上周从北京出差回来，说说感受： -北京的机构&量化圈，确实是国内目前质量最高的。 -BN的小伙伴直言：虽然大家都低调，但北京的高净值V8/V9客户层出不穷——事少、遇事一般自己解决、爱钻研。 -真金白银干实事。其他城市暂时还卷不过。 还有个有趣的观察，95后已经成亚洲某一线资管团队的主力了。 据合伙人介绍，他们特征统一：爱二次元、讨厌团建、就想自己呆着搞研究。 中登大哥们，则在时代洪流里各显神通—— -有拿到大结果的老板，开出了量化赛道惊人的bonus,当合伙人，依然带头卷，过往攀登的山峰很高，依然想去下一座山头看一看。 -有人始终如一，带着兄弟们集体换赛道，试试AI, 试试软件，总之不能忘下昔日的兄弟们，得带着。 -各有各的活法，但都TM挺精彩。 -还有个发现，似乎这一圈人，对深圳的评价都出奇的高，有经常往返京深的小伙伴，能解释一下原因么。 #北京# #深圳# #Web3‌‌#

这个真挺好，相当于把我之前做的那个 sandbox sdk(sandbank 项目) 集成在 agents sdk 里头了。不过实际上我自己使用下来，没有什么比自建 boxlite cloud 更快，用公共的 sandbox cloud service 仍然会遇到这些问题，只有 v8 dynamic worker 的方案不是一个速度层级。

我最近做了个很有意思的现场音乐产品。但是在做的过程中，我和 cc 有着反复的讨论，这个讨论很有意思，我决定记录分享下来。 很多现场音乐会使用 web 技术做音乐可视化，我的想法是使用 dynamic worker 可以验证 llm 到音乐生成和可视化的思路，而且这正是 v8 这种小隔离环境擅长做的事情。但实际上使用下来，会发现： 使用 codex/cc 可以 one shot 做出完成度较高的可视化内容，但使用 API 调用 llm 却很难 one shot 做到。因为这本质上要求我们在 API 层面实现复杂的 cli tool use，这就回到今年以来的最大选题困境，也是我不押注 cloudflare 那条“应该由 llm 写代码交给 sandbox 执行，而不是在 sandbox 中执行 llm cli” 的原因。 这种技术选型的困境是，一方面我们依赖大量的 skill 上下文导致 context 变的很大，在单一 llm 调用，甚至严格要求 cpu 运行时间的环境中不太合适，另外一方面，单一 API 调用导致的错误率非常高（缺少 agentic loop 的天然问题） 做到最后，cc 无法在这种技术架构下实现批量生产高完成度的产品，要求我将 dynamic worker 这种技术选项删除，完全走受控制的路线（llm 输出 json 这种传统的方式），而且他提供了一个产品上的说服思路，以下是它的原话： 「艺术家在 TD/Notch 做出精彩不是因为工具"自由"——恰恰相反，TD 节点比裸 WebGL更约束。但节点本身是作品级封装（feedback loop / particle GPU / volumetric / post-FX chain）。艺术家的"自由"表现为在高级原语之间的组合。所以 Recipe 路径的本质不是 "限制 LLM"，而是"把 LLM 的工作台从锤子钉子换成 TouchDesigner"——LLM 的语义自由度不变（从 prompt 到风格决策），但手里的原语变强」 换句话说，cc 认为艺术性表达的本质在于约束而不是发散。产品应当尽可能的引导用户思考，而不是让用户在一个无尽的空间中自由探索。这个反馈把一个技术选型的问题突然变成了一个哲学问题，是很有意思的对话实践。

和首富年轻时候的那些旧事，我早就不想再提了。但这次又莫名其妙被牵扯进来，那就把事实再说一遍。 关于他在职OKCoin 期间，伪造合同的证据，早在 12 年前就已经公开在互联网上。当年披露的 YouTube 视频也都还在。 0:00 - 连接到公证人的互联网 1:00 - 登录会计的 QQ 账号 1:26 - 搜索前员工的联系方式和聊天记录 1:35 - 聊天记录和所有过去发送的附件都显示在右侧。在这里可以看到合同的 v7 和 v8 版本都发送给了会计（v7 于 2014 年 12 月 16 日 15:17:24 发送，v8 于 2015 年 12 月 16 日 19:29:47 发送） 1:55 - 打开合同 v8 进行检查（这是包含 6 个月终止条款的版本） 2:15 - 可以在合同的最后一行看到 6 个月的终止条款 2:22 - 打开合同 v7 进行检查 2:54 - 打开前员工的护照（已审查） 3:02 - 前员工的公开 QQ 账号 在看到这些证据之后，首富当年的回应是：他不常用 QQ，自己的账号可能被我雇佣的其他 OKCoin 员工盗用，并伪造了这些聊天记录。 请问，这样的说法，你会相信吗？ 关于此事当年的完整的说明如下：

