日月小楚 ｜Building AI Agents

统计数据

41
文章
0
粉丝
0
获赞
495
阅读
avatar
每过一段时间，你就会突然发现又冒出了好几个神器。 然后去网上一查，自媒体博主都说是神器。只是，感觉又是似曾相似的味道。 如果停下手上的项目去试试吧。测试一圈下来要话不少的时间。 如果不去试试吧。就担心自己落后了。总感觉别人的vibe coding的效率是自己的10倍。 又是ai让人焦虑的日子
avatar
号外号外，今天上线了今年的第一个vibe coding项目：KOL Lens。 1 我为什么要做？ 推特是币圈最重要的信息来源。所以，今年我的计划是找到一批优质的KOL列表，再结合AI进行深度分析。 这些目标主要包括： 1）擅长分析BTC走势的KOL 2）擅长挖掘早期Alpha的KOL 3）擅长链上数据分析的KOL 但我遇到了一个最大的问题：如何来评判KOL的“擅长”？ 现在的KOL多如牛毛，而我要识别其中真正优质的账号。我研究了Kaito、Xhunt、Cookie等工具，发现都无法完全满足我的需求。如果人工查看，不仅费时费力，准确度也难以保证。 于是，数据分析出身的我，加上vibe coding的加持，决定亲手做这个KOL的综合数据分析工具。 这次我一共分析了3万多个KOL，基于将近900万条推文。好在我前段时间花大力气微调了一个专门分析币圈的模型，否则如果直接使用Gemini-3的API分析，光是做一轮实体命名识别，成本就要将近10万刀。 下面是各个数据维度的介绍： 2 推特的基本情况 挑选KOL，第一眼可以看的数据，是平均每日发推文的数量。 如果数量太高，比如每日超过8条，那么有很大的概率是AI写作在不停地发文。即使是人在写，如此高频的内容，有效信息的占比往往也不大。反之，如果数字太小，说明不怎么活跃，也没有关注的必要。 其次是推文字数分布。如果长篇和超长篇占比多，说明博主喜欢输出深度内容。而在截图中，短篇占比很大，文字较少。 再结合浏览量分布来看，截图中的账号推文浏览量基本在1K~5K之间。 所以，这个KOL的基本画像已经勾勒出来了：这是一个每天发很多推文（5条以上），但内容都很短，且浏览量不高的账号。如果是我，第一时间就会Pass了。 另外，通过各时段的发推时间，可以看到它的活跃规律。比如截图显示在0时区（UTC）的早上7点数量最多，大概率是定时发布的。而发推数量非常低的时段，应该是睡觉时间。 可以看出，这个账号并不在美国，睡觉时间大概是北京时间的早上7点左右。 3 区块链方面的分析 首先，我设置了两个指标，来分析KOL推文中“含币量”的成分： 推文平均字数：在上图中可以看到，涉及区块链的文字字数（444）远大于非区块链内容（142），说明这个KOL在写币圈内容时，篇幅更长，更用心。 区块链推文占比：截图显示为57%。这意味着，57%的推文是写区块链的。这个数据太低，在我这里是一票否决的。如果它小于10%，这意味着90%的推文都不是讲区块链的，那我觉得这个人的主要精力不在币圈。 其次，从图中还可以挖掘出更重要的信息： 讨论过的币的数量：截图中有393个。很明显太多了，这是一个喊单非常多项目的KOL。即使某些币涨幅很高，跟着他赚钱的概率也不大。 代币的市值分布：这可以很容易看出这个KOL的偏好成色。是喜欢大市值的，还是小市值的？在寻找不同类型的KOL时，这是极其重要的指标。如果是找BTC趋势大牛，那么一定要大市值占比高；如果是找早期Alpha的KOL，那么小市值的占比要非常高。 擅长的赛道分布：一眼就能看出这个KOL聊的项目的领域。比如图中的x402赛道都有11个项目，说明它是紧跟热点的。 从截图中可以看到，这个KOL追求早期Alpha，紧跟热点。但问题是分析的项目数量太多，并不是最理想的人选，只能放在待定列表吧。 4 PNL（盈亏分析） KOL的战绩，是最直观体现其水平的指标。 看截图中的KOL，在过去的3个月，能有2个20倍的币，一个10多倍的币，战绩确实不错。我已经将其放入精选KOL列表了，哈哈哈哈 除了看直接的数据，还有一些角度也能看出门道： 上榜的代币：如果都是小市值的，说明这个KOL比较擅长抓早期Alpha项目。 7天最大ROI vs 30天最大ROI：如果两个数值一样，说明这个KOL推荐后的7天内收益达到最大，适合短平快操作。如果7天最大ROI较小，到了30天突然变大，说明这个KOL推荐的项目适合长期埋伏。 当然，PNL还能挖掘更多信息，我打算后面继续完善。 5 网站信息 目前 已经可以访问。在网站的搜索栏里可以查看各类KOL的数据。 考虑到早期的网站功能可能还不完整，所以先进行限额测试，需要邀请码才能注册并使用。 需要邀请码的朋友，可以在这里留言。
avatar
说几个最近的体会 1 写代码能力，codex 中 gpt 5.2-codex-high是最强的。适合写比较复杂的产品或者找难找的bug。好几个别人解决不了的bug，它能解决。缺点是它非常的慢，不要用来做小改动。改一个小地方能看一个礼拜的凡人修仙传了。 2 写代码能力，其次是claude opus 4.5. 质量和能力仅次于第一名。但是速度要快很多。而且在antigravity中就可以使用。 3 gemini 3 pro。前端是最强的，我的前端的时候都交给它，并且审美基本在线。除了coding，其它的场景也非常推荐它。日常对话，并且连接google生态。google是大善人，量大管饱，申请一个美国的教育资格可以免费用1年。 4 claude sonnet 4.5 就很尴尬了。我已经一段时间没用了。能力没有前面3个强。如果用api，价格还很贵。如果是包月，更推荐使用opus 4.5。 5 实惠之选glm4.7。代码能力还行，而且它们家的模型更新速度快。重要的是价格实惠，一个月20人民币不到。基本用不完。可以用来做些小的改动等等。 6 不要太相信什么ai的排行榜，也不要太相信那些自媒体。出一个新的就吹世界第一。不知道是拿了黑心钱，还是真的不懂。浪费别人的时间和精力。
avatar
