🪭《最美妲己》🪭 — Fireverse x 溫碧霞 Irene Wan震撼推出合作專輯~! 🎼📣 江湖雲涌，封神再起，妲己再現✨🧝🏻‍♀️ 被稱為「最美妲己」的她，舉手投足都像在施法。她把妖嬈演得不油膩、把危險演得很迷人。這次她把「妲己」以妖媚的聲線再次演繹：🎵🎶 🔊立即收聽：妲己 🔊立即收聽：平时时空的告白 🔊立即收聽：Boom Boom #NewMusic# #Fireverse# #溫碧霞# #最美妲己# ＃妲己变装＃歌曲妲己 #妲己# #妖妃# #妖媚# 🪭《The Most Beautiful Daji》 🪭 — Fireverse x Irene Wan Collaboration Album Just Dropped~! 🎼📣 She, known as “The Most Beautiful Daji,” seems to cast a spell with every gesture. She plays seductive charm, and makes danger feel dangerously captivating. Once again, she portrayed “Daji” with her bewitching voice:🎵🎶 🔊妲己Now Available on: 🔊平时时空的告白Now Available on: 🔊Boom Boom Now Available on: #NewMusic# #Fireverse# #irenewan# #daji# #bewitching#

0G Al Alliance Carnival正式启动，千万不要错过。 The 0G Al Alliance Carnival is officially live. Don’t miss it. 0G 亚太生态正在快速扩张。🌏 越来越多 AI Native 项目正在加入 0G，为社区带来更多早期参与机会。 The 0G ecosystem in APAC is growing rapidly, bringing early participation opportunities for creators and communities across AI + Web3. 本次 Carnival 将联合多个生态项目，通过线上任务、社区活动与线下曝光，共同推动 0G 生态增长，也让大家能抢先体验产品并获取早期 Alpha。 This campaign connects ecosystem projects through quests, community activations, and offline exposure to accelerate the growth of the 0G AI ecosystem. 👇 Participating Projects & Rewards | 参与项目及奖励 ━━━━━━━━━━━━━━ 🔹 @NeoSoulAI 基于 AI Agent Oracle 的原生 AI 预测市场。 AI-native prediction market powered by autonomous agentic oracles. 🎁 Rewards: • 1,000,000 NeoSoul Tokens • $OUL Points ━━━━━━━━━━━━━━ 🔹 @Ghast_AI 构建于 0G 之上的原生 AI Agent 基础设施，让 AI 记忆与交互成为可交易资产。 Native AI Agent infrastructure built on 0G — turning AI memory & interaction into tradable on-chain assets. 🎁 Rewards: • 50 Early Bird Codes ━━━━━━━━━━━━━━ 🔹 @moonfun_ai 将 Meme Token 演化为具备自主能力与社交智能的 AI Agent。 Transforming meme tokens into autonomous living AI agents with social intelligence. 🎁 Rewards: • 50,000 Moon Points ━━━━━━━━━━━━━━ 🔹 @primus_labs 面向链上链下数据与身份验证的隐私证明层。 Privacy-preserving verification layer for identity, data, and on-chain/off-chain activity. 🎁 Rewards: • Primus Reputation Score ━━━━━━━━━━━━━━ 🔹 @gmdottown 打造下一代 Agent Economy，实现 AI Agent 的自治协作与交易。 Building the next-generation Agent Economy for autonomous coordination and 24/7 AI workforce trading. 🎁 Rewards: • 50 OpenWhale Founding Member SBTs ━━━━━━━━━━━━━━ 更多 0G 生态项目即将加入。👀 More ecosystem projects are joining soon. 0G 亚太 AI 生态的增长才刚刚开始。 This is just the beginning of the 0G APAC AI expansion. 🌐 Online Quests 🌐 Offline Activations @ BEYOND Expo 🌐 Ecosystem-wide Collaboration 🌐 Early Community Rewards 更多任务与奖励即将公布，保持关注。 Stay tuned. 本次活动由 0G 生态项目 @lighthouse_2026 提供市场支持。 This event is supported by 0G ecosystem project @lighthouse_2026 for marketing.

