现在项目方的套路都一样了吗？ 感觉最近看下来， $H $BILL $RAVE $LAB 这些盘 味儿都越来越像了 先把 FDV 拉高， 再制造预售/早期轮的巨大浮盈 然后通过锁仓、bonus、延期解锁这些规则 把真正的现货供应暂时锁住 市场上的对手盘就形成了： 这币这么高 FDV，肯定要跌 早期轮这么多浮盈，肯定要砸 锁仓的人肯定会去合约对冲 比如 $bill ，刚刚又新高了 15亿 FDV 一样的套路，kaito预售 1亿 FDV卖了5% 那预售的现在就是15x 然后项目方把 100%的tge 改成了三选一 要么退款 要么锁 6 个月，多给 25% 要么锁 1 年，多给 50% 截止到18号 锁仓的人大概率会锁仓+bonus 对冲的估计也会有 然后最开心的就是项目方和做局的人 他们需要流动性，需要空头，需要一堆人去帮他们把盘口做热 大家越想空锁仓筹码，价格反而越容易被往上挤， 资金费率拉爆，空头被清算， 最后又变成一场熟悉的收割游戏 有点像之前 $RAVE 那味儿 更骚的是10号的时候 $bill 凌晨1点团队多签地址往bitget 充值了50m 枚 $bill 正好是价格最高点的位置附近，随后价格下跌了接近40% 0x72f3056fb93a6e627375b2c581abd91ea5b04c99 目前钱包还有50m枚 $bill 一样的套路一样的手法： 高 FDV 预售巨额浮盈 临时改锁仓规则 鼓励市场做对冲 团队钱包高位充 CEX 这个市场不是没有逻辑， 逻辑都写在合约仓位和链上筹码里了 哈哈哈

如何快速判断一个项目是否值得参与？有没有 Alpha 机会？ 最近用 Codex 做了个产品「 Alpha Radar」，只需要输入项目 X 用户名，就能帮你快速判断是否值得参与！ Alpha Radar 会把分散在官网、文档、团队、融资、产品与社区里的信号等。 通过多源研究+六维评分模式，压缩成一张直观的项目实时评分卡，它会给出： - 综合评分 - Alpha 潜力 - 空投潜力 - 风险拆解 - 六维评分 - 参与建议 直接明确当前项目存在的机会、风险和下一步该怎么做，辅助你判断是否值得投入时间与资金。不纯看项目热度，而是依托实际数据进行决策。 底层数据源用了 Surf 强大的数据挖掘能力，设计了一套 16 类研究评估机制，从中提取可验证信号，再聚合为最终 6 个决策维度。 以热门项目 @arc 为例： 给出了7.3的评分（满分10分） 会给出直接建议、需要避开的坑、值得关注的信号。 六大维度也会分别评分，并给出具体的评分分析。 最后出具一句话研究研究，给出清晰的评估结果，方便你做判断。 我做这个 Agent 工具的原因也很简单： 每天新项目太多了，靠手动翻 X、官网、文档，查融资、社区、竞品和活动信息，效率低还需要花费大量时间精力，让大家能在极短时间内对一个项目进行判断。 目前已上架 #OKXAI# ，大家可以搜索「 Alpha Radar」给自己的 Agent 安装。 定价 0.1 U/次，但每个 IP 前 3 次是免费体验使用的。 👇顺便放上网页版链接，供大家体验： 如果你平时比较关注早期项目、撸空投、找 Alpha，欢迎体验下我做的这个工具。 👇教程与功能讲解请看下面的视频。 也提醒下大家：本工具纯属个人兴趣制作，结果仅供研究参考，不构成任何投资建议，DYOR。

刚买了一点 $FLOCK ，存那里，#山寨季# 💎看了下基本面很不错：@flock_io 1. 被 base 官方定位为首个 AI 基建项目，已经入驻 Base 官方的 Builder Service Hub，再加上FLock与阿里云旗下开源大语言模型系列 alibaba Qwen 达成战略合作，FLock 是阿里巴巴 Qwen 的 Web3 官方入口! 2.CoinbaseVentures 多次与团队接洽，或为潜在战略投资（已获 OKX、DCG、GSR 等投资），有强烈上CB的预期！ 3.已经在 Upbit、Bybit 和 Bithumb 上市，对于价值约 2000 万 MC 的项目来说极为罕见！ 4.筹码健康：25% 长期锁仓，超过 25% 代币被锁仓，平均锁定时长为 265天。Staking（质押）参与率从 Q1 初的 1.3% 飙升至 41.1%，反映社区深度参与和长期看好。 绝对被严重低估的 AI x web3 项目，AI依旧是本轮最热门叙事。🔥 #Flock#

