AI家谱生成：家族故事+族谱图，一单199-599元 客户提供家族信息，AI生成家谱图、家族故事、祖先画像 工具：DeepSeek+Canva+Midjourney。 中老年用户对家族传承有强烈需求

Benchmark 合伙人 Bill Gurley 的投资建议，感觉前二对 Crypto 也适用: 理想的创始人画像：对某个垂直行业门儿清，同时又是各种 AI 工具的重度用户。 去网上看看 Anthropic 和 OpenAI 的人在公开谈什么，然后远离，真正安全的是那些偏离主路径的深度垂直领域。 当前机构投资者对非 AI 项目的兴趣为零。如果你天使轮投了一个非 AI 项目，指望它将来还能融到钱，在当前环境下几乎不可能。 保护自己不被 AI 淘汰的最好办法，就是让自己变成最会用 AI 的那个人。 晚上你是想追《绝命毒师》，还是想读这个领域的东西？如果你选了后者，而且读的时候真的感到兴奋，那说明热情是真的。真正的热情在你自己的空闲时间里也会冒出来，不需要人督促。 当越来越多的内容可以被 AI 生成，人们反而会更渴望"只能在现场体验"的东西——这类资产会升值。 全文

一个人做账号，早上翻热榜找选题，中午写文案做封面，晚上剪视频，发完 6 个平台还得挨个看数据，一天就这么没了。 Easel 是浙大和北大两个实验室做的社媒运营 Agent，跑在 OpenClaw 上，发现热点、策划选题、做图做视频、发布、复盘五步串在一个工作流里。 它给每个账号建一份画像，定位、受众、风格、平台限制和历史表现都记着，发出去的数据回收后再沉淀回画像，下次生成会更贴账号。 GitHub： 112 个 Skill 都是真能跑的脚本，成品直接写进目录。文案、知识卡、海报、信息图、配音、声音克隆、字幕、剪辑、AI 短剧都有，一份母版能改成各平台的形态。 热点雷达聚合微博、抖音、知乎、B 站、百度、头条的热榜。发布支持小红书、抖音、快手、知乎、B 站、视频号 6 个平台，带发布前检查和敏感、版权风险核对。 带 Web 工作台，会话、素材、账号、内容库、日历都在里面管。README 里自己提醒小红书对自动化操作查得严，建议预览后手动发，这点说得挺实在。

量化数据，美股纳指100成份股已经很少能选出趋势良好的个股了，但A股成长100 自由现金流100 价值100三百只个股，选出的还比较多，Ai主观选出的全是AI科技，量化打分要客观一些： 一 强势数据排序 |标的筛选|有效评分标的总数|9 只 |标的评分|复合量化评分排序|['002056', '002303', '688432', '688548', '603268', '688181'] |标的过滤|模拟建仓条件匹配|['002056', '002303', '688432'] | 候选标的|['688548', '603268', '688181'] 二 核心标的指标 |历史数据模拟结果，不代表未来表现，不构成任何投资建议 交易决策依据| ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 股票代码 上涨概率 胜率 盈亏比 因子IC均值 布林中轨斜率 复合评分 ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 002056 84.27% 52.67% 1.09 0.0179 0.235187 0.5766 002303 62.12% 59.96% 1.35 0.0100 0.020693 0.5267 688432 86.98% 52.93% 1.22 -0.0794 0.559177 0.5205 688548 86.49% 58.86% 1.15 -0.1446 0.485498 0.4743 603268 84.90% 50.49% 1.12 -0.1195 0.328194 0.4683 688181 85.68% 51.05% 1.04 -0.1443 0.502905 0.4513 ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 