天下共済|GX.7 <季度福利数据报告> [Data Report２０２4 ] 3月份刚提交完自己会社的财报，便想到何不做首个福利社区年报的尝试，也为大家展示我们这一年为币圈做了哪些微薄的贡献，共勉之！ 插播 #抽奖🎁50USDT#*2 <3连> ⏳72h 截至目前，我们已经进行了300多个项目的白名单/代币合作，获得了3000多个实名有效地址的获奖者名单。奖品价值最高峰值为30万美元，目前市价为15万美元。（含NFT、代币等） 社区红包🧧总共发放了7000rmb、以及USDT、FEE为3,000美金的奖励。另外，我们还通过PAYPAY总计发放了10万日元。 在二级市场方面，我们的总交易数量超2,000万美元。 此外，我们为项目人员提供了3次日本私人定制招待（为了保护隐私，具体内容不便透露）。同时，我们的社区经理依资历半年的收益所得为5,000至10,000美元起。 新的一年我们打算进行更多的合作，为资源不足的项目设立海外东京办事处，日本法人名义顾问（行政書士级别) 日本都内23区线下代理出席，以扩展其海外影响力，为各部级经理提供更多福利，我们的影响力也许还在成长，但是加入我们，福利一定是顶级的。 新一季度目标：对接300个项目，发放30-40万美元价值的奖品（含WL、NFT、现金等）、以及红包🧧总计14000rmb，6000u，40万paypay，设立办事处，编列社区经理正式福利，欢迎大家加入👏 同舟共济，初心未改！ 我们在币圈做的无非两件事： （ 带大家赚钱 给大家送钱 ） 仅此而已。新的季度我们必然会更进一步，发更多的福利，助力更多的早鸟项目，极致推进优秀项目的更多建设 ———共济GX.7协同经理🤝 As of now, we have conducted whitelist/token collaborations for over 300 projects, with a list of winners totaling over 3,000 valid addresses. The highest peak value of prizes reached $300,000, with the current market value at $150,000 (including NFTs, tokens, etc.) We have distributed a total of 7000 RMB in community red envelopes, as well as rewards in USDT and FEE totaling $3,000. Additionally, we have distributed a total of 100,000 Japanese yen via PAYPAY. In terms of the secondary market, our total transaction volume exceeds $20 million USD.

Anthropic 工程师 Barry Zhang 在 AI Engineer 工作坊上的一个分享 “如何构建有效的 Agent”，其中印象最深的一个观点：Don't build agents for everything，反过来理解就是别做什么都能干的 Agent，那是我们大模型要干的事情😆 构建有效 Agent 的三大要点： 1. 明智选择应用场景，并非所有任务都需要 Agent； 2. 找到合适的用例后，尽可能长时间地保持系统简单； 3. 在迭代过程中，尝试从 Agent 的视角思考，理解其局限并提供帮助； Barry 主要负责 Agentic System，演讲内容基于他和 Eric 合著的一篇博文，下面详细总结他们的核心观点，以及对 Agent 系统的演进和未来的思考。 Agent 系统的演进 - 简单功能： 起初是简单的任务，如摘要、分类、提取，这些在几年前看似神奇，现在已成为基础； - 工作流（Workflows）： 随着模型和产品成熟，开始编排多个模型调用，形成预定义的控制流，以牺牲成本和延迟换取更好性能。这被认为是 Agent 系统的前身； - Agent： 当前阶段，模型能力更强，领域特定的 Agent 开始出现。与工作流不同，Agent 可以根据环境反馈自主决定行动路径，几乎独立运作； - 未来（猜测）： 可能是更通用的单一 Agent，或多 Agent 协作。趋势是赋予系统更多自主权，使其更强大有用，但也伴随着更高的成本、延迟和错误后果。 核心观点一 并非所有场景都适合构建 Agent (Don't build agents for everything) - Agent 主要用于扩展复杂且有价值的任务，它们成本高、延迟高，不应作为所有用例的直接升级。对于可以清晰映射决策树的任务，显式构建工作流（Workflow）更具成本效益和可控性。 - 何时构建 Agent 的检查清单： 1. 任务复杂度 ： Agent 擅长处理模糊的问题空间。如果决策路径清晰，应优先选择工作流； 2. 任务价值： Agent 的探索性行为会消耗大量 token，任务的价值必须能证明其成本。对于预算有限（如每任务 10 美分）或高容量（如客服）场景，工作流可能更合适； 3. 关键能力的可行性 ： 需确保 Agent 在关键环节（如编码 Agent 的编写、调试、错误恢复能力）不存在严重瓶颈，否则会显著增加成本和延迟。如有瓶颈，应简化任务范围； 4. 错误成本与发现难度： 如果错误代价高昂且难以发现，就很难信任 Agent 自主行动。可以通过限制范围（如只读权限、增加人工干预）来缓解，但这也会限制其扩展性； - 编码（Coding）是一个很好的 Agent 用例，因为它任务复杂（从设计文档到 PR）、价值高、现有模型（如 Claude）在许多环节表现良好，且结果易于验证，例如单元测试、CI。 核心观点二 保持简单 (Keep it simple) - Agent 的核心结构： 模型（Model）+ 工具（Tools）+ 循环（Loop）在一个环境（Environment）中运作。 - 三个关键组成部分： 1. 环境：Agent 操作所在的系统； 2. 工具集： Agent 采取行动和获取反馈的接口； 3. 系统提示： 定义 Agent 的目标、约束和理想行为； - 迭代方法： 优先构建和迭代这三个基本组件，能获得最高的投资回报率。避免一开始就过度复杂化，这会扼杀迭代速度。优化（如缓存轨迹、并行化工具调用、改进用户界面以增强信任）应在基本行为确定后再进行。 - 一致性： 尽管不同 Agent 应用（编码、搜索、计算机使用）在产品层面、范围和能力上看起来不同，但它们共享几乎相同的简单后端架构。 核心观点三 像 Agent 一样思考 (Think like your agents) - 问题： 开发者常从自身角度出发，难以理解 Agent 为何会犯看似反常的错误； - 解决方法： 将自己置于 Agent 的“上下文窗口”中。Agent 在每一步的决策都基于有限的上下文信息（如 10k-20k token）； - 换位思考练习： 尝试从 Agent 的视角完成任务，体验其局限性（例如，只能看到静态截图，在推理和工具执行期间如同“闭眼”操作）。