FOGO 2026 年 1 月 15 日同步主网启动和 TGE，售卖 2% 总供应（2 亿枚 FOGO），价格0.035 美元/枚，募集约 700 万美元。随后上线币安Alpha，按照现在这个价格都还有100多刀的收益，真的非常的给力。 Fogo（$FOGO）是一个基于 Solana 虚拟机的全新 Layer 1 区块链，重点优化极致低延迟和高吞吐量。项目目标实现 40 毫秒的区块时间，比 Solana、Sui 等竞品快高达 18 倍，适合实时大规模应用场景（如高频交易、游戏、DeFi 等）。 总融资约 2050 万美元（早期种子轮 + 社区轮 + 币安 Pre-TGE Prime Sale），$FOGO TGE时就是巅峰，随后价格一路向南，现报价0.03美元，市值1.13亿，FDV3亿，已经跌破大家预购的价格了。 项目X @fogo，关注超14W，Xhunt全球影响力排名5000名，帖子阅读在1W左右，运营力度还在稳步上升中，交互活跃。 L1公链还是蛮有牌面的，各大交易所都有上线，而且还有丰富的交易活动。但无奈初始流通占比高 + 基金会大额 TGE 解锁，抛压明显；目前还没有生态项目，就一个纯壳子，可能会打击投资者的信心。但话说回来，技术硬核-超低延迟、币安强力背书的项目不会这么快就凉了，后续活跃度上来后还是可以投机一波的。

