图1是美国常见的 POW/MIA 纪念车牌。 POW = Prisoner of War（战俘） MIA = Missing in Action（作战中失踪人员） YOU ARE NOT FORGOTTEN，你们没有被遗忘。 这个车牌代表对所有战争中被俘或失踪美国军人的纪念和承诺——尤其是越南战争中仍有下落不明的士兵及其家属。 图2真正的车牌，这是Vermont州的牌子，因为这里森林覆盖率高，也叫Green Mountain State（绿山之州），所以车牌底色纯绿。

【AI熱潮】我其實也是FOMO了：一語道盡台股狂飆下的舉債熱潮 Andy Cheng今年26歲，沒有工作，靠著一點借來的資金，持有價值6萬美元的台灣科技股。他給出的建議是：「隨便買、隨便賺」。「我其實也是FOMO（Fear Of Missing Out，意即『錯失恐懼症』）了，」Ada Hung說。

我来详细跟你讲讲那张我们在社交媒体上经常看到的超级有名的图。它叫本纳周期（Benner Cycle），背后的故事超级引人入胜。 一切从Samuel Benner开始，他是俄亥俄州的一个农民，在1873年的金融恐慌中破产了。失去一切后，他开始痴迷于一个问题：为什么市场会以周期性方式波动？1875年，他发布了一张图表，预测了价格的高点和低点，一直延伸到21世纪中叶。比较神奇的是在一些关键的节点真的发生了不可思议的事情。 他把年份分为三种反复出现的类型： 经济恐慌年（A线）：危机和崩盘的年份。1927、1945、1965、1981、1999、2019，以及下一个标记的是2035。这些间隔遵循一个模式：18、20、16，循环往复。 繁荣卖出年（B线）：好景气的年份，价格高涨、充满狂热。是锁定利润的时刻。1999、2007、2016，然后这里有个有趣的地方：2026。 低谷买入年（C线）：价格低迷的年份，是低价买入并持有的好时机。2012、2023，下一个是2032。 他的建议，用亲笔手写在图表上，很简单：价格低迷的年份买入，持有直到繁荣期到来，好景气的年份再卖出。低买高卖，但有日历指导。 为什么现在重要？因为2023年是C年（买入年），事实证明，它确实是2022年低谷后的绝佳入场点。而根据本纳，2026年是B年：价格高涨、狂热情绪高涨，是保持谨慎的时刻。 有趣的是，这与今天的许多真实信号吻合。BofA（美国银行）最新的基金经理调查显示，56%的人认为股市正处于繁荣期，21%认为处于狂热期，而0%认为处于恐慌期。像SpaceX、OpenAI和Anthropic这样备受炒作的IPO。杠杆率达到历史最高点。一切都在尖叫“价格高涨”。 现在，说点诚实的，因为这不是水晶球： 存在确认偏差。我们记住那些命中的年份（1999、2019），却忘记那些啥也没发生的年份。如果你抛出足够多的日期，有些肯定会因概率而命中。 它没有因果机制。本纳从未解释过为什么周期会持续18或20年。没有深层的经济原因，这更像是数字占卜而非分析。 而且有些点值得商榷。真正的崩盘是2020年的COVID（新冠疫情），而不是图表标记的2019年。 那么，它有什么用？不是精确到日的预测未来。它有用是因为它捕捉了一个永恒的心理学真相：市场在狂热与恐慌的周期中波动，因为人性——贪婪与恐惧——永不变。 本纳把2026年标记为卖出年，并不意味着明天就清仓。它意味着在狂热和高价的年份，更要谨慎，不要被FOMO（fear of missing out，错失恐惧）冲昏头脑。 别把它当成预言。就当成一个150年来的提醒：在狂热中高价买入，很少有好结果。

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。 推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。 文章提出了非常实用的“三遍读论文法”： 第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。 目标是回答 5C： Category, Context, Correctness, Contributions, Clarity。 也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。 第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。 第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。 放在今天看，这个方法和 AI 辅助读论文其实很契合。 第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。 第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。 第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？ 读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。 尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。 AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

跟AI的对话会成为个人宝贵的资产。 所以我做了一件产品呢，就是把AI的对话汇集成自己数据。CC和codex虽然都有自动总结功能。但是它只限自己对话。 而我的脚本可以claude code ，codex ，cursor，antigravity，opencode都汇总起来。 它可以用来 1）总结， 2）汇集skill优化， 3）查找历史记录 4）根据题材写成文章等等 它的流程是：先把所有 AI 工作记录编译出来（有些需要破译），再生成一份更轻的 manifest，然后只看 manifest 粗筛，最后再回到原始记录里精读候选素材。 这里的关键不是“让 AI 总结一下昨天干了什么”。 那样太粗。 真正有用的是先把阅读成本降下来。原始 JSON 很大，里面有完整回答、工具调用、路径、日志、过程。如果一上来全塞给 AI，它会被细节淹没，也容易把普通操作当成选题。 manifest 只保留几个东西： 用户当时问了什么。 AI 回复摘要的开头和结尾。 用了哪些工具。 这轮内容大概多长。 是不是明显低价值指令。 这样第一遍只做一件事：找“值得写”的事件。 比如这次筛出来的，不是“运行了某个脚本”这种流水账，而是几类真正能写的东西：交易系统对账口径错了、`market_missing` 其实不是找不到市场、推文配图不是先换模型。 这些都有一个共同点：有具体事件，有内容，有最后的处理办法。 这才是素材。 下一步再回 raw JSON 精读候选轮次，抽关键数字、用户追问、定位过程、最后结论。最后生成选题报告，让人来选。 人选完以后，还会把选择写回报告最前面。 这一步很小，但很重要。因为它让“AI 推荐过什么”和“我最后选了什么”连在一起。下次你再回看，不是面对一堆聊天记录，而是一条完整链路： 记录 -> 粗筛 -> 精读 -> 选题 -> 人工选择 -> 正文。 我越来越觉得，AI 工作记录本身就是一种内容矿。 但矿不会自己变成文章。 你需要先把它做成一张能被筛选、能被复盘、能继续加工的素材表。否则它只是昨天很忙的证据，不是今天能用的资产。

📢 NIUMA WORKS 测试网最终结算公告 NIUMA WORKS 测试网奖励统计已进入最终确认阶段。 请所有参与测试的用户尽快核对任务记录、订单记录、提交状态、验收状态以及奖励统计。 本轮测试网奖励将在 5/14 统一发放。 如发现数据遗漏或结算异常，请尽快联系社区管理员反馈。 结算完成后，NIUMA WORKS 将进入正式版上线前的最后准备阶段。 感谢每一位参与测试、提交反馈、一起打磨产品的牛马。 链上开工前，最后确认一次。🐂🐎 NIUMA WORKS 让建设被记录，让劳动有回报。 📢 NIUMA WORKS Testnet Final Settlement Notice The final confirmation stage for NIUMA WORKS testnet rewards has officially started. All testnet participants are encouraged to check their task records, order records, submission status, review status, and reward statistics as soon as possible. The testnet rewards will be distributed on May 14. For any missing records or settlement issues, please contact the community admins as soon as possible. After the settlement is completed, NIUMA WORKS will move into the final preparation stage before the mainnet launch. Thank you to every NIUMA who participated in testing, submitted feedback, and helped improve the product. One last check before we start working onchain. 🐂🐎 NIUMA WORKS Record contribution. Reward real work.