LayerZero 发文表示，将逐步停止对 20 条低活跃链的链下支持，届时其 DVN 和 Executor 服务将不再可用。其中，Botanix 将于 7 月 30 日停止支持；Moonriver、Moonbeam、Nexera 和 Canto 于 7 月 31 日停止支持；EDU Chain、Meter、Shimmer、Cyber、Silicon、Sophon、Bitlayer、DFK Chain、Arbitrum Nova 和 DOS Chain 于 8 月 28 日停止支持；Aurora、Taiko、BounceBit、Japan Open Chain 和 LightLink 于 9 月 30 日停止支持。 此外，Stargate v2 将分别停止支持 Botanix、EDU Chain、Aurora、Taiko 和 LightLink。LayerZero 提醒，持有相关 Stargate Pool 或 Stargate Hydra 资产的用户，应在生效日期前将资产跨链至仍受支持的网络，否则可能失去对资金的访问权限。

LayerZero 发文提醒，正逐步停止为部分活跃度较低的区块链提供链下支持，涉及 Aurora、Taiko、Japan Open Chain、LightLink、Viction、Animechain、XPLA、Merlin、Gnosis、Zora、Otherworld Space、XAI 及 opBNB 共 13 条链，相关网络将无法继续使用 LayerZero 的 DVN 与 Executor 服务。此举也将导致 Stargate Hydra 停止支持其中部分链。LayerZero 提醒用户赎回相关链上的 USDC.e、wETH 及 Hydra USDT 等 Hydra 资产，具体受影响网络及生效日期以官方公告为准。

Agent 连续工作几个小时，真正难的是中途失败后，还能准确知道自己做到哪了。 阿里高德团队开源的 LongHorizon-Harness，专门解决长时任务中的状态漂移和错误累积。 它把执行过程拆成 Manage–Execute–Audit 循环： Manager 根据已经验证的进度安排下一步；Executor 在全新上下文中操作桌面、浏览器或命令行；Auditor 再独立检查真实环境。 只有审计确认的结果，才会进入长期任务状态。遇到操作失败、上下文刷新或交付不完整时，Agent 可以保留已完成的部分，从缺口继续推进。 它也不绑定具体模型和后端，可以接入 Claude、GPT、Qwen，以及 Claude Code、Codex CLI、OpenClaw 等工具。 在相同的 Qwen 3.7-Plus 与 Claude Code 配置下，GUI 与 CLI 混合任务通过率从 51.8% 提升到 80.7%；OSWorld 完整完成率从 2.8% 提升到 8.3%；Terminal-Bench 成功率从 69.7% 提升到 77.2%，同时减少了 24% 的 token。 我觉得这篇最有意思的地方在于，它把长时能力的重点，从让一个会话持续运行，推进到了让每段进度都可验证、可恢复，也能可靠地交给下一轮。 模型决定单步能力，harness 决定这些步骤最后能不能拼成一个完整交付。 📎 arxiv:

Velvet Capital 不只是一个 DeFAI 项目，它在重新定义“链上资产管理的分工方式” 市场上讨论 Velvet @Velvet_Capital 的推文，大 多停留在AI 交易终端”或“DeFi 金库”的层面。但真正把 Velvet 的架构拆开看，会发现一个被绝大多数人忽略的核心叙事：Velvet 在做的，是把华尔街机构级别的投研-决策-执行链条，压缩成一套普通人能用的链上操作系统。 这篇文章不聊币价、不聊空投，只聊三个很少有人写到的细节维度。 🧩 细节一：Multi-Agent 不是“多个机器人”，而是一条完整的投研流水线 很多项目加个聊天机器人能查币价就敢叫 AI+Web3。