🔥 Search Hot Tweets

曲阜中文大学：claude fable能力空前强大，令人震惊，恐怕AI这次真的可以完美实现彻底计划经济和完美共产主义的规划和决策能力

来自 Claude Code 团队成员 Thariq 分享的用好 Fable 5模型的秘诀。 以下内容整理自 Thariq 的视频： 过去，我们需要时刻检查 Claude 是否在正确地做事。比如，把任务拆分成小块交给它、反复检查它的输出，并在它过早停下时发现问题。但有了 Claude Fable 5，我反而发现自己越来越多地是在检查 Claude 是否在做正确的工作。 Fable 可以一次运行几个小时，它会测试自己的工作，老实说，我经常发现它写出的代码比我的还要好。我的工作变得越来越侧重于指引方向和前期设置，而不是监督。因此，以下是我在使用 Fable 时，工作方式发生的三个改变。 首先，我把 Claude 当作一个思维伙伴。我给它提供所需的上下文。其次，我给 Claude 设定目标并提供验证这些目标的方法。最后，我试着变得更有野心，让 Claude 去做我以前从未尝试过的事情。 第一点，你要越来越多地把 Claude 视为一个思维伙伴。 我在使用 Fable 时发现的一个失败模式是，我可能实际上并不知道自己想要什么，或者我可能不知道什么是可行的。但是，在我的思考过程中尽早让 Claude 参与进来，我就可以在实施之前发现这些问题。 举个例子，我会先从一个小的需求规范（spec）开始，在编写最终的规范文件之前，我会要求 Claude 就实施方案对我进行“面试提问”。这有助于我建立信心，确信自己知道想要什么。或者，我也可能抛出一个想法，让它想出几个可以发展的方向，并制作一些 HTML 页面原型供我审查。 当我准备好进行实施时，我会尽量给它提供上下文，而不仅仅是约束条件，这样 Claude 就能真正帮助我达成目标。 例如，我不会说“保持简单，不要过度设计”，而是会说：“嘿，这个功能是个实验。我们很有可能在一个月后删掉它。所以不要构建任何丢弃起来会很心疼的东西。”给它这样的上下文，能让它发现你可能都没想到的事情。 一旦你知道自己想要什么了，特别是面对一个雄心勃勃的难题时，考虑给 Claude 设定目标以及验证目标的方法。 为此，我们推出了两个很好用的新功能，我也鼓励大家试一试：/goal（目标指令）和 workflows（工作流）。目标功能帮助 Claude 持续工作直至完成，而工作流则帮助 Claude 验证其工作。 因此，在我写完规范文档后，我可能会告诉 Claude：“设定一个目标，以完整实现该规范。然后使用工作流来验证计划的每个部分，并准备一份报告，说明已实现了哪些内容以及是否有任何差异。”这让 Claude 能够尽可能以富有创意和周到的方式发挥其能力，同时又能确保它正在构建你想要的东西。 最后，试着更有野心一些。 Fable 真的是一个令人难以置信的模型，它促使我在工作中打破常规去思考。例如，我正在用 Fable 剪辑这个视频。如果有什么事情是你以为大语言模型做不到的，给它个机会试试。我们由衷地认为，Fable 提高了“一切皆有可能”的上限。

还记得之前发过的 Commonly 吗? 肝了几个月，2.0 版本 + 公开测试来了 🎉 这版彻底变了个样：给你的 AI 拉个群。 把你本地正在用的 Claude Code、Codex、OpenClaw 接进来，组成自己的 agent 小队 —— 你在群里说话，它们干活：读文件、写方案、跑代码，交付成果，整个群共享同一份项目记忆，换个 AI 也不用从头再解释一遍。 Commonly 是开源项目，在GitHub 已经有 1000+ star ⭐ 测试期间全免费,自部署永久免费。不抽成、不收代理费，用你现有的订阅直接接入。 小团队独立开发，求试用求反馈 🙏（无需邀请码，邮箱直接注册，支持GitHub/Google账号登录） 链接在评论区👇

用 Codex 加 cloudflare 和 vercel 的官方 Skill 部署网站是真舒服，之前还干过点运维的活，弄个网站你得会 Linux 命令、配置 nginx、还得熟悉各种服务。现在 Codex 点上这两个 skill，两三张分钟网站就能上线访问了，极大的降低了门槛还特方便。 https://t.co/HmLLdrcprY