【vibe coding 之前端页面踩坑记录】 在我Vibe Coding出一个产品雏形后，自然而然就需要一张“脸面”——前端页面 当时gemini3上线的时候，我体验了一把效果还不错，错误的以为做个前端很easy 然后，最近我vibe coding了一个分析kol的产品。因为现在可以弄了ai来总结推特的信息。那么就遇到一个现实的问题，就是先找到牛逼的kol(比如擅长alpha，擅长分析趋势的kol等)。而这种kaito、xhunt、cookie都很难找到。所以我做了kol的不同的数据维度。 数据做好了，就想开始做前端。开始是自信满满的，结果花了足足5天的时间，改补的课一个也少不了 数据有了，我就自信满满地准备搞前端。结果？真的是“盲目自信”，足足花了 5 天时间，该补的课一个也没少。 所以，我就来复盘一下这个前端页面的“进阶之路”，全是血泪换来的踩坑经验 Level 1 直接让大模型做， 网页端建议直接上 **Google AI Studio**（注意：这里不是 Gemini 的日常聊天网页版，是那个开发者工具）。我让 Gemini 3 直接 Build 一个前端页面。在这个阶段，我也混用了 Antigravity 的 Claude Opus、Gemini 3 和 Claude Code 等工具。 而这里的第一个经验是：一定要用真实的数据。 如果你还没有，就让ai标准你需要的数据。如果不给数据，再好的成本也没用。 从结果来看，各种方法的效果都差不多。大概在75~80分吧。因为我的数据比较多，页面比较复杂。 Level 2 既然直接让ai做效果不佳，那么我想到的是，找一张我想要的效果图，让ai仿照着设计。这个给大家推荐一个网站效果图的。 ai给我推荐了几个前端页面网站，我实际看下来，这个最好。 如果你运气好，能找到给你非常接近的。但是，也可能像我一样，找到相近的，但是又不能完全满足。 Level 3 当上一步不能满意，那么第三Level的做法是，让ai画出效果。 具体一点，将到找的类似感觉的图片交给ai，然后跟它聊天，说你的想法，让它出建议。这里最重要的一个经验是让ai写一份画图软件的prompt，可以让它多出几份，不同颜色，风格的。反正牛马愿意干活。 因为我使用gemini3，然后让它写 banana画图的prompt。而在这一步，我花了不少时间。让香蕉花了很多的图片。 在确认样式后，建议让ai根据图片写一份前端页面的prompt。实际经验发现，比vibe coding的时候直接给一张图，让模仿来简单。 踩坑经验 3：Google AI Studio 是最佳的“试错沙盒”。在确认 UI 样式后，让 AI 根据生成的图片写一份**详细的前端 Prompt。 关键点来了：先在 Google AI Studio 里跑一遍代码，而不是直接进 IDE。我之前太急，直接在 Cursor 里开搞，结果发现效果达不到预期，还以为是 Antigravity 或者模型的问题。后来发现，纯粹是 Prompt 写得不够细。 AI Studio 的优势是轻量化：不需要本地装 Next.js、Supabase、Tailwind 那些依赖，也不用管 Git，直接看 Prompt 出来的效果对不对。这比在本地改代码快太多了。 Level 4 完成了第三步之后，网页基本达到了80%的满意度。接下来就是扣细节了。这个部分的工作是跟ai对细节。而最头疼的就是需要知道一些专业的名词，要不然ai可能不理解。 这个时候，最头疼的不再是逻辑，而是专业术语的对齐。 比如我要调整一个圆角，或者做一个毛玻璃效果，如果我不懂 CSS 的 `backdrop-filter` 或者 Flex 布局的术语，AI 可能完全不理解我想微调哪里。 好了，忙活了这么就，终于有点成果了。
avatar
vibe coding 人最苦恼的就是 隔几天又出来一个屠榜的模型，各项数据又是世界第一。 你也不可能来一个就试用一个，那么就看看自媒体的博主吧。你会发现大部分也都是吹捧的。 然后，好不容易确定一个适合的模型和产品了，想好好干点正事吧。可能没几天，就碰到模型降智。 真无语了，最近发现gemini3 pro 和 claude 4.5 都降智了。 昨天用antigravity的gemini3 写一个任务， 结果问题不断。好吧，测了测几个常用的，结果是 1 确认gemini3 降智 2 测试了claude code中使用claude 4.5， 也是降智严重 3 在claude code中使用glm 4.7， 最近刚出现号称世界第一的，结果虽然claude 4.5 多找几个问题，但是1/3没找到。 4 cursor中gpt 5.2 是表现最好的，只漏了一个小问题，其他都找了。 这依据，gpt5.2最能打。只是头疼的是gpt5.2写的代码太简约了，好多都看不懂，看起来脑瓜疼。😀
avatar
今天运行一个vibe coding的必备工具，chrome dev tools mcp， github已经有17.6Kstar 我们在vibe的时候，经常需要获得外部数据，比如获得gmgn上最新的热门代币、获得推特的推文等。而传统的爬虫已经不适用ai时代。 作为一个MCP，chrome dev tool使用非常方便，只需要3分钟两个步骤而已。第一步，安装mcp， 第二步，然后跟AI对话的时候，告诉它使用这个mcp就可以。 chrome dev tool基本覆盖了所有的vibe coding 工具使用 我自己使用了分别在antigravity 和claude code。可惜的是antigravity 换了不同的模型，都没有正常使用。就是跑一会儿，agent会去安装别的传统的爬虫库了。而claude code却是非常方便的成功了。 chrome devtools 会自动打开chrome浏览器进行工作。而它的一个最大的优点就是：用户可以提前打开浏览器，登陆账户。这样ai可以操作已经登陆下的网站情况。 让claude code牛马干活之前，建议先/mcp查看一下mcp是否安装完成。我的前两次使用都不行，以为是牛马不行，结果发现mcp没配置成功。 我本次的任务是想整理kaito上面的yapper榜上kol名单，想进一步用这些明白，跟踪他们的推文。我先在chrome登陆kaito，然后让牛马干活。 牛马很聪明只需要用大白话交代清楚就可以，非常的简单，不需要什么复杂的prompt工程。 大概5分钟就给我结果了。 这里还有一点注意的，如果牛马干活的时候，同时你还要用浏览器的话，建议配置一个新的chrome，并放入虚拟桌面
avatar
