我觉得Gemini Flash 3.5能用啊，速度快，tool调用再没出篓子过，main agent派活给subagent也挺积极的不污染主context，我们组里近20年的陈年老代码也能改…多prompt把implementation plan写详细一些就行。可能主要我是没吃过Claude和Codex这些细糠…

SIMAN LABS｜ Web3 Builder Night 长沙站 · 即将启幕 继沈阳站圆满落幕 Builder Night城市巡礼落地长沙 汇聚交易所BD、项目创始人 市值机构、KOL、NFT平台 技术开发、实体产业资源 拒绝无效寒暄，聚焦落地 资源对接、深度碰撞 长沙Web3建设者之夜 线下面对面，链接同频伙伴 挖掘落地合作机会 期待各位Builder相聚湘江 共探行业新机遇！ 🚀 SIMAN LABS | Web3 Builder Night · Changsha Stop is Coming Following the successful Shenyang session, Builder Night city tour lands in Changsha. Gathering exchange BDs, project founders, market-making institutions, KOLs, NFT founders, tech developers and real‑economy practitioners. No empty talks. Focus on implementation, resource matching & in‑depth brainstorming. Web3 builders night in Changsha, face‑to‑face offline networking, connect like‑minded peers & unlock real‑world collaborations. Looking forward to all builders gathering by Xiangjiang River, exploring new industry opportunities together!

根据美国贸易代表贾米森·格里尔（Jamieson Greer）在CBC与Rosemary Barton约25分钟的专访，他给出的谈判破裂原因如下。 格里尔的核心说法：美方没有在最后时刻加码，是加方回来后提出了额外要求。 时间线 双方在8月18日（周二）深夜已达成初步协议，美方认为这是给任何国家最优惠的条件，并主动多给几天时间把协议落实成文字。勒布朗（Dominic LeBlanc）回渥太华与总理卡尼和各省省长商量后，再回来时提出了“额外看法、额外要求”，美方认为这些要求“太多、无法接受”。 美方当时给出的条件（格里尔反复强调这是“全球最优”） 汽车关税： 从25%降到15%，还有可能进一步降到7%。 铝： 从50%降到25%。 钢铁： 大部分从50%降到25%（配合关税配额）。 美方认为这些已经足够，本可以作为未来进一步合作的跳板。 格里尔逐条反驳加方说法 中重型卡车被排除 格里尔说他几周来一直明确：汽车/皮卡（Section 232）和中重型卡车是两套不同措施，经济和运作方式都不同。加方在后期想把“汽车”范围扩大到所有卡车，属于加方扩大要价，不是美方临时改条件。 限制加拿大与其他国家签贸易协定（主权问题） 格里尔否认有“美国审查或决定加拿大未来贸易协定”的条款。讨论的是双方一起保护“北美堡垒”（Fortress North America，这是加方自己用的词），即如果美方给加拿大优惠关税，加拿大也要提高对第三方（尤其是中国等）的壁垒，防止第三国货物借道加拿大进入美国。他说没有“加拿大必须……”这种强制性文字。 法语/文化保护（流媒体法语内容可见性） 格里尔称这绝不是红线。美方承认法语对魁北克和部分地区的重要性，并表示愿意灵活处理。美方更在意的是加拿大对流媒体公司征收的税（要求拿出收入的5%资助竞争对手）。加拿大媒体把它说成美方死磕的大问题，格里尔说完全不是事实。 格里尔认为真正卡住的是“执行细节”（implementation） 加方对协议如何落地有顾虑，美方愿意把语言可见性等问题先放一边、软化措辞，但加方仍不满意。随后加方发布声明暂停谈判，并继续推进报复措施。 目前格里尔表示“没有开放沟通渠道”，他和勒布朗暂时没有联系。美方认为是加拿大主动走开，并选择了更多报复。 以上是格里尔在CBC专访中的完整立场。

两个 prompt 状态在置信度上可以几乎完全一样，同样的扰动打上去，一个纹丝不动，一个直接崩掉。 作者是 GitHub 上的一个匿名账号，这是他唯一的公开仓库，实验是和 ChatGPT 一起做的。 Prompt-State Response Geometry（提示-状态-响应几何） 这不是一篇论文。 它是一个小爱好项目，起点是一个简单的问题： 只靠改 prompt，能不能让 LLM 更可靠地回忆起事实信息？ 几天之后，我们到了一个自己也没预料到的地方。 主要观察是： 几乎一致的局部置信度，并不意味着几乎一致的扰动响应几何。 我们分享代码和原始输出，是因为这个实验足够小，可以直接检查；也因为比起假装自己有了最终答案，我们更愿意让别人来复现、拆解、扩展或解释它。 我们不宣称发现了新的 transformer 机制、幻觉检测器，或者语言模型的某种普遍性质。 核心对照 最终实验只改变同一组证据多重集的顺序。 在每个证据族内部： • 证据值完全一致 • 各值出现次数完全一致 • 逐条证据行完全一致 • 任务字符长度完全一致 • 基线 token 长度完全一致 • 配对的两边还会逐条件审计 token 长度是否相等 最重要的是： 配对是在任何扰动结果被打分之前，用基线置信度统计量选出来的。 因此之后的扰动结果不可能影响哪些状态被配对。 这种结果盲选的配对方式，是我们认为最终实验比早期探索版本更有用的主要原因。 基本想法 假设一个模型正在预测某个 token。 我们可以用一些局部统计量来描述这个预测，比如： • 目标 token 的概率 • 对数几率 • 熵 • rank 我们开始对一个不同的问题感兴趣： 如果两个 prompt 状态在这些局部置信度统计量上看起来几乎一样，当周围上下文发生一点变化时，它们的反应也相似吗？ 在这个受控的 Granite 实验里，它们经常不相似。 我们发现有用的一个心智模型是： • 置信度是一张快照 • 扰动响应是附近的地形 两个点可以有相同的海拔，却有完全不同的周围地貌。 