Velvet 的不同之处在于它的 Multi-Agent 架构——不是一个大模型回答所有问题，而是把交易流程拆成四个专职角色： Researcher：全网搜集情报 Analyst：清洗链上数据 Trader：设计策略 Executor：跨链执行 这就像一个迷你版的华尔街交易台：研究员找机会、分析师做判断、交易员定策略、执行员下单。AI 之间各司其职、互相校验。 更关键的是迭代速度。Velvet 的 Multi-Agent 从 v1 的“Swarm”架构进化到了 v2 的“CEO-Led Org”模式 一个 CEO Agent 负责任务分发，其他 Agent 各司其职。这不是功能堆砌，而是组织架构的进化。Velvet 在复刻的不是一个交易机器人，而是一个完整的交易团队。 这个视角为什么重要？因为大多数 DeFi 项目解决的是“执行”问题——怎么更快地 swap、怎么更低地滑点。Velvet 解决的是“决策”问题——在你有精力做执行之前，先帮你把该执行什么搞清楚。 🧩 细节二：Velvet 的真正商业模式藏在“白标”里，不在终端里 绝大多数人把 Velvet 当成一个面向 C 端的交易工具。但打开官网的 Institutions 页面会发现一个截然不同的叙事。 Velvet 提供了一套 DeFi-as-a-Service 基础设施：任何资产管理机构都可以用 Velvet 的底层，以自有品牌部署自己的 DeFi 金库和交易产品。这意味着： 一个传统对冲基金想进入链上资产管理，不需要从零搭智能合约、不需要自建跨链路由、不需要训练 AI 模型——直接租用 Velvet 的“引擎”，贴上自己的品牌就能上线。 一个 KOL 想发自己的链上基金，几分钟就能创建一个自定义金库，设置管理费、绩效费、入场费和退出费。 这个 B2B 白标层，才是 Velvet 真正的护城河。Velvet 正在做的，是成为链上资产管理领域的“AWS” 不直接面对终端消费者，而是给所有想做链上资管的人提供一套开箱即用的基础设施。 这个视角为什么重要？因为所有 DeFi 协议的终局竞争都是“谁被更多机构采用”。Velvet 的白标方案让它不是在和 DEX 竞争，而是在降低整个行业进入链上资管的门槛。 🧩 细节三：Intent OS 的底层逻辑，是“把复杂性藏起来” Velvet 官方把自己定位为“Intent Operating System”。这个词被很多人当成营销话术忽略掉了，但它恰恰揭示了 Velvet 最核心的产品哲学。 什么是 Intent-based？用户只需要说“我要做什么”，系统负责“怎么做到” 。 在多链环境下，一个普通的链上操作可能涉及：切换钱包网络→跨链桥→DEX 交易→收益策略交互→再跨回来。每一步都有 Gas、滑点、时间成本。Velvet 通过账户抽象技术把跨链结算和最优路由封装在底层，用户面对的是一个统一的终端界面。 目前 Velvet 已经整合了 BNB Chain、Solana、Base、Ethereum、Hyperliquid，甚至 Robinhood Chain。它不是在做又一个 DEX，而是在打造一个覆盖多链的统一交易终端。 这个视角为什么重要？因为多链时代的真正痛点不是“链不够多”，而是“每一条链都是一个孤岛”。Velvet 的价值不在于它支持多少条链，而在于它让用户感觉不到自己在切换链。 🔮 一个很少有人串联起来的判断 把上面三个细节串起来看，Velvet 的终局图景其实很清晰： AI 层解决“投什么”的问题（Multi-Agent 投研流水线） Intent 层解决“怎么投”的问题（跨链执行抽象化） 白标层解决“谁来投”的问题（降低机构进入门槛） 三层叠加，Velvet 在做的不是一款产品，而是一套链上资产管理的工业化标准。 这解释了为什么 YZi Labs（原 Binance Labs）、Blockchain Founders Fund、Selini Capital、Gate Labs、DWF Ventures 等 17 家机构同时押注 他们投的不是一个交易终端，而是一套可能成为行业基础设施的操作系统。 当然，这条路还很长。Velvet-1自有模型的训练效果、跨链流动性的实际深度、白标客户的扩展速度，都还需要时间验证。但方向是对的 Crypto 里真正的护城河，从来不是某一个功能，而是你能不能成为别人离不开的那层基础设施。 以上为个人研究观察，不构成任何投资建议。DYOR。

