预测市场理论奠基人之一的乔治梅森大学教授 Robin Hanson 则认为，内幕信息正是预测市场的关键，严格禁止内幕交易是错误的：你需要他们进行内幕交易，才能获得最准确的价格，这就是预测市场的目的，为决策提供信息。 让真相用金钱表示出来，而不是让传统媒体继续撒谎。

这些黑白照片记录的，是朝鲜王朝（19世纪）底层已婚女性的服饰习俗，叫“短赤古里”（Hanbok的上衣部分），并非全朝鲜女性都穿，也不是单纯的“性感服饰”。

Matt Pocock @mattpocockuk 做了一个很好的 AI Coding 词典项目： Matt Pocock 是 TypeScript 圈里很有影响力的开发者，也是 Total TypeScript 的创作者。 这个项目系统整理了 AI Coding 里最常见的一批概念： Context Window MCP Tool Call Hallucination Attention Degradation Handoff Agent Vibe Coding 很多平时被反复提到、但很少有人真正讲清楚的词，里面都用非常直白的语言解释了一遍。 尤其适合在用 Claude Code、Codex 或各种Agent 工具的人。

storybloq 为 AI 编码助手提供跨会话上下文持久化方案，解决每次会话从零开始、丢失决策与进度的问题。 把项目的 ticket、issue、roadmap、session handover 和经验教训都记下来，AI 编码助手下次会话能直接接上。提供 CLI、MCP 服务器（43 个工具）和 Claude Code skill 三种用法，还有个 Mac 应用实时看项目状态。

你的 Codex 是不是用久了越来越慢？越问越傻？ 需求加多了，改到后面它已经完全不记得你一开始要做什么了？ 我分享一个正在用的 Skill：keep-codex-fast 专门解决做 长任务不断改版 时： Token 狂占 → 响应变慢 → 压缩后失忆 核心思路： Handoffs First（先做交接文档）→ Archive（安全归档）→ Fresh Thread（新对话保持速度） 它能帮你： · 自动扫描 bloated 的旧聊天、worktree、大日志 · 生成详细 handoff 文档（项目目标、风格要求、进度、关键文件、复活 Prompt 全都有） · 安全归档老内容，备份后再清理，所有操作都需你确认 一句话就可以安装： 在 Codex 聊天框里说： Install the keep-codex-fast skill from 然后运行： Use $keep-codex-fast to inspect my Codex local state and recommend a safe maintenance plan. 用上之后，Codex 真的能长期保持轻快状态，尤其是长期做 长任务 视频的朋友，真的可以看看～ 地址

