从使用AI到离开AI不会干活，已经四年了，说实话，用AI赚了不少钱 现在对于我来说最大的难题已经不是使用AI本身，而是如何用AI在有限的时间内，达到最好的效果 今年突然想明白了一件事：所有的生产力提升，本质上都是建立在agent循环之上的 作为一个从大厂 PM 转型的AI开发者，我过去两年一直在琢磨怎么让 AI 干活更快，直到最近我才意识到，方向可能一开始就偏了 我们之前讲 human in the loop，人在环中，人是质检员，AI 是实习生 但今年模型能力上来之后，完全不是这回事了，谁再提human in the loop，我只能说他不会用AI 真正能让你效率翻倍的杠杆已经不是人类在环中 而是你在同一件事上，设了多少个agent环 为什么多设几个环，就能把质量无限逼近你想要的效果？ 因为今天的模型已经具备了相当强的反思能力，你把它上一轮的输出丢回给它，它是真的能看出问题的 但这里有个巨大的坑，我自己踩过 让一个 agent 自己反思自己，反思不了几轮就会开始摆烂 学术圈管这个叫思维退化：它明知道自己错了，还是会在同一个地方反复栽跟头 就像让你校对自己写的文章，你永远看不出自己的错别字，破局的方法简单：别让它一个人反思，给够它立场和角度 去年底有篇论文叫 Multi-Agent Reflexion，做法简单粗暴 一个 agent 干活，出错了不让它自己复盘，而是拉一群持不同立场的 agent 开批斗会 一个从逻辑挑刺，一个从事实挑刺，一个专门唱反调 就这么一改，推理和编程任务的准确率，直接把单模型自我反思甩在了身后 道理不复杂：反思的质量，取决于视角的数量 一个 agent 是员工，一群互相挑刺的 agent 才是组织 更狠的玩法是环上套环 前段时间两个香港学生，在 Karpathy 的自动研究框架上又套了一层循环 内环照常跑实验，外环只干一件事：反思内环的研究策略本身对不对 没换更强的模型，没加一分钱算力，效果直接翻了 5 倍 所以你看，同样的模型，同样的算力，产出的差距全在循环的设计上 以前 PM 的工作是给人排活 现在超级个体的工作，是给 agent 排立场：谁来干活，谁来挑刺，谁来验收，谁来反思整个流程 当然，这套机制起作用是有其要求的： 没有验收标准的循环不叫循环，叫原地打转，烧的是你的 token，攒的是一堆自我感觉良好 模型决定单次产出的下限，循环的设计决定最终结果的上限

周一美股不开盘，美伊协议似有进展，但是也不宜过分乐观。 第一，油价跌了近7%就可以看出来协议有较大进展。 第二，但是，这并不代表美伊立刻马上就能达成协议。 据《日经新闻》，停火协议延长60天。倒不是说协议一定需要60天时间，但6天达成协议的概率应该不大。 蜂兄早就在 @Polymarket 上买了5月31日达成协议否。 目前PM预测显示，6月15日达成协议的概率是50%。 第三，不要过分乐观的另一个原因是油价。 @rngzhwn199456 之前提醒过蜂兄，海峡即时开放，油价也不会直接跌下来。 蜂兄根据这位老师的提示研究了一下确实是这样。 因为海湾国家因为无法输入原油已经处于部分停产状态，而地下的原油的压力环境发生改变。 另一方面，在美伊开火阶段，沙特、卡塔尔、阿联酋、科威特的部分能源基础设施直接或间接遭受伊朗袭击 所以部分原油产能需要时间修复，少则2个月，多则超过1年。 @rngzhwn199456 老师认为会有恢复以后的抢购原油行为，但蜂兄不是非常同意。 但可以肯定的是，海峡开放以后，油价应该不是快速跌至战前，也很难是直线性下跌的。 海峡开放前，期海湾国家此前开采的部分原油库存输入，供给较多。但接下来，产能未能完全恢复会导致供给相对较少……可能是震荡下跌。 油价波动会影响加息预期的起落，进一步影响美股和加密行情，但这个过程可能会有做原油期货合约的机会。