2025年港股IPO狂潮有多猛，2026年的解禁潮就有多痛。 全年解禁1.55万亿港元，2025年的近3倍。7月是下半年最大窗口，2553亿。光MiniMax+智谱两家就占约900亿。 但真正改变估值逻辑的，是供给端的变化。 这两家AI公司一直享受稀缺性溢价——全球可交易的大模型纯正标的就这么几个。 现在三重压力同时压上来： 解禁后流通盘暴增，稀缺性消失； 回A稀释每股含金量； 更关键的——Anthropic、OpenAI几个全球头部AI资产进入公开市场，港股大模型公司的估值坐标从"全球唯一可买"变成了"和二线比贵不贵"。

《立党基础教育》核心内容： 1. 5岁给孩子买电脑，怕打游戏就买mac mini，深度接触网络、操作系统、编程、使用terminal； 2. 把小学初中高中所有数学物理信息学教材、竞赛教程、少儿百科全书，本科微积分、线性代数、概率、计算机基础、算法导论、操作系统、编译器教材全部买齐，放在卧室书架上， 让孩子随时自由翻阅，充分挖掘孩子在数学、物理、计算机上的兴趣爱好和潜力； 3. 开通至少一个coding plan会员（OpenAI、Anthropic、智谱、月之暗面、阿里、deepseek、minimax、小米等等），让孩子时刻拥有至少一个AI Agent编程的能力； 4. 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，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”； 5. 在可控和允许的范围内，让孩子打游戏去发泄额外的精力； 6. 如果孩子是女生，从6岁开始灌输洗脑：一定要学计算机电子，一定要学技术，技术是一辈子的饭碗，学人文社科经管这辈子只有死路一条，程序员行业两位祖师爷Ada Lovelace和Grace Hopper都是女性； 7. 不要额外花任何钱，不要额外接触任何体育、下棋、音乐、画画培训班，都是坑死你们这些文科三本全职宝妈傻王八蛋的。