我的vibe coding的升级打怪之路 vibe coding已经一年多了，这一年的变化可谓是翻天覆地的。犹如从结丹到元婴，从此不再是蝼蚁，而是主宰了命运。这一方面自己在不断的学习和迭代，另一方面得益于AI快速的发展。 一年前，在那帮自媒体的“吹捧”下，我开始使用cursor。而我做的第一个产品，是一个分析链上MeMe的产品，我取名为Jin。前两天有1300名用户。我佛系的挂了gmgn的链接，前两天看累计了2000U左右的返佣收入，让我有点小意外。 从现在看来，上手就vibe这个，并是最佳方案。因为不算简单。它有多个系统组成，由一个agent分析聪明钱购买的MeMe，由另外agent收集信息并进行分析，最后发布到tg。当时我还做了另外一个ai分析出好的MeMe，想实现自动交易。最后发现ai胜率跟人也差不多，最终没有使用。 这个产品总共花了3个月，一个原因可能我是有完美主义，所以很多细节会做的很高。但是更重要的原因是，当时错信了那些自媒体的鬼。ai的代码能力远没有那么强。首先做一个完整的项目肯定是不行的，而拆分写的模块，也基本都会有bug，经常改了这个，会出现那个。 而现在只过了一年，早已经没有情况。ai 的code能力提高太大。现在真的可以一句话做出一个网站。所以说，现在是vibe coding最好的时刻了。 但是，我还是很确幸一年前就选择vibe coding。因为从那时起，ai思维刻入了基因。凡事遇到任何事情或者困难，大脑思考都是基于ai开始的。 这一年里，vibe coding的产品也在涌现也日益完善，claude code、 codex、anitgravity、windsurf等等总有一款适合你。 其实说实话，现在新人要vibe coding依然还是有些门槛，还需要克服些困难。大抵是因为这些产品开始都是给程序员用的。当时我也是这边需要折腾下，那边需要弄弄。但是，每个人都需要勇敢的踏出这一步，很快就能适应。vibe coding不仅仅是工具，而是在ai时代的新方式。这是我的第一个感受 而我的第二个感受，就是端正心态。不要那些博主吹的，10分钟搞定一个产品的鬼话。 当你想要从做一个玩具，到一个真正可以使用的产品，这时候需要端正态度，继续升级打怪之路。 一年之前，我只会用jupyter lab做数据分析。 而在做成一个产品中，还需要学习 在生产环境的产品，需要考虑，异步、高并发、错误处理等等。 还有学会版本管理、数据库等等 还有fastapi、前端也是必须的 服务器、域名、docker等也是需要的。 但是一切都不用担心，因为有ai，不懂就问。再不懂，就继续问。 美好的时代，才刚刚开始
avatar
发现一批kaito上高分yapper的账号，有着很相近的行为 粉丝：2~5万左右 推文阅读量1k左右 每条推文下面都很多留言 还有就是每天巨能发推文，一天20条！真劳模~
avatar
果然，google的内部消息，还是google的ai先知道 刚刚12月，google曝光了新的ai 浏览器开发 openai也有Atlas 可以预测，在ai coding之后，AI 浏览器会成为下一个巨头争霸的战争。
avatar
【Vibe Coding 必学技能之 Git】 即便 AI 能搞定项目，依然还有一些技能是必学的。其中最基础的就是 Git。 如果你做过乙方，你一定做过第一版、第二版.....最终版、打死不改版、再改是小狗版。而最终还是选择了第一版。 现在，即使 AI 成了那个任劳任怨修改的好脾气。你依然需要对各种版本进行管理，而这个就是 Git 的核心功能。简单来说，你 Git 一下，就为现在的代码进行一次新的备份。 Git 是程序员的必备技能，它还可以防止 AI 乱修改代码、创建分支、还可以一键推送 GitHub 等。 当然，在 AI 时代，大部分都可以让 AI 来操作，我们需要的是对它有基础的了解，掌握核心功能。 ────────────── 🛠️ 1. Git 初始配置 • 下载 Git，官网下载后可以一路默认下一步操作 • 配置用户名和密码 git config --global git config --global 配置好后，可以在终端查看： git -v git config --list ────────────── 📂 2. 初始化项目 在项目中第一次运行 Git，需要先进行初始化 Git。 方法 1： • 在 Cursor 中打开你的项目文件夹。 • 打开集成终端（View > Terminal 或 Ctrl+`）。 • 运行命令：git init。这会在项目中创建一个 .git 文件夹，初始化本地仓库。 • （可选）连接远程仓库（如 GitHub）：运行 git remote add origin 你的用户名/仓库名.git。如果你没有远程仓库，先在 GitHub 创建。 方法 2： Cursor 中，在 Git 的页面直接选择 initialize Repository ────────────── 💾 3. GIT提交版本，查看版本变动 3.1 添加和提交变更（管理版本）： 编辑代码后，在 Cursor 左侧侧边栏点击源控制图标（看起来像一个分支符号）。 在 Source control 源控制面板中，你会看到变更的文件列表。点击文件旁的 + 图标来暂存（Stage）变更，或点击顶部的 + 来暂存所有。 在提交消息输入框中写描述（如“添加登录功能”）。Cursor 的 AI 功能可以帮助生成消息：点击输入框旁的闪光图标（✨），AI 会基于变更和历史自动生成提交消息（支持 Conventional Commits 风格）。 点击“Commit”按钮或运行 git commit -m "消息" 提交。这创建一个新版本。 重复此过程，每次小变更都提交一次，保持原子性。 第一次 commit 的时候出跳出，选择 Always 3.2 查看不同的版本 推荐：在 source contral graph 中，可以查看保存的不同的版本，并且有每个文件的变化 通过命令查看： 在终端运行 git log（显示所有提交历史，包括 ID、作者、消息）。用 git log --oneline 简化显示，或 git show <commit-ID> 查看特定版本的详细变更。 查看文件特定版本： 右键文件 > Open Timeline，或运行 git blame <文件名> 查看每行代码的提交来源。 比较版本： 在源控制面板，选择两个提交，右键 > Compare Changes 查看差异 ────────────── ⏪ 4. 回滚/恢复 4.1 撤销未提交 (commit) 的更改 • Cursor 中的修改有 restore，单次修改的可以恢复 • 在 source control 页面，对于从上次 commit 之后的修改，点击文件名旁边的 discard changes 直接回滚到上次 commit 的状态 通过 Cursor 界面操作： • 打开左侧源代码管理面板（Ctrl+Shift+G） • 在 "Changes" 区域找到修改的文件 • 右键点击文件 → 选择 "Discard Changes"（丢弃更改） • 或点击文件旁边的撤销图标 "↶" 通过命令面板： • 按 Ctrl+Shift+P 打开命令面板 • 输入 Git: Discard All Changes - 撤销所有更改 • 输入 Git: Discard Changes - 撤销选中文件的更改 通过终端命令： git restore <filename> （撤销单个文件的更改） git restore . （撤销所有文件的更改） git restore <directory>/* （撤销特定目录下的更改） 4.2 提交历史的回滚与恢复 暂存区是一个缓冲区，让你在提交前能够精心挑选和准备本次要记录的改动。