我的 Trading Agent 换上了这个大脑后，明显聪明了几个量级！ 长期以来，我在使用 Agent 的过程中，都被同一个问题所困扰：它太容易失忆了！ 每次开启一个新会话，我都要重新交代背景： 我是谁、我在做什么项目、我的判断标准是什么、哪些资料已经看过、哪些坑已经踩过、哪些结论已经被推翻过。 这带来的问题非常明显： 第一、Agent 很难保持连续性。今天它帮我分析了一个项目，明天再问它相关问题，它往往又像第一次接触一样，从零开始推理。 第二、Agent 很难沉淀经验。一次研究中已经证明无效的路径，下次它可能还会重复。而一次写作中已经验证有效的结构，下次它也未必会主动再用。 第三、记忆很容易被锁在某个工具里。Claude Code 里沉淀的上下文，换到 Codex、OpenClaw 或其他 Agent 工作流里，就很难自然迁移。 第四、传统的补救方案也不够优雅。把 Prompt 越写越长，会增加 token 成本，也容易污染上下文；自己搭向量库，又经常变成一个黑盒，能搜到碎片，但很难检查、编辑、回滚和复用。 也就是说，Agent 真正需要是一套可以持续积累、可以被人类检查、可以跨工具复用的记忆系统。 直到我遇到 EverOS，我才意识到： Agent memory 不应该只是“把历史记录塞进 RAG”，而应该更像一个面向 AI Agent 的记忆操作系统。 EverOS 最吸引我的地方，是它把“记忆”这件事做得非常工程化。 它不是把所有内容扔进一个看不见的向量数据库，而是把记忆保存成可读、可编辑、可版本管理的 Markdown。 这样一来，Agent 的记忆不再是黑盒，人可以打开看，可以修改，可以用 Git 管理，也可以在需要时回滚。 它也不是只做简单语义搜索，而是采用本地优先的 Markdown + SQLite + LanceDB 架构，并结合 BM25、标量过滤等方式，让记忆既能被语义检索，也能按项目、用户、Agent、应用、会话等维度精确限定范围。 更关键的是，EverOS 区分了两类记忆：用户记忆和代理记忆。 用户记忆记录的是“我是谁”： 我的偏好、长期目标、判断标准、历史项目、常用工作方式。 代理记忆记录的是“Agent 怎么做事”： 完成过哪些案例、哪些路径有效、哪些错误发生过、哪些工作流可以复用。 这个区分非常重要。因为一个真正有用的 Agent，不仅要记住用户，还要记住自己做过什么，并且从自己的执行轨迹中沉淀出技能。 EverOS 的自我进化机制，正是解决这个问题的关键。 一次任务完成后，它可以把这次执行过程沉淀成 Case； 当某类成功路径反复出现，就可以进一步提炼成可复用的 Skill。 也就是说，Agent 不只是记住发生过什么，而是开始形成“以后遇到类似问题应该怎么做”的程序性记忆。 我把 EverOS 最适合落地的场景，放在了我的 AI Trading 和 Research Agent 上。 这个 Agent 的任务是帮我持续做研究：追踪 AI x Trading 项目、整理项目文档、提取交易假设、比较同赛道竞品、记录风险点、形成研究笔记，再输出适合发布的内容草稿。 在没有 EverOS 之前，这个 Agent 有几个明显问题。 它会忘记我的研究标准。比如我反复强调不要只看叙事，要看产品机制、资金流、风控结构、真实用户、可验证的数据和同赛道比较，但下一次分析新项目时，它还是可能滑向空泛总结。 它会忘记我已经踩过的坑。比如某些信源质量不高、某些指标容易误导、某些项目的营销话术不能直接采用，这些经验如果不能沉淀，下次就还要重新提醒。 它也很难复用成熟工作流。一次完整研究往往要经过“资料导入—事实提取—机制拆解—风险核查—竞品比较—交易假设—内容输出”几个步骤。如果每次都从零开始设计流程，Agent 就很难真正提高效率。 接入 EverOS 后，我会把这个 Agent 的记忆分成几层。 第一层是项目资料记忆。白皮书、官网、GitHub、截图、PDF、文章、推文、数据表，都可以作为多模态资料导入，让 Agent 在后续研究中能检索到原始上下文。 第二层是用户偏好记忆。比如我的研究偏好是“证据链优先、少用空话、避免 Shill、必须对比同赛道、必须写风险点、必须区分事实和推测”。这些不应该每次重新写进 Prompt，而应该成为长期用户记忆。 第三层是研究案例记忆。每次分析一个项目，都记录这次研究用了哪些资料、得出了什么结论、哪些假设被保留、哪些判断被推翻、哪些风险后来被验证。 第四层是技能记忆。当某个流程反复有效，比如“AI Trading 项目拆解模板”、“交易型 Agent 风控检查表”、“项目亮点转 X 长文结构”、“竞品比较框架”，就把它沉淀成 Agent 可以重复用的 Skill。 这样一来，Agent 的工作方式就发生了变化。 以前它像一个一次性助手：每次叫醒它，都要重新喂背景、重新讲规则、重新纠正偏差。 现在它更像一个会积累的研究搭档：它知道我以前看过什么，知道我更重视哪些判断标准，知道哪些路径曾经失败，也知道哪些工作流可以复用。 这才是我认为 EverOS 最有价值的地方。 它不是让 Agent 瞬间变成全知全能，而是让 Agent 的每一次有效工作不再归零。 长期看，Agent 的竞争力不只来自底层模型，而来自它能不能把用户、任务、项目、错误、决策和工作流持续沉淀下来。 没有记忆的 Agent，只是一个反复被唤醒的工具。 有了可读、可迁移、可检索、可进化的记忆层，Agent 才开始接近真正的长期协作伙伴。 如果你也在构建 AI Agent、LLM 应用、AI Coding 工作流，或者任何需要长期上下文的系统，强烈建议把 Star 一下这个 Repo !!! 因为下一代 Agent 真正重要的能力，可能不是一次回答有多聪明，而是它能不能记住过去、理解现在，并在下一次任务中变得更好 链接：

space x星舰项目的华裔女工程师郭璨走红，除了年轻她的随性穿搭、麻花辫、花臂纹身、黄色头发引发大量女网友共振，因为她代表了自由向上的女性力量。 然而这么厉害的女性，女网友们不去探讨她背后付出多少努力，有什么过人的本领，竟然都只都盯着她的花臂和穿搭，花臂和她的能力有什么必然联系？ 她只能代表她自己，不知道那些共享荣誉的人在兴奋什么。 天才工程师可以选择纹和自由穿搭，但你不会因为纹了身染个发穿个吊带就成为天才工程师。