请教如何获取Uniswap V4的LP独立用户数？ V4的LP position tracking机制与V3完全不同，positions是PoolManager上的ERC6909 claims，通过Universal Router作为中间人操作，PoolManager不知道最终用户。

🆔 网站名称：JadeAI 📁 网站简介：一个基于人工智能的简历制作平台，帮助求职者快速创建专业且符合ATS（Applicant Tracking System）要求的简历。 可以通过AI智能写作功能，优化简历内容，确保其与目标岗位的要求相匹配。还具备模拟面试、求职信生成、语法检查等功能，全面提升求职者的竞争力。 🔗 项目地址：

先说下黄金的几种可投方式，明确应该以何种方式入金市：现货黄金，期货黄金，黄金ETF，CFDs。 现货黄金，就是100%全额投入资金用spot买现货，capital efficiency就很低，也不能开杠杆，就只能拿着现货等个几年，跟你在周大福买个金镯子没区别，只是说零售黄金还有很多溢价，而现货黄金相当于批发的，相对来说价格会低一些。 期货黄金，首先，期货的准入门槛比较高，主要是机构，professional investor，还有像我们这这样的HF才能做，散户个人而言是很难参与的。期货本质是合约，有不同月份，近月流动性最高，价格也跟spot 最接近，期货的capital efficiency非常高，只要10%左右的margin就可就开仓入市，因为可以拉高杠杆，可多可空，但同时风险也比较大，但daily MTM也有一定保护。相对于ETF的话，黄金期货是没有管理费的，也就没有tracking error，信用风险也比较低，有central clearing做担保。EFT是懒人选择，期货更有竞争力。而且期货是24/7交易，昼夜不停的提供赚钱机会。而且由于期货的参与者都是机构类的，所以反映很快，比现货市场快，一般都是期货动了，现货才动，现货和期货的差额，就是基差basis point，一般情况下，是期货大于现货contango，市场极端情况下会出现backwadaition，在海峡关闭的时候，现货原油的价格就是高于期货原油，因为现货需求爆增。反正要想吃市场第一行情，期货市场更加make sense，要想看最新的趋势，无论你买的gold的哪类资产，都是先看future更好。 ETF黄金，刚刚已经说了，收管理费，有tracking error，任何一个ETF，背后都是一个同样以盈利为目的的公司，要cover各种成本以，不停的rebalance，所以这个管理费是必须的，体现在tracking error，永远比spot会低一些，只是多少的问题。每年都有，长期来看会侵蚀回报，并且信用风险比future高。 CFDs，就是散户级别的TRS，我们做对冲基金有做全球市场，境内外的分支就是用的TRS。CFD（contract for difference）的话，是杠杆非常高的，就是和你的对手方券商的一个bet，所以所有的信用风险就是你的券商，而且隔夜持仓要收利息，券商的收费标准比较不透明，比future的风险更大。 综上所述，现货黄金太贵，黄金ETF太亏，CFDs风险太高。黄金期货是最佳的选择，我们对冲基金同时有现货和期货黄金，分别为了避险和套利。主打一个多策略并行。 关于近期金价为什么跌： 鹰派美联储，倾向加息，美元强，黄金就弱；海峡开了，供给增加，油价跌了，通胀下去了，黄金作为抗通胀的资产，需求就下去了。所以未来走势关键在于，美联储货币政策和中东情况。白银的话，相对黄金来说承压小一些，得益于工业属性。 但长期来看，金银还是会走多的。