三 模拟交易执行记录 |模拟买入执行|开始执行新标的买入... |资金状态|初始资金: $100,000.00 | 当前现金: $100,000.00 | 持仓占用成本: $0.00 | 可用现金: $100,000.00 |当日卖出记录|今日已卖出标的|[] |模拟买入执行|002056 | 价格:30.95 | 数量:969 | 金额:$29,990.55 | 止损:27.02 | 止盈:32.50 | 胜率:52.67% | 上涨概率:84.27% |模拟买入执行|002303 | 价格:4.15 | 数量:7228 | 金额:$29,996.20 | 止损:3.82 | 止盈:4.36 | 胜率:59.96% | 上涨概率:62.12% |模拟买入执行|688432 | 价格:46.14 | 数量:650 | 金额:$29,991.00 | 止损:39.11 | 止盈:48.45 | 胜率:52.93% | 上涨概率:86.98% 四 DeepSeek 博弈分析画像 (AI自动生成 | 仅供参考，不构成投资建议) 股票代码综合评分建议买入价悲观止损乐观止盈模拟仓位行业与盈利模式分析逻辑（乐观 / 悲观 / 综合） 68843288 $46.14$42.50$52.0035.0%半导体设备零部件龙头，受益于国内晶圆厂扩产及国产替代加速，盈利模式以高毛利定制化零部件销售为主，未来3年受益AI芯片需求增长，护城河在于技术认证壁垒和客户粘性。乐观论据: 概率87%最高，动量强劲且价格处于上升中枢上方，自由现金流充裕支撑研发投入，列斐伏尔趋势动量与缠论第三买点共振，权重70%。 悲观论据: 估值偏高，若全球半导体周期下行或中美技术封锁加剧，可能触发止损，权重30%。 综合结论: 净乐观，高胜率+强动量+行业景气，score=88 68854886 $48.01$44.50$54.0030.0%半导体材料细分龙头，主营光刻胶及配套试剂，盈利模式依赖高壁垒产品溢价与客户验证周期，受益于国产替代与AI芯片先进制程需求，护城河在于配方专利与量产稳定性。乐观论据: 概率86.5%接近高位，价格站稳近期中枢上沿，成交量温和放大，巴菲特视角下自由现金流支撑扩产，列斐伏尔动量持续，权重70%。 悲观论据: 行业竞争加剧，若下游晶圆厂产能利用率下滑，可能影响订单，权重30%。 综合结论: 净乐观，高概率+稳健动量+材料国产化逻辑，score=8 668818184 $52.33$48.50$58.0025.0%半导体测试设备供应商，盈利模式以ATE测试机销售及服务为主，受益于AI芯片与先进封装测试需求爆发，护城河在于技术迭代能力与客户认证周期，未来前景受国产替代推动。乐观论据: 概率85.7%较高，价格处于上升笔段中，缠论结构未破坏，自由现金流充裕支持研发，巴菲特护城河稳固，权重70%。 悲观论据: 市场情绪偏热，若短期获利盘涌出或行业政策扰动，可能回调，权重30%。 综合结论: 净乐观，高概率+技术形态健康+行业景气，score=84 5.1 当前模拟持仓 当前持仓列表| 股票代码 | 买入价 | 最新价 | 模拟持仓数量 | 模拟占用资金 | 模拟仓位比例 | 上涨概率 | 胜率 --- | --- | --- | --- | --- | --- | --- | --- 002056 | 30.95 | 30.95 | 969 | $29,990.55 | 29.99% | 84.27% | 52.67% 002303 | 4.15 | 4.15 | 7228 | $29,996.20 | 30.00% | 62.12% | 59.96% 688432 | 46.14 | 46.14 | 650 | $29,991.00 | 29.99% | 86.98% | 52.93% 当前模拟持仓汇总|总仓位比例 89.98% | 剩余可用资金 $10,022.25 | 账户总价值 $100,000.00 5.2 模拟策略核心绩效指标(暂无)

