HertzFlow @Hertzflow_xyz 最近连续发布了 3 篇 Beginner’s Guide，分别讲 Trade、Pools & Vaults、Referral。 8 月 1 日测试网收官，官方把下一站指向 Mainnet。 这 3 篇内容放在一起看，重点并不只是教用户按钮怎么点，更像是在提前回答一个问题： 每一笔钱从哪里产生，最后的风险由谁承担。 先看 Trade。 HertzFlow 支持加密货币、外汇、商品、股票等资产，交易者可以选择 Normal 或 Hyper。 Normal 的开仓和平仓费用约为名义价值的 4–6 bps，Referral 的 5% 折扣只覆盖符合条件的费用。 Hyper 没有对应的开平仓费，但盈利平仓后会按照 ROI 规则分配利润，亏损平仓不收这部分分成。 Funding、Borrow 和 Gas 两种模式都还在。 这其实对应两种完全不同的付费习惯： 一种在交易发生时先付，另一种等盈利兑现后再分。 频繁交易的人，可能更在意费率能否提前预测； 持仓时间更长、盈利预期更高的人，则需要重点研究利润分配。 只盯着开仓费，很容易把整张账单看漏。 再看 Pool 和 Vault。 Pool 按单一市场隔离，用户存入 USDT 后获得 HzLP，资金作为该市场杠杆交易的对手盘。 收益来自交易手续费、借贷费用和交易者净亏损。 交易者整体盈利时，Pool 的份额价值可能下跌，这类产品天然带着对手方风险。 Vault 则聚合多个市场，协议或 Curator 会把资金分配到不同 Pool，并进行再平衡，用户获得 HzV。 操作更省事，风险相对分散，但它依然会受到整体交易表现影响，不能按固定收益产品去理解。 测试网数据约为 117 k 用户、$3.7 B 交易量、$170 M 资金池锁定。 这个规模说明产品已经被大量用户试用，可真正的压力测试还在主网： 真实资金进入后，用户会不会把 APY 当成利息？ 会不会把 Active Referees 直接理解成总邀请人数？ 会不会忽略提款限制和池子价值波动？ 我更关心 HertzFlow 接下来能不能把这些规则同步到官网、文档和下单页面。 尤其是确认订单时，如果能把开平仓费、利润分成、Funding、Borrow、Gas、Referral 折扣范围放在同一张成本卡里，体验会好很多。 DeFi 用户不需要先读完一整套协议设计，但至少要在确认之前知道： 自己付什么钱，承担什么风险，什么时候可以退出。

大多数 AI 教程教你 import，这个微软仓库逼你自己写反向传播。 前几天翻 GitHub 星标，看到一个躺了两年多的仓库，微软的《AI for Beginners》。 当初 star 的时候大概是想着“这看起来挺全，以后学”，然后就没有以后了。这次点进去是因为无聊，结果卡在了第 4 课。 那节课的意思是：不准用 PyTorch，自己写一个框架。前向、反向、梯度更新，全部手写。 我当时第一反应是“这不是没事找事吗，现成的轮子摆在那儿”。硬着头皮写了两个多小时，写到反向传播那块的时候，突然有点别的感觉。 倒不是学到了什么新东西，链式法则谁不知道。是那种“哦，原来它就是这么点东西”的感觉。后来再写 loss.backward()，心态确实不太一样了。 我猜很多人收藏了一堆 AI 教程看不完，不是因为懒。那些教程从头到尾都在让你 import 别人的东西，跟着敲完，跑出 98% 准确率，关掉编辑器，心里清楚自己啥也没捞着。这门课至少在开头逼你捞了一点。 其他内容也简单说两句。 12 周 24 节课，从感知机一路排到 Transformer 和 LLM 提示，中间 CNN、迁移学习、GAN、目标检测、U-Net、词向量、RNN、BERT 该有的都有，后面还塞了遗传算法、深度强化学习、多智能体、AI 伦理。 每节课 PyTorch 和 TensorFlow 各一份 notebook，挑一个跟到底就行。 比较意外的是第 2 课在讲专家系统和知识图谱，纯符号主义那一套，现在基本没人教了。我本来准备跳过去的，读了读发现挺有意思——今天吵的「大模型到底会不会推理」，六十年前吵过一模一样的，只是那会儿不叫这个名。 几个实际的东西： • 不想配环境的话支持 Codespaces 和 Binder，浏览器里就能跑 • 英语吃力有中文翻译（简繁都有），一共五十多种语言 • 克隆很慢是因为翻译文件，想跳过用这个： git clone --filter=blob:none --sparse cd AI-For-Beginners git sparse-checkout set --no-cone '/**' '!translations' '!translated_images' 还有个细节我挺喜欢：README 里专门写了它不教什么，Azure 操作不教、AI 商业案例不教、深度学习的数学推导不教。免费东西还主动往外划范围的，不多见。 主笔是微软的 Dmitry Soshnikov，MIT 协议，拿去做公司内训也行。现在 5 万多星，但我估计跟我一样 star 完就忘了的占多数。 真要试的话，别从第 1 课开始。前三课都是铺垫，容易劝退，直接开第 4 课。

GitHub 上一个 7.4w star 的项目，最近刷屏了。 项目名字叫 generative-ai-for-beginners，是微软官方推出的生成式 AI 入门课程。 我本来以为又是那种“看起来很全、实际全是概念”的合集，结果点进去看了两节，直接被惊艳到。 这不是东拼西凑的博客整理，而是真正按照 「怎么一步步做出 AI 应用」 的逻辑来设计的课程体系。 它从 Prompt Engineering 开始教你怎么和模型高效对话、如何精准控制输出；然后自然过渡到 RAG、向量数据库、Fine-tuning、AI Agent、安全等内容。 顺序特别重要。 很多人学 AI 最大的痛苦不是学不会，而是一上来就被 RAG、MCP、Function Calling、Agent、LoRA 等一堆名词砸懵，完全不知道该先学什么、整个链路怎么串起来。 这个课程最牛的地方就在于，它把「为什么先学这个，后学那个」讲得特别清楚，每一节都有明确的 Learning Goals，不会让你学着学着就迷路。 更关键的是——它极度注重实操。 几乎每节都配了 Jupyter Notebook，打开就能跑。你改几个 Prompt，调一下 temperature、top_p，模型输出立刻变化；RAG 那部分更是手把手带你： • 如何切分本地文档 • 如何生成 Embedding • 如何存入向量数据库 • 如何检索 + 喂给模型生成答案 后面 Fine-tuning 讲 LoRA 轻量微调，Agent 部分演示模型如何调用工具完成多步任务。 刷到后面你会突然明白：现在市面上很多 AI 产品，本质上就是把这些模块聪明地拼在一起而已。 最离谱的是，这套课程完全免费，还有中文翻译。 现在很多人一想学 AI，第一反应就是去报各种付费课。但很多付费课其实也是把官方文档换个说法重新讲一遍。 而微软自己做的这套体系化内容，反而更适合想真正从零构建知识框架的人。 我的建议是： 如果你想系统地学生成式 AI，与其每天刷碎片信息、被各种新名词牵着鼻子走，不如直接把这个仓库从头过一遍。 至少你脑子里会先有一张清晰的地图。 仓库地址： 强烈推荐给正在学 AI 的朋友

你还在花几千块，报所谓的 AI 入门课？ 微软已经把一套完整的 AI 课程免费开源了：12 周、24 节课。 从神经网络、计算机视觉，到大语言模型、多智能体，全部提供中文内容、代码、实验和测验。 零基础先把这套学完，至少省下几千块入门学费，也避免花钱只学会几句提示词。 项目就叫：AI For Beginners

AI really isn’t that mysterious. 叼毛们，AI 真没那么玄。 I’m not a coder, but with Codex, I still built my own small web page. 不是程序员， 用 Codex 也能慢慢搭出一个自己的网页。 Not perfect. But it works. It can run, display, and be improved. 不完美， 但能跑、能看、能继续改。 Meanwhile, some people are still selling “magic prompts” and beginner courses. 有些人还在卖“万能提示词”和“AI入门课”。 Nothing wrong with learning. But at some point, you need to stop collecting lessons and start building something. 一直准备学习，真不如先做出一个东西。 Build first. Improve later. 先做出来， 再优化。 强过纸上谈兵 #AI# #ChatGPT# #Codex# #AITools# #NoCode# #BuildInPublic# #Productivity# #WebTools# #DigitalTools# #WorkSmarter# #AI时代# #工具分享# #效率工具#

如何每天赚 $500，只需要你有这三样： 1. 一台电脑 2. Wi-Fi 3. 时间 下面是 10 个超级实用的 Claude 提示词，直接复制就能用，帮你把任意技能快速转化为被动收入产品（数字产品、课程、模板等）。 Prompt 1：从一个技能中挖掘可盈利的被动收入点 「扮演一名数字产品策略师。我的技能是 [skill]，我的经验水平是 [beginner/intermediate/expert]，目标受众是 [audience]。给我 15 个可以基于这个技能打造的被动收入产品点子。每个点子需要包含：产品是什么、谁会买、解决什么问题、制作难度、上线速度、最适合的销售平台。并按『最容易赚钱 → 长期潜力最高』排序。」 Prompt 2：把一个技能转化为适合新手的数字产品 「帮我把 [skill] 转化为简单易做的数字产品，目标用户是 [audience]。给我 10 个不需要复杂技术的产品方案，优先使用 Google Docs、Canva、Notion 或表格等工具完成。每个方案包含：产品名称、形式、价格区间、制作步骤，以及为什么有人会买。」 Prompt 3：设计从低价到高价的产品阶梯 「扮演产品体系专家。我的技能是 [skill]，受众是 [audience]。帮我设计一个 4 层产品阶梯：低价、中价、高价数字产品和持续订阅。每一层都要自然承接下一层。每层需要说明：卖什么、价格区间、交付形式、用户类型，以及如何引导到下一个产品。」 Prompt 4：7 天内可以上线的最快产品 「我想用 [skill] 在 7 天内做一个被动收入产品。我每天能投入 [X] 小时，目标用户是 [audience]。给我 7 个可以快速完成的产品方案。每个方案包含：每日制作计划、所需工具、预计售价、难度评估，并标出最适合快速出单的最佳方案。」 Prompt 5：把技能匹配到真实需求 「我具备 [skill]，目标用户是 [audience]。列出这个人群正在主动解决的 15 个真实问题，并基于这些问题转化为被动收入产品点子。每个点子需包含：问题、产品方案、承诺的改变结果，以及用户购买动机。」 Prompt 6：验证哪些产品真的能卖钱 「扮演市场验证研究员。我想基于 [skill] 向 [audience] 售卖被动收入产品。给我 10 个产品点子，并从需求、紧迫性、制作难度、差异化、购买可能性这 5 个维度打分（1–10 分）。最后指出最有可能最快变现的 3 个产品，并解释原因。」 Prompt 7：从已有经验中挖掘产品 「我不想从 0 开始。帮我把已有的 [skill] 经验转化为产品。分析我经常做的事情、经常解释的问题、常用捷径、常见错误，以及已有的方法论。然后转化为 10 个被动收入产品，并附上产品形式、标题思路和目标用户。」 Prompt 8：生成完整产品大纲 「我想为 [audience] 做一个关于 [topic] 的 [product type]。帮我生成完整大纲，包括：产品标题、核心承诺、模块结构、每一部分内容、附加赠品、快速见效设计，以及最终交付形式。要求简单实用、值得付费，避免学术化。」 Prompt 9：给产品定一个合理价格 「我有一个产品点子：[product idea]，目标用户是 [audience]。对比低价、中价、高价三种定价策略。分别说明每个价格应该包含什么、吸引哪类用户、转化逻辑，以及优缺点。最后给出一个适合前期快速出单的推荐价格。」 Prompt 10：选择最适合的销售平台 「我想卖一个与 [skill] 相关的被动收入产品。请对比 Gumroad、Etsy、Payhip、Shopify、Notion 市场或自建网站等平台。结合我的产品类型 [product type]、用户 [audience] 和目标 [goal]，推荐最适合的平台，并说明原因，包括手续费、搭建难度、流量潜力和新手友好度。」

卧槽！互联网顶尖那批人，直接把脑子开源了！ 这11个GitHub仓库，真的能让你少走三年弯路，白嫖党直接起飞！ 兄弟们赶紧码住，慢慢啃，别手动找资料了！ PilotDeck（OpenBMB） 几分钟部署一个能自己干活的AI Agent，真正的开源智能体框架！ andrej-karpathy-skills（Karpathy） 一个CLAUDE.md文件直接封神，17万+星，AI编程铁律天花板！ MemPalace AI记忆系统，LongMemEval接近满分，记忆永不丢失！ OpenClaw（Peter Steinberger） 私人AI助理，37万+星，GitHub史上涨最快的怪物之一！ autoresearch（Karpathy） 科研自动化框架，吸星速度离谱，直接把科研变流水线！ awesome-claude-code Claude Code顶级玩法合集，FAANG内部都在偷偷用！ agent-skills（Addy Osmani） 生产级AI编程技能，3万+星，硬核到爆！ AI-Agents-for-Beginners（微软） 12节免费课，从零教你搞AI智能体，白嫖党的天菜！ awesome-llm-apps 最大可运行AI应用合集，10万+星，抄作业首选！ hermes-agent（NousResearch） 自进化AI智能体，越用越聪明，越用越强！ qlib（微软） 全套量化投资平台，直接clone对冲基金的大脑！ 别人天天闷声用这些东西，你刷完就划走，差距就这么被拉开了。 快码住 + 转发给还在瞎找资料的朋友！ 谁用谁知道，评论区说说你先冲哪个？#AIAgents# #GitHub#

如果我要在90天内找到一份20万美元的AI工程师工作，我不会去读学位。 我会精通这10个GitHub仓库。 1. awesome-llm-apps 生产级AI指南。RAG、智能体、多模态应用，附完整代码。10.6万+ stars。 仓库 → 2. LangChain 基础框架。被Klarna、Replit、Elastic及2026年大多数AI创业公司用于生产环境。 仓库 → 3. LangGraph 驱动生产智能体的编排层。资深AI工程师岗位描述中的必备技能。 仓库 → 4. CrewAI 多智能体协调。财富500强团队首选框架。 仓库 → 5. Ollama 在自己机器上运行任何开源LLM。学习模型工作原理的最快方式。 仓库 → 6. awesome-mcp-servers MCP是2026年所有主流AI实验室采用的标准。掌握它让你领先99%的工程师。 仓库 → 7. Qdrant 大规模生产RAG使用的向量数据库。嵌入和语义搜索是AI岗位的必需技能。 仓库 → 8. AI-Agents-for-Beginners 微软免费12课程，教建立智能体。真实代码、真实练习、真实面试准备。 仓库 → 9. system-design-primer 生产级AI就是系统设计。FAANG工程师用来面试准备的仓库。 仓库 → 10. awesome-claude-code 这个工具的使用指南，现被FAANG、OpenAI、Anthropic及大多数YC创业公司内部使用。 仓库 →