起点：Gemma 这个更广泛现象的第一个版本，出现在我们折腾 Gemma 4 26B-A4B 的时候。 当时我们用的是 llama.cpp / GGUF 配置，在观察事实回忆的边界。 其中一个例子是 Rust 的创造者： Graydon Hoare token 路径里有一个边界： Graydon Ho | are 模型对名字的靠前部分可以极其稳定，而最后延续部分的概率在伴随 prompt 下会剧烈变化。 例如，从 Graydon 延续到 Ho 的概率一直维持在接近饱和的水平，而从 Graydon Ho 延续到 are 的概率，会视周围 prompt 状态的不同，从极高置信度掉到个位数。 一开始我们几乎怀疑一切： • 采样 • llama.cpp • 量化 • prompt 模板 • KV/cache 行为 • 分词 • 或者只是一个奇怪的、模型特有的伪影 于是我们不再把 Gemma 的结果单独当作强证据，转而去搭一个更干净的设置。 Gemma 的观察和最终的 Granite 实验不是同类对照复制。它们在架构、模型家族、后端、模型规模等细节上都不同。 我们只把 Gemma 当作一条汇合证据：我们看到的更广泛的 prompt 状态敏感性，显然不是最终 Granite 设置独有的。 这个仓库里精确的随机顺序配对实验，是在 Granite 上做的。 受控的 Granite 设置 我们换成了： ibm-granite/granite-4.1-3b 用原生的 Hugging Face Transformers，配置是： float32 attn_implementation="eager" use_cache=False 不采样 不用 GGUF 不量化 teacher-force 的 next-token 打分 这从之前的设置里拿掉了好几个活动部件。 合成任务 我们造了一个临时性的虚构记录任务，用四个可能的值： Igor Sysoev Igor Sokolov Igor Smith Igor Petrov 目标延续是： Igor | Sy 我们 teacher-force： " Igor" 然后给： " Sy" 打分。 证据由重复出现的虚构记录组成，例如： K7 -> Igor Sysoev K7 -> Igor Smith K7 -> Igor Sysoev K7 -> Igor Petrov ... 在一个证据族内部，只有这些证据行的顺序变化。 最终验证里不使用记录编号，所以重排不会悄悄改变逐行记录的字面内容。 随机顺序验证 最终实验用五个证据数量族： 6 / 1 / 4 / 1 4 / 3 / 1 / 2 5 / 0 / 5 / 4 5 / 4 / 1 / 2 6 / 5 / 3 / 0 每个族采样： 768 个互不重复的随机排列 总共： 3840 个基线 prompt 状态 脚本在打分之前先做结构检查。 结果盲选的配对 我们不会先看扰动结果、再挑看起来有趣的配对。 配对只从基线测量里选。 默认标准是： rank = 1 P(correct) 在 0.80 到 0.995 之间 delta log-odds 的绝对值 <= 0.01 delta entropy 的绝对值 <= 0.02 配对选择发生在扰动打分之前，选中的配对在每个族内部互不重叠。 冻结下来的选择保存在： results/selected_pairs.json 扰动 配对冻结之后，同样的 12 个伴随扰动被施加到每一对的两个状态上： repeat LUMA repeat NOVA repeat KITE repeat 4827 copy LUMA copy NOVA copy KITE copy 4827 write LUMA write NOVA write KITE write 4827 这些是小的伴随任务，不改变虚构的 K7 证据本身。 对每个状态，我们测量目标 token 的对数几率相对它自己的基线移动了多少。 这给出一个 12 维的响应向量： [dLO_1, dLO_2, ..., dLO_12] 对每一对配对，主要的比较指标是： profile MAE 也就是两个响应向量之间逐条件的平均绝对差。 最终结果 随仓库附带的随机顺序验证产出了： 配对数量 N：20 基线 delta LO 中位数：0.00079255 profile MAE 均值：2.9246 profile MAE 中位数：2.2979 profile MAE 最大值：10.0046 配对的基线可以极其接近。 比如有一对大约是： 基线 P(correct)： 93.613813% 93.614706% delta log-odds： 0.0001493 而它的扰动 profile MAE 是： 2.8936 另一对的基线对数几率差只有大约： 0.00107 profile MAE 却大约是： 10.00 在若干对里，一个状态在多数甚至全部扰动下丢掉了 top-1 的位置，而它基线配对的一方没有。 所以，在这个设置里： 把局部预测匹配得非常接近，并不能保证这个预测对附近上下文变化的响应方式也被匹配。 一个简单的样本内对照 对第一版 README 的一个有用的批评是：「2.92，跟什么比？」 不需要再跑一次模型，我们就能回答其中一部分。 被选中的集合有 40 个状态：5 个证据族，每族 8 个。 我们把 20 对结果盲选的置信度配对，跟同样这 40 个状态里族内的其他配对做了比较。 • 配对数量：匹配配对 20，族内其他配对 120 • profile MAE 均值：匹配配对 2.9246，族内其他配对 3.0348 • profile MAE 中位数：匹配配对 2.2979，族内其他配对 2.1155 在这个选中的集合里，非常紧的置信度匹配并没有让扰动响应 profile 比族内其他配对明显更相似。 我们不把这解释为「置信度不包含任何信息」。这是在已经选出来做 profile 打分的 40 个状态之间做的描述性、条件化的比较，不是对全部 3840 个基线状态的总体层面统计检验。 但它让那个窄结论更容易陈述了： 匹配这些局部置信度统计量，不足以决定扰动响应 profile。 对数几率与概率饱和 这个项目更早的版本用被截断的概率计算对数几率。这在概率接近饱和时，数值上可能产生误导。 最终实验不用那个指标。 对数几率直接从 logits 计算： target_logit - logsumexp(all_other_logits) 指标的运算全程在 float64 里完成。 一些被扰动的状态仍然会接近概率饱和，所以即使没有旧的数值 bug，大的对数几率也会自然出现。 作为描述性的敏感性检查，我们把被扰动的对数几率截断在 99.99% 置信度对应的量级。 • 原始 profile MAE 均值：2.9246 • 截断后 profile MAE 均值：2.7263 效应变小了一点，但没有消失。 这个截断检查是对随附输出的离线分析，不属于配对选择的一部分。 我们认为这意味着什么 我们不认为置信度没用。 在早期的探索性实验里，置信度和敏感性经常按预期的方向相关：高置信度的预测总体上比不确定的预测更稳定。 这里更窄的观察是： 局部置信度统计量看起来并不能唯一地决定局部扰动行为。 两个状态按这些指标可以看起来几乎一样： P(correct) log-odds entropy rank 却在同一组扰动下有着非常不同的响应 profile。 因此，如果我们关心的是一个状态在附近上下文变化下如何表现，单张局部置信度快照可能是一个不完整的描述。 与 prompt 敏感性的关系 prompt 敏感性本身不是新东西。 众所周知： • prompt 措辞有影响 • few-shot 示例顺序有影响 • 上下文顺序有影响 • 语义相似的 prompt 可以产出不同的输出 我们的实验问的是一个更窄的问题。 不是只问： 改 prompt 会改变预测吗？ 而是问： 如果两个 prompt 状态在当前预测边界上已经看起来几乎一样，它们对之后同样的扰动，反应也相似吗？ 我们受控的 Granite 结果表明答案可以是：不。 我们刻意不做比这更强的原创性声明。 这不证明什么 这个仓库不证明： • 幻觉检测器 • 所有 LLM 的某种普遍性质 • 新的 transformer 机制 • 证据顺序总是有影响 • 某一种排序策略全局更好 • 置信度没用 • 事实记忆特别脆弱 • post-training 造成了这个效应 确切的内部机制未知。 可能的解释涉及位置、注意力历史、上下文表征、残差流状态，或者完全别的东西。 我们没有把这个机制分离出来。 重要局限 最终的受控实验仍然是窄的。 一个受控模型 精确的随机顺序配对实验是在 ibm-granite/granite-4.1-3b 上做的。 Gemma 4 26B-A4B 更早显示了这个更广泛的现象，但精确的随机顺序设计没有在它上面复现过。 一个合成任务 最终实验用的是： Igor Sysoev Igor Sokolov Igor Smith Igor Petrov 其他的 token 几何或合成任务可能表现不同。 一类扰动 这 12 个扰动是手工设计的。 它们不是从所有可能的伴随 prompt 里随机抽样的。 匹配的是汇总统计量，不是完整分布 配对按目标概率/对数几率、熵和 rank 匹配。 我们没有匹配完整的基线 next-token 分布。 因此两个状态可以有相似的目标置信度汇总，却在对手 token 上的详细分布不同。 更严格的未来对照可以直接匹配或约束完整分布的散度。 描述性结果 这个仓库专注于展示和复现这个观察。 我们不提供正式的推断统计，也不宣称一个总体层面的效应量。 我们为什么停止测试 总还有下一个可能的对照。 我们可以测： • 另一个模型家族 • 另一组名字 • 另一个合成任务 • 随机扰动族 • 不同的 token 边界 • 隐藏状态相似度 • 完整 next-token 分布匹配 • 更大的排列集合 到某个点，我们认定更有用的做法是：发布一个最小可复现的版本，让别人来攻击它。 如果这个观察在更好的对照下消失了，那是有用的。 如果它在别处复现了，那也是有用的。 复现实验 这个仓库刻意只包含一个主实验脚本： 运行： python 默认运行每个证据族采样： 768 个排列 并把输出写到： random_order_validation/ 脚本支持 checkpoint，中断的运行可以恢复。 更大的排列搜索： python --n-per-family 1500 随附结果的生成环境 随附的输出是用这些生成的： Python: 3.14.4 PyTorch: 2.12.0+rocm7.14.0 Transformers: 5.14.1 HIP: 7.14.60850 GPU: AMD Radeon RX 7900 XT 模型： ibm-granite/granite-4.1-3b 模型设置： float32 eager attention use_cache=False ROCm 版 PyTorch 通过普通的 device = "cuda" 接口暴露 GPU。 仓库内容 README.md LICENSE requirements.txt .gitignore results/ final_summary.json selected_pairs.json baselines.jsonl profiles.jsonl run_output.txt baselines.jsonl 是基线排列扫描。 selected_pairs.json 是冻结下来的结果盲选配对。 profiles.jsonl 是扰动打分。 final_summary.json 是最终的配对级指标和结构审计。 run_output.txt 是那次运行的原始终端输出。 关于讨论与回应 这是一个爱好项目，不是一个我们打算无限期维护的研究计划，也不是一篇我们打算无限期辩护的论文。 我们分享代码、原始输出、方法和局限，这样实验可以被检查，而不需要信任我们本人。 我们可能不回应评论、issue、私信、辩论请求，或者每一个被提议的后续实验。 没有回应不应该被解释为同意、不同意，或者对某个批评有效性的表态。 如果你发现了实验的问题，那是有用的。挑战这个结果最有用的方式是：复现它、改代码、跑一个更强的对照，或者给出一个反例。 我们没有这个仓库会成为长期研究项目的预期。如果有什么值得加的，我们可能更新它；也可能就让它保持原样。 AI 协作 这个项目是仓库主和 ChatGPT 协作开发的。 最初的方向来自仓库主： prompt 设计能让 LLM 更可靠地回忆起信息吗？ 从那以后，随着意外行为不断出现，项目反复转向。 仓库主在本地跑模型，通过质疑实验选择、发现设置问题、否决死胡同、推动更干净的对照来引导调查，包括在后端和采样问题变得重要之后，离开 llama.cpp。 大部分实验代码和大部分详细的定量分析，是由 ChatGPT（OpenAI）在交互式会话中产出的。 ChatGPT 也根据实验历史、代码和记录的结果写了这份 README，经仓库主审阅和指导。 所以这个仓库不应该被读成： 「一个人类研究员写了所有东西，偶尔用 AI 自动补全。」 那不准确。 更好的描述是： 我们交互式地探索了这个问题：仓库主提供了最初的想法、本地执行、怀疑和方向；ChatGPT 提供了大部分代码、定量分析和实验迭代。 我们明确披露这一点，因为没有理由隐藏它，尤其是在一个关于语言模型的项目里。 代码和原始输出都在仓库里，所以谁都不用信任我们两个中的任何一个。 请复现它、拆掉它、简化它，或者找到一个更好的解释。 做这些事不需要我们的参与。 许可证 这个仓库以 The Unlicense 发布。 意图很简单： 用它、抄它、改它、fork 它、扩展它，或者扔掉它。 不需要我们许可。 模型、PyTorch、Transformers 和其他第三方依赖的许可证与条款仍归它们各自所有。 原文： #LLM# #PromptEngineering# #AI实验#

