註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 AI画像
AI画像 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 AI画像 的搜尋結果
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 $100,000.00 5.2 模拟策略核心绩效指标(暂无)
顯示更多
翻到了自己半年前的一些思考和规划,回头看大部分的规划都已经实现或正在实现中,知行合一 正文如下 主业 - 自媒体副业 - 投资的财富 & 成长飞轮系统,下面是我的一些思考,欢迎大家讨论 主业:从云逐渐往AI Infra方向转,预计花半年左右的时间把简历和技能打造成合格的AI Infra人才画像,之后往AI startup跳 - 我确信AI是这个时代最大的风口,AI Infra的市场缺口比较大,且和我目前的方向比较契合 - 个人的钱无法投进Startup,只能用人力资本的方式把自己投进去 - 现在大部分的AI Startup不差钱,可以拿到不低的薪资和一定的期权,这是一个风险和回报不对称的尝试。如果公司真的做成了,那么收益上限极高;就算没做成,这段时间的履历也对后续职业发展很有帮助,并且不会有太多经济方面的损失 副业:尝试X账号,主要内容是分享自己日常的一些思考和心得 - 我并不是很擅长在主业中曝光和汇报自己的工作内容,所以我想通过做自媒体账号的方式来培养自己sale和storytelling的能力,补全我的能力短板,尽量把自己成功的"卖"出去 - 主业的大部分工作成果都是无法带走的,一页简历没办法详细介绍自己,这个账号可以更多维的体现我是一个什么样的人 - 自媒体能帮助我认识不同行业和道路的人(这点已经实现了),之前我的社交圈大部分还是和我一样道路的人(毕业 -> 大厂爬梯子),感觉思维有些被局限在这条轨道上,和不同道路的人沟通能够打开视野,让我意识到其实人真的有很多种活法。 - 自媒体能拓宽我的评价体系,能帮我更客观地看待自己,真正聚焦于自己的成长,而不是外界赋予的虚名和头衔。 投资:我已经入市三年了,主要标的是美股和Crypto - 采用核心卫星策略和支点投资法,QQQM/VOO作为底仓,优秀的个股和Crypto作为进攻股 - 主业提供现金流和对科技行业的认知,从而帮助选择进攻股,因为身处科技行业,所以我相信我挑选的科技股的长期价值 爱好: 作为缓冲和润滑剂,要培养能陶冶情操,不容易沉溺的爱好 运动:徒步 潜水 骑行 跑步 游泳 健身 语言:英语学习 艺术:乐器待定
顯示更多
解读 Karpathy 提出的全球 AI 使用者四层画像。全球 80 亿人分层:底层 60 亿从未接触 AI;第二层十几亿只用基础对话;第三层 2000 万人,写代码越多越惊叹 AI;顶层仅 5000 人,身处顶尖实验室,目睹 AI 智能体快速完成前沿任务,人类或将成为 AI 发展瓶颈。 Karpathy 本人就属于顶层人群。第三层用户每年给头部 AI 企业带来千亿营收,英伟达大手笔锁定 HBM 产能。深度 AI 用户若从 2000 万扩至 2 亿,算力上下游会迎来巨大机会。
顯示更多
AI家谱生成:家族故事+族谱图,一单199-599元 客户提供家族信息,AI生成家谱图、家族故事、祖先画像 工具:DeepSeek+Canva+Midjourney。 中老年用户对家族传承有强烈需求
顯示更多
0
3
105
18
轉發到社區
目前阶段,AI agent产品还是要找到付费能力强的用户画像,并尝试找到和满足他们的付费需求; 因为AI产品的成本不是规模效应递减,token的模型成本很贵,用户量越大,成本越多; AI产品现阶段的核心服务对象绝对不是屌丝群体。 Anthropic这么赚钱?选对了coding赛道和开发者生态,其次是产品的侧重。这是一个具有最高付费能力的群体。 今天做AI产品,需要从0开始考虑,哪个产品模块具备让用户aha能够掏钱的潜力,不然就不要做了; 其次,今天能让用户愿意为agent掏钱的核心还是agent的功能的强大和最大智能化的解放生产力。