4 月 21 日 币安 Alpha 独家TGE $OPG 项目分析： 一、项目介绍： @OpenGradient是一个去中心化AI研究实验室和基础设施平台，支持无许可模型托管、可验证链上推理及代理推理。 二、代币模型： 代币总量：10亿 初始流通：1.9亿(19%) 认购时间：17:00 - 19:00 上线时间：4 月 21 日 19:00 项目融资：950万美元 鸣人评级：★ ★ ★ ☆ ☆[综合感受，非权威评级] BASE 合约：0xFbC2051AE2265686a469421b2C5A2D5462FbF5eB BSC 合约：0x5feCcD17C393CaF1001D18164236A37E731FCb9d 三、代币经济学： ▶︎生态：40% (TGE 解锁4%，剩余60个月线性释放) ▶︎基金会：15% (TGE 解锁5%，剩余48个月线性释放) ▶︎团队：15% (TGE 解锁0%，12个月锁定，其余36个月线性解锁) ▶︎机构：10% (TGE 解锁0%，12个月锁定，其余36个月线性解锁) ▶︎质押奖励：10% (TGE 解锁0%，之后96个月线性释放) ▶︎流动性：6% (TGE 全额解锁) ▶︎空投：4% (TGE 全额解锁) 四、筹码分析： * 19:00 币安 Alpha 1% * 19:00 空投4%，空投在BASE上领取。 五、融资详情： * 融资950万美元，机构10%，成本约0.095U。 六、盘前信息： *盘前价0.17U，对应流通市值3200万，FDV 1.7亿 *池子价0.1U，对应流通市值1900万，FDV 1亿 七、补充 * 投融机构比较顶，a16z和Coinbase等知名机构都参投，并且也预上CB，这种关系下上线韩所有概率比较大。 * polymarket上FDV大于1亿的概率84%，大于2亿概率只有17%，如果以PM来做参考，空间很有限。 * 空投份额不小，在社区蹲了会，还不知道反撸严重不，开盘我会盯一下，看有没有机会舔一口。 * 今天还有一个 的 $CHIP 上线，但目前并没有币安Alpha的官宣信息，估计没给份额了。 #OPG#

关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。

不要用旧的 prompt 思维去套新的 Agentic Coding 我最近越来越强烈地感受到一件事——模型不是瓶颈，人才是 以前模型弱的时候，输出拉胯你可以怪模型 现在 Fable 5 能自主跑几十步长任务，结果不对，问题大概率出在你给它的需求文档上 这个认知转变，可能是 2026 年下半年每个用 AI 干活的人最该搞明白的事 你和 AI 之间，隔着四层信息差（参考anthropic工程师的论文） 我把人和 AI 协作时的信息状态分成四层，搞清楚这个框架，后面所有方法论都能串起来： 第一层：已知的已知 — 你写在 prompt 里的东西，明确告诉 AI 要什么。这是大部分人唯一在做的事 第二层：已知的未知 — 你知道自己还没想清楚的部分，比如“这个交互逻辑我还没定”。至少你知道这里有坑 第三层：未知的已知 — 你觉得理所当然、根本不会写进 prompt 的东西，但 AI 不知道。 比如你的项目从来不用 Redux，你不会特意说“别用 Redux”，但 AI 可能直接给你整一套上来 第四层：未知的未知 — 你压根没意识到的盲区。你不知道自己不知道什么 大部分人只覆盖了第一层。 后面三层，AI 全靠猜 猜对了你觉得 AI 牛逼，猜错了你觉得 AI 垃圾。但问题从来不在模型身上 为什么现在这件事突然变得致命？因为模型能力到了一个临界点 以前模型本身能力有限，你给它一个模糊指令，输出质量的天花板本来就低，你的“信息差”造成的损耗被模型自身的弱鸡能力掩盖了——反正它也做不到多好 现在不一样了。Fable 5 一个 session 可能自主执行几十步决策。 你开头埋下的一个模糊假设，会在后面几十步里像滚雪球一样被放大。 Anthropic 内部研究了大约 40 万个 Claude Code session，覆盖 23.5 万用户，结论是人类主导了 70% 的规划决策 换句话说——你以为你在让 AI 干活，其实你在当产品经理。