企业采用AI成本工程化时代，6月底Brian的这条推文https://t.co/2lkn814JOn非常值得重视，Coinbase通过一些列工程化的手段之后，在Token消耗量继续增长的视同，但是AI支出已减少近一半。这意味着企业 AI 成本管理的主战场，正在从“限制员工少用 AI”转向“用工程化基础设施让 AI 用得更多但更便宜”。详细聊聊： 1、Brian推文内容要点 Brian这条 X 推文中说，要实现的就是“AI支出持平，而 Token 使用量呈指数级增长”，也就是 AI token 用量指数级增长，但 AI 支出保持稳定甚至下降；方法不是增加使用摩擦、设置更多预算提醒或压低 usage cap，而是靠更好的默认模型、自动路由和缓存。 具体做法有五点： 1）Better defaults，不靠 usage cap。 工程师仍然可以选择任何模型，但 Coinbase 把默认模型切到更便宜的 open-weight 模型，例如 GLM 5.2 和 Kimi 2.7，并通过内部 LLM gateway 下发默认策略。 2）Better routing。 Coinbase 会在自定义 harness 里预处理 prompt，并根据任务、模型价格和缓存命中概率把请求路由到合适模型。复杂规划可以用 frontier model，执行类、重复类、低风险任务不一定需要最贵模型；Armstrong 的观点是，最终不应该由人手动选模型，而应由 AI 或路由系统自动选择。 3）Better caching。 这是最直接的成本杠杆。在 LibreChat 中把缓存命中率从 5% 提升到 60%，意味着大量重复上下文或重复请求不再触发完整的新模型调用。 4）Keep context lean。 他强调不要一味 compact，而是换任务就开新 session、缩小文件上下文、断开不用的工具。目标不是“少用 token”，而是“少浪费 token”。 5）Better visibility。 Coinbase 不禁止工程师多用 token，而是让每个人的 AI 使用成本透明化，并建立“你花得越多，就要产出越大影响”的责任机制。 最终效果是Coinbase的企业AI支出接近减半， token 用量继续增长。这个意义非常重大。 2. 对企业采用 AI 的影响 这条推文的真正信号是：企业 AI 采用正在进入“成本工程化”阶段。 过去一年很多企业的 AI 采用逻辑是“先让大家用起来”，甚至把 token 消耗当成 AI adoption 的 proxy。但现在账单开始变大，CFO、CTO、平台团队会开始问：同样一个代码生成、代码审查、客服总结、研究检索任务，为什么一定要走最贵模型？ Reuters 也报道，企业正在重新评估 AI 使用成本，越来越多 CEO 认为更便宜、更小的模型可以覆盖大量企业需求。对企业来说，未来AI adoption 的关键不再只是“买 Claude、买 ChatGPT、买 Copilot”，而是搭一个“AI运营维护层”。 模型网关：统一接入 OpenAI、Anthropic、Google、开源/open-weight、私有部署模型。 路由系统：按任务难度、延迟要求、合规等级、缓存概率、历史成功率自动分发。 缓存系统：把 system prompt、代码仓库上下文、常用文档、重复问答做缓存复用。 评测系统：用 evals 判断哪个模型在某类任务上“足够好”。 成本可视化：把 token spend 映射到团队、项目、PR、ticket、客户工单。 治理系统：敏感数据、客户数据、代码 IP、监管要求决定哪些请求不能流向外部 API。 这意味着 AI的采用门槛会下降。以前企业担心“员工越用 AI，账单越失控”；现在Brian给出的范式是：不要压制使用量，而是把单位智能成本压下来。 一旦企业相信“更多 AI 使用不必等于更高成本”，AI 会更快从试点进入日常工作流。 但这也会拉开企业差距： 能搭 LLM gateway、router、cache、eval、observability 的公司，会比只买单一供应商账号的公司更快获得 ROI。换句话说，AI adoption 的壁垒正在从“有没有模型”转向“有没有 AI 平台工程能力”。 3、对 token 经济性的影响 这里的token经济性不能只看模型报价表上的 $ / 1M tokens。企业真正关心的是： 每个成功任务的成本 = 输入 token 成本 + 输出 token 成本 + 缓存成本 + 重试成本 + 工具调用成本 + 人工校验成本。 Brian给的方法是在每个变量上降本： 默认模型更便宜，降低 P_input 和 P_output。 缓存命中率从 5% 到 60%，降低重复输入成本。 精简上下文，减少无效 input token。 路由到“够用模型”，避免每个任务都用最高端模型。 可视化成本，把 token spend 和业务产出绑定，减少无效 token-maxxing。 这会推动企业从 token-maxxing 转向 ROI-maxxing。以前大家炫耀“我们用了多少 token”，以后更重要的是“每 1 美元 token spend 产生了多少 merged PR、关闭了多少客服工单、节省了多少人工小时、减少了多少故障恢复时间”。 不同模型能力、延迟、上下文、可靠性、安全承诺不同。但企业采购会越来越用“任务级性价比”来比较，而不是默认选择最强模型。 4. 对 AI 投入产出比的影响 这条推文对 AI ROI 的影响非常大，因为它把 AI 成本曲线从线性变成可优化曲线。 传统直觉是： AI 使用量 ↑ → token 用量 ↑ → AI 账单 ↑ Brian展示的路径是： AI 使用量 ↑ 但通过路由、缓存、上下文治理、低价模型 → 有效 token 成本 ↓ → 总账单可以下降或保持稳定 这对 ROI 的提升来自两边： 1）成本端下降，同样的任务，可能从最贵 frontier model 切到便宜 open-weight model；重复上下文走缓存；低价值输出减少；无效长上下文减少。 2）收益端上升，不靠 cap 限制员工使用，减少“我怕超预算所以不用 AI”的心理阻力。AI 使用频率提高，实际生产力收益更容易释放。 但是 ROI 不会自动提高。低价 token 也可能造成新的浪费，尤其是 agentic coding、long-context research、多 agent 工作流，token 消耗可以非常快。Reuters 提到，虽然 token 价格在下降，但因为企业转向 usage-based pricing、任务步骤变多、输入更长，完成一个任务的成本反而可能上升，导致账单更不可预测。 所以企业要看的不是“token 越便宜越好”，而是三个指标：1）成功完成任务、2)节省工时、3）产出成果。 比如软件工程场景可以看： 如果一个团队花了 10 万美元 token，但多交付了 200 万美元价值的软件产出，这就是好 ROI。 反过来，花 1 万美元 token 但只是生成大量低质量代码、增加 review burden，那就是差 ROI。 5、对模型公司意味着什么？ Brian这条推文对 AI 模型公司的含义偏“中长期压力”。 对闭源 frontier labs 来说，风险是：企业不再把“最强模型”当默认，而是把它当高端工具。大量 routine workload 被路由到 cheaper open-weight / open-source / self-host 模型后，token volume 可能还在增长，但最贵 API 的 share 会下降。模型层如果无法证明显著更高的 task success rate，就会被 router 当作“过度配置”。 对开源模型和推理基础设施公司来说，这是利好。https://t.co/JbNeygCpT9、Moonshot、DeepSeek、Mistral、Llama 生态、推理云、模型路由器、LLM gateway、observability、eval 平台都会受益。因为企业真正要买的不只是模型，而是“用最便宜的足够好模型完成任务”的系统能力。 对云厂商来说也可能是利好。即便 API token 单价下降，企业 token 用量可能大幅上升，推理算力、GPU/ASIC、缓存、向量数据库、日志、监控、私有部署需求都会增加。这 有点像云计算早期：单位计算价格下降，但总计算量爆炸。 6、会不会带动一波token未来会有价格战？ 个人角度会有价格战，但不是所有 token 打价格战，而是“分层价格战”。 最容易打价格战的是三类 token： 1）通用推理/执行类 token。 例如代码补全、简单脚本、摘要、分类、信息抽取、格式转换、普通客服问答。这些任务对“最强模型”的依赖低，只要小模型或 open-weight 模型达到足够质量，价格会快速下压。 2）cached input token。 各家已经在把 cached input 做成低价入口。GLM-5.2 cached input 是 0.26 美元/1M，Kimi K2.7 Code cache hit input 是 0.19 美元/1M，OpenAI chat-latest cached input 是 0.50 美元/1M。 缓存越普及，企业越会把可重复上下文工程化，供应商也会被迫继续压低缓存价格。 3）中端模型 token。 Reuters 报道称，企业正在拥抱便宜模型和 routing 工具，把复杂任务留给 premium models；OpenRouter 上 open-source token 占比从 1 月的 34% 上升到 6 月的 65%，这说明流量正在向低价模型迁移。 但 frontier token 不一定马上进入惨烈价格战。最强模型仍然有几个护城河： 复杂推理、系统设计、hard coding、科研、金融分析、法律/医疗等高风险任务仍愿意付 premium。 输出 token 尤其是 reasoning-heavy output 的真实算力成本更高。 企业还会为安全、审计、数据隔离、赔偿条款、SLA、延迟、上下文长度付费。 OpenAI、Anthropic、Google 等可以通过企业合约、订阅包、batch discount、reserved capacity、agent platform 来维持综合 ARPU，而不只是降 list price。 所以更可能出现的是： 低端/中端 token：明显降价，趋向算力成本 + 薄利润 ；cached token：继续大幅便宜化 ； frontier reasoning token：维持溢价，但会被迫推出更便宜的次旗舰/mini/fast 版本 ； 企业合约：公开价格之外出现大量私下折扣。 个人看法，Brian这条推文不是简单说“Coinbase 找到了便宜模型”，而是在宣告企业 AI 的下一阶段： 从：买最强模型 + 鼓励大家多用 到：多模型架构 + 自动路由 + 缓存 + 成本可视化 + ROI 约束 它会加速企业采用 AI，因为它证明 AI 使用增长和成本控制并不矛盾。它会改变 token 经济性，因为企业会从 $ / 1M tokens 转向 $ / successful task。它也大概率会触发 token 价格战，但主要发生在中低端、可缓存、可路由、可替代的 inference token 上； frontier reasoning token 仍会保留溢价，只是默认使用份额会被压缩。 未来不是不用贵模型，而是不再默认用贵模型。模型层会被路由器商品化，真正的企业壁垒会转向数据、流程、eval、缓存、治理和 AI 平台工程。 此内容由@BITstocks_CN赞助，买美股上BIT—16000+ 只美股与 ETF，真实持仓，享股息分红。