黄金的几种可投方式，明确应该以何种方式入金市：现货黄金，期货黄金，黄金ETF，CFDs。 现货黄金，就是100%全额投入资金用spot买现货，capital efficiency就很低，也不能开杠杆，就只能拿着现货等个几年，跟你在周大福买个金镯子没区别，只是说零售黄金还有很多溢价，而现货黄金相当于批发的，相对来说价格会低一些。 期货黄金，首先，期货的准入门槛比较高，主要是机构，professional investor，还有像我们这这样的HF才能做，散户个人而言是很难参与的。期货本质是合约，有不同月份，近月流动性最高，价格也跟spot 最接近，期货的capital efficiency非常高，只要10%左右的margin就可就开仓入市，因为可以拉高杠杆，可多可空，但同时风险也比较大，但daily MTM也有一定保护。相对于ETF的话，黄金期货是没有管理费的，也就没有tracking error，信用风险也比较低，有central clearing做担保。EFT是懒人选择，期货更有竞争力。而且期货是24/7交易，昼夜不停的提供赚钱机会。而且由于期货的参与者都是机构类的，所以反映很快，比现货市场快，一般都是期货动了，现货才动，现货和期货的差额，就是基差basis point，一般情况下，是期货大于现货contango，市场极端情况下会出现backwadaition，在海峡关闭的时候，现货原油的价格就是高于期货原油，因为现货需求爆增。反正要想吃市场第一行情，期货市场更加make sense，要想看最新的趋势，无论你买的gold的哪类资产，都是先看future更好。 ETF黄金，刚刚已经说了，收管理费，有tracking error，任何一个ETF，背后都是一个同样以盈利为目的的公司，要cover各种成本以，不停的rebalance，所以这个管理费是必须的，体现在tracking error，永远比spot会低一些，只是多少的问题。每年都有，长期来看会侵蚀回报，并且信用风险比future高。 CFDs，就是散户级别的TRS，我们做对冲基金有做全球市场，境内外的分支就是用的TRS。CFD（contract for difference）的话，是杠杆非常高的，就是和你的对手方券商的一个bet，所以所有的信用风险就是你的券商，而且隔夜持仓要收利息，券商的收费标准比较不透明，比future的风险更大。 综上所述，现货黄金太贵，黄金ETF太亏，CFDs风险太高。黄金期货是最佳的选择，我们对冲基金同时有现货和期货黄金，分别为了避险和套利。主打一个多策略并行。 关于近期金价为什么跌： 鹰派美联储，倾向加息，美元强，黄金就弱；海峡开了，供给增加，油价跌了，通胀下去了，黄金作为抗通胀的资产，需求就下去了。所以未来走势关键在于，美联储货币政策和中东情况。白银的话，相对黄金来说承压小一些，得益于工业属性。 但长期来看，金银还是会走多的。

机器人圈也被 AI 的 scaling 卷麻了 截图是 ICRA 2026 一个数据统计，感觉蛮有意思的，分享一下。比如论文关键词的分布，中美加起来占一半以上的江山。 投稿 4947 篇，接收 1882 篇，接收率 38.04%。2021 年时候投稿量大概 4000 篇左右，机器人圈也在被 AI 的 scaling 卷麻。 Hot topics 是 Manipulation、Planning、Mapping/Perception 3D，SLAM/Localization，Object Detection/ Tracking。 author keyword top 是：Deep Learning for Visual Perception、Reinforcement Learning、Motion and Path Planning、Imitation Learning。 btw，这个数据不是 ICRA 官方做的，是韩国 DGIST 一个助理教授 Giseop Kim 做的，现在vibecoding一个东西变得无比容易。just do it… 想起来去年还写过一场 ICRA 2025 的 keynote 辩论，当时议题是“Data will solve robotics: True or false？” 转眼一年过去了……大家觉得这一年机器人领域的进展快吗？现在关于Data will solve robotics的争论，大家觉得有答案了吗🐶

