Kaito Katalyst 第三弹来袭！老朋友 @primus_labs Primus 这次活动的奖励确实不多。 如果按照 Kaito 最新的 80/20 机制来算，创作者拿到的 8,000U 占 80%，那整个 Campaign 的预算大概就是 10,000U。 其中： 创作者：8,000U KAITO 质押者 + YT-sKAITO：2,000U 单看这次奖励数量，确实没什么值得兴奋的。 但我觉得这次 Primus × Kaito 更值得关注的，不是能拿到多少奖励，而是 Primus 正好借着 Confidential Vault，把它一直在做的隐私和可信数据这条路线，做成了一个更直观的产品入口。 过去链上金融一直存在一个问题： 我们需要透明来建立信任，但透明不代表所有东西都应该被公开。 你的资金路径、资产配置、策略逻辑，甚至某些具备 Alpha 的操作，如果全部暴露在公开链上，本身就会带来隐私和策略泄露的问题。 尤其未来如果机构资金、复杂 DeFi 策略，甚至 AI Agent 真正大规模进入链上，这个问题只会越来越明显。 Primus 想解决的，本质上就是： 让数据和行为可以被验证，但不需要把所有原始信息和过程全部公开。‘ 通过 zkTLS、零知识证明以及隐私计算等技术，外部数据可以进入链上应用，同时尽量保留用户的隐私。 这也是 Confidential Vault 比较有意思的地方。 它不是简单把链上数据“藏起来”，而是在可验证和保密之间找一个平衡： 链上需要确认结果是真的，但不一定需要知道你所有的底牌。 目前 Primus Confidential Vault 已经通过 Kaito 开放活动入口，用户可以通过 referral link 进入 Vault，后续在 Vault 里的实际表现也会影响 multiplier。 所以我觉得这次活动可以分两层看。 表层当然是创作者奖励、KAITO 质押者分成和 multiplier。 但更深一层，其实是在观察 Primus 这套“可验证 + 隐私”的链上金融模式，到底有没有真实使用需求。 如果未来 DeFi 真正想承接更大的资金体量，隐私可能不会只是一个锦上添花的功能，而会逐渐变成基础设施的一部分。 至于 Kaito 这边也是一样。 Primus 这单的 2,000U 质押者奖励确实很小，但如果以后几十个、上百个 Campaign 都持续按照类似的 80/20 机制跑，KAITO 质押的逻辑也会慢慢从“等权益”变成分享整个内容市场收入的一部分。 Primus 在验证隐私金融，Kaito 在验证 Campaign 经济模型。 两个方向都值得持续关注。 体验入口：

推荐这篇文章，2023 年时候 Jeff Yan 非常详细地谈自己如何做高频交易的经历和细节，以及为什么要做 Hyperliquid: 我对高频交易（乃至许多事情）的理解是：它更像多个因素的乘积，而不是简单相加。你在不同“桶”里的投入看似是加总的，但产出往往体现为相乘关系。 在这一意义上，那些看似“脏活”的工作往往至关重要。应当务实地获取低垂果实，遵循 80/20 原则。行情顺畅时，最容易陷入的误区是：“基础已经打好，可以去做一些更酷的机器学习研究、追求创新。”我们也曾在这一点上付出代价。并非意味着该方向不存在 alpha，而在于其投入规模大、且边际回报往往很快递减。 当你团队规模较小、现有策略仍然有效、市场机会仍然充沛时，更需要反复自问并诚实面对：当前最应优先推进的是什么？不要被表面数据“诱导”去追逐那些暂时不应作为优先项的方向。 全文

无人驾驶，在旧金山试行得很棒，也体验了一把。这是特斯拉(TSLA)暴涨的逻辑。美国因三权分立，有系统的纠错机制。未来几年，美国大概率还会出现惊人的科技进步。之前读书时，有个帕累托法则(80/20)很流行。工作和创业之后发现，这世界是90/10或99/1法则。地球上，90%的人群，目前处于历史的垃圾时间。

最近刷 boss 发现一个非常高薪的新型岗位-FDE 工程师 年薪20-100万元不等，国内大厂开到35-55K·16薪，一年内岗位数量暴涨7倍.... 这不是简单的岗位更名，而是 反映了AI 竞争焦点的彻底转移 FDE工程师到底是什么 Forward Deployed Engineer-前沿部署工程师 这个概念最早来自 Palantir，借用军事中的“前沿部署部队”理念——不坐在后方指挥，而是直接到客户现场打仗 OpenAI 和 Anthropic 在同一天分别成立企业 AI 服务公司，核心策略完全相同：向企业派驻 FDE OpenAI 砸40亿美元成立“The Deployment Company”，直接收购150名资深 FDE 这个信号已经足够明确：AI 的战场已经从“比模型”转向“比落地” 为什么 FDE 会火？ 我观察到三个关键趋势 第一，企业 AI 仍处早期，成功需要“共创”模式 企业的业务场景太非标了，没有成熟产品可以直接套用，必须有人扎根现场，把模糊的业务问题转化为可落地的 AI 方案 第二，AI 关注点从 C 端转向 B 端 消费级应用的天花板已经显现，真正的商业价值在企业级应用落地 但企业的数据、权限、业务系统、第三方工具都需要打通，这不是远程写代码能解决的 第三，AI 进入“群雄逐鹿”时代 当所有大厂都有了差不多的大模型，竞争的关键变成了谁能更快地把 AI 变成客户的生产力 FDE 就是这个“最后一公里”的核心操盘手 FDE 和传统工程师的本质区别 传统软件工程师：在办公室写代码，交付的是功能 FDE：驻场客户现场，交付的是业务结果 举个真实案例 上海一条消费电子产线，换线调机要折腾2-3小时，FDE 扎根现场9个月，把换线时间压缩到55秒 这不是写几行代码就能搞定的，需要深入理解产线工艺、设备参数、工程师的隐性知识，然后把这些转化为 AI 可以处理的信号 FDE 的核心能力是：技术+业务+落地+运维的四维复合 普通人怎么成为 FDE 我按照我的理解和岗位的JD共性，梳理了一条相对清晰的转型路径 第一阶段：打基础（1-2个月） 了解 AI 基础概念：什么是大模型、Token、RAG、Agent 会使用claude code，cursor，codex等AI编程工具实现自己的需求 这个阶段不需要深度，但要建立完整的认知框架 第二阶段：AI 部署实战（2-3个月） 模型部署工具必须会：vLLM 部署大模型、FastAPI 写推理 API、LangChain 搭 Agent 重点是动手，找一个真实场景，哪怕是给自己的工作流做个 AI 助手也未尝不可 第三阶段：业务理解能力（持续修炼） 这是 FDE 和普通工程师的分水岭 跟随业务人员实地观察，记录全流程节点，识别关键决策点 把隐性知识转化为可建模信号 业务理解有三重境界：知道客户说什么、明白客户为什么这么说、预见客户接下来会需要什么 第四阶段：敏捷交付思维 FDE 模式遵循“80/20法则”：用20%时间交付80%核心价值，剩余80%时间持续优化 这需要你从“完美主义”转向“价值驱动” 先让系统跑起来，再根据真实反馈迭代 我的观察 FDE 的爆火，告诉我们：能把 AI 真正变成生产力的人，才是最稀缺的 这个岗位对普通人最友好的地方在于：它不要求你是算法大神，但要求你有产品思维、业务 sense、沟通能力 如果你是传统开发者，有业务经验，愿意到一线解决真实问题 FDE 可能是你在 AI 时代最好的转型方向 毕竟，OpenAI 和 Anthropic 已经用数十亿美元告诉你：这是眼下最急需的岗位