你的需求文档写得烂，再强的开发也救不了你 这跟我做 PM 那几年的认知完全一致：需求文档写得好的 PM，不是因为文笔好，而是因为他提前把模糊地带都想清楚了 落地 SOP：三个阶段，把你的盲区变成可控变量 阶段一：动手之前——做一次盲区扫描 在你开始让 AI 写代码之前，先问它一句： “我要做 X，但我对这块不太熟。帮我扫一遍我可能没意识到的盲区，找出那些我不知道自己不知道的东西，这样我能更好地给你下指令” 这一步的本质是承认自己不是全知的 大部分人不愿意做这一步，觉得浪费时间 但这恰恰是高手和普通人的分水岭——我观察到最强的那批 Agentic Coder，他们之所以强，不是因为 prompt 写得花哨，而是因为他们对自己要什么有极其清晰的认知，同时永远假设还有未知存在 另外一个我自己常用的方法是让 AI 反向面试你——告诉它你的大致想法，然后让它一个问题一个问题地问你，优先问那些“你的回答会影响整体架构”的问题。 几轮下来，你会发现自己有多少东西是“以为想清楚了其实没有” 阶段二：实现过程中——让 AI 记录它的临场判断 再好的计划也会遇到意外。 我的做法是让 Claude 维护一个 implementation-notes.md 文件，专门记录它在执行过程中遇到的边界情况和临时决策： “维护一个 implementation-notes.md。如果你遇到边界情况需要偏离计划，选保守方案，记录在‘偏离记录’下面，然后继续” 这招的精髓在于——你不需要预见所有问题，你只需要让问题可追溯。 下次迭代的时候，这些记录就是你最好的学习材料。而且它还有一个隐藏好处：当你回头看这些“偏离记录” 你会发现很多都是你第三层和第四层的信息差导致的——这些就是你下次该提前写进 prompt 的东西 阶段三：完成之后——让 AI 考你 这是我觉得最有效的一招 代码写完了，diff 看完了，你觉得自己懂了。 但我现在养成了一个习惯：让 Claude 针对这次改动出一份测验，只有我能答对才算真的理解了这次变更 “我想确认我理解了这次改动的所有内容。给我生成一份报告，包含变更的上下文、直觉解释、具体做了什么，底部附一个测验” 为什么这有效？ 因为“看懂了”和“真懂了”之间差着一个数量级。 你不测试自己，你就不知道自己的理解有多少是幻觉。而那些你答不上来的问题，恰恰就是你下一次协作时需要提前澄清的“未知” 底层逻辑：这不是 prompt engineering，是 requirement engineering 把上面三个阶段串起来，你会发现一个规律：你越清楚自己要什么，AI 越能给你想要的 你越能预判 AI 会在哪里困惑，它越不会跑偏 你越愿意承认自己有盲区，AI 越能帮你补盲区 这套逻辑跟写 prompt 没有半毛钱关系 这是需求工程 模型能力的天花板已经高过大部分人的需求表达能力了。 你的下一步不是学更花哨的 prompt 技巧，而是学会问自己一个问题： 我到底有多少东西，是我以为 AI 知道、但其实我从来没告诉过它的？ 把这个问题想清楚，比换任何模型都管用

我做了个梦，7 月 19 日我独得 $79,250 大奖 四年一次的世界杯，真的来了。我已经买好去纽约的机票，现场观看一场重要的比赛，当然，我希望可以用我的聪明智慧找到报销机票跟酒店的法子。前几天总结世界杯搞钱的法子，结果又冒出来一个更狠的。 我仔细研究了规则，觉得我又行了。 让我们浅入！ ⬇️ 啥规则呢？简单来说，如果我在这个平台活动里一路高歌猛进，从小组赛选 5 支队开始每次都能晋级，最终我选的队伍夺冠可以搞到 $79,250！对，你没看错，接近 8 万美金、50 多万人民币！这很难吗？当然难，但牛逼之处在于你的前进路上可以一直收米，即便无法走到最后。 想必老师们都猜到了，就是 @predictdotfun 的世界杯活动，奖金目前暂列全网第一：$2,000,000。