黄仁勋：算力根本没有泡沫，六年前的 GPU 甚至还在涨价 “Anthropic 和 OpenAI 赚翻了。如果能给他们 2 倍的算力，他们的收入就能直接翻 4 倍！” OpenAI 最新一代震撼市场的模型，正是基于英伟达最新的 Blackwell 架构进行训练的，双方的绑定比以往任何时候都深。

最近把最高配的Claude max 20x fable5用量用满了 只能说fable5感觉比opus 4.8强,但有限 https://t.co/u0vpR2P3d9

这个开源项目的作者真是个天才， Claude Code 居然能直接看完整的视频了， 什么 YouTube、Zoom 会议、Loom 录像，你直接甩个链接过去，它自己就在后台慢慢看，你该写代码写代码，完全不耽误事。 真的牛逼，要知道以前那些号称能看视频的 AI 工具，就随机抽个上百帧，说白了基本就是盲读字幕，画面里的演示、图表根本抓不到，跟半瞎差不多。 这次这个实现思路真的很聪明，它用 FFmpeg 做场景检测，只有屏幕内容真的发生变化了，它才截一帧下来，不做无用功，准度也上去了。 字幕这块也很会省事儿，YouTube 的直接拿官方免费字幕，Zoom 和 Loom 的就用 Whisper 转，不同平台不同路子，不浪费资源。 最贴心的是看完之后它还会问你，要不要把这次的分析内容存到你的知识库里面，等于看完直接沉淀，下次问相关问题直接就能调用。 我已经打算把这周所有的咨询通话录音都喂进去了，想想以后会议还没开完，所有行动项都整理好躺我第二大脑里，想想都觉得离谱。 具体长视频的准度怎么样我还没实测，等我跑几个再跟你们说。