《立党基础教育》最核心的精髓，一个是给6岁孩子孩子买mac mini+大显示器，一个是订阅coding plan（claude/OpenAI/智谱/kimi/阿里/grok）， 最核心是建立“党哥家庭图书馆”，卧室装满这些书，可以陪伴孩子从6岁到18岁的数学物理计算机教材，让孩子随机翻、随机看、躺着看、拉屎看，挖掘天赋潜能。 一定要听党哥的，党哥就住天津图书大厦旁边，这些书党哥没给童年的自己买齐，党哥想扇自己100个大嘴巴子，你们一定不要给自己家聪明的孩子留遗憾，先把书买齐了，孩子只看10%，每本书只看一章，都是有用的。 1. 小学、初中、高中全年级的数学、物理、信息学基础官方教材； 2. 小学、初中、高中全年级的数学、物理、信息学学科竞赛教材和题集； 上面这些书一定要买齐，供孩子随时按照兴趣翻阅，吃饭时翻阅，拉屎时翻阅，无聊时翻阅， 3. 大学本科基础数学教材《微积分》《线性代数》《概率统计》《复变函数》，如果孩子看得津津有味并且觉得太简单，立刻按照北大数学系培养方案继续买实分析、高代、抽代、组合数学等等， 喜欢物理直接买四大力学教材，或者直接买《费曼物理学讲义》，按照孩子需求买齐买全，挖掘孩子在数学和物理上的最大天赋； 4. 一定要买齐计算机教材，从6岁可以陪伴到60岁的几本书，都是党哥自己掏真金白银在天津或者Texas亲自买过的纸质书，哈佛MIT斯坦福也用这些书当做本科生或者graduate level（硕士博士阶段课程）教材，记住，一定要买齐，摆孩子卧室里，让孩子随机翻阅，随机看，拉屎看，吃饭看，睡觉看，周末看，看一章节就算稳赚。 记住，这些书尽量买齐，在中国就买影印版中文翻译版，一本书50块钱，买齐了并不贵，在英语国家可以买二手英文版，这些书可以陪伴绝大多数人从6岁到60岁。 a. 《Python Crash Course: A Hands-on, Project-based Introduction to Programming》（Python编程：从入门到实践），孩子的第一本编程书，让孩子一边拿着书，一边对着电脑敲敲敲，敲敲敲，敲敲敲， python入门了以后，可以买《Thinking in Java》《C++ Primer》，挑着学Java和C++这两本书； b. 计算机三套经典，党哥都买了纸质版，党哥都没看完。 - 计算机基础教材CSAPP《Computer Systems A Programmers Perspective》（CSAPP） - 算法和数据结构圣经《introduction to algorithms》（算法导论） - 可以陪伴到50岁、几代人读的圣经大套装《The Art of Computer Programming》（TAOCP） 记住，党哥没看完是因为岁数太大了（算法导论看得最多，其他两本进度很少），你的孩子只有6~18岁，如果激发了巨大的兴趣，你的孩子是完完全全有精力看完的。 如果18岁之前能扎扎实实看完这三本书，可以说比Google和Meta里面90%的员工要强。 c. 全球公认的计算机其余主要专业教材 操作系统《Operating Systems Concepts》（操作系统概念，恐龙书） 编译原理《Compilers: Principles, Techniques, and Tools》（编译原理，龙书） 《Modern Compiler Implementation in C》（现代编译原理，虎书） 《Advanced Compiler Design and Implementation》（编译器设计与实现，鲸书） 数据库《Database System Concepts》（数据库概念） 计算机网络《Computer Networks》Andrew S. Tanenbaum 计算机图形学《Fundamentals of Computer Graphics》（图形学虎书） 机器学习和深度学习《Pattern Recognition and Machine Learning》(PRML）和《Deep Learning》 by MIT Press 党哥不是拉书单，党哥给你推荐图书是非常谨慎小心的，已经砍到不能再砍，精简到不能再精简了，精简到再砍掉任何一本就会出现大问题了， 记住，这些计算机科学computer science书籍，要买全，买齐，在中国大陆就买影印版、翻译版，在美国就买二手，把这些书整整齐齐放在孩子书架上， 孩子靠兴趣驱动学习时，是跳跃的、离散的、冲动的，也许孩子感兴趣两个月看完一本书，也许两年翻不了三页，也许一本书只看零星两三章， 但是一定要给孩子买齐、买全、买完整，放在卧室书架上，吃饭看、拉屎看、无聊看、闲着看、呆着看、随机翻看、边看边敲、边看边在claude code里实现， 一定要买齐，在家里置办“党哥家庭图书馆”，孩子对知识的欲望和冲动，远比对抖音直播间大美女的冲动要强烈得多，当冲动来临的时候，一定要做好图书、知识、教材的准备，让孩子凭借一腔热血和兴趣，选择随机翻阅和学习。 当然，另一件重要的事情，就是听党哥的话，围绕北京、上海、深圳、bay area全球四大科技中心，每个月至少带孩子逛一次电子展、科技展会、技术大会、学术会议、路演日、融资大会、技术沙龙、AI线下沙龙、技术公开课、产业大会、学校技术论坛、学校学术展览，逐步建立世界观，认识技术，认识产业，认识各行各业，形成自己的价值观，并且开始接触一些各行各业的“大朋友”， 当这些大朋友给孩子一些启发的时候，孩子就会立刻回家，闷头去翻这些教材，继续去补充营养，带着白天开会时满脑子的小问号，回到自己的“党哥家庭图书馆”，去狠狠恶补自己欠缺的知识。 记住，除了买mac mini+大显示器+人体工程学座椅+订阅coding plan，除了开会，家长首先要做到的，就是买书，买书，买书，买书，买书，买书，买书，买书，买书。 如果要看视频课程，可以按照csdiy wiki上面课程去学习，可以上B站上中文平替， 先从哈佛CS50起，接下来看UC Berkeley CS61A、CS61B、CS61C，然后按照csdiy wiki上面对应的视频课程自己去学习，一般youtube有原版，B站有翻译版本。 让孩子自己自由随机去挑感兴趣的视频去跟着学。 但是一定他妈给我把这些书给孩子买齐，买全，加起来没有几千块钱，能改变你的孩子一辈子的命运，让他获得一个9位数的人生。 现在就给我去京东天猫拼多多闲鱼去下单，给我买！！！！