这篇文章我就拆解下规则，简单讲清楚如何参加、如果搞钱，我个人建议你先把机票买起来，然后在 Predict Fun 就会有如神助，信不信？ 奖池怎么玩？ 最简单理解就是买彩票，你可以买 5 支彩票一路支持到底，这个彩票会在小组赛、淘汰赛啥的独立开奖一次，你中奖了就能领钱。怎么样算中奖呢？需要你的积分排名在当前奖池的 Top 500 即可，不难吧？ 回到比赛。活动开始，你最多可以选择 5 支球队作为你的种子球队，不用一开始就选好，后面也能选，每个球队就是一个彩票或者是一个奖池。每一轮你可以针对这 5 支球队的表现在 Predict Fun 进行预测，比如预测比赛结果、比赛让球盘口、进球总数的大小盘等。你至少需要开仓、持仓结算时至少 100 份份额。 预测正确就可以获得积分，积分按球队进行累计，所以你这会儿可以最多追逐 5 个奖池排行榜。当你进入奖池的前 500 名时，节点到了就能瓜分奖池。节点包括小组赛、32 强赛、16 强赛、八强赛、 四强赛、决赛。 我来推演一下就更清楚了，按阴谋论葡萄牙是要夺冠的，于是我 5 支球队之一选择葡萄牙，每次我的积分都能排名第一，然后会出现的可能奖金： 小组赛：$7,500 / $70,000 32 强：$3,750 / $25,000 16 强：$4,500 / $30,000 8 强：$6,000 / $40,000 4 强：$7,500 / $50,000 决赛：$50,000 / $260,000 看到了吧，这就是我标题说的，如果葡萄牙能一路杀敌夺冠，同时，我的积分每次都能排名第一，那么我就能干到 $79,250 累计奖金！ 博弈点 仔细再一琢磨，这里是有博弈的，因为冠军只有一个，确切的说，每个节点能分钱的队伍是有限的。大家都来拼葡萄牙夺冠，个么这个奖池就会超级拥挤，积分排名就地狱难度，相反，你选个若国竞争可能不会那么大，至少小组赛稳赚。万一你搞到一只黑马就直接起飞了，妥妥懂球帝。 所以我觉得设计规则的这个 PM 还是牛逼的，懂球又懂玩。200万美元总奖池足够有诚意了，但里面细小的博弈还是很多的，积分和奖池可以理解为补贴，预测可以当作成本，那最终就是一个简单的财务模型，变量是你的预测水平。 来吧，先选你的梦之队吧： 祝我们好运！ / 作者：anymose ｜ 一个软核科普作家 本文仅做科普使用，不构成任何投资建议，永远记得 DYOR！

#数字游民和自由职业# #从产品经理到基金经理# #聊聊这些年的职业选择# 晚上搜索微信聊天记录，发现离上一个命运小齿轮转动正好三年了，不困我就码码字。 在上班之前，确实有点天真，认为靠自己的劳动，创造价值挣钱才是社会的主流。 在不上班之后，闲下来真正去面对面了解其他行业的赚钱方式。才发现在国内能年入百万的工作里，称得上“干净”的极少极少，互联网大厂的精英们才是少数幸运儿。 撒谎蒙骗，推卸责任是很多工种的常态。 以权谋私，利益勾兑是富人的主流。 比如一个运营商的普通工作人员，他可能是好父亲、好丈夫、好邻居。但当他给你推销靓号套餐，但又对你隐瞒违约金的时候，他就是一个职业骗子。这既是他工作的需要，也是刻意培训的结果。 再比如你在小县城里把生意做到一定规模，就无可避免需要找到分管的领导，需要建立关系，求人办事。这对生意人来说是常识，没有任何例外。 没有这么具体又确定的认识之前，我知道自己厌恶这些潜规则，能做到的也只有努力逃避，逃避这些我称之为“傻逼事情”的事情。 按这个标准，我没法适应体制内，肯定有傻逼领导。没法适应大厂，躲不开派系之争。没法适应所有传统行业，那里不得不忍受甲方刁难。 那也许剩下只有扁平化的初创公司 + 互联网行业？ 比较幸运，正式工作的第一家公司感受不错，一待就待了六年。 我也不想当咸鱼，但确实没什么方向。期间除了打工收入，靠运气赚到过一些小钱，但在上海房价面前仍旧过于渺小。 更有点不服气，自认为一直没有丧失好奇心，在保持学习这件事情上，做得比大部分人都努力。