Fable5的智力确实超群，半小时的对话我感觉至少给我创造了六位数的价值。。。 之前让它帮我优化Codex的记忆系统，就能看出这家伙在规划和思考深度上非同一般。所以我尝试把我的所有最近的思考规划、过往成绩和价值判断丢给了它，得到了几条宝贵的经验，分享给大家： 1.我之前一直说的「以成长为主线」是有问题的。这是个模糊的概念，成长可以是所有事情的挡箭牌。必须要树立客观目标：《我今年是否通过xx达成了年入xx的目标》 2.投资不应该花太多时间学习，一年研究时间上限是10h。花小钱买一次市场教训，作为情绪投资成本，主力还是放在内容和产品上面。 3.坚持看YouTube关于大模型和AI的播客，三合一学习：英语输入、AI认知、选题素材。 4.法律科技律所实习，不是单纯实习，而是锻炼产品能力、洞察B端需求。 ...... 我的很多错误观点都被Fable5否认了，原本可能要多花费几十上百个小时，现在我能少走很多弯路，感谢Fable5！当然，也很期待GPT5.6，我到时候会再找它聊一次。

谷歌这公司现在绝对有问题。“谷歌翻译”的chrome版，几百年了都没优化过，到现在也完全没有AI翻译；而Gemini，上次升级之后我完全不用了——升级之后太降智了。。。谷歌这公司现在绝对有“大企业病”，产品做得太差了。😡

因为 Claude 被封号（=。=），最近开始重新使用 Cursor。意外发现 Cursor 现在变得非常好用，大概是我上次使用已经太久了。我订阅了 Ultra Plan，使用 Fable 5 1M High，不到一天就用掉了一半 API 额度。按照这个速度，Ultra Plan 也就够用 2 天。 于是我学习了一下「3 逗号富哥」 @mitchellh 的用法，Fable 5 负责整体架构、任务拆解、关键决策和 Review，然后让它后台派发 Codex （GPT 5.5 xhigh fast） 去负责具体实现和调试，Codex 使用的是 Pro 订阅，所以不会额外花钱，而且 OpenAI 的给的额度非常充足，所以放心开到最大。 在 Cursor 中，主视图是 Fable 的工作输出，右侧视图是后台 Codex 的工作输出。能同时看到 main agent 和 sub agent 的实时输出，我感觉特别棒，这里我是写了一个 Skill 来实现。它俩之间来回 loop，直到 Fable 满意，完成工作。 使用 Fable + GPT 5.5 的组合，可以大幅降低 Cursor 中的开销，不过消耗还是很快。我很好奇使用 Cursor 的朋友们，你们都是使用 On-Demand Usage 吗？不然感觉 Ultra Plan 完全不够用。 另外，我想问一下，之前收到 Cursor $10K credits 的朋友们，你们都是怎么收到 credits 的？现在还有吗？

coinbase正在使用中国大模型，微软也在评价deepseek。 meta卖算力，一开始被kol说成是波峰算力，后来扎克伯格自己澄清，是ai agent进展不符合预期。又有kol说是meta不行，不代表其他模型不行。这些kol可能没想明白，meta的投入是1400亿刀，它不行对整个ai行业来说意味着什么。 黑石集团撤销最大的算力中心建设。 英伟达最新技术滑铁卢。 美光的业绩增长，纯属靠涨价，而不是增量。 openrouter上anthropic 数据调用增长趋缓。token均价大幅度回调。 而这一切的消息都被多头们无视。 人性就是如此，永远听不进去逆耳的忠言。永远认为自己牛逼。