MediaTek NeuroPilot 是联发科（MediaTek）闭源的商业闭环生态，因此它没有官方的、开源的单一 GitHub 主仓库。 如果你需要下载工具链或查看官方文档，需要前往联发科的官方开发者门户： 官方门户网站：👉 MediaTek NeuroPilot Portal 你可以在这里注册开发者账号，并下载编译转换工具（如 NeuroPilot Express SDK、Neuron Compiler）以及查看开发指南。 与开源社区（GitHub）的合作接口 虽然核心编译器和运行时是闭源的，但联发科在 GitHub 上为许多主流的开源 AI 部署框架贡献了 NeuroPilot 硬件加速适配层（Backend） 的代码。你可以通过以下开源项目学习它是如何接入硬件加速的： pytorch/executorch 说明：PyTorch 官方针对移动端设计的轻量化推理框架。联发科官方在其中维护了 MediaTek (NeuroPilot) 后端适配器代码，支持直接在该框架下调用 APU。 Google LiteRT (GitHub，原 TensorFlow Lite):项目地址： google-ai-edge/LiteRT 说明：Google 的端侧 AI 框架，内置了对 NeuroPilot NPU 硬件加速器的支持接口。

最近很多人聊 Moss，很多介绍只说“AI Agent 可以被交易”，看完还是不知道钱放进去后发生了什么。 我把 Moss 的中文 Handbook 从头翻了一遍，整理一份新手教程。 先用一句说明： Moss Agent Marketplace 像一个链上的 Agent 策略市场。 每个 Agent 都在链上运行自己的策略。用户投入资产后，会收到对应的 ERC-20 Agent Share；策略盈利或亏损，会反映在每份 Share 可赎回的价值上。 一、先别急着 Mint，先看 Agent 详情页 进入 Marketplace 后，可以按 Trending、New 等条件筛选。 点开一个 Agent，先检查这些数据： • Agent 是否仍在运行 • 使用什么策略、在哪条链部署 • 历史运行了多久 • 收益是否稳定 • 最大回撤和杠杆高不高 • 持有人数和24小时交易量 • Mint、Redeem 和管理费用 几天内突然跑出一个大收益，不如较长时间的可验证记录有参考价值。 页面里的 Ask this Agent 也可以直接问： “你目前主要交易什么？” “最大风险是什么？” “最近一次大回撤怎么发生的？” “使用了多少杠杆？” “份额价格为什么上涨或下跌？” 回答只能帮助理解策略，不能代替自己检查链上数据。 二、Mint 到底买到了什么？ Mint 不是购买一个普通项目币。 你存入指定资产后，拿到的是 Agent Share，代表对该 Agent 所持资产的按比例权益。 份额价值的计算方式是： Agent 管理资产 ÷ 已发行份额总量 Agent 赚钱，单份价值上涨；Agent 亏损，单份价值下跌。 有新人后来加入，也不会直接稀释老用户。因为新用户按照当时的份额价格进入，资产和份额会同比增加。 三、Mint 的完整步骤 1. 连接钱包 2. 切换到 Agent 详情页标明的网络 3. 在 Mint 页面输入存入金额 4. 检查余额、费用和预计份额 5. Approve 授权代币 6. 点击 Request Mint 7. 等待 NAV 结算 8. 出现 Claimable Shares 后，再点 Mint Shares 领取 最容易漏掉的是最后两步。 交易 Agent 的 Mint 不是申请后立即到账。