顯示更多
🚀《妖币交易体系AI|今日一币》 ---精选准妖币$BMT:横盘63天后放量突破,筹码90.8%极端控盘! 今天横突扫描的6个候选中,BMT是唯一一个“双重条件全优”的标的。它的画像,最接近TUT、BICO启动前的结构。 📊 一、筹码结构:90.8%极端控盘 BMT前10地址控盘90.8%,是今天所有候选里唯一超过90%的。TUT启动前的筹码结构是92%,BMT和它处于同一量级。强庄控盘,才有暴力拉升的能力。 📌 小结:筹码结构支持拉盘。 🔗 二、多空结构:均衡,不是FOMO BMT多空比0.95,市场处于均衡状态。与MUBARAK的1.74多头拥挤不同,BMT币的多空均衡意味着有轧空空间,多头拥挤意味着追高风险大。 📌 小结:多空结构健康,没有过热。 💎 三、横盘蓄力:63天,最充分 BMT横盘63天,振幅26.8%,是今天候选里横盘最久、蓄力最充分的。横盘越久,突破后的空间越大。 📌 小结:蓄力充分,爆发力可期。 🎯 四、BMT是目前最优画像的准妖币 今天6个候选里,请看扫描的电报截图(图二),BMT的筹码控盘(90.8%)、多空结构(0.95均衡)、横盘蓄力(63天)三项数据全部优秀,画像最接近TUT启动前的结构。 但它已经涨了141%,这是唯一的风险点。最佳介入方式不是追高,而是等回调确认,或突破前高0.041后右侧跟进。 ⚙️五、当前的最佳交易策略是什么? 稳健的交易者,可以等回调至0.022-0.023企稳再介入,止损0.0195,目标0.038-0.041。 若放量突破0.041并站稳,右侧追多,目标0.05以上。 ❤️妖币交易体系AI的职责不是坚持预测,而是跟随市场,不断验证与修正。 #BMT# #妖币交易体系AI# #横突模式# #筹码分析# #Crypto#
顯示更多
过去的几年里,和AI深度沟通,它对我真的很了解。 大家可以让AI深度剖析一下自己的画像,并做出图,看看真实的自己~~欢迎评论区分享
顯示更多
#图表# Anthropic在最新发布的《AI对劳动力市场的影响》报告中列出十项受影响最大的职业,其中计算机程序员位居榜首,其次是客服代表(主要工作内容在API流量中出现的频率越来越高)。 另外,受影响风险更高的从业者画像为:年龄较大、女性、受教育程度较高且收入较高。
顯示更多
0
15
320
73
轉發到社區
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。
顯示更多
0
29
15
3
轉發到社區
最近发现一个AI的新用法 - 拆书 可能已经有不少朋友在这么干,不过我还是第一次用,所以发出来分享下 起因是周末看了一个情感博主讲男女关系的视频,下面有评论说《君主论》在两性博弈里同样适用 忽然想到之前各个地方看过不少马基雅维利的理论,章节,包括一些视频解读,但一直没完整看过原著。又想了下不是很想直接看原著,就跟GPT聊了聊,最终得出一个“拆书”的读法 与传统让AI把书按照章节目录一章一章单纯给你讲略微不同,GPT每次给我讲完一章,会围绕书里的思想问我各种问题,而这些问题,是基于过去一两年她跟我做了无数对话,对我的深度了解之后提出的,牵扯到我工作,投资,两性关系等生活的方方面面。有些问题会引发大量的思考与讨论,一本书拆下来也得几个小时 时间上,肯定短过读原著,但又远长于各种《20分钟带你读完XXX》风格的有声书或是视频。深度上,感觉胜过单纯读原著,因为GPT带着原著思想扫描了你整个的人生轨迹,有点“学以致用”的feel - 当然前提是你的GPT/Claude已经和你有过海量对话,对你人物画像,性格特点等方方面面非常了解,才能问出“好的问题” 正好最近无论币圈还是股市都没什么大行情(除了今早的长鑫),可以把之前一直想看的几本书,用这个方式跟GPT一起“拆解”,会有一种完全不同的“读书体验”。如果没玩过的话,强烈推荐试一下!
顯示更多
0
10
19
1
轉發到社區