被低估的真相：Agentic AI 是一场以"存储"为中心的范式革命 1/ 一句话观点 Agentic AI 的核心，不是算力，是记忆。 新硬件层级正在变成： ① 记忆（HBM / DRAM / NAND） ② 并行计算（GPU / ASIC） ③ 协调者（CPU） CPU 早就不再承担主要计算逻辑。 2/ 第一性原理 人类对"智能"的终极追求只有两件事： 无限记忆 + 无限计算。 我们日常评价一个人聪不聪明，无非两点： "记性好" + "脑子转得快"。 机器智能在沿着同一条路前进。 3/ 先说市场已经讲过的故事：HBM LLM 推理的 decode 阶段是典型的 memory-bound 任务。 每生成一个 token，都要把整套 KV cache 从显存里搬一遍。 带宽不够 → 昂贵的 GPU 直接闲置。 这就是为什么 GPU 每升一代，HBM 的带宽和容量都在追着涨。 4/ 市场没怎么讲的故事：1M context 不是在 GPU 集群里组装的 我们天天说的"1M context"，并不是在 AI 推理集群中拼出来的。 它的真正组装地点，是 跑 Agentic 系统的传统服务器（CPU + 大 DRAM）。 5/ 那些传统服务器在做什么？ • 加载用户的长期 / 短期记忆 • 加载 agent 的系统规范（system prompt） • 加载 skill / tool / subagent 的说明 • 拼到超过 1M token 时，还要做压缩 这一整套，全部跑在 Agentic 服务器的 DRAM 里。 6/ 对比过去的互联网 / 移动互联网 过去几乎不处理用户上下文。 只有搜索 / 推荐 / 广告才会留一点用户画像， 数据量大概只有现在 Agentic 系统的 1/20，甚至 1/100。 7/ 供应链已经在反映这件事 服务器的 CPU : DRAM 配比，正从 传统的 1 core : 4 GB 升级到 1 : 16，并继续往上走。 8/ 但远不止"4 倍存储"那么简单 Agentic 状态下，单颗 CPU 能服务的用户数，只有过去的几分之一。 当整个 IT 都切到 Agentic： • CPU 数量：增长 几倍 ~ 十几倍 • DRAM 总量：增长 几十倍 ~ 上百倍 9/ 结论 Agentic AI 是一次以 "存储 + 并行计算" 为核心的范式迁移。 软件范式变了，硬件范式也跟着变。 只有真正读懂技术的人，才会理解： 这一轮存储不是周期，是范式。 10/ 时间维度 考虑到： • 人群渗透率还很低 • 单用户使用深度还很浅 未来至少 5 年，看不到这轮存储需求的周期顶部。 （拉长时间看万物皆周期，但这一轮远没到拐点） $MU $DRAM $SNDK

做 AI PM 的朋友，可以看看这个产品的反思。 一个特别明显的感受是，几乎所有移动互联网时代发展起来的产品，现在都在思考同一个问题：怎么把成熟产品进一步 AI 化。 这件事挺难的。 AI 化稍微激进一点，用户可能会疯狂吐槽。因为很多产品大家已经用了十几年，原来的交互方式和使用习惯早就形成了。你一下子改变使用方式，很多用户肯定会不适应。 但反过来，完全不做 AI 探索也不行。AI 带来的新交互和新能力，会直接影响产品未来的竞争力。 今天看起来用户还习惯原来的方式，但哪一天习惯真的发生变化了，再追可能就晚了。 前段时间我跟飞猪的朋友聊了一下他们最近在做的事情，感觉还挺有启发。 飞猪同样也是移动互联网时代发展起来的旅行产品，现在也在重新思考刚才那个课题。他们之前的问一问也有过一段时间的热度，现在最新的 AI 叫飞猪帮帮。 具体产品我就不展开介绍了，大家感兴趣可以自己去看。 目前看这个产品形态肯定也不是终局。但我觉得他们探索过程中的思考还是很有价值。 一个成熟产品真的开始往 AI 方向优化的时候，很多以前只停留在概念里的问题，都会变成非常具体的产品和技术问题。 他们在这个过程中积累的一些经验，我觉得挺值得记录下来。 乍一看，飞猪是在一个成熟产品上做 AI 化，但它的底层逻辑，和今天的 Coding Agent 非常像，都是模型 + Harness + Memory。 