官方文档写明，申请需要等待 NAV 结算，结算完成后，用户还要回到页面主动领取份额。 所以看到 Pending Mint，先别重复提交。 四、持仓在哪里看？ 进入 Portfolio，可以查看： • 持有的 Agent Share • 当前价值 • 已实现和未实现收益 • 自己创建的 Agent • Agent 管理资产和持有人数 • 创建者获得的费用 收益不会单独发一笔奖励，通常会体现在份额价值的变化里。 五、想退出，有两条路 第一条是 Redeem。 输入要赎回的份额，提交 Request Redeem，等待处理完成后领取对应资产。具体等待时间和费用，以 Agent 页面显示为准。 第二条是在二级市场出售 Agent Share。 这里要分清两个价格： • 赎回价值：Share 对应的底层资产价值 • 市场价格：买卖双方交易出来的价格 两者可能不一样。 市场情绪火热时，Share 可能溢价；流动性不足或抛压较大时，也可能折价。卖出前别只看 K 线，顺手对比一下底层赎回价值。 六、Moss 怎么保证创建者不能拿走本金？ Agent 创建者负责策略，合约负责托管、记账、分配和赎回。 交易钱包负责签名下单，但资金、仓位和保证金仍归 Agent 合约。官方文档称，Owner、Executor 和 Trading Wallet 都不能把用户资金转到任意地址。 这能降低创建者直接挪走资金的风险，但不等于没有风险。 合约漏洞、策略亏损、高杠杆、预言机、网络、交易平台和流动性风险仍然存在。 七、普通用户最该记住的 5 个避坑点 1. 可验证的历史，只能证明过去记录真实，不能保证以后赚钱。 2. Mint Price 上涨代表策略阶段性盈利，不代表会一直涨。 3. Mint、Redeem 可能需要等待处理，不要把这部分钱当成随时可取的现金。 4. Share 的二级市场价格可能偏离底层赎回价值。 5. 操作前确认网络、代币、费用、赎回锁定期和 Agent 运行状态。 目前官方费用页写的是管理费 0%，不收 Mint、Redeem 或收益分成，只承担网络 Gas；但 Agent 创建页面允许配置管理费和赎回锁定期。真正操作时，以具体 Agent 页面和钱包确认框显示的数据为准。 最后再说 FAT Protocol FAT 是 Moss 使用的 Agent 资产标准。它把 Agent 的链上执行、ERC-20 份额和链下策略信息连接起来，让钱包、市场、索引器和审计工具能够读取同一套数据。 我对 Moss 的理解很简单： 它让用户不必自己部署和运行策略，也能持有一份 Agent 的链上表现；同时把业绩、持仓和资金流放到公开可核验的位置。 能核验，不等于能稳赚。 第一次使用，建议小额走完一次 Mint、领取和 Redeem 流程，确认自己明白每一步，再考虑增加金额。 仅作产品教程，不构成投资建议。

《用 CPV 模型预测 AI 技术演进》 过去几年，AI 领域几乎每天都有新概念出现。 Prompt Engineering、RAG、Memory、Agent、MCP、J-space、Tool Use、World Model…… 大多数讨论都围绕一个问题展开： 下一个热点是什么？ 我更关心另一个问题： 为什么热点会依次出现？ 如果一种理论只能解释已经发生的事情，它的价值有限；真正有价值的理论，应该能够预测未来。 CPV（Cognitive Positioning Value）提供的，正是这样一种视角。 它关注的不是某项技术，而是反馈最终作用到了系统的哪一层。 ⸻ AI 的发展，本质上是反馈不断向深层沉淀 CPV 将反馈划分为五个层级： CPV1：行为（Action） CPV2：状态（State） CPV3：模型（Model） CPV4：结构（Structure） CPV5：边界（Boundary） 越往下，反馈改变的对象越深。 AI 技术的发展，几乎就是沿着这五层不断推进。 ⸻ CPV1：改变输出 这一阶段的代表是 Prompt Engineering。 