为什么要做开源？ 如何成为一个开源贡献者？ - 行业趋势不可逆：从 Linux、Android 到 Git、MongoDB、PHP、MySQL，还有 Codex, Hermes, Openclaw, OpenCode 等开源 AI 工具底层生态基本都是开源在主导，做技术不开源很难立足 - 技术透明有安全感（出问题能自己定位） - 能从 code review 中向大牛学习 - GitHub 账号本身就是简历上的加分项（招聘时会重点看） 为什么很多人没贡献过？ 主要门槛不是技术难度，而是工具链多：Git（不同于 GitHub）、GitHub、Maven、Jira、Jenkins、Markdown 都要懂一点，加起来有一定 overhead，但每个单独学起来都不难。 开发者三大资源入口 1. Mail list（Google Group / Apache mail list）——用户问答、公告 2. Issue tracking（Jira 或 GitHub Issues）——报 bug、开 ticket、任务分配（assign / reassign / resolve） 3. GitHub 本身——代码仓库 + code review 主战场 标准贡献流程（PR workflow） 1. Fork 项目到自己账号下 2. Clone 到本地 3. 建一个 branch，本地改代码（新手任务通常就一两行改动） 4. 跑测试（mvn clean install，赶时间可以 -DskipTests） 5. Push 到自己 fork 的仓库 6. 在 GitHub 上开 Pull Request 7. 触发 Jenkins 自动跑测试 + 人工 code review（常见黑话：LGTM = look good to me，PTAL = please take a look） 8. 根据 reviewer 意见修改、re-push，直到被 merge 项目目录结构的常见套路（大数据类 Java/JVM 项目） README.md（项目说明）、conf（运行时配置）、build（编译工具/代码风格检查）、bin/sbin（面向用户/面向管理员的脚本）、examples、docs、assembly（编译产物）——理解这套约定能大幅降低"打开一个新项目就懵"的门槛。 给新手的具体建议 - 从项目标注的 new contributor / 简单难度 任务开始（往往只是一两行代码的改动），先跑通整个流程，再挑战复杂任务 - 提交前保证代码风格通过（Google Style Guide 是业界公认的好参考）、本地测试跑过 - 遇到冲突：谁的改动后合并，谁负责 resolve conflict - 开源和商业不矛盾——很多项目靠围绕开源核心提供 support / 部署 / 培训服务盈利（如 Hadoop 生态的 Cloudera、Hortonworks） 成为开源贡献者的门槛不在"能不能写代码"，而在于熟悉这一整套协作工具链和流程； 从项目里标注为"入门级"的小 task 练手，走完一遍 fork → PR → code review → merge 的完整闭环，就能上手。

Seedance 动作与冲击力运镜提示词 这类镜头特别适合武戏、追逐、爆炸、碰撞等高能量场景 1. 甩镜转场 Whip Pan：快速甩动镜头，让画面产生明显动态模糊，用来连接两个高速场景。 写法：快速甩动镜头，画面产生强烈动态模糊，镜头从一个角色迅速转向另一个角色，无缝切换到下一个场景。 2. 格挡震动 Impact Shake：在撞击、爆炸、重物落地、刀剑碰撞的一瞬间，让画面产生短暂剧烈震动。 写法：在两股力量碰撞的瞬间，画面产生一次短促而猛烈的震动，增强冲击感和力量感。 3. 子弹时间 Bullet Time：主体动作被极度放慢，甚至接近静止，但镜头围绕主体高速运动。 写法：子弹时间效果，主体在半空中保持近乎静止，镜头高速环绕拍摄，从多个角度展示这一关键瞬间。 4. 冲刺跟拍 Rush Follow：镜头紧贴高速移动的主体，跟着角色一起冲刺，让画面充满速度感和颠簸感。 写法：侧面高速平移跟拍，镜头紧随奔跑的角色，画面带有强烈动态模糊和压迫感，营造紧张的追逐氛围。 5. 低角度推进 Low Angle Push In：镜头从低角度缓慢向主体推进，让人物或产品显得更有压迫感和力量感。 写法：低角度镜头缓慢推进，主体占据画面中心，背景逐渐虚化，营造强烈的压迫感和登场仪式感。 