Coding Agent 调用的工具是文件系统、终端、浏览器，旅行 Agent 调用的工具是机票报价引擎、酒店库存系统、景区数据接口等等。工具不同，架构是同一套。 我们看到的所有成规模的 Agent 产品，最后都会收敛到这个结构上来。 没聊之前觉得这事很简单，不就是在已有接口上接一下模型 API 嘛，聊完之后才发现远远不止于此。 他们甚至连模型都是自己在开源模型基础上微调的。因为只靠调用通用模型的 API，有很多问题没办法解决。通用模型不能理解具体的业务逻辑，需要加很多规则做限制。 而且更麻烦的是数据安全没办法保证，没有谁愿意把自己的业务数据交给通用模型，这对用户也不负责。 所以，他们搭建了自有的训练环境和数据管线来做后训练，在开源模型的基础上训练出面向旅行场景的自有模型。这一点我完全没想到。 旅行产品本身有自己的表达方式和业务经验。比如一个用户跟 AI 说我周末想出去放松一下，模型如果机械地理解周末，可能会安排周六一早出发。 但对一个上班族来说，很可能想的是周五晚上下班直接走，或者周六睡个懒觉再出发。这些是这个行当里默认的经验，需要通过后训练固化到模型层面。 如果靠规则来约束，推理的时候效果就会差很多。 作为一个成熟的产品，飞猪手里本来就有大量旅行场景的数据和任务，通过后训练让模型慢慢理解这些需求，效果就会好很多。所以，他们在后训练上花了非常多功夫。 具体的做法是把真实的旅行场景建模成智能体编程的任务，让模型在真实工具调用的环境里学习。 而且因为旅行和电商不太一样，价格和库存都在快速变化，差一分钟问同一个问题正确答案可能完全不一样，所以训练环境必须是在线的、实时的。 这类模型也不需要追求智能的上限，甚至不需要做那么多轮次的推理，毕竟用户等不了那么长时间。要不然用户着急买机票呢，还得等 50 秒的推理，谁能有这耐心。 跟上一代做移动互联网产品一样的逻辑，每慢一秒，用户就会流失一批。 模型是大脑，但光有大脑根本不够。真正做成产品，还需要在模型外面加一层 Harness，负责工具调用、规则约束和结果校验。 比如像刚才说的旅行场景里，机票价格和库存一直在变化，这些信息不能让模型凭记忆生成。 模型理解完用户需求之后，必须去调用真实的机票库存和交易系统，最后展示给用户之前还要做一次校验，确保价格、库存这些关键信息仍然有效。 所以我现在越来越觉得，很多垂直 Agent 的技术路径，其实跟 Claude Code、Codex 这类 Coding Agent 非常像。 底下是模型，上面是 Harness。真正的产品能力，很多苦活累活都在 Harness 这一层。所有的 Agent，架构应该都会趋同：模型 + Harness + Memory。 有一些规模不大的 Agent 可能模型可以直接用通用模型 API，但上层的 Harness 和记忆肯定是得自己做。 所以 Agent 产品真正的苦活累活都在 Harness 这一层。模型解决的是理解和推理，但现实世界里的数据校验、异常处理、兜底逻辑，全得靠 Harness 来扛。 哪怕是规模不大的垂类 Agent，模型直接用通用的也能凑合跑起来，但 Harness 和记忆这两层一定得自己做。 Agent 的架构上，他们之前的思路更偏 Multi-Agent，把功能拆得非常细。 酒店一个 Agent、机票一个 Agent，每个 Agent 负责一件事，上层有一个总 Agent 负责编排和调度。 这个思路问题是 Agent 一多，上下文需要在不同 Agent 之间不停传递，容易出现信息丢失，调用链路也非常长，产品出了问题还非常难排查。 现在，他们结构精简了很多。随着模型能力快速进化，在做好 Harness 的前提下，一个 Agent 现在可以同时负责几件事。 即便是面对机票、酒店、门票这些库存性质和使用规则截然不同的品类，一个 Agent 也可以灵活调用机票查询、酒店查询、门票查询、Web Search 等工具来包办。 最后是 Memory。飞猪在记忆这块做了三层：长期记忆、中期记忆和短期记忆，能够把用户跨时间的行为和偏好整体关联起来。 用户喜欢住高档酒店，喜欢坐某个航空公司的航班，这些东西跟 Agent 说一次就好了，如果每次都要重复，用户就很毛躁。 