我刺青經驗不多，但兩次都被照顧得很好 這個膜很重要 昨天刺完回到家正常洗澡，今天邊角維持緊繃，完全防水 據說這個膜的品質落差不小，我的確也看過朋友隔天就脫落一半的😅 刺青相關問題找：@Vice_1229

到目前為止 還沒人能在我手上撐過10分鐘 良心建議真的經驗不夠的先吃顆威而鋼 不然…一個不小心可能就會被我榨乾🤣 #10分鐘的惡夢# #就問有誰想挑戰# -

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。

說實話， 我真的不理解為什麼大家都有興趣跟陌生人做愛； 自己以前的經驗， 網路陌生約愛出來的男生，先不論外表單做愛這塊，10個有12個做起來都是無感 + 早洩，然後還會很尬的問：爽不爽！ 覺得虧爆，說好出來爽，到底爽在哪，明明沒感覺但不好意思戳穿只好免費演戲 🙃 約愛什麼的，完全沒興趣

我批評了許多大學教育的問題，但如果我可以做得到，我想要給學生一個什麼樣的教育？在我自己能掌握的財務學課堂裡，如果沒有任何的限制，來上我的課的學生，怎麼樣可以滿載而歸，不虛此行？ 如果可以的話，最好的財務學教育，是讓學生戴上一副VR頭框，進入一個虛擬世界，在那個世界，可以有一個在華爾街從事金融分析師，讓我的學生看著他的日常工作，如何分析一個未上市股票，如何寫一個投資分析報告，從找資料開始，到運用公司提供的工具，像學徒一樣，親身經歷從零到一的完整分析過程。也不一定是分析師，也可以是面向投資人的業務經理，或是投資組合管理經理，或是一個小投資顧問公司的投顧，或是大公司負責投資管理的經理、分析投資計劃的課長，諸如此類。只要可以讓學生實作上一次，那就遠超過任何課堂授課、教科書章節可以帶給學生的學習經驗。而大學最重要的任務就是讓學生摸索出生涯方向，在安全的環境裡成熟變大人，那如果有這樣的一堂虛擬課，學生很快可以知道自己是不是適合吃財務這行飯，這不就是未來高等教育的完美模樣？ 當我天馬行空的想了這樣的未來，我不禁地想，如果AI的工具，已經如此出神入化，我為什麼不能真的建構這樣的一個課程？

約炮的路上要怎麼變強？ 當你每天都在練習聊天、也每次檢討自己為什麼得不到女生回應，持續累積經驗的話，肯定會找到跟自己頻率對的朋友！ 順帶一提的是，一開始約炮的時候心態真的要強，但一直用粗暴或自私的去接近，失敗幾次以後，很快就會放棄了，變得只能看別人約.. 如果你不知道自己的問題在哪裡？ 那或許你可以加入我們一起討論 #技巧交流#

有一次坐飛機，旁邊坐了個年輕黑人媽媽，帶了個小孩。因為是廉航，連飲料都要錢，起飛後沒多久，服務生就來賣東西，黑人媽媽問了可不可以刷卡？知道可以後，她要了條巧克力給小孩，付錢的時候，她說「我只有Apple Pay，不知道能不能用？」也沒有真的把手機交出去刷刷看，白人服務生說，Don't worry about it，就走了。這一黑一白唱的雙簧，有點嚇了我一跳，我知道很多黑人有entitlement的心態，覺得「世人都欠我」，但親眼看到這場演出，還是很震驚，這個白人服務生的反應，是我最震驚的地方，不吵不鬧，好像已經看過千百遍，習以為常了。但我還是要說，黑人這樣作賤自己，不是見計得逞，心裡該高興，而是被人當成次等人，應該要生氣。為什麼對作為一個自由人應有的責任，如此輕乎？ 我上一篇說俄羅斯在二戰前後，因為缺乏男丁，所以國家開始鼓勵非婚生子女，只要有小孩，不管是怎麼來的，都好，於是造成聖彼得堡、莫斯科這些大城，有近一半的小孩是非婚生子女，俄國社會文化因此發生重大改變。俄國女人變得堅強，不但要工作，還要負擔全部家庭責任，男人像寶一樣，不能要他們幹活，不能要他們負責任，有點像國民黨選民面對國民黨政客一樣，女人還要打扮好自己，隨時取悅男人，爭奪男人，不然就不用想生小孩。俄羅斯男人早死，之前死於戰爭，現在死於酗酒、吸煙、危險駕駛、暴力事件等等，這種早死現象，有點像自我實現的預言，因為擔心沒有男人，所以俄羅斯女人縱容男人不用負責，直接就造成俄羅斯男人不管死活的生活方式，然後就真的早死，也還是像國民黨的選民，不需要國民黨政客負責，果然就養出一堆不會負責的無能政客。這些俄羅斯的奇特社會現象，不是我說的，請參考Julia Ioffe這個俄羅斯專家的觀察。 如果蘇聯政府的鼓勵非婚生子女，造成奇特的俄國文化，甚至是社會問題，那美國政府的政策呢？美國黑人的非婚生比例是七成！他媽的七成！俄羅斯全國非婚子女比例還不到三分之一，但美國黑人是七成。所以美國黑人比俄羅斯男人更不被需要，黑人長大的過程，不用期待家裡有爸爸，有雙親的黑人家庭是例外，而不是正常情況。黑人男性也像俄羅斯男人一樣，不是早死就是老死在監獄，俄羅斯男人所有的危險行為，黑人都有，還加上黑幫、槍枝氾濫的問題，黑人男性的預期壽命還更低。 但以前的黑人不是這樣的，在民權運動前的黑人，非婚生子女的比例才一成多，和白人差不多。美國白人對黑奴制度的罪惡感，直接轉換成優惠黑人的超大方社會福利政策。為什麼有這麼多的非婚生子女？因為青少女打砲懷孕後，不是人生的結束，而是政府撫養的開始，政府給錢單親媽媽養小孩，給她們房子住，給小孩有免費學校唸、免費午餐吃。黑人青少年就這樣在荷爾蒙橫流的小社會裡，早早就有性經驗，男的搞大女的肚子，像有勳章一樣，驕傲得不得了，女的被搞大肚子，也很「榮幸」，不用上學了，準備像媽媽、外婆一樣，住進免費小公寓，開始給政府養，一輩子不工作了，男人也不用負責，因為這就是他們從小的認知，有球可以打，很棒，沒有運動能力，煙酒槍毒，隨便你挑，最後也是進了牢給政府養。這是正常的社會文化嗎？這是正常國家應該要有的樣子嗎？ 死白人左派，把黑人養成次等人，只能活在政府的供養之下後，自己就跑了，跑到沒有黑人的地方，沒有社會問題的地方，自己用傳統價值教育小孩，完全隔絕和黑人的互動，然後整天指責別人種族主義，充滿偏見與自大，了不起。