Staged Changes (暂存的更改) Cursor 提交 commit 的时候，会自动把你“Changes”列表里的所有文件，全部 add 到暂存区，然后立刻执行 commit。 commit-id 可以在 source contral graph 中右击版本，获得。 (1) 硬回滚（完全删除更改） ⚠️ 警告：硬回滚会永久删除更改，请谨慎使用 git reset --hard 会让你的项目文件夹（包括所有 .py 文件）完全恢复到你指定的那个旧版本的状态，并且会删除那之后的所有版本记录。 通过 Git Graph： • 右键目标提交 → "Reset current branch to this commit" → 选择 "Hard" 通过终端： git reset --hard <commit-id> git reset --hard 9fd5c20c1e9d9caa6eebce4edc2bb897e441d181 （硬回滚到指定提交） git reset --hard HEAD~1 （硬回滚到上一个提交） (2) 使用 Revert（推荐用于已推送的提交） revert 不会删除历史，而是会创建一个新的提交，这个新提交的内容刚好是用来抵消掉某个旧提交的改动。 git revert <commit-hash> （创建一个反向提交来撤销更改） git revert HEAD （撤销最近的提交） git revert <start-commit>..<end-commit> （撤销一系列提交） (3) 软回滚（保留更改在工作目录） commit 恢复到上一个或者指定的一个，但是修改的内容不变动。 它的核心作用是：仅仅将版本库的指针（HEAD）移动到你指定的旧版本，但完全不改变你已经写好的代码（工作目录）和已经添加到暂存区的内容。简单来说，就是撤销了 commit。 用于 commit 太多，合并多个凌乱的 commit。 使用 Git Graph 扩展： 安装 "Git Graph" 扩展 在源代码管理面板点击 "Git Graph" 按钮 右键点击目标提交 → 选择 "Reset current branch to this commit" 选择 "Soft" 模式 通过终端： git reset --soft <commit-id> git reset --soft HEAD~1 （软回滚到上一个提交） (4) 混合回滚（保留更改但取消暂存） git reset <commit-hash> （混合回滚，默认模式） git reset HEAD~1 （回滚到上一个提交） 4.3 分支级别的回滚与恢复 删除本地分支后的恢复 git reflog （查看被删除分支的引用） git branch <branch-name> <commit-hash> （恢复被删除的分支） 强制推送后的恢复 git reflog show origin/<branch-name> （查看远程引用日志） git reset --hard <previous-commit> （恢复到之前的状态） git push --force-with-lease ────────────── 🌿 5. 分支 (Branch) 它们在 Git 中是极其轻量和廉价的操作，请大胆地为每一个新任务、新想法、新 Bug 修复创建分支，这是通往高效、安全开发的必由之路。 默认情况下，Git 仓库初始化时会有一个主分支，通常名为 main。 分支的作用与优势： • 并行开发: 不同功能/修复相互独立，互不干扰。 • 实验隔离: 尝试新方案，不影响稳定代码。 • 代码审查与发布: 通过 PR/MR 合并到主干，触发 CI/CD。 • 回滚与追踪: 每个分支的提交历史清晰，便于定位和回滚。 从技术上讲，分支并不是一个项目文件夹的完整拷贝，那样太浪费空间了。一个分支，本质上只是一个轻量级的、可移动的指针，它指向某一次特定的“提交 (Commit)”。 • main 分支是一个指针，它通常指向项目最新的、最稳定的那个提交。 • 当你创建一个新分支时，你只是创建了一个新的指针，它和你当前所在的提交指针指向同一个地方。 查看分支Cursor 右下角的分支 git branch （查看所有本地分支，当前所在分支会用 * 标记） git branch -a （查看所有分支，包括远程仓库的分支） 创建分支Cursor 右下角的分支 2.1 从当前的点创建分支 git branch feature-payment （创建一个名为 feature-payment 的新分支，但人还在当前分支） git checkout -b feature-payment （✨ 强烈推荐：创建并立即切换到新分支，一步到位） 2.2 从指定的点创建第二个分支？ 用于创建几个不同的分支方向，假设你当前在另一个分支，但想从 main 的最新状态开始一个新工作： git checkout -b test2 main 使用 Commit ID (哈希值)：最精确的方式。 git checkout -b test3 87be5a4304950ba71c375fdb785e44d3ac2dc7c7 切换分支Cursor 右下角的分支git switch test2 （这是更新的、更推荐的命令，因为它的语义更清晰，只用于切换） 在分支上工作切换到分支后，你的所有 git add 和 git commit 操作都只作用于当前分支。 (在 feature-payment 分支上) ...编写代码... git add . git commit -m "feat: add payment processing logic" 合并分支当你完成了分支上的开发，就需要将成果合并回主线。 1. 首先，切换回你的目标分支（通常是 main） git switch main 2. 拉取一下远程最新代码，确保你的 main 分支是最新状态（好习惯） git pull 3. 执行合并命令，将 feature-payment 分支的改动合并进来 git merge feature-payment 方法 2： • 切换到目标分支。 • source control > “...” > “Branch” > “Merge” 选择源分支。 关于合并冲突 (Merge Conflict)：如果 Git 在合并时发现，你在 main 分支和 feature-payment 分支上，对同一个文件的同一行代码做了不同的修改，它就不知道该听谁的了，这时就会发生“冲突”。你需要手动打开那个文件，解决冲突（决定保留哪些代码），然后再 add 和 commit 来完成合并。 