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

《立党基础教育》最核心的精髓，一个是给6岁孩子孩子买mac mini+大显示器，一个是订阅coding plan（claude/OpenAI/智谱/kimi/阿里/grok）， 最核心是建立“党哥家庭图书馆”，卧室装满这些书，可以陪伴孩子从6岁到18岁的数学物理计算机教材，让孩子随机翻、随机看、躺着看、拉屎看，挖掘天赋潜能。 一定要听党哥的，党哥就住天津图书大厦旁边，这些书党哥没给童年的自己买齐，党哥想扇自己100个大嘴巴子，你们一定不要给自己家聪明的孩子留遗憾，先把书买齐了，孩子只看10%，每本书只看一章，都是有用的。 1. 小学、初中、高中全年级的数学、物理、信息学基础官方教材； 2. 小学、初中、高中全年级的数学、物理、信息学学科竞赛教材和题集； 上面这些书一定要买齐，供孩子随时按照兴趣翻阅，吃饭时翻阅，拉屎时翻阅，无聊时翻阅， 3. 大学本科基础数学教材《微积分》《线性代数》《概率统计》《复变函数》，如果孩子看得津津有味并且觉得太简单，立刻按照北大数学系培养方案继续买实分析、高代、抽代、组合数学等等， 喜欢物理直接买四大力学教材，或者直接买《费曼物理学讲义》，按照孩子需求买齐买全，挖掘孩子在数学和物理上的最大天赋； 4. 一定要买齐计算机教材，从6岁可以陪伴到60岁的几本书，都是党哥自己掏真金白银在天津或者Texas亲自买过的纸质书，哈佛MIT斯坦福也用这些书当做本科生或者graduate level（硕士博士阶段课程）教材，记住，一定要买齐，摆孩子卧室里，让孩子随机翻阅，随机看，拉屎看，吃饭看，睡觉看，周末看，看一章节就算稳赚。 记住，这些书尽量买齐，在中国就买影印版中文翻译版，一本书50块钱，买齐了并不贵，在英语国家可以买二手英文版，这些书可以陪伴绝大多数人从6岁到60岁。 a. 《Python Crash Course: A Hands-on, Project-based Introduction to Programming》（Python编程：从入门到实践），孩子的第一本编程书，让孩子一边拿着书，一边对着电脑敲敲敲，敲敲敲，敲敲敲， python入门了以后，可以买《Thinking in Java》《C++ Primer》，挑着学Java和C++这两本书； b. 计算机三套经典，党哥都买了纸质版，党哥都没看完。 - 计算机基础教材CSAPP《Computer Systems A Programmers Perspective》（CSAPP） - 算法和数据结构圣经《introduction to algorithms》（算法导论） - 可以陪伴到50岁、几代人读的圣经大套装《The Art of Computer Programming》（TAOCP） 记住，党哥没看完是因为岁数太大了（算法导论看得最多，其他两本进度很少），你的孩子只有6~18岁，如果激发了巨大的兴趣，你的孩子是完完全全有精力看完的。 如果18岁之前能扎扎实实看完这三本书，可以说比Google和Meta里面90%的员工要强。 c. 全球公认的计算机其余主要专业教材 操作系统《Operating Systems Concepts》（操作系统概念，恐龙书） 编译原理《Compilers: Principles, Techniques, and Tools》（编译原理，龙书） 《Modern Compiler Implementation in C》（现代编译原理，虎书） 《Advanced Compiler Design and Implementation》（编译器设计与实现，鲸书） 数据库《Database System Concepts》（数据库概念） 计算机网络《Computer Networks》Andrew S. Tanenbaum 计算机图形学《Fundamentals of Computer Graphics》（图形学虎书） 机器学习和深度学习《Pattern Recognition and Machine Learning》(PRML）和《Deep Learning》 by MIT Press 党哥不是拉书单，党哥给你推荐图书是非常谨慎小心的，已经砍到不能再砍，精简到不能再精简了，精简到再砍掉任何一本就会出现大问题了， 记住，这些计算机科学computer science书籍，要买全，买齐，在中国大陆就买影印版、翻译版，在美国就买二手，把这些书整整齐齐放在孩子书架上， 孩子靠兴趣驱动学习时，是跳跃的、离散的、冲动的，也许孩子感兴趣两个月看完一本书，也许两年翻不了三页，也许一本书只看零星两三章， 但是一定要给孩子买齐、买全、买完整，放在卧室书架上，吃饭看、拉屎看、无聊看、闲着看、呆着看、随机翻看、边看边敲、边看边在claude code里实现， 一定要买齐，在家里置办“党哥家庭图书馆”，孩子对知识的欲望和冲动，远比对抖音直播间大美女的冲动要强烈得多，当冲动来临的时候，一定要做好图书、知识、教材的准备，让孩子凭借一腔热血和兴趣，选择随机翻阅和学习。 当然，另一件重要的事情，就是听党哥的话，围绕北京、上海、深圳、bay area全球四大科技中心，每个月至少带孩子逛一次电子展、科技展会、技术大会、学术会议、路演日、融资大会、技术沙龙、AI线下沙龙、技术公开课、产业大会、学校技术论坛、学校学术展览，逐步建立世界观，认识技术，认识产业，认识各行各业，形成自己的价值观，并且开始接触一些各行各业的“大朋友”， 当这些大朋友给孩子一些启发的时候，孩子就会立刻回家，闷头去翻这些教材，继续去补充营养，带着白天开会时满脑子的小问号，回到自己的“党哥家庭图书馆”，去狠狠恶补自己欠缺的知识。 记住，除了买mac mini+大显示器+人体工程学座椅+订阅coding plan，除了开会，家长首先要做到的，就是买书，买书，买书，买书，买书，买书，买书，买书，买书。 如果要看视频课程，可以按照csdiy wiki上面课程去学习，可以上B站上中文平替， 先从哈佛CS50起，接下来看UC Berkeley CS61A、CS61B、CS61C，然后按照csdiy wiki上面对应的视频课程自己去学习，一般youtube有原版，B站有翻译版本。 让孩子自己自由随机去挑感兴趣的视频去跟着学。 但是一定他妈给我把这些书给孩子买齐，买全，加起来没有几千块钱，能改变你的孩子一辈子的命运，让他获得一个9位数的人生。 现在就给我去京东天猫拼多多闲鱼去下单，给我买！！！！