我看各种经验分享，研究效率工具，了解认知心理学，尝试提高自己的方法都试了。 为什么在挣钱一途上还是毫无进展？ 当然跳脱出来，客观上说开局一团糟，农村家庭、垃圾本科、没有专业能力壁垒。哈哈哈你还敢不服气，那加上心高气傲。 在无数个日夜焦虑，明知自己要做点改变，但又不知道作何改变的时候。还是运气好，直属领导让我看看区块链的东西，了解一下 DeFi，那我就去了。 20 年 9 月，开始做调研，当时市面上的中文资料没这么多，从旁白君的科普视频看起。基本上把市面上的主流白皮书都啃了一遍，然后跟着操作了解逻辑。 花了一两个月时间做完这一切的时候，我意识到这是一个新行业，大家都不懂，所有人都在同一起跑线。 以及，这里面，有钱！ 我迫不及待地和周围的朋友分享这个新行业，用我的话告诉他们这里面的玩法和逻辑，虽然听和讲都很开心，但是有所行动的人少之又少。（那段时间我对行业的理解，基本浓缩在 《白话：区块链“稳定币挖矿”是什么》 这篇入门文章里） 不止是朋友，我发现同在公司的、一起接触新行业的其他人，似乎也认为这是机会，但好像没有实际的行动。 正巧，那阵子推友 Maple 带我玩港股打新。我把这两个新事物放在一起想时，找到了我真正的“天份”（如果我确实有的话😂）。 那就是 —— 在回报不明朗的情况下，先努力的天份。 港股打新，我手动注册了 50 个券商账户，觉得不够，又拿太太的身份注册了 50 个，尤不满足，再拿家人的身份注册了 50 个。 注册的过程枯燥、乏味、无聊、会遇到看不懂的意外，但我对“没钱”的不服气，足以支撑我一遍一遍一遍地做下去。 学习 DeFi 的知识也是一样，重仓的第一个币是 BUSD，我会愿意在买之前真正搞懂它到底是什么、注册人生中第一个海外信托、花几周时间跑通整个流程、学习怎么看资产信息披露。 搞不定，就抓抓为数不多的头发，再来一次。 意外地顺利，之前折腾过的所有“没用”的东西，在这里好像忽然都对了。魔兽世界地精、科学上网、折腾数码、研究软件、小 PM 要懂的程序实现逻辑和业务逻辑，每件事情都有用，没有一件浪费了。 DeFi 项目对我来说像是一个个新游戏，只要和所有人一起从新手村出发，阅读游戏规则，琢磨把游戏打好，就能爆金币。 就连性格里无法变更的“风险偏好保守”，在这里好像也变成了优势，让我躲过一次次 RUG，一条血槽玩下去。 趁着半轮牛市，缓慢地把打工积蓄攒成了第一桶金。当有远程工作的机会时，我选择了人生中的第一次跳槽。 先转个行，去一家 Crypto 硬件钱包公司做 PM。 这家公司的 PM 都非常强，产品负责需求、文档、原型、UI，甚至有好几位产品经理直接上手开发，都有独立开发者水平。 我意识到自己对做产品没有这么高的热忱，也几乎永远达不到他们的水平。做产品时，调研业务，了解一个事物的逻辑和技术实现是我喜欢的，但是扣原型和交互则完全不想碰。 那时我的副业是做 DeFi 和 Crypto 套利，收入已经稳定半年两倍于工资了，并且要做的事情就是学习、研究、找最佳策略、预想意外情况做风控。一次次不断的正反馈，做交易比做产品更开心。 很幸运地，大约半年之后，行业大裁员我顺势免费了，拿到人生中第一个 N+1 😂 之后开始全力投入副业，试图把交易变成我的主业。果然上班耽误挣钱，时间自由带来更多的尝试机会，我越发想知道专业人士是怎么做的。 虽然从推特上认识了不少行业内的人，但 I 人从未线下社交，也就无从进展。还是一个老同学拉我认识了一些 Crypto 圈内人，见面聊了几次 DeFi 相关的业务。一来二去，用懂 DeFi 的 PM 这个交叉技能，转职成为一家 Prime Broker 的基金经理。 先转行，再转职，看来是可行的。 一边是帮机构管几百个 BTC 做 DeFi 和 Crypto 套利，一边组队是从无到有搭建一套 MEV 基础设施。 管很多钱心慌吗，竟然还行？因为我管自己的小钱的时候就是这样做，知道自己在做什么，知道风险是什么，知道了解能了解的一切，知道风险永远发生在我不了解的地方。踏实地尽人事，已经不易。 