最近ㄉ鮑又腫又紅 感覺像生病一樣 看來需要溫度計🌡️進去幫我量一下.. 自己摸一樣 痘痘就好大顆🥹 #決定要找固砲# ⭕️地區不限 ⭕️無套愛愛 ⭕️6🈷️約會 裸聊 送免費福利專區 ⭕️ 一日約會在這裡

MU单日暴跌7%、30年期美债破5%——市场在告诉你一件事：硬件的钱，该换个地方放了 刚刚又看了下存储板块研究了下图，再复盘一下周五的股市情况补充一下昨天今日总结里没说的。 一、先说债市——这才是所有风险资产的根源（下周还要重点关注，是真正站上去，还是假突破被砸下来） 周五最重要的事不是任何个股，是债券。30年期美债收益率周五收盘破5%，创2007年次贷危机前夕以来最高周线收盘记录。 为什么周五收盘重要？日内波动是噪音，周五最后一小时是机构合规再平衡的真实流向。机构在周五疯狂抛售长期美债，这是大资金对通胀失控投下的决定性一票。 本周PPI和CPI数据双双超预期，WTI原油守住100美元上方。在这个环境下，新任联准会主席Warsh说的缩表+降息在数学上已经无法同时实现。流动性收紧是接下来的主旋律。 短期更危险的信号是标普500的股权风险溢价已跌破过去20年历史大底。当无风险美债收益率比高估值股票还香，大资金为什么要留在股市？目前纳斯达克成分股中跌破50日均线的个股比例已创新低，指数还没跌，但地基已经是流沙。上涨在撒谎。 这些听起来虽然很吓人，但是我觉得这个回调还是不看很深哈，这个在推文和评论区已经说了很多次了。标普两个目标位：第一目标7250，第二目标7070。纳斯达克100两个目标位：第一目标28000，第二目标26800。回踩后接着做多。 二、MU为什么周五暴跌7% 1. 技术面：说白了就是涨太多了。 MU从低点累计涨超170%，费城半导体指数整体已较200日均线偏离62%。美银分析师早已公开指出这个偏离度极度危险，均值回归只是时间问题。杠杆多头和动量追随策略（CTA）在高位堆满了筹码，地基极不稳固。 2. 消息面：三星和解，稀缺性逻辑瓦解。 此前整个DRAM板块大涨，押注的核心逻辑只有一个：三星大罢工→HBM彻底断货→内存价格飙升。周六凌晨韩国方面正式宣布：由于韩国政府强硬介入，三星管理层紧急撤换谈判代表并公开道歉，宣布周一重启薪资谈判。市场总是比新闻快半步，周五尾盘的放量跳水，和周六凌晨三星和解消息的时间差，值得细品。 三、一旦周一三星达成和解，踩踏会怎么发生？ 这是目前手握DRAM多头仓位最需要认真对待的推演。 第一步：超额下单停止 前阵子因为害怕三星断货，微软、谷歌、Meta等云端巨头都在疯狂超额下单、囤积内存库存（Front-loading）。一旦周一三星宣布和解，这些巨头会立刻放缓拿货节奏，甚至反手要求供应商压价。需求端的虚假繁荣瞬间戳破。 第二步：现货价格面临下杀 HBM断货预期消失，DRAM现货价格失去最核心的支撑逻辑。供需缺口收窄的预期会让买家重新获得议价权，价格下行压力将快速传导至MU、海力士等股价。 第三步：量化止损触发，多杀多踩踏 这是最危险的环节。MU高位的仓位结构以杠杆多头和CTA动量策略为主——这类资金没有价值判断，只跟趋势。一旦稀缺性没有了，价格跌破关键技术位，量化模型自动触发止损，大量卖单在同一时间涌出，形成多杀多的踩踏。 这不是在唱空MU的长期基本面，而是短期仓位结构极度脆弱的现实。 四、钱去哪了——网络安全和软件接力 周五大盘弱势，但有两个板块在逆势狂飙：网络安全和软件。软件这两天已经说烂了，就不说了，就说说网络安全吧。 CrowdStrike、Palo Alto Networks月内逆势大涨20%，周五继续创历史新高。 为什么资金会流向网络安全？ AI越发展，需要保护的数据和系统就越多。网络安全不是被AI替代的那个，它是AI时代必须存在的底层基础设施。别人吃肉，网络安全在底层收费。这和我之前说的软件板块回归逻辑完全一致——硬件拥挤度接近历史极值，软件和网络安全估值被压制。资金自然就轮动到估值更有吸引力的地方。 总结： DRAM的稀缺性逻辑正在瓦解，踩踏窗口可能就在周一开盘。硬件的钱在找新家，网络安全和软件是目前最明确的目的地。债市的警报还在响，不要在高位加硬件仓位。 #MU# #美光# #三星# #网络安全# #CIBR# #美债# #半导体# #板块轮动# #美股分析# #PANW# #CRWD#

Kumori的第一屆互動攝影會開放報名囉ᐠ( ᑒ )ᐟ.ᐟ.ᐟ 這次為了彌補酒曇們之前場次搶不到號碼牌互動的遺憾，Kumori決定首場就在台中試辦看看，這樣北中南的酒曇都方便參加，希望能跟大家好好見面(｡•̀ᴗ-)✧ 現場有吃有喝能盡情拍Kumori ，拍照結束還有個人互動時間喔！ 時間地點： 7/18 台中(近捷運站)具體位置保密|っ˘ω˘ς) 活動詳細內容請見表單，名額有限要搶要快 白色上半場｜黑色下半場 若有需要更改報名場次請聯繫s1002661@gmail.com 要來找Kumori喔 ლ(́◕◞౪◟◕‵ლ) 報名連結：

不得不說這個處男弟弟體力真的很好.. 一個晚上三次真的害我下床雙腿都發軟 好像也很久沒有從推找人來約約了 決定再舉辦活動讓每個人都有機會🥰 - - - 👉🏻👉🏻特別回饋粉絲福利👈🏻👈🏻- - - - 從追蹤名單中找一日男友對象🩶❤️ #轉貼# #愛心↩️↩️更有機會被選中# #溫馨體醒打開私訊# #要好好把握唷# ❗️

思考賺錢股票的賣出時點，那是個很頭痛的事，但有一派投資人，專門買「只要做一次決定」的股票，他們從來不傷腦筋什麼時候賣股票，因為這個只要做一次的決定，就是買與不買，買了就天長地久的抱著。光看這個描述，你大概就要笑出來了吧，「傻子」，但你知道賈伯斯回宮蘋果，那已經是將近三十年前的事，對投資人來說，如果那時就抱著蘋果股票一直到現在，那和天長地久也沒什麼兩樣，而微軟上市是四十年前的事了。不用我算給你聽，你也知道，如果投資組合裡有微軟和蘋果這兩個one-decision stocks，不用四十年，你能抱個二十年，你就已經是萬中選一的投資高手。 所以我說「作手回憶錄」是經典，但真正要在股海幸福快樂，得學巴菲特。就像如果有人要品評歷史人物，許多人講三國，三國人物又多又各有千秋，講評下來多過癮，但我要告訴你，這些三國的人物，沒有一個比得上非常無聊的孔老夫子，因為非常無聊的孔子，才是真正千年不衰的歷史重要人物，諸葛亮、曹操算個屁。同理，Jesse Livermore永遠沒辦法比得上巴菲特。巴菲特的投資哲學非常複雜，但有一點讀者要認清楚，巴菲特不是價值型投資人，所以不要把話放在我的嘴巴，說我要人家不要買狂飆股，而是要買價值型股票。No, no, no，價值型投資人可能比「作手回憶錄」的Jesse Livermore還要來得更不快樂，因為他們多數的時候，都是錯的，都在對抗全世界，都在孤芳自賞，所以非常不快樂。 只買「只要做一次決定」股票有很多的好處，第一，因為一戰定江山，所以下注前就要思考很久，對產品和市場，還有經理人有十足的了解，只要懂，就會有信念，就會風雨不驚。第二，不能多，也無法多。一方面這種天長地久股票本身就已經很少，另一方面，少少的選擇，才有辦法不過份分散，才能賺到大錢。第三，只買不賣的話，就不會受到短期的股市榮枯影響，心情穩定，財富逐漸累積，而不是暴起暴落，心裡才能快樂。第四，只買不賣，沒有資本利得稅的問題。第五，只買不賣，不用擔心賣股後要換什麼股票。 好處多多，但這種「只要做一次決定」的投資哲學，不適合每一個人，尤其是喜歡刺激的人，這麼無聊的遊戲，玩不下去。但朋友呀，要刺激，人生還怕找不著管道嗎？為什麼要和錢開玩笑呢？