Claude Code 团队的 Thariq 称：他用了 Fable 5之后，自己的工作方式发生了什么根本转变： 以前是"检查 Claude 有没有把活干对"（doing the work right），现在变成"检查 Claude 有没有在做对的事"（doing the right work） ——从盯执行细节，变成定方向。 他给的三条具体做法： 1. 把 Claude 当成一起想问题的伙伴，而不是等想清楚了才让它干活。 他常常自己都不确定要什么，就早早拉 Claude 进来——比如先写个小需求说明，让 Claude 反过来"采访"他、逼他想清楚；或者给个想法让它出几个方向、用 HTML 做原型给他挑。关键动作是给背景而不只是给限制：与其说"别过度设计"，不如说"这功能是个实验、可能一个月后就删，所以别搭扔起来心疼的东西"。 2. 给目标 + 给验证方法。 点了两个新功能：/goal（让 Claude 一直干到完成为止）和 workflows（让 Claude 验证自己的成果、出报告说明实现了什么、有没有偏差）。 3. 更大胆一点。 Fable 强到逼他跳出框框，他顺带抖了个包袱：这条视频本身就是他用 Fable 剪的。 "如果有什么你以为大模型做不到，不妨给它个机会"。

今年的网络热梗，有版权归属了。这几天，我的刀盾、咕咕嘎嘎、草地牛等关键词，最新显示已被字节跳动旗下公司，登记为美术著作权。 或为 Seedance IP 授权使用等模式做准备。 https://t.co/KZaw6nBMZm

可以关注一下这个 https://t.co/hJzRt0btRB Claude Design System Prompt 有人逆向工程了 Claude Design 的设计系统提示词，提供了一套完整的设计哲学。 里面有主 prompt，居然有 20 个章节... 还有 14 个 skills。 还提供了针对 Codex 的版本，当然我估计这套玩意儿肯定是在 Claude 效果最佳的，肯定做了针对性优化。 大家感兴趣的可以在别的模型上试试看效果怎么样。

送人送到西，兄弟们，GitHub 上的量化交易项目已经卷到这个地步了，有很多拿来就用的好策略可以练手（合集送上）。 华尔街团队年薪百万干的事,这些开源项目免费给你,还带教程。 Qlib(微软官方) AI 量化投资平台,从挖因子、训模型到回测全链路,39k 星 https://t.co/aO1QOZmydd TradingAgents AI 多 Agent 量化交易框架,模拟一整个交易公司：基本面分析师+情绪分析师+技术分析师+交易员各司其职。https://t.co/f5SYFXKnaS OpenBB 开源版彭博终端,机构级投研数据全免费,分析师、量化、AI Agent 都能用,近 70k 星 https://t.co/DyZnNvrgVT FinGPT 开源金融大模型,情绪分析比 GPT-4 微调还准,一张 3090 就能跑 https://t.co/W7tpTLfqmp FinRL 用强化学习自动炒股的开山框架,NeurIPS 论文出身,训练 5 种 AI 交易员互相打擂台 https://t.co/S2GJAuK8Yd Qbot AI 自动量化机器人,从取数据到实盘全流程本地部署,16.7k 星 https://t.co/Kxdg022rb7 vnpy 国内量化老炮都在用的框架,股票期货加密货币全支持,从回测到实盘一条龙 https://t.co/8Vw2Q5WQUo vectorbt 回测速度怪物,几秒钟测完几千个策略,pandas 用户直接无缝上手 https://t.co/RDgysJCiRk 以前这些能力，是对冲基金的护城河。 现在,一句指令让AI干活的事。

现代科学和 AI 的人才分布，就像一个玻尔兹曼分布。绝大多数人都堆在能量最低、阻抗最小、反馈最快的应用层，比如做应用开发、跑跑现成模型、发点论文，而能走到系统最底层、去死磕数学和物理本源的人，处于能量极高、极其陡峭的长尾尖端。 极其变态的跨学科高阻抗，在初级阶段就会像一台巨大的离心机，把 99% 习惯了低阻抗、快餐式学习的人直接甩出去。 很多人连第一本纯英文的原本都没啃完，就被卡死在复杂的数学物理推导里，退回去做简单的应用，让Claude Code做任务了。 但是，这也符合现代高校的科研考核。毕竟它是一台冷酷的 KPI 机器。一个博士生如果想按时毕业、拿到教职，他必须高频地产出论文。因为他极度需要钱。 但是，有些人是不需要钱和名声的。他只是纯粹的好奇，怀揣绝对的自由与探索欲。 他同时拥有对底层的野心、极强的跨学科跨语言建构力，以及不需要向短期功利妥协的终极特权，他最喜欢的方向，一定不是任何现成的、被定义好的、别人在里面抢位置的二级学科。 如果一定有一个圣杯需要他，我想是复杂系统涌现与计算理论。那才是下一个三十年关于脑机与强智能的物理本质。

Claude Science的开源平替来了：openscience，给个目标就自己读文献→写代码→跑实验→出报告，整个科研循环在一个浏览器工作台里连着跑完。 跟 Claude Science 的区别是"不受制于模型"——任意模型provider 的 key均可、不用注册、BYOK 永久免费。其拥有250+ skill、约 30 个科学数据库当工具，分 biology/physics/ml 角色 agent。 它是个正经的面向科学家的科研方向开源research harness，不是套壳： 1、分角色 agent：默认 research，另有 biology / physics / ml 专家，外加 critique 和文献综述子 agent，还有一个只读的 plan 模式先给你看计划再动手。 2、30个科学数据库当工具直接查：UniProt、PDB、Ensembl、ChEMBL、PubChem、arXiv、OpenAlex、Semantic Scholar，加起来约 30 个。 3、250+科研skill：从训练（DeepSpeed、PEFT、TRL）、评测、数据集，到化学信息学、LaTeX 出图、云算力（Modal、Tinker）。 4、浏览器就是工作台：文件树、编辑器、终端、会话历史，分子/结构/基因组/图表内联渲染；再往外接 LSP、MCP、插件、TypeScript SDK。 安全方面稍微提醒下：它没有沙箱sandbox——使用的时候只是让你"知道权限系统在干嘛"，没有做隔离，要隔离需要自己套容器或 VM。 使用运行也很简单：npx synsci 一步起，或 npm install -g @synsci/openscience 后敲 openscience，浏览器就开了。设个 ANTHROPIC_API_KEY / OPENAI_API_KEY 任意一个就能跑，不注册也能先用免费 demo 模型试。唯一要记的坑：没沙箱，认真跑就丢进容器里。 开源社区的规律——闭源厂商定义一个科研/浏览器/CAD 的垂直 agent 形态，开源社区几天内就补一个模型无关的同构版本。下一个被"平替"的会是哪个 Claude 垂直产品，这事儿基本可以蹲了。 #OpenScience #AIforScience #开源 #模型无关 #科研AI #claudescience

🦊 分享开源项目 open-connector 如果你在开发agent产品，这个项目你值得了解 1、open-connector 是什么？ open-connector 是 composio 的开源替代方案，专注解决 agent 的「应用鉴权 + 工具调用」。当年 mcp 火起来时我分享过 composio，你只要把 agent 接到 composio 的 mcp server，再去后台绑定 Google、GitHub、Twitter 等账号，agent 就能通过 mcp 直接操作这些账号。 我最近在开发面向 OPC 的 agent 产品 Echo，原本也打算用这套思路来实现，因为 composio 体验不错，且有免费额度，但现在我换了方案。 2、connector 有什么用？ 你可能会觉得：不用 connector，agent 也能连 GitHub、Google、Twitter 啊。没错！但当你要跑很多个 agent、频繁切换任务，再加上一堆应用都要鉴权时，你很快就会被「没完没了的账号配置和授权流程」拖垮。 connector 做的就是那层关键的抽象：一次鉴权，多处复用。 open-connector 已覆盖 840+ providers、8,300+ 预置 actions，支持本地运行，也支持部署到 Cloudflare 兼容的基础设施。这两种方式我都实测过，跑起来没什么问题。如果是自己用的话，我更推荐直接上 Cloudflare 部署简单，没啥成本。 3、怎么利用这个项目呢？ 我前面重点分享过几次 craft agent 开源项目，表面看2者不相关，但如果把这两个开源项目拼起来，效果很哇塞。 我已经把 open-connector 集成进我的新产品 Echo。Echo 是基于 Craft agent 二次开发的桌面端 agent，目标是做个用起来趁手的 OPC 工具。 集成之后有什么变化？如视频所示，我可以直接： - 查询热门 GitHub 仓库 - 查询 HackerNews 热帖 - 查询推特账号信息 - 搜索知乎上感兴趣的问答和帖子 - 操作 Cloudflare 账号下的资源 这些能力统一依赖一个 Open Connector MCP Server 就够了，不用再安装一堆 skills，也不用把身份鉴权配置折腾到崩溃。而且，稳定啊！如果你用过其他agent集成各种不同应用，运行不稳定的情况让人抓狂。 4、那搞这个有啥用呢？ 这种能力很多产品早就做过类似实现，比如 codex 的 plugins、workbuddy 的连接器。你可能会说：人家都做得不错了，你还折腾什么？ 关键在于：它们是面向大众的桌面端 agent，必须做“通用”，很难为某一类人、某一套工作流深度定制。而我做的是面向 OPC 的 agent 工具。你不可能指望通用产品为了你的每个应用、每条链路都专门适配。 我二次开发的 Echo 目前先服务我自己，所以可以做到“想连什么就连什么、想怎么用就怎么用”：今天要接 Google Search Console 拉搜索数据，马上接；明天要接 Plausible Analytics 看流量，照样接；以后开发模板做完新功能，它还能把 changelog 自动整理好，同步发到飞书和 Discord 社群。 再往前一步，配合自动化任务，它每天替我巡检感兴趣的社媒平台，抓取和产品相关的帖子；再结合我的产品信息，生成高质量的文章或评论，把推广运营从“手工搬砖”变成“流水线”。这不就是各种自动化运营工具了吗？ 所以，这个项目的价值不在于“又一个连接器”，而在于它能成为你打造专属 agent 工具链的核心组件，在 agent 生态里也会占据很关键的位置。以上是我的思考，感兴趣的话，建议亲自上手体验下这些开源项目。