更多的是收益率降低时的极度焦虑。熊市收益下降、DeFi 机会减少、小机会撑不起资金容量、更多时候无法灵活试错，看起来管理机构的钱看起来有点无聊了。 另一边的工作，也花了半年时间，和小伙伴一起验证了 MEV 赛道在熊市难以盈利，我也不愿意花更多时间在这上面。于是交上一份详细的测试结论，辞职了。 这次恢复无业之后，已经不再想上班了。我喜欢做灵活、自由、属于自己的小事。 用自己的钱做套利，焦虑缓解很多。更重要的是，即使市场这么熊，依旧在持续涌现一些机会。这对我来说就像是游戏里的一个个新任务，我得第一个领取它再说。 即使大部分时候任务奖励降低了，但经验值奖励还在，暂且还能提供不错的现金流。这样我可以佛系一点，把重心回归生活做一些更重要的事情。 故事就讲到这里，回归开头，我认为这个 Crypto 行业是什么样的。 矛盾的一头，极少数真正相信“去中心化”的人在这里，“去中心化”是一件我认为正确的事情。又好、又正确。 矛盾的另一头，我悲观地认为它不会成功，这里绝大部分人是骗子和赌徒。骗子获得了巨大的收益，赌徒贡献了全部的利润。在我刚了解这个行业时，我的 BTCÐ 仓位是 10%，或者说我有 10% 的信心认为它会成功，现在我的仓位是 1%。 我在这个赌场里，自处的方式只有：我不撒谎，也不骗人，谁要来赌，我陪他玩。和所有其他赌徒一样，我公平地参与这个游戏。 --- 很遗憾经过这么多好运，还没有暴富故事。 希望你的运气也好一点，遇到“忽然都对了”的那件事。

有空再抽个奖，奖金 $100 5人均分 截止时间：本周六晚上（美西时间 10PM 获奖名单由grok抽出 要求，follow @RealHanyaHu 点赞并转发 @两个小伙伴 记住我是带你发家致富，并讲述金融故事的Hanya姐姐。 ------------------------------------------------- 深度研究系列 美国长寿赛道深度报告 你看不起的小生意系列 AI辅助3D首饰打印 小小包子挣百万 Poke Bowl 避坑指南 中转站三大黑幕 奶茶店加盟是个坑 投资移民5大坑

⚡️ @OwenJin12 对话 168X：从投行交易室到 Crypto 永续合约，拆解 2026 下半年宏观与风险资产博弈 Owen 过去有投行和衍生品 Trading Risk 背景，他不只看宏观数据交易，也深入研究永续合约机制。 Warsh 上任后，市场是否过度定价鹰派？6 月非农爆冷后，7/14 CPI 会不会成为风险资产的新验证点？油价、利率、AI 半导体、美股轮动和 BTC 脱钩交织在一起，下半年市场到底该怎么看？ 我们也会聊 Owen 最擅长的永续合约机制：资金费率、标记价格、保险基金、ADL、小市值合约操纵，以及 Perp DEX、链上股票和 24/7 交易的未来。 主持：@168MrZ @vcmktasa 嘉宾：@OwenJin12 直播时间：7/9 6 PM（东八区） X Space 链接：

由 SVP Chain 主办的 Agentic Finance Meetup 将汇聚 AI、Web3 及金融科技领域的创始人、开发者、研究者和生态建设者，共同探讨 Agent 时代的金融基础设施应该如何构建。从 x402 微支付、Agent Wallet 到 Intent-Based Trading、On-chain Verification，我们将深入讨论支付之后发生的价值流转与信任机制。 本次活动将聚焦 Agentic Finance 的核心命题：当 AI Agent 拥有支付能力之后，如何建立可信交易、可验证声誉以及透明收益分配体系。我们将分享 SVP Chain 提出的 Pay · Trust · Trade · Verify 四层架构，并现场演示 Agent 从支付到链上交易验证的完整闭环，共同探索 AI Native 金融网络的未来形态。 📍 新加坡 🇸🇬 📅 6 月 26日｜2PM–7PM 🔗 RSVP: