0xRunstar

Long Bitcoin, Short the world, All in web3. 我姓李，却扯不出你想要的火

[AI Will @FinanceYF5]

著名的《斯坦福AI小镇》正式开源！

这是 2023 年最鼓舞人心的人工智能代理实验之一。

25 个人工智能代理居住在数字西部世界中，却没有意识到自己生活在模拟中。他们去工作、闲聊、组织社交活动、结交新朋友，甚至坠入爱河。每个人都有独特的个性和背景故事。

GitHub： https://t.co/tkdbiLOdll

[TechFlow 深潮｜APP 已上线 @TechFlowPost]

BitMEX 联合创始人 @CryptoHayes 的传奇生涯。

如今的海耶斯钱也赚够了，年少的轻狂也狂够了，法庭也上过，局子也蹲过。

他已经脱离美国苦海，深耕亚洲，找个自在的地方写写小作文，留下了故事与传奇。

https://t.co/wttnCyQKtC

[Cos(余弦)😶‍🌫️ @evilcos]

太惨了，智能合约语言层的 bug 导致一些知名项目的重入锁防御失效，黑白帽黑客们及 MEV Bots 疯狂了，各种重入操纵及抢跑拿走资金。最怕的就是这种基础层漏洞，所幸这次不是 Solidity，而是不那么流行的 Vyper 出问题。

[𝗰𝘆𝗰𝗹𝗼𝗽 @nobrainflip]

Several wallets made $250,000 on $ARKM Airdrop, simply by registering many accounts! 🤯

Regret missing this opportunity? There's no need.

I tracked these genius wallets & I'll show u airdrops they're hunting now!

🧵👇

[mc'Evoy @0xEvoy]

Crypto has changed my life within 2 years.

Being a mid-curve guy, somehow I managed to go full-time in crypto & afford a comfortable life that includes traveling & basic needs.

There is no secret, just a bunch of rules & tips: 🧵👇

[1/14]

[hoeem @hooeem]

This last week I have found a tonne of alpha.

Here’s a glimpse:

- Arbitrage opportunities

- Airdrops from tokenless protocols

- Crypto security

- Venture capitalist investments

- On-chain options

- Utilising AI for research

Takeaway: Learn now, get rewarded later 🧵👇

[Deebs DeFi 🛰 @Deebs_DeFi]

AI is a CHEAT Code for learning Dune.

A guide on how you can leverage it 🧵👇

1/8

[BayAI Circle-e/acc @bayaicircle]

AI Agents即将大爆发，OpenAI下一步

本文编译自 Lilian Weng 的个人博客，Lilian 现在是 OpenAI 的 Head of Safety Systems，之前还领导过 OpenAI 的 Applied AI 团队。

AI Agent 被认为是 OpenAI 发力的下一个方向。

OpenAI 的联合创始人 Andrej Karpathy 在近期的一次公开活动上提到“相比模型训练方法，OpenAI 内部目前更关注 Agent 领域的变化，每当有新的 AI Agents 论文出来的时候，内部都会很兴奋并且认真地讨论”，而在更早之前，Andrej  还评价 AutoGPT 是 Prompt Engineering 下一阶段的探索方向。

Lilian Weng 的这篇 Blog 可以说是目前 AI Agent 领域优质论文的系统综述，她将 Agents 定义为 LLM、记忆（Memory）、任务规划（Planning Skills）以及工具使用（Tool Use） 的集合，其中 LLM 是核心大脑，Memory、Planning Skills 以及 Tool Use 等则是 Agents 系统实现的三个关键组件，在文章中，她还对每个模块下实现路径进行了细致的梳理和说明。到今天，构建 AI Agent 的工具箱已经相对完善，但仍需要面对一些限制，例如上下文长度、长期规划和任务分解，以及 LLM 能力的稳定性等。

从今年 3 月 AutoGPT 推出后，Generative Agent、GPT-Engineer、BabyAGI 项目的爆发将 LLM 地叙事代入了新的阶段，从“超级大脑”到真正有可能成为Lillian 在自己的 Twitter 中也认为“This is probably just a new era”。

Agent System 是什么

在以 LLM 为驱动的 AI Agents 系统中，LLM 是代理系统的“大脑”，并需要其他几个关键组件的辅助：

1. 规划（Planning）• 子目标和分解：AI Agents 能够将大型任务分解为较小的、可管理的子目标，以便高效的处理复杂任务；• 反思和细化：Agents 可以对过去的行为进行自我批评和反省，从错误中吸取经验教训，并为接下来的行动进行分析、总结和提炼，这种反思和细化可以帮助 Agents 提高自身的智能和适应性，从而提高最终结果的质量。

2. 记忆 （Memory）• 短期记忆：所有上下文学习都是依赖模型的短期记忆能力进行的；• 长期记忆：这种设计使得 AI Agents 能够长期保存和调用无限信息的能力，一般通过外部载体存储和快速检索来实现。

3. 工具使用（Tool use）• AI Agents 可以学习如何调用外部 API，以获取模型权重中缺少的额外信息，这些信息通常在预训练后很难更改，包括当前信息、代码执行能力、对专有信息源的访问等。

[宝玉 @dotey]

是时候公布这道题的答案了。正好分享一下我最近学习Prompt的一点心得：给GPTs时间思考。

这是OpenAI官方公布《GPT最佳实践》的一个章节“Give GPTs time to "think"”：https://t.co/vXp2cTMMFU 。道理很简单，就是CoT（Chain of Though）那一套，不直接给答案，而是“思考”中间过程。

但是实践中，我就发现哪怕Prompt里面哪怕我给出了详细的Steps，但是给出最终结果的时候仍然效果不是太理想。后来学习Isa和吴恩达的课程《使用ChatGPT API构建系统》的“输入处理： 思考链推理”这一课时 https://t.co/XkDWBDwGqF ，看到Isa给出的示例里面，实际上将每一步的结果都让GPT输出了，于是我对比了不输出每一步结果和输出每一步结果，效果明显不一样，具体可以参考我这条推文：https://t.co/BdrjTsLD4C

这说明，要想让GPT有时间思考，得加钱！也就是消耗更多Tokens，借助输出每一步的中间结果，让GPT慢下来，并且可以将每一步的输出作为下一步的输入。

但这样输出的很多结果是没有用的，所以我们可以要求GPT输出特定的格式，这样我们可以对输出的内容进行解析，从而去掉不需要的中间结果。就像Isa的课上，就用的四个#来分隔每一步结果以及最终结果。

在OpenAI的《GPT最佳实践》中也给出了建议：“使用内部独白或一连串的查询来隐藏模型的推理过程” https://t.co/f431I7cRto

现在让我们回到原始的问题：

> 假设我现在有两个字符串数组，一个英文的数组一个是翻译后的中文数组，但是英文数组长度是11个，中文数组只有6个（翻译时合并了），现在问题是，怎么样让LLM帮助纠正这种错误，基于英文数组内容的顺序和长度把中文数组也重新拆分组合变成11个？

这个问题来源于我用GPT翻译字幕时，通常传入的是10条，但是有时候返回的结果会少于10条，举例来说：
["JOHN EWALD: Hello, and welcome to Introduction", "to Large Language Models."] 会自作主张在翻译后合并成一条：["约翰·尤瓦尔德：你好，欢迎来到大型语言模型介绍。"]，而我希望重新拆分成 ["约翰·尤瓦尔德：你好，欢迎来到", "大型语言模型介绍。"]

这个问题肯定也要借助CoT拆分成几个步骤，包含两个重要的子任务：

第一步：在中文数组里根据中文字符串去找对应的英文字符串数组。
因为中文翻译时合并了，找出原始字符串数组很重要，这一步GPT3.5能做的大差不差，但经常连数组都统计不对。

比如中文字符串是："约翰·尤瓦尔德：你好，欢迎来到大型语言模型介绍。"，现在要找到对应的英文字符串数组：["JOHN EWALD: Hello, and welcome to Introduction", "to Large Language Models."]，并且计算出是2条。

第二步：根据第一步得到的结果去按照英文字符串长度拆分每一条中文字符串。
比如上面的结果，"约翰·尤瓦尔德：你好，欢迎来到大型语言模型介绍。"，就应该被拆分为：["约翰·尤瓦尔德：你好，欢迎来到", "大型语言模型介绍。"]

这一步对GPT-4来说没问题，但GPT-3.5几乎做不到😄

基本上两步就足够了。顺便说一下，因为这个任务都是纯自然语言处理无法借助外部任务，所以用不上最新的Call Function接口，距离来说第一步拿到了中文字符串的原始数组，像3.5无法正确技术，可以传入一个函数来计数。

接下来的问题是：因为包含了很多中间步骤，并非直接输出一个重新整理好的数组，如何解析输出的结果？

这里有很多种做法，我是直接让GPT输出JSON格式，对于GPT-4来说，JSON输出是很基本的能力，几乎没出过错。

但是这个例子有点复杂，所以Prompt写的时候要用Few-Shot给出JSON格式的样例。这样GPT就可以按照指定的JSON格式输出结果，最后我们用程序解析这个JSON结果就可以拿到最终拆分的结果。

我们把上面的一起合并成以下Prompt（注意System Message和User Message的区分）：

------------
{{#system~}}
You are a helpful assistant, I have two arrays of strings: one in Source and one in Translated.

The Translated array is a translation of the Source array, but the number of strings in each array is not the same. I need to correct this so that each string in the Source array corresponds to a string in the Translated array.

Follow these steps:

Step 1: Iterate over each string in the Translated translation array. For each Translated string, find all corresponding subset strings in the Source array. Count how many Source strings correspond to each Translated string.

Step 2: Split each Translated string according to the number of corresponding English strings. Do not add or duplicate new content.

Only response a JSON array with the following format:
[
{
"translated": "Translated item 1",
"sources": ["Source Item1", "Source Item2"],
"count": 2,
"fragments": ["Translated fragment 1", "Translated fragment 2"]
}
]
{{~/system}}

{{#user~}}
Source array:
[
"JOHN EWALD: Hello, and welcome to Introduction",
"to Large Language Models.",
"My name is John Ewald, and I'm a training developer here",
"at Google Cloud.",
"In this course, you learn to define large language",
"models, or LLMs, describe LLM use cases,",
"explain prompt tuning, and describe Google's Gen AI",
"development tools.",
"Large language models, or LLMs, are a subset of deep learning.",
"To find out more about deep learning,",
"see our Introduction to Generative AI course video."
]

Translated array:
[
"约翰·尤瓦尔德：你好，欢迎来到大型语言模型介绍。",
"我叫约翰·尤瓦尔德，在谷歌云这里是一名培训开发者。",
"在这门课程中，您将学习定义大型语言模型（LLM），描述LLM的用例，",
"解释提示调优，以及描述谷歌的Gen AI开发工具。",
"大型语言模型（LLM）是深度学习的一个子集。",
"要了解更多关于深度学习的信息，请观看我们的生成性AI课程视频。"
]

Here is the JSON string:
{{~/user}}

------------

以下是我调用GPT-4得到的最终结果：

------------
{{#assistant~}}
[
{
"translated": "约翰·尤瓦尔德：你好，欢迎来到大型语言模型介绍。",
"sources": ["JOHN EWALD: Hello, and welcome to Introduction", "to Large Language Models."],
"count": 2,
"fragments": ["约翰·尤瓦尔德：你好，欢迎来到", "大型语言模型介绍。"]
},
{
"translated": "我叫约翰·尤瓦尔德，在谷歌云这里是一名培训开发者。",
"sources": ["My name is John Ewald, and I'm a training developer here", "at Google Cloud."],
"count": 2,
"fragments": ["我叫约翰·尤瓦尔德，在谷歌云这里是一名", "培训开发者。"]
},
{
"translated": "在这门课程中，您将学习定义大型语言模型（LLM），描述LLM的用例，",
"sources": ["In this course, you learn to define large language", "models, or LLMs, describe LLM use cases,"],
"count": 2,
"fragments": ["在这门课程中，您将学习定义大型语言模型（LLM），", "描述LLM的用例，"]
},
{
"translated": "解释提示调优，以及描述谷歌的Gen AI开发工具。",
"sources": ["explain prompt tuning, and describe Google's Gen AI", "development tools."],
"count": 2,
"fragments": ["解释提示调优，以及描述谷歌的", "Gen AI开发工具。"]
},
{
"translated": "大型语言模型（LLM）是深度学习的一个子集。",
"sources": ["Large language models, or LLMs, are a subset of deep learning."],
"count": 1,
"fragments": ["大型语言模型（LLM）是深度学习的一个子集。"]
},
{
"translated": "要了解更多关于深度学习的信息，请观看我们的生成性AI课程视频。",
"sources": ["To find out more about deep learning,", "see our Introduction to Generative AI course video."],
"count": 2,
"fragments": ["要了解更多关于深度学习的信息，", "请观看我们的生成性AI课程视频。"]
}
]
{{~/assistant}}
------------

完整的运行结果参考配图。

特别感谢大家的参与，特别是：@scruelt 、@PhiliMao 、 @jiangyan 、 @AstrNexus 几位同学都贡献了精彩的答案。

[Paul Couvert @itsPaulAi]

AI can now create your PowerPoint for you.

Generate the slides, write the text, and structure everything.

Here's how to generate your PowerPoint using AI with a single prompt:

[Dami-Defi @DamiDefi]

There’s a lot of fud around #crypto now and fear in the air.

But what is the smart money buying on this dip?

Let’s explore a few trades made by profitable whales 🧵

[slappjakke @Slappjakke]

Markets are dipping and CT is ded

It's time for me to slowly start accumulating or farm quality projects

I'm looking for high conviction plays with upcoming catalysts where I can park large positions

My top 20 watchlist
🧵👇

[Surf @0xsurferboy]

Sequoia Capital has $85 BILLION in assets.

They have >$15B invested in Crypto across 8 Funds and is by far one of the most prominent VCs.

Here's what @sequoia is looking at in 2023

🧵👇

[孟岩-Mike Meng @myanTokenGeek]

转载我公众号上刚刚发表的文章。

穿越认知峡谷

十年前，2013 年的这个时候，“互联网思维”在国内大火。我没有认真研究过这件事的来龙去脉，不过印象里 2012 年底《罗辑思维》视频栏目的开播，以及差不多同时小米手机的爆发，对“互联网思维”的大流行应该是起了重要的推动作用。虽然在中国老百姓开始上网始于九十年代后期，但是建立起对互联网的普遍的价值信仰，是移动互联网大获成功、“互联网思维”成为显学之后。

“互联网思维”爆火的另外一面是懊恼和沮丧。很多人应该还记得马云著名的“看不见、看不起、看不懂、来不及”的扎心之论。其实互联网的成功是一场事先声张的承诺兑现。早在九十年代末，人们就预言了互联网革命，清晰地描绘了互联网数字经济的蓝图，像范里安这样的经济学家也创建了网络经济学。.COM 泡沫时期，类似互联网搜索、社交、电商、媒体、游戏、流视频等应用场景就都提出来了。方向早都给你点出来了，道理也讲清楚了，橄榄枝递了无数次，只不过需要十几年的时间兑现承诺而已，结果大多数人还是踏了空，可以想象心里得是多苦涩。

我就是一个踏空者。我九十年代末就阅读了不少互联网和数字经济方面的书籍和文章，很早就坚信互联网改变世界，相信数字经济是我这一代人最大的机会，早在 2001 年就进入智能移动设备行业从事 Pocket PC 的开发，因此对移动互联网的技术和趋势也有着得天独厚的学习和实践条件。可以说我的起点是非常高的，但是后来又确确实实的完全错过了互联网和移动互联网，这中间发生了什么呢？

我仔细地反思过这个问题，发现我在对于互联网的认知上，走过了一条“微笑曲线”。具体的说，我还在学校里的时候，因为没有接触实践，头脑里主要还是书本和理论知识。但是事后回头看，这个时期我对于互联网的认知虽然空中楼阁、囫囵吞枣，但是由于直接来自前沿思想者的第一性思考，反而是比较接近本质，有一个较高的起点。倒是随着我对行业的接触越来越深入，实践经验越来越丰富，认知反而发生了偏差和下降，进入了一个长长的峡谷。正是在这个认知峡谷里，我对互联网商业模式发生怀疑，对技术和商业的进展麻木不仁，对朋友们一次又一次伸过来橄榄枝视而不见。等到互联网完全成功，认知重新获得提升，已经来不及了，完全错过互联网的时代红利。

据我观察，“认知微笑曲线”这个现象非常普遍。多数人对于新事物的看法都符合一个三段规律，一开始觉得是这么回事，到了中间觉得不是这么回事，最后回头一看，还是这么回事。刚开始纯理论分析的时候，虽然是空对空，但因为观点和素材直接来自前沿领域的思想者，反而比较接近本质和终局，有一个比较高的认识起点。等到开始接触实践，发现困难重重，产生严重的怀疑，再加上行业低谷期总有所谓专家给你头头是道地论述为什么这个不行、那个也不行，很容易就把你带偏，走向负面。等到最后条件成熟，大功告成，再回头一想，原来一开始就是对的，反而是到中间阶段被浮云遮了望眼。

就拿我对于互联网的认知来说，主要的曲折发生在 .COM 泡沫崩溃以后互联网最艰难的时期。互联网公司光环破灭，股价跌成仙，我们这些曾经热切盼望互联网革命一朝成功的年轻人急需解释，这个时候一些专家和媒体就出场了，把互联网为什么不行解释得得鞭辟入里、头头是道，使我从理论上开始怀疑互联网的前景。

当时对我影响最大的负面观点有三个。

第一是互联网没有健康的商业模式，搞来搞去都不知道怎么挣钱，除了卖广告就是上灰产，望之不似人君。

第二是电商不符合中国国情，中国社会道德水平低下，欺诈横行，无法建立电商所需要的信用体系。

第三是互联网只能做实体经济的补充和工具，谈不上建立新的经济秩序和产业形态。

这三个观点不但理论自洽，言之有物，而且严重地与我当时的经验吻合。比如说，当时 CSDN 做了一个技术图书电商网站，负责人是我的好友，所以我有机会近距离观察了一个电商网站从零开始，筚路蓝缕，慢慢初具模样，然后又因为种种原因逐渐衰落，最终归于尘土的几乎全过程，从而让我看到细节之中真的是隐藏着很多看似无解的问题。举一个例子，当时普遍流行的是现金支付、货到付款，快递员送货之后拿着纸币现金回来交给快递公司，然后快递公司再给电商网站结款。不夸张的说，那时候每周都有快递员收钱以后玩消失、甚至快递公司吞钱吞货以后原地蒸发的事情。怎么解决，我们当时真的看不到。谁能想到，不到十年之后，中国人已经可以通过网上支付，放心地购买食品、药品和金融产品了。

总之，这个“微笑曲线”的峡谷里，使我对互联网的认知出现了严重的偏差，多次拒绝了加入互联网行业的机会。后面发生的事情，大家都知道。我对于互联网的认知也随着互联网的大成、“互联网思维”的兴起，逐渐走到了“微笑曲线”右侧的上升段，但是这个时候我已经完全错过了时机。

回顾这一段经历和思考，我的目的当然不是考古，而是因为我觉得互联网的发展模式，似乎今天又被区块链押上了韵。区块链行业今天也处于艰难之中，公众对区块链的认知也走到了这条微笑曲线的低谷区域。很多人以前刚开始接触和学习区块链的时候，道理想得挺清楚的，不就是通过共享账本消除对账摩擦，通过智能合约自动执法，通过通证经济激励协作行为吗？但是这几波起起落落，再加上专家们的口诛笔伐，现实世界各种艰难险阻，慢慢的大家就迷糊了，觉得不是那么回事了。这就是现在的状态。

我对于区块链的坚持，某种意义上，就是为了弥补错过互联网的遗憾。区块链底层价值逻辑在我看来无比清晰和坚实，并且早就得到实践检验，而阻碍它成功的问题也已经被定位出来，正在一一解决。区块链的成功只是一个时间问题，而它的成功将给全球数字经济带来范式转移。所以我没有理由不坚持这个方向，而且相信不需要太久就能见到曙光，现在需要做的就是坚持，穿越认知微笑曲线的这段峡谷区。

[AI Will @FinanceYF5]

【中美VC对于Generative AI的观点收录】

收录了中国VC（红杉，真格，源码，经纬，蓝驰等）

美国VC（红杉，a16z，Greylock，NFX等）近期对于GAI的相关原创Blog。

以及关于VC投融资的第三方信息。
😃🤖💡🌏💼🚀💰 #AI #VC #投融资
Thread：

Notion link：https://t.co/mtvfee3oUt

[0xRunstar @0xRunstar]

@jordanwangbtc jordan哥好久不见了

[rick awsb ($people, $people) @rickawsb]

gpt4极大提升生产效率，开个chatgpt资源帖，不定期的分享，也欢迎大家将好的资源帖在下面，我都会转发
工具帖，建议收藏 🔖

如何使用gpt4生成youtube视频的知识导图（看youtube视频的确挺费时间的，有个小秘书总结会高效很多）：👇
https://t.co/sg42RtJJ7B

[Surf @0xsurferboy]

In-depth Cryptocurrency Research used to take 10+ hours.

It now takes less than 10 minutes with ChatGPT.

Here’s a step-by-step guide on how you can use ChatGPT to conduct in-depth research:

🧵 👇

[NerdC @cryptonerdcn]

如何免费使用GPT-4？
很多朋友因为各种限制无法开通#ChatGPT Plus，而申请OpenAI的GPT-4 API也要慢慢排队（我的也还没下来）。于是在这里我搜集了5个可以免费使用的方法。
注：哪有什么真正免费，只不过有人在替你付钱。因此下述的方法都有限制，也有些可能会很快失效。新方法随时更新。
#GPT4

[Miles Deutscher @milesdeutscher]

I just interviewed @0xWangarian, co-founder of Tangent Ventures with @mrjasonchoi.

Over an alpha-packed 70 minutes, we discussed:

• The top narratives to look out for
• L2s and ZK
• The best strategy for smaller traders

and more.

Here are the 13 most important takeaways.👇