馬斯克花了四百四十億美元買了推特，被當成是他經營失敗的例子，雖然他透過合併再合併，讓跟著他投資的朋友，得以藉由SpaceX脫身，但推特本身，今時今日，絕對沒有四百四十億的價值。Ben Thompson說，因為馬斯克是硬體專家，而不是軟體專家，所以推特才沒有成功。在實體世界可以讓馬斯克一再往前推進的工程能力，放在零與一的世界裡，充滿了問題。Thompson說是物理的極限，限制了馬斯克的瘋狂，東西能不能用，一翻兩瞪眼，他的獨特能力，就是一路測試這個物理極限，然後把東西做出來。但軟體沒有物理限制，隨時可以ship產品，瘋狂的主意，像是「能不能把照片裡的女生衣服脫掉」，變成嘴巴一說就會成為現實的產品，完全乎略了人與人互動的問題與限制，反而讓產品在市場造成消費者的疑慮。也就是說，馬斯克極端的產品問市能力，反而在軟體世界是個問題。 我認為Thompson雖然有智慧，但這個看法是屁。 第一，軟體也有物理的限制，也不是馬斯克想要ship什麼，就可以有什麼。不然他怎麼不去寫一個反重力的演算法？或是花上無數的人力去生出這個不可能的任務？第二，硬體也可以有不切實際的功能，像是Cybertruck的超硬外殼，超過了這個世界上九成九的人需要的程度，但馬斯克還是ship了這個產品。馬斯克當然會因為物理的限制，有些事不能做，但也不是可以做的事，他就一定做，或是一定要放在產品裡。 馬斯克在推特的失敗，最重要的原因，和馬斯克沒有關係。推特本來就是一個死亡中的商品，被政治徹底毀滅的產品，先是左派把它的言論廣場的功能拿掉，馬斯克買下來之後，「什麼都可以的態度」則又把一堆垃圾塞到時間軸裡，造成使用經驗極差。一個死亡中的產品，連神仙都救不了。巴菲特說過，「如果一個惡名昭彰的產業，碰到一個經營名聲很好的管理者，通常是產業的名聲還是會持續。」馬斯克就是花錢買了個垃圾，誰都救不起來的垃圾，雖然我感謝他讓這垃圾還繼續經營著。 Thompson也對xAI深表悲觀。直接把馬斯克的推特失敗，外插到馬斯特一定會在AI失敗，甚至說他應該專心蓋數據中心來賺錢就好。神經病，馬斯克搞AI是為了多賺兩塊錢嗎？搞AI模型，那是未來的戰爭，只蓋數據中心，掌握了什麼鳥未來？而且，誰說模型的競賽，馬斯克輸定了？OpenAI和Anthropic的互有領先，證明了模型的競賽還沒有定於一尊，誰會領先，完全取決於下一個模型的問市。誰說xAI輸定了？SpaceX錢這麼多，xAI要燒錢，還會燒輸Anthropic或是OpenAI嗎？

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