不要用旧的 prompt 思维去套新的 Agentic Coding 我最近越来越强烈地感受到一件事——模型不是瓶颈，人才是 以前模型弱的时候，输出拉胯你可以怪模型 现在 Fable 5 能自主跑几十步长任务，结果不对，问题大概率出在你给它的需求文档上 这个认知转变，可能是 2026 年下半年每个用 AI 干活的人最该搞明白的事 你和 AI 之间，隔着四层信息差（参考anthropic工程师的论文） 我把人和 AI 协作时的信息状态分成四层，搞清楚这个框架，后面所有方法论都能串起来： 第一层：已知的已知 — 你写在 prompt 里的东西，明确告诉 AI 要什么。这是大部分人唯一在做的事 第二层：已知的未知 — 你知道自己还没想清楚的部分，比如“这个交互逻辑我还没定”。至少你知道这里有坑 第三层：未知的已知 — 你觉得理所当然、根本不会写进 prompt 的东西，但 AI 不知道。 比如你的项目从来不用 Redux，你不会特意说“别用 Redux”，但 AI 可能直接给你整一套上来 第四层：未知的未知 — 你压根没意识到的盲区。你不知道自己不知道什么 大部分人只覆盖了第一层。 后面三层，AI 全靠猜 猜对了你觉得 AI 牛逼，猜错了你觉得 AI 垃圾。但问题从来不在模型身上 为什么现在这件事突然变得致命？因为模型能力到了一个临界点 以前模型本身能力有限，你给它一个模糊指令，输出质量的天花板本来就低，你的“信息差”造成的损耗被模型自身的弱鸡能力掩盖了——反正它也做不到多好 现在不一样了。Fable 5 一个 session 可能自主执行几十步决策。 你开头埋下的一个模糊假设，会在后面几十步里像滚雪球一样被放大。 Anthropic 内部研究了大约 40 万个 Claude Code session，覆盖 23.5 万用户，结论是人类主导了 70% 的规划决策 换句话说——你以为你在让 AI 干活，其实你在当产品经理。你的需求文档写得烂，再强的开发也救不了你 这跟我做 PM 那几年的认知完全一致：需求文档写得好的 PM，不是因为文笔好，而是因为他提前把模糊地带都想清楚了 落地 SOP：三个阶段，把你的盲区变成可控变量 阶段一：动手之前——做一次盲区扫描 在你开始让 AI 写代码之前，先问它一句： “我要做 X，但我对这块不太熟。帮我扫一遍我可能没意识到的盲区，找出那些我不知道自己不知道的东西，这样我能更好地给你下指令” 这一步的本质是承认自己不是全知的 大部分人不愿意做这一步，觉得浪费时间 但这恰恰是高手和普通人的分水岭——我观察到最强的那批 Agentic Coder，他们之所以强，不是因为 prompt 写得花哨，而是因为他们对自己要什么有极其清晰的认知，同时永远假设还有未知存在 另外一个我自己常用的方法是让 AI 反向面试你——告诉它你的大致想法，然后让它一个问题一个问题地问你，优先问那些“你的回答会影响整体架构”的问题。 几轮下来，你会发现自己有多少东西是“以为想清楚了其实没有” 阶段二：实现过程中——让 AI 记录它的临场判断 再好的计划也会遇到意外。 我的做法是让 Claude 维护一个 implementation-notes.md 文件，专门记录它在执行过程中遇到的边界情况和临时决策： “维护一个 implementation-notes.md。如果你遇到边界情况需要偏离计划，选保守方案，记录在‘偏离记录’下面，然后继续” 这招的精髓在于——你不需要预见所有问题，你只需要让问题可追溯。 下次迭代的时候，这些记录就是你最好的学习材料。而且它还有一个隐藏好处：当你回头看这些“偏离记录” 你会发现很多都是你第三层和第四层的信息差导致的——这些就是你下次该提前写进 prompt 的东西 阶段三：完成之后——让 AI 考你 这是我觉得最有效的一招 代码写完了，diff 看完了，你觉得自己懂了。 但我现在养成了一个习惯：让 Claude 针对这次改动出一份测验，只有我能答对才算真的理解了这次变更 “我想确认我理解了这次改动的所有内容。给我生成一份报告，包含变更的上下文、直觉解释、具体做了什么，底部附一个测验” 为什么这有效？ 因为“看懂了”和“真懂了”之间差着一个数量级。 你不测试自己，你就不知道自己的理解有多少是幻觉。而那些你答不上来的问题，恰恰就是你下一次协作时需要提前澄清的“未知” 底层逻辑：这不是 prompt engineering，是 requirement engineering 把上面三个阶段串起来，你会发现一个规律：你越清楚自己要什么，AI 越能给你想要的 你越能预判 AI 会在哪里困惑，它越不会跑偏 你越愿意承认自己有盲区，AI 越能帮你补盲区 这套逻辑跟写 prompt 没有半毛钱关系 这是需求工程 模型能力的天花板已经高过大部分人的需求表达能力了。 你的下一步不是学更花哨的 prompt 技巧，而是学会问自己一个问题： 我到底有多少东西，是我以为 AI 知道、但其实我从来没告诉过它的？ 把这个问题想清楚，比换任何模型都管用

再次推荐 Google Engineering & DevRel Leader @addyosmani 重磅开源的 Agent Skills (69.7✨)，把资深工程师的生产级工程纪律，固化为 AI Agent 可机械执行、强制验证、跨工具复用的工作流 Agent Skills: Production-grade engineering skills for AI coding agents. 它要解决什么问题？ AI Coding Agent 的默认行为是"走最短路径"——跳过规格、跳过测试、跳过安全评审，给出能跑但不可靠的代码。Agent Skills 的立论是：质量不靠提醒出来的，要靠强制流程托底的。它把"什么时候写规格、测什么、怎么评审、何时发布"这类隐性工程判断，固化成 Agent 必须遵循的步骤。 顶层架构：六阶段生命周期 DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP /spec /plan /build /test /review /ship 8 个 slash 命令作为入口，分别对应一个阶段，自动激活对应 Skills。Skills 也会按上下文自动触发（写 API → api-and-interface-design，写 UI → frontend-ui-engineering）。/build auto 在一次批准后自动跑完计划与实现，但每个任务仍独立测试、独立提交、遇险即停。 24 个 Skills 的分布 1. Meta - 1 个 using-agent-skills（路由，决定该用哪个技能） 2. Define - 3 个 interview-me、idea-refine、spec-driven-development 3. Plan - 1 个 planning-and-task-breakdown 4. Build - 7 个 incremental-implementation、test-driven-development、context-engineering、source-driven-development、doubt-driven-development、frontend-ui-engineering、api-and-interface-design 5. Verify - 2 个 browser-testing-with-devtools、debugging-and-error-recovery 6. Review - 4 个 code-review-and-quality、code-simplification、security-and-hardening、performance-optimization 7. Ship - 6 个 git-workflow-and-versioning、ci-cd-and-automation、deprecation-and-migration、documentation-and-adrs、observability-and-instrumentation、shipping-and-launch 几个值得点名的设计取向 · doubt-driven-development：对抗性"新上下文复盘"，CLAIM → EXTRACT → DOUBT → RECONCILE → STOP，可选跨模型升级。这是该仓库比较有原创性的一项，针对高代价/不可逆决策。 · source-driven-development：框架决策必须挂在官方文档上，要引源、要标注未验证项。直接对治 LLM 编造 API。 · deprecation-and-migration 把"代码即负债"单列为技能，配套强制 vs 建议性弃用模式与僵尸代码清除——很少见但有工程味。 · Google 工程文化底蕴：Hyrum's Law（API）、Beyonce Rule 与测试金字塔（测试）、变更尺寸约 100 行 + 评审速度规范（评审）、Chesterton's Fence（简化）、主干开发（git）、Shift Left 与 feature flag（CI/CD）。来源明确标注自《Software Engineering at Google》与 Google 工程实践指南。

Over the past two weeks, our team XDO has been working closely with @worldlibertyfi — and honestly, it’s been a real surprise for me. 最近两周，我们团队XDO开始和 @worldlibertyfi 密切合作，狠狠的教育了我！ Tbh, I had my own stereotypes at the beginning. Trump-backing, access to top-tier global resources — I assumed the team would be the type like: big vision, endless resources, everyone coming to them instead of the other way around. I mean, you can easily afford to be a “laid-back” team with this level of privilege and prestige.😂 说实话，刚开始接触的时候我是有刻板印象的。总统家族背景，全球顶流资源，我assume团体风格会是：愿景很大、资源很多，一定是所有的资源去找他们。可以猜想这种有顶级资源的美国团队有多么躺。 But after two weeks of working with them, I was genuinely impressed — even humbled. 但接触下来非常惊喜，甚至教育到我。 On nye, co-founder @ZachWitkoff was still handling interviews job. By Jan 2nd — when most people were still in holiday mode — their entire team was fully back in action. Every sync was well-prepared, execution was fast, and nothing was half-hearted. Even though many team members didn’t come from a Web3 background, everyone was actively and intensely learning. In every discussion, they consistently identified the single most critical key to success, made fast decisions, and mobilized the entire team to execute. From @ZachWitkoff & @zakfolkman founding-team-level market strategy decisions to execution, implementation, and even contract reviews — all of that can happen within a single day. 新年当天，Co-founder @ZachWitkoff 还在处理这面试的工作。1月2号，当大多数人还在休假模式的时候，他们已经全员到岗火力全开了。每次对接，准备充分，执行迅速，一点不含糊。虽然，很多人之前没有Web3背景，但是每个人在饥渴的学习Web3的知识。并且每次探讨中，总是可以找到决定事情成功的最核心的KEY，然后快速决策并全团队响应执行。是的，从大市场战略的Founding team决策到对其执行到落地执行包括审核合同，一天足以。 This made me reflect: why is a team with such a background working even harder than many startup founders? 这让我开始反思：为什么有这种背景的团队，反而比很多一般的创业者还拼？ My guess? Because the whole world is watching. If a normal project fails, you pivot and start over. But WLFI is different — with this kind of background, success is expected. That expectation pushes the founding team to focus on how to succeed even more. That pressure forces them to put in 200% effort to prove that what they build goes far beyond what their so-called “background” could ever hand them. 我猜的——因为全世界都在看。普通项目失败了，换个赛道重来就是。但 WLFI 不一样，顶着这种背景，成功变成了是应该的。所以，整个创始团队更聚焦在如何可以更加成功！这种压力，逼着他们必须用 200% 的努力去证明自己可以做的事情要远远超过他们“所谓的背景”可以给予的。 Another detail I noticed: their execution logic is extremely clear. It’s not the “we have resources, let’s just throw money at it” mindset. They are deliberately building long-term value step by step. They value every partner and every dollar — while also knowing how to turn those into weapons for rapid market capture. And when it comes to critical decisions, they don’t hesitate to invest heavily. You can imagine what this combination can ultimately become: top-tier resources + top-tier execution + a massive market = Massive future for @worldlibertyfi $USD1 By the way, this also validates a thesis I shared in my previous article (link below): in 2025, stablecoins are increasingly becoming the bridge to mainstream assets. Sustainability at the business level matters — and this is exactly the direction we’ve been betting on. 而且我观察到一个细节：他们团队做事的逻辑非常清晰，不是那种「有资源就随便造」的心态，而是真的在一步步构建长期价值。珍惜每一个合作伙伴，珍惜每一分钱，但是同时这些也可以成为快速抢占市场的武器。对于关键事情上，丝毫不吝惜。我们可以想象这种组合——顶级资源 + 顶级执行力 + 超级大的市场 WLFI USD1可以成为什么样最终形态。顺便说一句，也验证了我在之前一篇长文里的思考，今年稳定币成为连接主流资产的趋势越来越明显了。业务本身的可持续性。这也是我们一直在押注的方向。 So YEP! My view on WLFI has completely changed. This is a team that genuinely takes execution seriously, and have the power to make all dreams come true. 所以我现在对 WLFI 的看法彻底改变了。至少从合作体验来说，这是一个认真做事并且有实现造梦能力的团队。 If people with backgrounds are working this hard, what excuse do those without one have to be laid-back?? 「Don't make excuses for not being where you want to be. It usually comes down to not trying hard enough, or focusing on the wrong things.」 「Jiayi never used to create anxiety. But from now on, anxiety and self-reflection start with Jiayi.」 有背景的人都在拼命，没背景的凭什么躺平？ 「不要给自己的不够优秀找借口。大多数就是自己不够努力，或者努力方向不对！」 「Jiayi之前不制造焦虑。但是从现在开始，焦虑和反思从Jiayi开始。」 Side note: after deeply engaging with the founding team, I started allocating heavily into $ALTS (already 100% in profit so far) and $WLFI. I’m happy to say that so far, the results have been very encouraging. 题外话： 正式因为深度的接触了创始团队后。我开始重仓WLFI的DAT股票 $ALTS (且翻倍了）和 $WLFI。很开心，目前为止，让我看到了好的结果。 LONG Crypto 🚀 LONG Stablecoin 🚀 LONG Myself