NeoAI

一个普通人的长期探索记录。
从加密世界，到AI浪潮，再到全球市场。
分享学习笔记、技术观察与投资思考。
非投资建议。

[NeoAI @AiTechfei]

@YuLin807 能不能出个手册，学学如何实践的。

[NeoAI @AiTechfei]

好玩具

[歸藏(guizang.ai) @op7418]

https://t.co/3fOolQRRY7

[NeoAI @AiTechfei]

速度杠杠滴，最终结果怎么样？那 dp 能扛起大旗吗？

[Andy Hu @AndyHu44502446]

下午安装了大家推荐很久的 Pi Agent

搭配 DeepSeek V4 Flash

在终端输出的速度

快得他妈的我都看不见字😂

[NeoAI @AiTechfei]

谢谢，重置已收到🌹

[Tibo @thsottiaux]

Usage limits have been reset for all paid ChatGPT Work and Codex users. Happy Monday you all. Hope it is a fantastic week.

[NeoAI @AiTechfei]

给女儿写学习app最近消耗的token记录。

[NeoAI @AiTechfei]

继续吗

[Tibo @thsottiaux]

@maria_rcks Good morning

[NeoAI @AiTechfei]

可以尝试一下

[爱吃折耳根的Ace @_zheergen]

卧槽！TradingView 选股器的数据被做成 Python 库了——tvscreener，1.2K stars，51K+ PyPI 下载！

不用开浏览器、不用手动翻 TradingView 筛选器。pip install tvscreener，Python 代码直接拉股票、Crypto、外汇、期货、债券数据，13000+ 技术指标字段随便组合，结果返回 Pandas DataFrame，直接塞进你的量化策略。

核心特点如下：

1️⃣ 无需登录 TradingView，就能获取选股数据
2️⃣ 支持大量技术指标和基本面字段
3️⃣ 结果直接返回 Pandas DataFrame，方便后续分析
4️⃣ API 写法比较清晰，支持链式筛选
5️⃣ 覆盖股票、加密、外汇、期货等市场
6️⃣ 还支持 MCP，方便接入 Claude 等 AI 工具

对想用代码批量筛选标的、或者把 TradingView 选股能力接到自己量化流程里的人来说，这个库比较实用。

以前用 TradingView 选股：打开网页 → 点筛选器 → 手动加条件 → 截图 → 手动录入 Excel。

现在 tvscreener 三行代码扫完全市场，数据直接进策略。TradingView 选股器的 Python 接口，终于有人做了。

[NeoAI @AiTechfei]

CLARITY法案（数字资产市场清晰法案）对加密行业未来的核心意义，在于终结多年“以执法代立法”的模糊状态，首次为美国数字资产建立较为完整的联邦监管框架。

它主要会在以下几个层面产生影响：

监管确定性与创新环境**：明确SEC与CFTC的管辖权划分（证券 vs 数字商品），给项目方、交易所、开发者提供可预期的规则。长期来看，这能降低合规风险溢价，让美国公司更愿意在国内长期投入研发和产品建设，而不是被迫出海或采用扭曲结构规避监管。很多分析将其类比为1933年证券法对资本市场的基础性作用。

机构资金与市场扩容**：清晰规则有助于进一步打开机构入场通道，推动更多资产的ETF、代币化产品、托管服务发展。稳定币、合规交易平台、部分L1/DeFi相关资产此前因“是否证券”问题被压制，法案通过后可能释放被压抑的估值和资金流入。

消费者保护与美国竞争力**：将中介机构（交易所、经纪商等）纳入类似传统金融的注册、披露、资产隔离要求，同时保留对DeFi等非托管活动的一定安全港空间。从国家层面看，这也关系到把加密活动留在美国监管视野内，避免创新和流动性大规模流向其他司法管辖区，从而影响美元体系在数字金融中的地位。

当前（2026年8月）法案已走完众议院和参议院委员会阶段，全院投票仍是关键门槛。如果最终成法，影响会在未来1-3年通过规则制定逐步落地，成为行业结构性转折点；如果长期拖延或失败，不确定性将继续存在，部分创新和资本可能加速外流。总体而言，它是决定美国能否在下一代金融基础设施中保持领先地位的关键立法之一。

[NeoAI @AiTechfei]

**LoopX 简明手册：让 AI Agent 稳定跑 200+ 小时的长程控制面**

作者黄瑞腾（@huangruiteng，清华大学 EE 背景，OpenViking 开发者）在 2026 年 8 月开源了 **LoopX**。它不是又一个 Agent 框架，而是一层轻量、本地优先、Provider 中立的**状态内核与控制面**，专门解决长程 AI Agent 的“状态漂移、目标遗忘、交接混乱、无限循环”问题。

简单来说：你的 Codex、Claude Code、Cursor 或其他 Agent 负责“干活”（一次次有界执行），LoopX 负责“记住状态、决定下一步、需要人判断时叫停、跨会话/跨模型/跨机器后还能无缝接上”。真实轨迹已证明 Agent 可连续运行 220+ / 270+ 小时，期间经历执行、等待、人工决策、模型切换后，仍能找回目标、证据和下一步。

### 为什么需要 LoopX？
LLM 上下文有限，单纯靠聊天记忆或定时器无法支撑多天/多周任务。常见痛点包括：
- 目标漂移
- 人工决策点模糊
- 证据过期
- 多 Agent 交接混乱
- 调度器空转浪费额度

LoopX 把这些统一收敛到紧凑的本地状态层（`.loopx/` 目录），把会干活的 Agent 变成**可管理、可复盘、可持续改进的数字员工**。它的核心理念是：**Keep the loop moving. Keep the judgment human.**（让循环继续，把判断留给人类）。

### 核心特性一览
- **Durable Goals**：持久目标与明确范围
- **Concrete Gates**：具体的人机决策门（而非模糊“等待”）
- **Executable Todos**：可认领、有所有权的待办
- **Evidence Logs**：紧凑的证据与验证历史
- **Quota-Aware Scheduling**：额度感知调度，防止空转或超支
- **Verifiable Handoffs**：可验证的交接与恢复
- **Provider-Neutral & Local-First**：兼容 Codex / Claude Code / Cursor / 自定义 runtime，状态全部本地存储，无运行时外部依赖

它像一块**面向 Agent 的可执行看板**：普通看板只展示“谁在做什么”，LoopX 的状态会直接约束并驱动下一次有界 turn。

### 快速安装（macOS / Linux）
要求：Python 3.11+、curl、tar。

一键安装（推荐，无需克隆）：
```bash
curl -fsSL https://t.co/outlaykOMm | bash
export PATH="$HOME/.local/bin:$PATH"
loopx doctor
```

连接你的项目：
```bash
cd /path/to/your-project
loopx connect
loopx status
```

如果还没有状态，可用引导式启动：
```bash
loopx start-goal --guided --project . --goal-text "你的长程目标描述"
```

安装后请把 `.loopx/`、`.codex/goals/`、`.local/` 加入 `.gitignore`。`loopx doctor` 通过即表示一切正常。

### 简单使用手册（核心工作流）
LoopX 的核心 tick 非常精简，任何 Agent 或自定义 runner 都可按此节奏执行：

1. **检查是否可以行动**
`loopx quota should-run`
（根据额度、门控、能力决定是否继续 / 等待 / 安静）

2. **认领任务**
`loopx todo claim`

3. **执行有界工作**（由你的 Agent 完成）

4. **写回更新**
`loopx todo update`

5. **刷新状态 & 记账**
`loopx refresh-state`
`loopx quota spend-slot`

常用日常命令：
- `loopx status`：查看当前目标、门控、下一步 todo
- `loopx diagnose`：详细诊断
- `loopx review-packet`：生成给 owner 的决策摘要
- `loopx history --goal-id <id>`：查看运行历史

**与主流 Agent 的集成（推荐方式）**：
- **Codex App / CLI**：连接后直接用 `$loopx <复杂任务>` 或 `/skills` 选择 loopx
- **Claude Code**：安装适配器后使用 `/loopx <task>` 再接 `/loop`
- **自定义 runner**：直接调用上面的核心 CLI 命令即可

第一次成功跑通后，可用 `loopx first-run-report` 生成反馈链接（可选，不上传任何隐私数据）。

### 适用场景与真实案例
- 多天工程 / 研究 / AutoML 实验
- 自动 PR / Issue 修复循环（已有真实 200+ 小时公开轨迹）
- 周期性监控 / 心跳任务
- 需要人工审批门控的项目（安全、发布、私有数据等）

已验证案例包括 OpenViking 仓库的 PR 修复、AutoML 假设-验证循环、Coredump 自动诊断等。社区在开源后迅速涌现贡献者与生态。

### 资源入口
- GitHub：https://t.co/gyUFlTe8GR
- 官方文档与 Developer Book：https://t.co/rdbt4K3Wzp
- 中文 README 与用户手册也已提供

LoopX 的愿景很清晰：用更少的人类注意力、更短更模糊的输入，换来更稳定、更持续的 Agent 产出，让普通人也能拥有全天候继续工作的“数字员工”。

如果你已经在用 Codex / Claude 做长任务，强烈建议花 5 分钟装上试一下——把状态外置，让循环真正跑得稳。欢迎提 Issue、贡献代码或分享你的长程轨迹！

[Ruiteng Huang @huangruiteng]

开源项目 LoopX：超长程 Agent 自主运行 200+ hours，状态不漂移。

我的技术主张是：LLM 上下文有限，长程 Agent 需要外置状态，通过完备的状态管理、监督和规划，让 Agent 无人干预时跑得稳、持续有产出；有人干预时跑得更好，能吸收反馈继续演进。

两条真实 trajectory 分别跨越 220.7 / 272.9 小时，跨多轮执行、等待、人工决策、writeback 与 resume 后，整个 loop 仍能找回目标、证据和下一步。

目前 LoopX 已有 3 个 showcase：auto PR issue fix、AutoML experiment 和 auto coredump fix。

以 OpenViking 开源仓库的 PR issue fix 为例，Agent 不只是循环写代码。它需要持续理解 issue 的不同状态，判断何时开发、何时等待、何时请求 review，处理 CI、冲突和上游变化，并连续交付多个 PR。

这对应 LoopX 的 domain state 管理：领域系统决定真实状态，LoopX 负责把状态投影成下一步可执行的工作。

与此同时，Agent 还可以在干活过程中实现能力自进化。当它发现现有系统缺少某项能力时，可以提出 feature、完成开发与验证、发布新的离线或在线版本，再使用新能力继续原来的任务。

长程 Agent 天然适合自进化，“完成工作”和“升级完成工作的系统”可以在同一条长程轨迹中发生。

LoopX 把这些信息外置成结构化控制面：

• Goal / Vision：目标是什么，什么不能被局部优化牺牲
• Todo / Gate：当前执行的 frontier，以及必须留给人的关键判断
• Identity / Authority：谁能 claim、writeback、approve
• Evidence / Receipt：每次推进留下什么可回读证据
• Quota / Scheduler：何时继续执行，何时安静等待
• Handoff / Recovery：换模型、换会话、换 host 后如何恢复

你也可以把它理解为一块专门给 Agent 设计的可执行 Kanban。

普通看板只展示“谁在做什么”；LoopX 的状态会直接约束和驱动下一次 bounded turn，让看板本身成为执行系统的一部分。

这套系统最强的地方是通用性。它不只可以修 PR，还可以做 auto research、长期实验、自媒体运营、复杂 feature 开发和办公任务。

Agent 不再只是一次性的回答机器，而可以围绕一个人的 vision，长期工作、等待、吸收反馈、积累证据并持续演进。

LoopX 从一开始 build in public：状态协议、CLI、控制面实现和真实运行轨迹都进入了开源仓库；它也已经和 OpenViking、NoKV 等 agent infra 项目形成了开源合作伙伴关系。

我希望 LoopX 最终能放大每个人的 vision 和想象力。只要你有自己的目标、想法或技术主张，就能拥有一个全天候继续工作和探索的 Agent 系统，帮助你把愿景一点点变成现实。

欢迎试用、提 issue、贡献代码，或者用一个真实的 multi-day task 跑 LoopX。

https://t.co/ncHCZheYb7

[NeoAI @AiTechfei]

@wublockchain12 铭文时代结束了。

[NeoAI @AiTechfei]

@PepeCZBinance True

[NeoAI @AiTechfei]

OpenAI的Tibo回应Anthropic的Boris关于“不禁止使用其他模型harness”的声明，称赞GPT-5.6 Sol可完美兼容Claude Code harness，并以此为由重置ChatGPT付费用户使用限制，暗含两家在AI编程工具竞争中的互相调侃与较劲。喜欢这样的 Tibo❤️

[Tibo @thsottiaux]

That's right, GPT-5.6 Sol is awesome and can be used pretty much anywhere, including in the CC harness.

To celebrate this, together with the fact that I'm not going anywhere... I have reset usage limits for all paid users of ChatGPT Work and Codex.

Have fun out there!

[NeoAI @AiTechfei]

@monkeyjiang 钱给他们亏，不如我自己亏呢。

[NeoAI @AiTechfei]

@HiTw93 有 google 三件套吗

[NeoAI @AiTechfei]

@jesus14god 小试牛刀

[NeoAI @AiTechfei]

buy and hold

[MAXI @MAXITHEGODDESS]

4.54 trillion $PEPE tokens left exchanges in a single day. This was the largest single day net exchange outflow for PEPE since November 14, 2024

KNOW WHAT YOU HODL! 🐸

69B CODED! 🚀

[NeoAI @AiTechfei]

@neso 是因为缺乏想象力，缺乏一直建设的人吗？

[NeoAI @AiTechfei]

Cloudflare Computer（@cloudflare/computer）是 Cloudflare 于 2026 年 8 月初发布的开源包（目前为 early preview），口号是“Give your agent a computer 👾”。它在 Durable Object 内提供一个持久虚拟文件系统（SQLite 支持，约 10GB/workspace）+ 可插拔执行运行时，让 AI Agent 能像拥有一台真实电脑一样读写文件、执行 shell 命令、运行代码、使用 git 等，而无需自己管理 VPS、Docker 或付费沙箱。

仓库地址：https://t.co/ZplqV18zx4（MIT 许可，官方维护，近期更新频繁）。

怎么使用

安装
npm install @cloudflare/computer

基础配置（wrangler.jsonc）
必须开启 nodejs_compat
Durable Object 使用 SQLite 存储
若使用轻量 shell 后端，还需 experimental 和 Worker Loader

示例：
{
"compatibility_flags": ["nodejs_compat"],
"durable_objects": {
"bindings": [{ "name": "Agent", "class_name": "Agent" }]
},
"migrations": [
{ "tag": "v1", "new_sqlite_classes": ["Agent"] }
]
}

最简代码（只加文件系统）
import { withWorkspace, getWorkspace } from "@cloudflare/computer";
import { DurableObject } from "cloudflare:workers";

export class Agent extends withWorkspace(
class extends DurableObject {},
(self) => ({ storage: https://t.co/wbGti5bfEV }),
) {}

// 使用
const id = env.Agent.idFromName("user-123");
using ws = await getWorkspace(env.Agent.get(id));

await ws.fs.writeFile("/hello.txt", "world");
const content = await ws.fs.readFile("/hello.txt", "utf8");

加上执行能力（推荐先用轻量 Worker Shell 后端，无需容器）
import { WorkerShellBackend } from "@cloudflare/computer/backends/worker-shell";
// ... 在 withWorkspace 里加 backends
backends: [
new WorkerShellBackend({
loader: self.env.LOADER,
workspace: { binding: "Agent", id: https://t.co/FaTDp4Zy4I.toString() },
ctx: self.ctx,
// 可按需导入命令模块（curl、python、jq 等）
}),
]

然后执行命令：
using run = await ws.runtime.exec("cat /hello.txt");
const { stdout, exitCode } = await run.result();

其他后端
Worker Shell（just-bash）：最快、最便宜，纯 isolate，适合大部分文件操作和轻量命令。
Worker JavaScript：直接跑 ECMAScript 模块。
Container：完整 Linux 环境（真实二进制、npm、网络等），通过 FUSE 挂载同一文件系统，只在需要时启动。

仓库 examples/ 目录有完整可运行示例（worker-shell、container、tutorial、think agent 等），推荐从 examples/worker-shell 或 examples/tutorial 开始。

还提供 AI SDK 工具（read / write / edit / ls / exec）、内置 git 客户端、R2 只读挂载、产物发布等，方便直接交给 Agent 使用。

对外来的意义

传统方案里，想给 Agent 一个“电脑”通常意味着：
租 VPS / 容器（每月 $5–20+，还要自己维护、扩缩容）
或用昂贵的第三方沙箱 API

Cloudflare Computer 把这一切变成 edge 原生、按需付费（空闲几乎 $0） 的原语：

成本与扩展性**：Durable Object 空闲时 hibernate，可轻松支撑百万甚至上亿个独立 Agent workspace，而传统容器做不到。
一致性与安全**：文件系统权威状态始终在 DO 的 SQLite 里，操作可审计、可门控。
灵活性**：同一 workspace 可混合轻量 isolate 和完整容器，Agent 自己决定用哪个后端。
降低门槛**：开发者几分钟就能给 Agent 加上持久文件、shell、代码执行能力，极大加速 agentic workflow（写代码、测试、生成文件、克隆仓库、构建产物等）。

它是 Cloudflare 在 Agents 基础设施上的重要一步（配合 Agents SDK、Project Think 等），让“每个用户/会话一个持久、有真实计算能力的 Agent”从昂贵实验变成可规模化落地的日常工具。目前还是 early preview，性能和功能在快速迭代，但对 AI 开发者来说已经是非常有吸引力的免费/低成本方案。

可以直接去 GitHub 克隆 examples 试用，或看官方博客公告了解更多设计思路。

[NeoAI @AiTechfei]

ARC Prize 这次及时复测很有价值。OpenAI 把 GPT-5.6 Luna 价格砍了80%，结果性能几乎没掉，ARC-AGI-2 仍有59.6%、ARC-AGI-1 到90.7%，每任务成本却降到0.18和0.07美元。说明效率提升是实打实的，不只是营销。现在AI竞争已经从单纯拼分数，转向拼单位成本性能。感谢ARC Prize公开透明的验证，让大家能更客观地看到真实进展。

[ARC Prize @arcprize]

We re-tested GPT-5.6 Luna from @OpenAI on ARC-AGI (Verified) following its recent 80% price reduction:

- ARC-AGI-2: 59.6%, $0.18/task
- ARC-AGI-1: 90.7%, $0.07/task

The new results match Luna's original performance at a much lower cost.

[NeoAI @AiTechfei]

@epr510 这种情况找到偷窃者，会判刑吗？