6. 手持跟拍 Handheld Tracking：镜头像真实摄影师手持拍摄一样，有轻微晃动和呼吸感，让画面更真实。 写法：手持摄影风格，镜头紧跟人物移动，带有轻微自然晃动，画面真实、有现场感。 7. 环绕运镜 Orbit Shot：镜头围绕主体旋转，展示人物、产品或场景的完整视觉信息。 写法：镜头围绕主体缓慢环绕拍摄，主体始终保持在画面中心，背景随镜头移动自然变化，突出主体的立体感。 8. 快速推近 Crash Zoom：镜头突然快速推近主体，制造紧张、震惊或喜剧化效果。 写法：镜头突然快速推近角色面部，突出震惊表情，画面节奏瞬间加快，制造强烈戏剧反应。

GEO服务商在卖什么？不是visibility，是“市场团队在AI时代的焦虑解药”。年初我交流了四五家GEO服务商，回过头来看，这是我目前关于GEO这块业务最大的感受。 ------ 1/ 市场团队需要给老板汇报“我们在AI时代做了什么” 2/ GEO平台提供一个dashboard，让市场团队有东西可以汇报 3/ 这个dashboard是不是真的代表商业价值?不重要，因为老板自己也不太懂 这就是为什么2025-2026年GEO服务商能快速融资+快速签客户的原因。它们卖的不是结果，是焦虑解药。 ------ 不过从长期的角度，个人还是很认可和接受 “GEO”的概念的，即便很多行业里的观点是“GEO就是给SEO贴了个新的标签”，但是从成功定义上存在不同，且用户通过AI来获取产品/服务推荐的习惯在逐渐被养成，甚至未来常见的场景之一就是AI Agent直接替用户下单做决策。更进一步，GEO不是“让用户看到你”,而是“让Agent选择你”。 这是个完全不同的游戏。 年初在跟GEO服务商沟通的过程中，察觉到了B端对GEO的付费意愿确实强劲，比如： 1/ Profound在2026年2月完成$96M Series C，估值$10亿，Fortune 500中有10%是它的客户 2/ 国内某头部GEO服务商半年多积累了近百家客户 3/ Semrush这类的传统SEO巨头也在GEO领域快速追赶，在G2 Spring 2026报告中反超Profound,成为AEO category的#1# 但是也面临一个问题——相对于SEO，B端对GEO服务的续费率不高，要么就是试一下就不做了；要么是打好了基础后自己做。这背后的原因在我看来，很核心一点，在于GEO难以被量化。难以量化，就难以算出ROI；算不出ROI，B端就不会加大资源投入。 ------ 现在GEO平台衡量效果的主要方式，就是用prompt去query AI engine，然后统计品牌出现的频次。以Profound为例，核心的评估指标包括：出现频次的百分比、在品类中被提及的占比、在AI回答中的平均位置、情绪倾向、AI引用了哪些source。 但这些指标仍旧还比较抽象，前面提及的“难以被量化”，体现在： 1/ AI公司不提供“Search Console” — OpenAI/Anthropic不公开品牌被搜索/提及的频率 2/ 没有“AI Analytics” — B端不知道真正有多少用户在ChatGPT里看到了自己 3/ 归因模型还不成熟 — 行业还在debate怎么算“AI visibility的ROI”，比如，如何判断用户的购买行为是来源于AI推荐 4/ 数据波动 — AI模型每次迭代，都可能彻底改变品牌在回答中的position。Cloudflare的数据显示，各大AI engine的citation drift每月波动40-60%。这意味着一个客户付了$5K/月做GEO，如果第二个月visibility下降30%，可能不是因为他做错了什么，而是ChatGPT自己变了 5/ 测量本身有偏差 — 几乎所有GEO工具都用clean API state去query AI，但真实用户有conversation history、personalization、地理位置等，两者之间存在着差距 如果GEO的需求随着用户通过AI检索获取推荐的习惯被养成而增长，那么GEO效果如何被量化，或许会是个需要被解决的课题，当然这也存在很多要解决的问题，比如——AI公司并没有动力主动开放数据（类似Google Search Gonsole）、第三方测量基础设施并不成熟以及缺乏统一的GEO相关指标定义标准、缺乏类似Cookie的跨平台归因协议等（Google花了30年建了一整套infrastructur「GSC + GA4 + UTM标准 + Cookie + ads tracking」来让SEO可量化）。 但当ROI能算清楚的阶段，GEO或许才真正从“焦虑解药”升级为“营销基础设施”。