我理解他们三层记忆的分工是这样的。长期记忆是用户画像和长期偏好。中期记忆解决跨会话的问题，比如这几天已经讨论过一次去日本旅行的事，下次再聊 AI 还是知道的。 短期记忆就是当前会话的信息。 这套机制和 ChatGPT 的记忆逻辑也类似。大家感兴趣的话，也可以查查。 另外，我想再说下对于交互的思考。几年前经常看到一种判断，有了大模型之后，LUI 也就是自然语言交互会慢慢替代 GUI。现在来看这个判断过于乐观了。 在一个成熟产品里，用户惯性非常大，而且 LUI 在很多场景里其实比较低效。包括 ChatGPT，我们看到它自己也在 LUI 里融合 GUI，说明这两种交互各有擅长的场景。 需求已经非常明确、追求精确的时候，GUI 很好用。打车就是一个典型例子，已经知道去哪了，地图上输两个字，选一个位置，弹出列表，点一下，选择车型，搞定。 如果这些步骤全部改成对话，体验反而更差，速度也会慢很多。 但碰到模糊需求或者条件非常多的时候，LUI 的优势一下子就出来了。比如想找一张机票，要求从迪拜中转，最好是过夜航班，不需要过境签，两段航班尽量是同一航司。 这种需求在 GUI 里不停地筛选，整个过程非常痛苦，但用自然语言一句话就能说清楚。 飞猪帮帮的做法就是把 LUI 和 GUI 融合在一起。用 LUI 来驱动 GUI，达到更丝滑的搜索和筛选效果。 到现阶段，客观地看，对于大部分产品来说，GUI 才是主体，LUI 是给用户增加一种以前没有的表达需求的方式。直接一把梭哈纯 LUI，实在是为了 AI 而 AI。 很多人觉得做 AI 原生应用就得是纯 LUI，这完全没有 get 到要点。原生不原生只是一个概念，最终还是要以满足用户需求为基础。 所有成熟产品，都得重过 AI 这一关。

前天，IREN宣布签署总价值 28亿美元 的多年代理AI云合同，并将2026年底AI云年化运行收入（ARR）目标从37亿美元上调至 超过40亿美元（其中85%已签约）。这一消息不仅推动股价大涨，更传递出一个清晰的市场趋势：AI算力需求正从顶级frontier labs向更广泛客户群外溢。 IREN的新合同主要来自 Perplexity（AI搜索）、Figure AI（物理AI与机器人）、Together AI、Fireworks AI、Fal AI、Hume AI 等专注领域AI公司，以及一个未具名的领先AI开发商。加上此前已有的 Microsoft 和 NVIDIA，IREN的客户画像已覆盖： Hyperscalers（超大规模云厂商） 专业AI开发商 企业级用户 公司明确表示，正在“broadening our customer base across hyperscalers, enterprises and AI developers”，并优先选择多样化分配容量，避免过度依赖少数巨头。 IREN在公告中指出，“hyperscalers、enterprises、AI developers and frontier labs”的需求持续超过其可用和计划容量。过去一年，其自建AI云容量从约3MW激增至2026年交付480MW，2027年目标1.2GW，仍供不应求。 这说明前沿实验室（frontier labs）仍是重要驱动力，但其需求已无法独占新增容量。 大量中层和应用层AI公司（推理、专用模型、机器人、生成媒体等）开始大规模锁定长期GPU资源。 许多合同包含客户预付款（约占GPU资本支出45%），显示买家意愿强烈且愿意承担前期成本。 IREN的案例是AI基础设施热潮的缩影：算力短缺正从“顶级玩家军备竞赛”扩散至整个AI生态。这对数据中心运营商、GPU供应链和新能源行业都是长期利好，也意味着AI商业化落地正在加速。 随着更多公司加入“算力抢夺战”，2026-2027年将成为AI基础设施大规模部署的关键窗口。IREN的故事，或许只是行业多元化浪潮的开始。 免责声明：本人持有推文题及资产，观点充满偏见，非投资建议dyor

