 👉 后端接入，每一步都接着上一步的结果往下做，不到30min全部搞定，强烈建议有类似需求的朋友可以试试～ 在 Teamily AI 里，你可以把不同 Agent 和一起干活的人拉进同一个群聊，分工完成任务，并在过程中不断提出反馈、调整目标 在我的信息监控网站构建过程中，我觉得Teamily相比常见Agent具有以下特色和优势： 1、将方案规划、UI/UX 设计、后端接入等工作分派给不同 Agent，让每个 Agent 专注于自己负责的部分，职责和交付都更清晰 更关键的是，Teamily内置Loop功能，你可以像我视频中一样搭建一套完整的建站工作流，将前端、后端、测试这些关键环节串起来，最后一个节点是我自己：Agent 改完，我在群里审核通过才发布 第二天我真的又跑了一次：我拉了一起合作的伙伴进群，他在群里提了个新需求，希望去完善整体的UI布局。我一条消息启动 Loop，同一套 Agent 接着改，网站更新成了第二版：相关图标和文字都得到改善。之后若有功能更新需求，直接一键开启loop复用流程就能快速落地了，非常方便！ 2、Agent之间共享上下文，所有项目资料、历史成果和你的反馈都将成为团队共同的工作背景。如果你在建站中途发现整体设计有功能层面的遗漏，直接快速提出意见，各个Agent将及时调整自己负责的部分，省去不少沟通成本，人和 Agent 越用越像一个真正的团队 这或许才是相比当下爆火的Muse、Dots等单一AI助手更适合正式生产工作的AI工具，强烈建议大家有需求的都快去试试！ 网站在这： Teamily 传送门：