让前沿 AI 自己训模型，结局有点意思 假期看到一个实验，很有意思。给定与人类研究者相同的 base model、训练 API 和时间预算，一个前沿 agent 能不能端到端地跑完整个 modelcrafting 循环？ 具体设定是这样：让 Claude 4.6 Opus 和 GPT-5.4 自己当researcher，用 Tinker API 从头写 pipeline，训练 Qwen3-8B 学会解青蛙放置游戏（N×N 网格放 N 只青蛙，行列对角线颜色都不能冲突）。预算分两档，8 小时和 20 小时。从生成训练数据、定义 reward signal、到通过 Tinker API 在远程 GPU 上跑训练、评估、迭代，全程没有人类监督。 省流版结果：20 个 agent 里只有 4 个 pass@4 超过 25%。 那差距到底来自哪？是原始能力不够，还是缺的是上下文？ 看下来反复出现的就那么几个问题。一是过度依赖朴素 SFT，agent 经常一上来就在弱 base model 上做监督微调，结果模型在输出格式上过拟合，并没有真正提升任务表现。二是过早终止和算力浪费，Codex agent 尤其明显，做完计划好的流水线就提前停，预算根本没用完。三是输出无效或者根本没法 parse。 中间有一次失败暴露了 Tinker API 一个挺微妙的点（我觉得这是整个实验里最好玩的部分）：Tinker 的 get_tokenizer() 底层走的是 HuggingFace 的 AutoTokenizer.from_pretrained()，但沙箱里 HuggingFace 是被屏蔽的。这就导致 agent 拿到了base model 却没有 tokenizer，没法把训练 prompt 转成 token id，等于卡死在第一步。面对这个困境，绝大多数 Opus 4.6 的 agent 没放弃，反而把缺失的 tokenizer 当成了一个研究问题，认认真真花时间从零手搓一个出来。 但Agents 的时间感是错乱的。Claude 和 Codex 用预算的方式还不一样：Opus 4.6 一直工作到时间耗尽，Codex 做完了计划好的流水线就提前歇了。GPT 类 agent 更绝，把计时器当成开局一次性的“了解一下我有多少预算”步骤，后面完全不 tracking。 而且 agents 几乎不会从耗时的灾难性流程里恢复。 一旦投入到一个流程里，agent 很少停下来反思…其中一次 20 小时 Opus 4.6 的成功实验，把 61% 的预算花在评估阶段，只把 3.6% 花在 RL 训练上。 花钱的习惯也很有意思。GPT 5.4 早早提交，几乎不训练，最终花费低表现也低（ps .gpt 5.5 系列升级很大，但这个实验没测到）；Claude Opus 用的预算多得多，但方差很大。最有意思的一个数据：最好的 8 小时实验大致打平最好的 20 小时实验，价格只有三分之一。多花钱并不能买到更高的天花板。 但很赞同论文最后说的：研究这件事，最稀缺的从来就不是能力，而是直觉。 说到底，前沿模型确实能找到新颖的方法、干净地执行、快速学会一个新 API，Tinker API 本身也成了一个适合 agentic modelcrafting 的优雅接口。但跨多次实验，有一个 pattern 反复浮现：agents 优化的是好看的指标，而不是真正能用的系统。它们写完 eval 然后盲目相信，凭着自己代码产出的数字就宣告成功。几乎没人去问一个老练研究员会问的那种基础问题：什么会让这个指标失真？这个阶段我们到底应该测什么？ #AI# #Agent# #机器学习# #RL#