最近工作中遇到件糟心事，算是刷新了对职场底线的认知，而且是发生在行业头部币安 本想发一篇“新年第一弹：币安员工在10分钟遭遇突袭式暴力裁员”的檄文，但一想也是为解决问题而发声, 该现象在币安也未必普遍存在。 但由于币安没给任何申诉沟通渠道，所以只能写篇小作文描述下事情经过，公道自在人心，也供职场的小伙伴避雷与借鉴。 先交代下背景: 本人在币安钱包@BinanceWallet Web3安全团队从事链上安全的技术工作，历时8个月，+1 lead是该团队技术负责人Zoe.Jiang。 该技术负责人平日给我的一些印象： 不懂技术 (主要指web3 链上方面，基本不能参与相关实质性技术判断与讨论)， 情绪不够稳定，喜欢pua同事， 缺少边界感 (喜欢傍晚/周末临时安排“急”活，并在当天要结果)， 休假申请批复难（要求提前数日报备，以批复为条件施加工作/心理压力种种）， 咱也是老职场人了，这不算啥大问题，咱都能忍。对其怀疑也没到人品程度，直到最近发生事情让我改观。 下面为事件完整间线： 2025-12-24 由于近期检查身体出点问题，医生建议并安排了手术日期。我向lead解释原因，并申请26年1月14日一周左右的休假， lead随即回复OK表示同意； 2026-01-01 元旦假期当晚，lead办公私信我，说绩效快出来了，约次日早进行 1v1 线上绩效沟通，我随即答应； 因为我节前工作如常（刚推动一个项目kick-off，及面试通过了一位新的技术成员），未收到任何有关业务调整/绩效/裁员方面的明示或暗示，想应属于一次例行的绩效沟通。 2026-01-02 也就是新年第一个工作日，奇葩的一幕出现了： 会议上线后，该lead说了句“再等一下”，过了会HRBP 随后入会，此该lead再未曾发一言，全程由HRBP发言； 我当时感觉不妙，不是1v1 绩效沟通么， 怎么参会成员和主题全变了。然后重点来了： HRBP 先是问 “能否听清”之类的话，随后省去任何寒暄和铺垫，直接说：“今天是你在 Binance 的最后一个工作日，不需要 handover…” 我先是吃惊，明白了是要裁员，随后询问原因、依据与流程。 HRBP 表示不需要做解答，只是通知我，坚持表示“后续邮件沟通”， 并向我核实了个人邮箱。 我随后又问了下离职补偿 以及入职签署的长期激励该怎么算。该HRBP表示年终bonus 和长期激励都没有，会按合同走，仅有1个月通知期。 随后陷入无效沟通和僵局，只能作罢，会议整体持续约 10 分钟。 会议结束后： 我的办公账号和通信软件立刻被注销。公司电脑也变成了黑屏。 当我想到公司电脑上还有工作测试用的个人钱包和部分个人数据，包括待发起的报销单和准备开局一些证明，但都来不及了。 当日下午个人邮箱收到 Termination / Return of devices to Binance 个人邮件通知，未附任何原因说明。未任何离职补偿 以上就是最近完整的亲历过程。整个事件从察觉、沟通到执行，前后仅约 10 分钟，期间未征询过我任何意见或诉求 我无法判断这一流程是个例还是既定流程，但从时间选择（新年期间，我报备的手术日前夕）、沟通方式到执行节奏来看，整体的感受是极度仓促且缺乏基本尊重： 沟通主题被刻意模糊，实际安排与预期严重不符，最终以一种近乎“突袭式”的方式完成。 战术很成功，可惜用在了同事身上，更可惜的是发生在头部币安。这让我对币安的认识却多了一份狼性，少了一份人性。 我事后仔细回想我与lead是否存在严重过节：答案是没有， 如果硬说有，应该是去年11月没能参与团队组织的一次海外团建，当时由于家庭原因选择休假，申请过程中发生过一些不快（我提前1个月解释原因并报备，也是当即回复OK，临期又出现反复）。 这应该算恶化的起点，在我眼里是不快，在对方看来可能已经是大逆不道了。此后，我发现我的一些重点工作逐渐被重新分配，此后直到年底也不像此前那么忙了。 顺便提一嘴：币安的团建（至少我们团队）主要靠员工自费，随时可能转变为一场高强度的封闭式办公。 总结的话： 职场不是单纯专注干活那么简单， 如果lead行为模式超出你的认知范畴，需要谨慎对待； 入职前，充分了解团队文化以及 bonus / 激励的结算方式比较重要。 在我看来，Bonus / 激励本质是一份隐形契约：员工长期接受高强度、8 小时之外的持续投入，换取额外回报。 如果这份契约可以被单方面随意取消，是否也意味着员工可以依据当地法规，就长期超时加班等违规用工问题，寻求司法救助？ 当一边要求员工与公司一同仰望星空变身为奋斗者的同时，另一边却能在年终岁首用 10 分钟完成裁员，这种反差是否值得审视？ 并不认为我的遭遇是币安普遍存在，但希望一姐与大表哥能重视此现象，优化币安基层员工的职场环境 @heyibinance @cz_binance 。 欢迎各位敢于仗义执言的媒体和老师关注，抵制币圈职场的歪风邪气 @wublockchain12 @colinwu @_FORAB @bill_qian @agintender @xiaomucrypto @dotyyds1234 欢迎“东半球币圈最佳雇主”也是我的前雇主关注： @Haiteng_okx 头部大厂提高标准才有助于整个职业环境的净化。据我了解，OKX 在相关事宜处理表现更体面与慷慨（体现在缓冲期，bonus/激励通常按在职时间线性释放），引发争议也较少。 还有就是此前有OKX员工到币安后遭遇用后即弃的传闻，我当时以为是孤例，但现在也一定程度也相信了。 欢迎各位同行/群友/老师 关注/扩散；@EnHeng456, @BitHappy @22333D ，@Super4DeFi，@cmdefi, @0xmomonifty，@discountifu，@gch_enbsbxbs, @yourQuantGuy，@darkforesttri，@taresky,@dan326714 @ViewsOfChris 不胜感谢🙏🙏🙏 最后，今年新年过得比较糟心，也希望此事尽快能告一段落： 后面计划给自己一些时间试错：尝试将近几年链上的技术积累近可能做一些产品化，也会按个人兴趣更聚焦在挖矿/套利/安全方面。 如果有初创项目对在dex上有做市相关需求的，欢迎小窗沟通。初期愿接近免费的方式，竭诚服务。

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。