删除分支分支合并后，通常就可以删掉了，以保持仓库整洁。 git branch -d feature-payment （删除一个已经合并过的本地分支，-d 是 --delete 的缩写，比较安全） git branch -D failed-experiment-branch （如果分支还没合并，但你确定要强行删除，比如一个失败的实验，使用 -D） 与远程仓库协作 git push -u origin feature-payment （将你的新分支推送到远程仓库，如 GitHub，让其他人也能看到） git push origin --delete feature-payment （删除远程仓库上的分支，通常在合并到 main 并推送到远程后进行） ────────────── ☁️ 6. GitHub 远程 6.1 首次操作仓库 首次设置：将本地的项目与一个 GitHub 仓库关联起来。 在 GitHub 网站上创建新仓库：• 打开 GitHub 官网，登录你的账号。• 点击右上角的 + 号，选择 New repository。• 给仓库取一个名字（通常和你的项目文件夹名一样）。• 不要勾选 "Add a README file"、"Add .gitignore" 或 "Choose a license"，因为我们本地已经有了。• 点击 "Create repository"。 本地关联：创建仓库后，GitHub 会显示一个页面，上面有几行命令。找到标题为 "...or push an existing repository from the command line" 的部分，复制那里的命令。通常是这样的： echo "# test2" >> git init git commit -m "first commit" git branch -M main git remote add origin git push -u origin main 方法二： 在 souce contral 里面有 push，第一次 push 的时候会让你关联相关的内容，只要填入仓库的链接，例如 从已有的 GitHub 仓库 -> 本地这个流程更简单。 (1) 在 GitHub 上复制仓库地址： • 打开你想同步的 GitHub 仓库页面。 • 点击绿色的 <> Code 按钮。 • 复制 HTTPS 或 SSH 地址。 (2) 在 Cursor 中克隆仓库： 方式一（通过欢迎页面）：打开一个新的 Cursor 窗口，在欢迎页面上，直接选择 clone，然后粘贴你复制的地址。 方式二（通过命令面板）：Cursor 会自动将整个项目下载到你的电脑上。现在，本地和远程就已经关联好了。 6.2 第二次以上操作仓库 Push： commit push。方法一：在 cursor 的 source control 中，有多处可以同步，包括 commit 之后出现的 sync changes，左下角的方法二：在终端中输入 git push。 Pull： 在 cursor 的 source control 左下角，直接有个更新的按钮。 然后分为两个情况： 情况 1：本地仓位没有改动过，那么就会直接下载最新的版本 情况 2：本地有代码的改动，那么有可能会冲突，（ps：遇到的时候再查资料）
avatar
Vibe coding的工具推荐 1 必备的gemini 其实早在gemini 2.5的时候，它就已经是我日常最常用的ai了。最大的原因是它说人话，也就是当你在询问它的是，它会用最通俗易懂的语言回答。当时我还喜欢几个模型对比，而gpt、claude经常说的比较高深。当你请教一个问题，答案中会有几个不懂的专业名词，然后要继续问。 对于一个不懂代码的想用vide coding，会经常有问题问问ai或者技术栈的问题，gemini3就是最佳选择。我个人不建议在coding的地方直接问题ai，一是这些ide背后都有模板提示词，所以并不合适。二是细碎的问题太多，会占用上下文窗口，容易导致写代码的时候出问题。 当然，gemini3非常牛逼，除了代码，其他日常对话、学习知识都可以用，完全可以作为日常对话的ai。更何况google还是个大善人，简单的做个学生认证就送一年的pro会员。 2 vibe coding工具 Vibe coding这一年最热闹的地方，好产品先后涌现。下面是我针对不同情况自拍的调控阿门、 1）cursor 如果你初步尝试一下vibe coding，cursor可能是最合适新手的。它是vibe coding的鼻祖，各方面的功能都还不错。prompt和工具调教的也到位。不管是写简单的项目、还是复杂的项目，质量都还不错。并且最近可能受到竞争压力，更新的节奏明显块了很多。 cursor的支付也非常友好，国内的支付宝就可以购买会员。并且绑定支付后，有7天的pro免费使用。 cursor是我的主力使用的产品，因为我并不是一个做很多项目的人。相反，我会是一个项目不断的优化。并且，由于我做的产品很多需要数据分析，需要根据数据的实际情况进行调整。所以cursor是最适合的。 2）antigravity antigravity 是google 大善人新做的产品，优点是免费使用gemini3 和claude4.5的模型。如果之前开通了pro，也可以在这里使用。gemini3 的前端页面是最出色的，我会使用antigravity来修改项目的前端。 虽然它是之前windsurf团队做，但是对于新产品，依然会有潜在的一些问题。但是我个人也希望它能做好，毕竟google大善人的价格应该会很美丽。 3）VS code + api 这是方案很少有kol推荐。而它最大的好处是免费。对于学生党或者暂时囊中羞涩的人来说，是可以考虑的。 VS code 是一个开源软件，它是大部分IDE的爸爸。上面的cursor和antigravity在它的基础上面开发。在vs code上面可以安装支持自定义api的ai插件，列如cline等。 然后就是找免费的api调用的ai，openrouter上面有很多free的模型。虽然性能可能比最顶尖的稍微逊色一些，但是胜在免费。 4） claude code claude code 是Anthropic公司出品的，曾经盛极一时，虽然现在优势已经没有那么大，但是依然是超一流的存在。 claude code 本质上是使用工程学的方式来提高代码的整体质量。它比较适合做复杂的完整项目（当然它还有很多其他用途）。原生适配claude系列的模型，价格比较贵，并且对中国人也不是很友好。但是可以通过第三方的工具，列如CC Switch，可以方便切换其他模型的。现在，中国的大模型公司都会适配claude code了，量大管饱，而且价格优惠，配置起来也非常方便。 