普京（丁）的車隊到了北京。 這款車叫「阿魯斯」（Aurus Senat），外觀上確實有一股濃濃的勞斯萊斯既視感。尤其是那個巨大的、直瀑式的鍍鉻前格柵，加上方正硬朗的车身線條，簡直就是把幻影（Phantom）的氣場直接搬了過來，難怪在國際上常被調侃為「俄羅斯版的勞斯萊斯」。 不過，這車的來頭可不簡單，它是普丁一手推動的「車隊」（Kortezh）國家項目。以前俄羅斯頂級領導人出訪，坐的都是德國的奔馳（Mercedes-Benz）防彈車。普丁為了彰顯大國自主的工業面子，硬是讓俄羅斯國家汽車醫學研究院（NAMI）牽頭，砸巨資研發了這套本土奢華座駕。 雖然2021年才開始針對民用市場進行大規模量產，但這款車早在2018年普丁第四個總統任期的就職典禮上就已經正式亮相，成為他的專屬座駕。現在出訪，俄方都是直接用伊爾-76運輸機把這批重型防彈「大傢伙」空運過去。 有意思的是，這款車的研發其實還找了保時捷（Porsche）來幫忙調校那台4.4升的V8雙渦輪增壓發動機。普丁對這款車是相當滿意，近年來它甚至成了俄羅斯的一種「外交禮物」，前陣子剛送了一輛給金正恩，前幾天馬來西亞最高元首訪問莫斯科，也拿到了這款車的鑰匙。 這次在北京街頭看到這支車隊，確實非常扎眼，一眼望去，那種厚重的古典奢華感和工業壓迫感，確實跟勞斯萊斯撞了個滿懷。

在这篇妖币量化研究之后，正好赶上这几天妖币大爆发 明显感觉推上讨论更多了，简中区对妖币alpha的认知遥遥领先于其他语种 而且同时也收到了很多同在一线trader的反馈，以下有几条启发我代入测试，并得出了一些有意思的发现： 1. @Arya_web3 羊姐的OI刷量+跨所爆仓 OI大多数都是刷出来的，刷OI成本低，但订单簿几乎没有单笔大单。爆仓主力不一定在Binance 按照这个思路提炼出了跨所间OI集中度和vol/OI这2个数据维度 得出两个结论： - Binance的OI占比中位数越低，意味着操纵程度越高，V4A这种基于高度操纵特征的策略胜率越高（回测提高了170%） - vol/OI 高就意味着刷量高。刷量在20x以上的币种，V4A表现最差 这同样意味着所有单纯监控合约交易量或者OI的策略都是不妥的，因为很有可能只是庄故意停刷引诱上车的。 这是一个非常好的潜在筛选标准 另外链上流入流出交易所也是可行指标，基本跟V4A信号同步 2. @wuk_Bitcoin Donato老师的“价OI背离” 逻辑是价格不断被托着上涨，但是连续数个小时OI大幅单调下降。这个逻辑说明有聪明钱或者内幕在悄悄出货 数据试验了一下，这种状况相当多样本很多，而且更重要的一点：并不依赖于操纵币种和操纵事件，是一个独立出现信号并可以正EV的策略（当然绝大多数回测数据出现是熊市），与我之前的V4A策略重合度较低 当然也有局限性： 1.需要非常紧的反弹trailing平仓 2. 回测带上滑点成本后单笔PNL较低 3. 容易受到OI操纵的影响 3. @CryptoRounder 老师的急速插针+OI骤降 这个可能是对于V4A策略补充最好的发现 —— 在V4A的操纵币种+操纵区间筛选+插针顶部信号筛选基础上，检测30分钟OI是否出现骤然减少 这个策略的逻辑是，这个位置的价格触发了大量的清算导致OI骤降，因为空单对手盘消失，庄家失去维持高位价格的意愿开始下跌，是一个更确切的顶部信号 让我非常惊讶的一点，是这个策略我即使建立在V4A的顶部确认和操纵周期确认条件基础上，回测居然几乎不重合 经过回测确认，Rounder老师的策略触发要比我之前基于纯K的策略触发快2-4小时 我把Rounder和Donato老师的策略一并加到观察里作为V7和V8 总结一下，目前的三个策略V4A（还分老币和新币正在观察）、V7、V8策略如下图 最后再广告一下：测试你的妖币策略，就来 @Hertzflow_xyz 测试网