这有助于发现 Agent 真正需要哪些信息（如屏幕分辨率、推荐操作、限制条件）以避免不必要的探索； - 利用模型自身： 可以直接询问模型（如 Claude）：指令是否模糊？是否理解工具描述？为什么做出某个决策？如何帮助它做出更好的决策？这有助于弥合开发者与 Agent 之间的理解差距。 个人思考与未来展望 - 预算感知 Agent (Budget-aware Agents)： 需要更好地控制 Agent 的成本和延迟，定义和强制执行时间、金钱、token 预算，以便在生产环境中更广泛地部署。 - 自进化工具 (Self-evolving Tools)： Agent 或许能设计和改进自己的工具（元工具），使其更具通用性，能适应不同用例的需求。 - 多 Agent 协作 (Multi-agent Collaboration)： 预计今年年底将在生产中看到更多多 Agent 系统。其优势包括并行化、关注点分离、保护主 Agent 上下文窗口等。关键挑战在于 Agent 间的通信方式，如何实现异步通信，超越当前的用户-助手轮流模式。

和Quant Alex @StochAlex07 讨论： SABR Theta与Spot Theta+Vol Theta+Cross Theta的异同与应用，以及SABR模型自洽性分析。 **English Summary of the Chat** **SABR Theta vs Spot Theta + Vol Theta + Cross Theta** The conversation between **Alex Wu** (white bubbles) and **Jeff Liang** (green bubbles) is a technical discussion focused on **SABR Theta versus Total Theta** (i.e., Spot Theta + Cross Theta + Vol Theta), model self-consistency, PDE residual, and the correct definition of SABR Greeks. ### Key Points Discussed: 1. **SABR Gamma = Spot Gamma** (first major question, raised by Jeff) Jeff asked whether SABR Gamma (\(\partial^2 P / \partial F^2\)) is identical to Spot Gamma and whether it includes the dependence of \(\sigma_B\) on \(F\). He also provided the full chain-rule expansion of SABR Gamma in terms of Black-76 Greeks. Alex confirmed the understanding and **later affirmed in code** that this is exactly how SABR Gamma is implemented in their system. 2. **SABR Theta vs Total Theta and Model Self-Consistency** (main topic, led by Jeff) Jeff shared a clear 3-point understanding: - SABR Theta is computed directly via the SABR approximation formula to obtain \(\sigma_B\), then applying the Black-76 chain rule: \(\partial P/\partial t =\) BS_Theta(\(\sigma_B\)) + BS_Vega \(\cdot \partial\sigma_B/\partial t\). - Total Theta is the exact decomposition from the SABR PDE (Spot Theta + Cross Theta + Vol Theta). - When the model is **fully self-consistent** (Residual = \(\partial P/\partial t + \mathcal{L}P = 0\)), SABR Theta = Total Theta; otherwise the difference is the unexplained PnL caused by the approximation error in the Hagan formula (especially pronounced in long-dated, high vol-of-vol, or high-skew options). 3. **Practical Implication – Theta Decomposition Decision** (comment by Alex) Alex noted that whether to perform Theta decomposition depends on the risk-management approach: - Without decomposition → use SABR Gamma vs. dP/dt. - With decomposition → SABR Gamma maps to Spot Theta, Vanna to Cross Theta, and Volga to Vol Theta. **Overall Tone**: The discussion is highly technical and collaborative. Jeff drives the conversation by asking clarifying questions and presenting a well-structured 3-point summary of his recent study. Alex provides confirmations, practical insights, and code-level validation. Both participants demonstrate a strong command of SABR model nuances, particularly the relationship between approximation error, PDE residual, and real-world risk management.