5）codex codex是openai公司做的，跟claude code对标。所以就一起来对比： 1）claude code 和codex都是适合用来做复杂的项目，他们的质量都是最顶尖的。 2）从代码质量方面，codex会比claude code更加好一些。但是codex有个问题就是，它像个朴实无华的理工男，喜欢默默把工作的完成。但是代码的解释基本没有。一般的人几乎看不懂。所以它适合两种情况，第一种本身就是一个代码牛逼的人，ai只是给你干活的牛马 。第二种，你决定以后所有的修改都直接交给ai，自己完全不参与了。 3）claude code虽然稍微比code差一些，但是它像个暖男，它贴心的各种注释写的非常清楚。这样非常方便的进行代码的审查。 claude code 和 codex都支持各种的会员账号登陆使用，以及api使用。官方的api就不要考虑，因为实在太费钱。如果你使用频率比较高，不妨冲个会员。虽然非常折腾，但是也是值得的。如果你只是偶尔做一个项目，可以考虑国内的中转站。我先后用过2个，都是使用逆向工程的方法。缺点是不稳定，但是价格要便宜很多。 现在也有一种各方面都兼顾的办法，简单来说，就是使用gpt/claude等做项目的开发文档，然后使用国内的套餐比如glm4.6用claude code来写代码，然后用codex来查找漏洞。质量有保证，价格也不贵。 好了，一下子对vibe coding做了整体的使用场景的介绍。如果你对某个产品有兴趣，可以留言。我可以针对他们写些教程。
avatar
我发现对AI 编程的评测很多，而对AI文本总结和写作方面的评测却非常少。 正好我最近有这方面的工作需求，对比分析几个主要AI的文字能力。就做一些总结。 对于实际使用的话，我就分为两大类。 第一类是gemini 3 pro， sonnet 4.5 和 gpt 5.1为阵营的大模型。 它们比其他的大模型表现更加出色，而这三个中最优的是gemini 3 pro。它写的报告，阅读体验最好，读起来流畅自然，极具感染力。 但是，这三个共同的特点，就是贵。主要两种场景可以 1）频次不高的写作 2）在网页或者客户端使用 但是，特别不适用api调用。 第二类：国产的几个大模型。 在很多场景下面，需要使用api来进行大量的文本总结分析， 比如收集大量文章让AI出总结报告，写长篇小说，或者批量写文章。这种情况用第一类的模型，显然成本太大。这时候国产的几个大模型就是最好的选择了：成本可以节省很多，同时效果也还可以。 Kimi k2 Thinking Kimi k2在文字写作上面是国内模型中表现最佳的。**它是优秀的新闻记者。文笔流畅度仅次于 Gemini 3，擅长平衡报道。API的成本也是国产模型内最贵的，但是依然比国外大模型便宜很多。 DeepSeek V3.2 deepseek v3.2是刚发布的正式板。它逻辑清晰，信息量大，读起来不如Gemini轻松，但是也还可以。它对大量文本的内容挖掘是最深的。 它现在是我选择使用的模型，在大量文本进行总结分析的情况下，它表现很好，api也便宜 Qwen3-235b-a22b-thinking 阿里的Qwen3，它的文章特别专业，缺点是特别的长，而且阅读起来很难度。而且，它作为开源的模型，分析的时间是最长的，是别人的3倍以上。 Minimax M2 Minimax M2是一个中规中矩的模型，优点不突出，缺点也不明显。阅读提议良好，专业度良好，别人的缺点它也有，但是程度比较轻。让我感受不到用它的理由。 GLM 4.6 GLM 4.6这个模型，看的出来，它在很努力的满足我的prompt。但是总归还是差一点。比如说，我让prompt中要求结合提供的材料的基础上面进行分析，而它会大量引用材料，然后硬给一个总结。可能如GLM 4.6 官方介绍的一样，它是为了code 和agent而生的模型。 Doubao 251015 doubao 是表现最差的一个模型。它是丢失了所有细节、语境和情绪，分析深度最弱。 我也是非常的奇怪，doubao 1.6刚出来了，我是测试过这个性能的，当时表现是相当不错。它中间还升了一次级。为何表现会越来越差。看来大模型的降智不仅仅是claude，其他的大模型都有可能发生。 注：以上都使用thinking模式
avatar
今天踩了一个大坑！我怎么不会想到，同一个模型，表现可以差距如此之大！ 昨天deepseek 3.2 正式版上线后，能力比肩gpt5。于是我将日常任务的一部分交给了它。它一共负责了30多份分析报告，结果有8份出现严重的问题。 这个结果实在令人意外, 因为离预期相差实在太大。所以今天我接了官方的api接口，又重新跑了一遍。 结果，这次运行结果非常不错。确实有gpt5的水平，跟之前的完全不是一个水平的。 想来想去，问题就出在第一次的openrouter的api。大家知道现在的大模型特别多，如果每家都要注册，充值、还要配置调用代码，特别繁琐。而OperRouter集成了几乎所有的大模型，特别是测试新模型的时候，非常的方便。 而deepseek V3.2的模型供应商，是提供fp4 fp8。FP4 和 FP8 指的是浮点数（Floating Point）的数据精度格式。简单来说，它们是用来“压缩”模型的技术（即量化），目的是让模型跑得更快、占用的显存更少，同时尽量不损失智能程度。 虽然对大部分模型，fp4 fp8几乎不会损失智能程度。但是deepseek采用的DSA 架构，有可能因此受到比较大的影响。 嘛呀，AI的世界还是太复杂了。
avatar
币圈需要涅槃重生 但是要先经历巨大的痛苦
币圈“1011”六倍崩盘：高杠杆爆仓潮，谁在裸泳？· 6476 条信息
#币圈 #涅槃重生 #巨大痛苦
avatar
有一个非常简单，但是胜利非常高的，判断btc未来走势的方法。 就是跟美股进行对比。 在图中我已经标注的很清楚了。红色框内，就是美股能预示的行情转折点。 下面一条线是美股，蓝色是btc。 比如说，23年10月左右，美股是连跌了10天，btc是一路上涨，然后拉了一波大的。25年5月份的时候也是。 反过来，看btc的调整也很成立。三个红色中，绿色是美股在一路上的。而btc却在下跌。然后继续跌一波大的。 最近的下跌也非常明显了，美股很多天都在涨的。btc是一路向下。
#BTC走势 #美股对比 #行情预测 #负相关性 #技术分析
avatar
Gemini 3 终于等到了，早上让它解决了几个问题，非常不错。 但是，搞不懂的是，claude sonnet 4.5 为了庆祝gemini 3 的发布，自己降智了。 我真服了
Google Gemini 2.5发布引发AI模型性价比热议· 475 条信息
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#Gemini 3 #Claude Sonnet 4.5 #降智 #庆祝 #迷惑