📸用 GPT-Image2 实现写真自由：POV古风敬酒互动，微醺对视！ 古风夜游 + 第一视角 + 微醺情绪✨ 1、临水酒肆敬酒 2、花船夜色倒酒 3、灯影长街敬酒 4、雨夜长街倒酒 酒盏举到镜头前，人物微醺地看着你，刚好撞进一场微醺的对视。 提示词在评论区👇 https://t.co/ycOJPZNObW

不需要实名，也不用上传护照或视频认证，保号只需要几块钱！！！ 最适合TG注册、Codex验证码的海外电话卡教程来了！！！！ 最近很多人在使用 Codex、Telegram、WhatsApp 等海外服务时，都会卡在手机号验证这一步。 那怎么低成本获得一张海外Esim呢？？？？ 00:00 - 00:40 引出问题：使用 Codex 等 AI 服务时，很多人卡在手机号验证。国内手机号不好用，接码平台也不稳定，所以需要一个正规海外手机号。 00:40 - 01:46 介绍为什么选择 giffgaff。它是英国正规运营商，号码真实，可以接短信，不需要实名，也不用上传护照或视频认证。保号成本也很低，每半年主动使用一次即可。 01:46 - 02:55 解释使用方式。实体 SIM 卡现在价格上涨，性价比不高；eSIM 更便宜方便。但很多手机不支持 eSIM，所以视频推荐把 eSIM 写入支持 eUICC 的小白卡。 02:55 - 04:04 准备工具：安卓手机、小白卡、EasyEUICC 检测工具、单标 Visa 或万事达信用卡，最好再准备一台电脑用来显示二维码。全程国内网络即可操作。 04:04 - 04:28 用 EasyEUICC 检测手机和小白卡是否兼容。插入小白卡后，如果软件能识别，就说明可以继续操作。 04:28 - 05:09 安装可申请 eSIM 的 giffgaff App 版本，注册账号。注册时填写邮箱、验证码和密码，密码需要至少 12 位，并包含大小写、数字或特殊字符。 05:09 - 06:10 购买 eSIM。不要选择包月套餐，选择 “I don’t want a plan”，也就是按量计费。最低充值 10 英镑，用银行卡付款。 06:10 - 06:43 付款成功后，系统生成 eSIM 识别码。把识别码复制出来，在二维码生成网页中加上 “LPA:” 前缀，生成二维码。 06:43 - 07:17 回到 EasyEUICC，扫描二维码，把 eSIM 写入小白卡。写入成功后手动启用，手机出现信号，并收到欢迎短信。 07:17 - 07:46 测试收短信，并用这个英国手机号完成 Codex 手机号验证。国家选择英国，填写号码后即可收到验证码。 07:46 - 09:46 讲保号规则。giffgaff 要求每 6 个月主动使用一次号码，收短信不算。最划算的方法是发短信保号，不建议打电话、接电话或跑流量。 09:46 - 10:34 说明软件是否可以删除。giffgaff 修改版 App 建议删除，后续查余额或充值可以用官网或官方 App；EasyEUICC 如果以后不管理多个号码，也可以删除。 10:34 - 结尾 总结：通过这个方法，可以用低成本获得一个真实合法的海外手机号，用来解决 Codex、Telegram、WhatsApp 等海外服务的验证码问题。

一位 Anthropic 工程师提到： 「别再只想着如何给 Claude 写提示了，你应该搭建的是一个能自己写提示、自己优化的系统。」 她在 45 分钟内现场搭建了一个可以持续自我改进的智能体。 大多数人现在还在完全手工做这些事。 建议先看完整场演示，再把下面这份指南收好备用。 https://t.co/rCDVqYyeu0

网友已经开发了OpenAI账号申诉文案生成器，祝你申诉成功，早日恢复ChatGPT的访问权限🤣 https://t.co/tISz2JEmTf