Cloudflare 今天官宣推出的 AI Sandbox（也被称为 Containers / Dynamic Workers），听起来像是一个测试用的“代码沙盒”，但如果放进 AI Agent 的完整工作流里，它其实是 AI 时代的执行层基础设施，而不是一个简单的开发或测试工具。 一个典型的 Agent 工作流可以拆成：理解任务、规划步骤、选择工具、执行任务、读取结果、再决策并循环。其中，LLM 负责“想”，真正“干活”的部分发生在执行阶段。 问题在于，AI 生成的代码是不可信的，用户输入同样不可信，而生产环境又必须支持多租户隔离。这三点叠加，决定了执行必须发生在一个隔离、安全、可控的环境中——这正是 Sandbox 的存在意义。 因此，Sandbox 并不是“某些步骤会用到的工具”，而是 Agent 体系中的一个固定节点：只要涉及代码执行、文件处理、数据分析、系统调用（如 shell、依赖安装）、或者长时间运行任务，这些步骤都会进入 Sandbox。反过来，纯推理、文本生成、简单 API 调用、业务状态管理等，通常仍然留在 LLM 或主系统中。最终形成的结构是：LLM 负责决策，Worker 负责编排，Sandbox 负责执行。 这也解释了为什么 Sandbox 会从“测试工具”演变为“生产基础设施”。早期的典型场景是 notebook、code interpreter、在线 IDE，看起来更像开发辅助工具。但一旦 Agent 进入生产环境，执行就成为主路径：一个任务中，LLM 调用可能只有十几次，而代码执行可能发生几十甚至上百次。如果没有 Sandbox，这些执行要么不安全，要么不可控，系统无法稳定上线。换句话说，Demo 可以不用 Sandbox，但生产环境必须有等价机制。 从架构上看，生产级 Agent 会稳定在三层结构：LLM（决策）、Sandbox（执行）、以及外部系统（数据与状态）。这三者缺一不可。其中，Sandbox 的职责非常明确——提供一个可以安全运行不可信代码的环境，并具备文件系统、网络、依赖管理和资源隔离能力。 Cloudflare 的在执行层上的优势（做 Sandbox的优势），在于它把几项关键能力叠加在一起：全球边缘节点执行、毫秒级冷启动、基于 V8 isolate 的轻量运行时，以及与 Worker 体系的一体化调度。这种组合，使得 AI Agent 的执行可以在用户附近发生，同时具备高频调用所需的低延迟和低开销。相比之下，传统云厂商也能提供隔离执行环境，但往往在启动速度、调度路径和开发复杂度上存在明显差异。 更深一层看，这背后是一个范式变化。过去的 AI 系统，本质是“调用模型得到答案”；而 Agent 的形态，更像“写代码并执行任务”。一旦执行成为主路径，成本结构也会发生变化：模型推理的占比下降，而执行的占比上升。对应的基础设施分层，也从单一的模型层，扩展为“模型层 + 控制层 + 执行层”。 最近被频繁讨论的 AI Harness其实就是控制，本质上是让 AI 系统“可控、可重复、可工程化”的一层控制系统，负责任务编排、工具调用、策略约束、结果校验和重试机制。它解决的是“AI 应该做什么、怎么做”的问题。但 Harness 本身并不执行任务，一旦涉及代码运行、数据处理或系统操作，就必须调用执行环境。 Harness可以也需要跑在Sandbox 上。Harness 决定流程、调度工具、判断结果是否有效，而 Sandbox 负责真正运行代码、处理文件和完成计算。可以把整个体系理解为四层结构：LLM（模型层）负责推理，Harness（控制层）负责编排，Sandbox（执行层）负责落地执行，底层则是计算、存储和网络基础设施。 换句话说，Harness 让 AI“可控”，而 Sandbox 让 AI“可用”。 从这个角度看，Sandbox 的最终形态更接近一种运行时环境（runtime）。就像过去的应用离不开操作系统或容器一样，未来的 Agent 也离不开一个稳定、安全、可扩展的执行层。Cloudflare 正在做的，是把这层 runtime 标准化，并推向边缘网络。 如果 Agent 成为主流形态，那么 Sandbox 不只是会进入生产流程，而是会成为每一个 AI 请求背后的必经环节。届时，AI 的竞争将不再只发生在模型层，也会在控制层和执行层展开，而执行层很可能成为整个体系中最关键、也最容易被低估的一环。 免责声明：本文仅供参考，不构成投资建议。作者可能持有文章提及资产，管道未必客观。投资有风险，入市需谨慎。