2026 Q2 agent专项融资占全部AI融资的47%。agent基础设施在蓬勃发展的同时，也在加速整合和落地应用～ 各大巨头相继在AI+Web3布局，支付基础设施（如 Stripe MPP、Coinbase x402 和 OKX APP）定位为价值传输的金融高速公路，解决 Agent 如何安全、gasless 将钱从 A 传到 B 的问题 支付是基础层，A2A 是应用层。与之互补，A2A Commerce Protocol定位为商业协作的完整市场框架，在支付基础上添加发现（谁能提供服务）、协商（怎么定价）、声誉（是否靠谱）和原子结算，形成 Agent 间的“端到端商业闭环” 这两块的整合也在悄然进行。细心的朋友会发现，近期上线OKX boost @okxchinese 的 pieverse @pieverse_io 正是A2A Commerce Protocol的典型。不仅如此，OKX战略级产品Onchain OS Skills 已嵌入 Pieverse 的 Purr-Fect Claw 生态，实现钱包行动、市场情报、交易和 x402 支付的无缝融合 /// 为什么说pieverse等agent运行时层能真正加速Agent应用落地？ 想象一下，当AI Agent塞进了咱们经常用的聊天软件（LINE、WhatsApp等），你去奶茶店直接和Agent说“点一杯珍珠奶茶，无糖去冰”，Agent确认订单，钱自动付了，商家收款到账。自然融进了我们的生活，比现在点单还方便 这不是未来，这是Pieverse台北奶茶店试点正在做的事。不仅如此，未来用户和商家使用聊天软件下单，Agent自动记录偏好（爱甜不爱酸？常点大杯？），后台生成CRM数据（客户画像）、订单管理（实时库存/打印小票），甚至忠诚度系统（自动发优惠券）…… 如何高效根据不同任务选择合适的模型，则通过智能调度中心Pieverse AI Gateway作为统一的LLM端口实现，真正达成agent间更智能、个性化的模型分配 👉围观入口：llm. pieverse. io 假如这个模式验证成功，相信不久的将来能复制到更多区域、覆盖更多场景，真正加速Agent应用落地

感觉 VelvetX 现在最值得看的，已经不是功能有多少，而是它能不能把隐私和交易可靠性一起做好。 @velvet_capital 把钱包追踪、KOL持仓、AI分析和交易执行放进同一套产品里，确实把DeFAI体验往前推了一步。但13M+代表的是被索引的钱包地址，不是1300万真实用户，这个概念不能混淆。 链上历史交易可以公开查询，可平台生成的持仓画像、交易习惯、研究记录和未执行策略，应该由用户自己决定是否保存、导出或删除。尤其隐私能力目前还在路线图阶段，这会直接影响长期信任。 同样重要的还有订单可靠性。用户点击一次后，系统必须明确显示已提交，并阻止重复操作。订单失败、卡住或部分成交，都要有清楚的状态和恢复路径。 DeFAI真正的竞争力，不是让AI替用户做主，而是把复杂流程变简单，同时保证每笔交易有结果、每份数据有边界。

讲起 VelvetX 其实它最值得关注的，不只是把聪明钱追踪、社交信息流、AI 分析和交易执行放到一起，而是它正在尝试重新定义链上交易工具。 13M+ 指的是被索引的钱包地址，不是用户数量。链上交易本身公开，但平台根据数据生成的钱包画像、持仓偏好、研究记录，甚至用户还没有执行的策略，显然不应该被当成普通公开信息处理。 所以我接下来更关注的，不是排行榜有多热闹，而是用户能不能关闭追踪，数据能不能导出、删除，未执行策略能不能得到真正保护。隐私功能现在还在路线图里，这部分决定了产品能不能建立长期信任。 从产品方向看，@Velvet_Capital 也不只是想做一个交易界面。现货、合约、多链管理、AI Copilot 是给普通用户用的，API、MCP 和策略工具则是在为开发者和 AI Agent 铺路。 未来用户可能只需要提出交易目标，Agent 负责查数据、筛资产、做风控和生成路径，最后由用户确认执行。到那时，真正有价值的平台，不是功能堆得最多，而是谁能提供稳定的数据、策略和执行能力。 Velvet 值得观察，但没必要为了激励过度交易。工具好不好，最终还是看它能不能解决真实需求。