avatar
$ASTER 的K线走的非常的漂亮。一个漂亮的圆弧底，又有CZ的明牌站队。 但是，唯一的风险是现在处于下降周期。 然而，让我不禁想起了BNX。也就是FOUR以前的名字。 21年的时候，BNX还是Gamefi的项目。而BNX这个团队最早做合约期货的，并且属于币安团队做的。跟现在的ASTER听着就很像。 关键的是，在22年大熊市，各种崩盘，btc都从6.9万一路跌到1.5万，山寨更是向归零狂奔。而BNX这货整个22年逆势涨了8倍。很多人做空这货，踏做空了整个大好的熊市。 我不确定这个ASTER会不会再次重演。但是我劝你可以不买，但是不要去空它。 币安跟合约有关的，都屌屌的。
#Aster #BNX #币安(Binance) #合约 #避免做空
avatar
如果你想买一个币的时候 想下来一点就买，但每次还没到你的价位，就已经拉飞，说明这是牛市 如果你想卖一个币的时候， 想反弹一点就跑，但每次还没到你的价位，就又开始下跌，说明这是熊市。 如果你经常会遇到上面两种情况 对不起，我的兄弟。说明你是一个大S子
币圈“1011”六倍崩盘：高杠杆爆仓潮，谁在裸泳？· 6476 条信息
#加密货币交易 #牛市/熊市 #交易心理 #市场情绪 #投资失败
avatar
从长期趋势来看，本轮4年的周期即将结束，将进入下一轮的周期。有很多观点认为：本轮已经不再有4年的周期。我觉得不完全赞同，也不完全反对。我个人感觉是：不再有之前那样的大熊市，或者说之前牛熊非常分明的现象。 1）btc并不会出现以前熊市的那么大调整，不会像22年那样从6.9万跌到1.5万。但是这中间可能会有较长时间，幅度不小的调整。 2）市场也会有明显的表现：包括 —市场的资金有比较大的集中的撤退，这是那些相信牛市顶部的人，以及已经赚够了足够资金的人的行为。 —行业出现比较大洗盘，特别是这个周期出现的大量的项目，大量会归零，只有少量的能存活下来。（并且这个过程早就已经出现） —资金层面的大清洗，如1011的爆仓。并且我总觉得之后的还有黑天鹅没有爆出来。 所以，在未来的3年时间内，整个走势大概率是 1 BTC是慢牛 BTC整体是一个震荡上行的走势。 1）以美国机构为主的入场资金 2）特朗普的加密中心的战略推动 3）美联储处于降息周期。 但是就像前面所说的，中间可能会遇到较长时间，幅度不小的调整。 2 行业洗盘，大量山寨会归零 每一轮都会经历项目的大洗牌，本轮也是。但是不一样的，上一轮归零都是你一眼看得出就是垃圾的项目。但是，本轮会有大量看上去正儿八经的项目也会归零。本轮，大量高市值的项目上市。看上去，它是有团队、有产品、有运营，也有看起来不错的叙事。但是，他们的叙事只是包装起来的，他们的产品可能市场并不需要。他们的现在的市值，为了出货而硬拉起来的。而他们，初衷是为了在25年收购一波的。 另外一个不同是，上一轮的项目，是btc开始下跌的时候，他们才开始跌。 而本轮，在项目方完成了出货赚到了钱，他们就已经开始跌的。有的已经一年前就开始跌。同样，之后btc调整后开始涨的时候，他们也基本不会涨了。 3 整个行业会迷茫，会有1~2年的衰退 22~25年 已经是基建完善并开始大规模应用的周期。比如eth的layer2扩容早已完成，solana的高性能已经维持了几年，btc的layer2大量涌出，模块化、账户抽象早就完善。 于是回过头来，我们去总结的时候，会发现基建早就完善，但是大规模应用却没有发生。上一轮周期至少还留下了Defi，这一轮啥都不是。除了亏钱，啥都没有留下。而感觉很有希望了AI、RWA、稳定币等，也没看到任何的增长。 当看着曾经一个个美好的故事都在一点点归零，我们就会心里就会怀疑，未来在哪里。 但是，虽然行业会进入衰退期，但是也将有巨大的机会。本轮，太多的资金、人、项目，人潮涌动，嘴上说的是相信web3，实际上只是为了暴富而已。而当潮水褪去，那些真正的好项目就会浮现出来。
币圈“1011”六倍崩盘：高杠杆爆仓潮，谁在裸泳？· 6476 条信息
#BTC慢牛 #加密货币周期 #行业洗牌 #美联储降息 #Web3迷茫
avatar
跟大家汇报一下，最近我微调了一个自己的模型。用于专门从推特文章中识别加密代币。结果还不错 -准确度已经超过了现在最强的大模型， 比如sonnet 4.5，gpt5 -分析速度是他们的250倍 -成本只有1/100 所以，我来介绍一下这个模型，并总结一些经验我踩过的坑。 1 模型介绍 推特是币圈人获得最新消息、寻找潜力项目的最重要的途径。要想做好推文分析，最最基础的第一步就是识别推文中的加密货币。 但是对推文分析又是比较复杂和困难的，因为 1）每个人的表达方式各式各样，不像新闻稿件、专业论文有比较固定的格式 2）推文中的文字、语法的错误率明显高于此类文章 3）大量新内容，并不在AI训练数据库内 在这方面，我做了大量的工作。我最一开始的方向是使用现有的大模型进行分析，并且测试了几乎所有的模型（包括不同的参数）。 然后我发现现有的大模型的准确度能够基本满足我的需求，但是其高昂的价格，最终让我决定自己微调一个模型。下面是具体的数据 1.1 分析推文的准确率 上图是准确率，可以看到自己训练的模型已经达到了89%，超过了claude-sonnet 4.5的87%，以及gpt-5 的85%。其中比较意外的是，同为第一梯队的gemini 2.5 pro在这方面的表现并不好，只有78%。而国内的开源qwen3 235b的表现要好于gemini 2.5 pro 说明一下，上面的准确率：是同一批1057条精细挑选的推文中执行，充分包含不同的场景推文、中文和英文、文章长中短、讨论代币数量0~6个不等。并且不在训练数据之内。 有人可能认为这个准确率并不算高。其实真实的准确率一定会高于现在的数据。是因为现在测试数据都是币圈的，而真实的推文有大量非币圈的内容。具体来说，现在的1000多条测试推文都一定是币圈的，准确度在90%左右。但是真实的情况是，可能是3000条中有1000条是讨论币，还有2000条讨论其他话题的。所以真实的准确度会达到96%以上。 1.2 分析的成本 成本是考虑的另外一个因素。说实话，促使我微调一个自己的模型的原因，就是现在的大模型太贵了。 从上图中可以看到，成本最贵claude4.5， 分析一千条推文大概需要5.4刀，这个价格其实是很贵的。同处于第一梯队的gpt5 和gemini2.5 需要3刀多。而qwen3相对比较便宜，但是也需要0.12刀。我们可以算一个简单的账，如果一个账号关注了1000个人，那么根据经验，这些人一天推文数量大概在1500条。即使使用qwen 235b，一日也需要0.18刀左右。如果只是个人日常使用，完全可以接受。 但是如果需要做一个产品，有1万个用户。