一開始他是做空的，達拉斯城裡有很多辦公樓，都是玻璃帷幕，從外面可以清楚看見裡面的那種，他的朋友帶他遠看這些辦公樓，裡面都沒有人，他心想，不做空，難道要做多嗎？所以在1985年，Shad Rowe自己開始創業做投資，他賣空銀行股和建商，賺了些錢。那時候做空，不但不用付利息，券商收你質押的公債，還付你利息，然後在稅法上，還讓空頭可以拿多頭的股票來抵，沒有什麼資本利得稅的問題，所以算是對做空的投機客，相當有利。但是看起來有利，做起來卻有可能傷害身心健康。空頭永遠都在等公司爆掉，但是再爛的公司，真要爆掉的時點也很難預測，所以Shad Rowe經常心情不好，但他的母親與他相反，總是非常樂觀，總是可以找到一些點來安慰他，她說，「別擔心，遲早這些公司會爆掉」。就是這樣心裡的不健康，讓Shad Rowe開始思考不要做空，要開始做多，至少不用再冀望別人爆掉，詛咒別人惡運。當他開始轉多的時候，他乘著西南航空剛開始的順風起飛，大賺一筆，慢慢地讓他相信，唯有巴菲特的那種投資方式，才能在股市賺錢又保持身心愉悅。 Shad Rowe也喜歡逛好市多，Costco代表的就是他的新投資哲學，能用「更好、更快、更省」的方式來照顧客戶的消費產品，就是他的投資目標。這裡面有一個有意思的觀點，Shad Rowe認為，公司經理人，永遠都比股東知道得更多，對公司經營有更多的掌控，所以如果經理人要騙投資人，那投資人還真得很難對抗。不能投資這種蓄意欺騙投資人的經理人，但我們要怎麼找到讓人信賴的經理人呢？會想盡辦法對客人、對員工好的經理人，就是比較可靠的公司，就比較可能長期持久而不用擔心被騙，因為這代表了經理人不是把自己的短期私利放在第一位。 Shad Rowe當然不是價值型的投資人，他看好的股票，不是被低估的那種，而是有成長潛力的股票。在尋找能讓客戶得到「更好、更快、更省」的產品的公司時，他還注重一點，「可以放大增長scale up」的能力。對於這一點，他也有一個很直觀、簡單的看法，所謂的「全球化」就是「美國化」，一旦在美國市場站穩腳步，就可以攻佔全球的市場，消費性產品像麥當勞、星巴克如此，科技產品更是如此，所以他專買那些很「無趣」、很大的美國高科技公司，全世界人都耳熟能詳的蘋果、谷歌、微軟、亞馬遜等等。 Shad Rowe信奉「只需一次決定」的投資方法，一旦看好股票，買好部位，就放著不管。他經營一個hedge fund，長期持有十幾支股票，公司管理階層只有他一個人，反正他的買賣次數極少，也沒有什麼費用，所以他也沒向投資人收管理費，只有獲利抽成12%(遠小於業界的20%常規)，經營了四十年，沒有賣出，就沒有資本利得稅，連報稅都單純，完全是我夢想的資金經理人模式。不過Shad Rowe在2024年過世了，巴菲特級的神人又少了一個。

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。