Prompt 改变输入。 模型改变输出。 任务结束，一切恢复原状。 模型没有成长。 它只是完成了一次推理。 后来出现的 Prompt 自动优化、思维链（Chain of Thought）、提示模板，本质上仍然属于这一层。 它们提高了完成任务的能力，却没有改变模型本身。 ⸻ CPV2：改变状态 随后，人们发现一个新的问题： 模型什么都记不住。 于是，Memory 出现了。 长期记忆、用户画像、上下文管理、会话历史…… 反馈终于开始影响模型的运行状态，而不是一轮对话。 模型开始拥有“今天的自己”。 但这里仍然存在明显的局限。 Memory 越来越长。 越来越混乱。 越来越互相矛盾。 于是，新的结构压力出现了。 ⸻ CPV3：改变模型 真正的成长，不应该只是不断累积记忆。 而应该修改世界模型。 例如： 昨天认为用户喜欢苹果。 后来连续半年都选择安卓。 系统不应该同时保存两条冲突的信息，而应该形成新的理解： 用户真正偏好的是开放生态。 这里发生变化的已经不是 Memory，而是模型本身。 未来的 AI 一定会越来越重视： 记忆巩固（Memory Consolidation） 经验抽象（Experience Abstraction） 世界模型更新（World Model Revision） 它们共同指向同一个方向： 反馈开始改变模型，而不是继续堆积数据。 ⸻ CPV4：改变结构 随着模型越来越复杂，另一个瓶颈出现了。 一个网络承担所有能力，越来越低效。 于是开始出现： Planner。 Executor。 Memory。 Vision。 Reflection。 Safety。 它们逐渐成为不同的功能模块。 MoE、Tool Use、Agent、MCP、多智能体协作，都可以看作这一趋势的不同表现。 未来 AI 更像一个组织。 而不是一个越来越大的 Transformer。 反馈开始重组系统结构。 ⸻ CPV5：改变边界 这是最深的一层。 今天，人们谈论 AI，通常想到的是： 一个模型。 未来，AI 的边界会不断扩展。 浏览器。 手机。 电脑。 机器人。 汽车。 摄像头。 传感器。 云端。 其他 Agent。 这些都会成为 AI 系统的一部分。 到那个时候，我们讨论的不再是一个模型，而是一个持续运行的智能系统。 它的边界不断重新定义。 人与 AI 的关系也会随之改变。 ⸻ 为什么 CPV 能预测未来？ 因为每一层都会产生新的结构压力。 Prompt 足够成熟之后，系统开始需要记忆。 记忆足够丰富之后，系统开始需要学习。 模型足够复杂之后，系统开始需要重新组织。 结构足够完善之后，系统开始突破自身边界。 技术演进并不是热点随机切换。 而是上一层已经无法继续承载反馈。 新的层级因此诞生。 这是一种复杂系统普遍存在的演化规律。 ⸻ J-space 给了我们一个验证 Anthropic 最近公开的 J-space 研究，让人们第一次能够观察模型内部的工作空间。 很多人关注的是： AI 是否拥有了类似意识的东西。 我关注的是另一件事。 J-space 解释的是： AI 此刻如何思考。 CPV 解释的是： AI 为什么会演化到下一阶段。 两者回答的是不同的问题。 前者研究计算过程。 后者研究反馈如何不断向更深层沉淀。 它们并不冲突。 反而共同构成了一幅更完整的智能演化图景。 ⸻ 一个理论真正的价值 未来几年，还会不断出现新的技术名词。 也许叫 Workspace Editing。 也许叫 Self Evolution。 也许叫 Autonomous Organization。 名字会不断变化。 但如果这些技术仍然停留在同一层反馈，它们只是同一类问题的不同实现。 真正值得关注的，不是名字。 而是它让反馈深入了哪一层。 能够回答这个问题，才能真正理解 AI 为什么会这样发展，以及下一次技术跃迁会发生在哪里。 CPV 的意义，不在于解释某一项 AI 技术。 它试图描述的是： 所有能够持续学习的复杂系统，都遵循着同一种反馈演化规律。 因此，它不仅可以解释 AI，也可以预测 AI。