那么每月费用将要达到5.4万刀，这将是非常大的一笔开支。而现在自己训练的模型，跟sonnet 4.5相比，成本降低了100倍，但是准确率依然超过他们。 (说明：由于推文的字数差别非常大，所以单次AI分析的成本也是差别巨大，而上面的价格计算的是平均数) 2 一些经验总结和踩过的坑 接下来，聊聊这段时间做的一些心得和感受，当然主要是踩的的坑吧 经验1：比起大而全的大模型，使用小参数解决单一任务才是正确的选择 现在，整个社会的风向都是往更大参数、更强的性能。我一开始也是这样的想法。所以我一开始的方案就是调用现有大模型的api，我测试了多个AI模型，试图找到成本低又能满足需求的大模型。但是最后发现并不是最优解。 然后后来发现，一些参数很低的模型。虽然最初回答一个简单问题，看起来还有点弱智。但是，经过细心的微调，在分析推文的任务上，会好于现在最强的模型。优势是成本低，速度还快。 经验2：优质的数据至关重要。 微调的核心是优质的数据，这方面几乎占据我90%的时间。 在数据方面，我遇到的最大的一个坑是来自标准数据处理流程。简单来说，在进行微调前，需要对数据进行一系列转化。这些工作就是标准化的，Huggging face有标注代码库可以直接使用。于是，当我使用精心准备的数据，进行微调的第一次微调，出来的结果准确率只有62%。这样的结果让我一度质疑自己训练这条路是否走得通。几经排查才发现，使用标注库处理出来的数据有很多的问题。 另外一个大坑，就是代币名称是常见词的特殊处理。比如说near、in、ip等这些都是日常中常见的单词，需要进行区分处理。否则，微调后的模型并不只是对这些词错误那么简单。因为模的是对语言的学习。 说实话，数据处理中大大小小的坑还是很多，这还跟每个人不同的数据有关。 经验3：苦活累活是必不可少 现在的宣传导致大部分人都以为，在AI时代只需要花几分钟动动手，剩下AI都会做完。但是实际情况是完全相反的。依然有不少的苦活累活，比如尽管我的数据有AI的标注，以及使用代码处理，提高效率。但是数据的人工检查，依然花费了我7天的时间。 3 使用不同参数的微调模型 我前后一共微调了8个模型，为了测试不同的参数对最后结果的影响，我选取了其中的7个来分析。其中上图中，m1~m7 m1：在前文中介绍过，是我第一个微调的模型，但是由于使用标注的数据处理方式，导致数据处理错误。最终准确率只有62%左右。 m2：是在解决了M1的问题后，使用同样的数据量进行训练的。然后结果一下子就提升到了85%。这个结果是一下子提升到第一梯队大模型的水平。 m2、m3、m4 ：分别使用20K、100K、280K的数据量进行训练，发现当从20K的数据，增加到100K的时候，准确率从85.6%提高到了86.8%。但是继续增加到280K的时候，准确率并没有提高反而下降到86.4%。这说明了数据量并不是越多越好，太多的数据会导致模型训练过拟合。 m6、m7：的数据是在前面的基础上面，做进一步数据校验。核心是人工审核，是的，10万条数据，我进行了人工审核，这就是最苦最累的活。从结果来看，数据质量的提高是m6、m7模型的准确率进一步提高的原因。他们的准确度也超过了世界最强的模型sonnet4.5。 4 总结 整体而言，这次工作虽然踩了很多坑，最后的结果还是让我非常的满意。这也为大批量实时分析数据打下了良好的基础。并且，根据这次工作掌握的经验，接下来可能对训练的数据做进一步的提高。
avatar
最近AI交易特别的火，身边不少朋友知道我一直弄AI，也来问我。 我给建议是不要弄，因为没有结果。 当我深入AI开发后，遇到的第一个头疼的事情，就是不确定性。 简单来说，当你问AI一个稍微复杂一点的问题（比如怎么样让人自己变成万人迷），其实问10次，10次的答案并不是一样的。 这样就是为何出现了复杂的prompt工程来约束AI的回答。但是即便如此，以我现在做的产品为例，依然需要用第二AI来检查答案，然后再用第三个AI来检查输出格式。 所以，可以看到，现在AI的应用在两个方面 1 是代码：因为代码有非常明确的语法规范， 2 是写作/视频等，因为它结果没有统一标准，很多个答案都可以达到优秀。 归根到底，AI是对人类进行大量学习后，成为全能的专家，但不是神。当你问是不是会涨的时候？因为没有标准答案的，结果就是10次回答可能会有不一样。而你只是随机拿到它其中的一个答案 而要解决这个问题，是需要给AI一个交易的标准，比如到120均线可以买等等。所以，最终还是你是交易者，AI是帮你干活的苦力。
#AI交易 #不确定性 #Prompt工程 #交易标准 #辅助工具
avatar
沉痛悼念！杨振宁先生！ 他是每个华人的骄傲，是华人科学家的顶峰人物。 人们可能只知道他的爱情趣事。却不知道，他的成就是可以与爱因斯坦，牛顿等相媲美的科学家。 也是20世纪后期开始，这位华人科学家是科学界最牛逼的存在。 主要工作：杨-米尔斯规范场论，是超越诺奖级别的成果。 在这个世界，存在这四种力量。而能够数学描述的是牛顿发现的万有引力，和麦克斯韦描述的电磁场力。而杨-米尔斯规范场论，它统一提供了数学工具，直接催生了粒子物理标准模型 —— 人类迄今最成功的基础物理理论。美国富兰克林学会评价其 “已跻身牛顿、麦克斯韦、爱因斯坦的工作之列 宇称不守恒：打破百年科学教条 它直接打破了物理学界普遍相信一个“常识”——宇称守恒。以至于提出第二年就被授予了诺贝尔物理学奖。获奖是杨振宁先生仅35岁，是历史上最年轻的诺奖得主之一。 除了上述两项“封神”之作，杨振宁在统计力学、凝聚态物理等领域也有大量开创性工作，例如： 杨-巴克斯特方程（Yang-Baxter Equation）： 在统计力学和量子场论中极为重要的一个方程，它开创了“可积系统”这一庞大领域。 非对角长程序（ODLRO）： 深刻影响了凝聚态物理中对超导和超流的理解。
著名物理学家杨振宁在北京逝世，享年103岁· 64 条信息
#杨振宁 #科学家 #诺贝尔奖 #物理学 #华人
avatar
比起经常“逆天”，“颠覆”的大模型 小而专才是我的最爱 刚训练了一个针对推特分析的小模型 结果超过claude 4.5 和gpt 5 关键是我的小破GPU也能跑的贼溜
MiniMax M1发布：开源长上下文推理模型引发AI领域震动· 27 条信息
#小模型 #推特分析 #GPU #Claude 4.5 #GPT 5
avatar
嗅到了危险的气息
#危险 #气息 #负面
avatar
别人都说codex 逆天，为啥我觉得还是claude code更好呢？ 是不是应该我是用来做数据分析的，别人是用来开发网站的。 都是牛马，为何还要区分品种呢
AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息
#Codex #Claude #代码 #数据分析 #主观评价