CharlesPetZold

[Fred Wang @kenshinji]

看了一期 Starter Story，大意是讲如何 copy 人家的 idea 的，嘉宾 Samuel 以前是配镜师，跟着 YouTube 自学写代码，现在 3 个 SaaS 月入 3.5 万美元。

他的方法说穿了就一句：只做已经有人做成了的产品。

他挑点子有四个条件：
1. 自己会用
2. 已经被验证能赚钱，比如推特上有人晒 MRR、Stripe 截图
3. 对方没在营销上砸大钱，说明需求是真的
4. 产品够简单，一个人维护得了

最有意思的是他验证的方法：用 Ahrefs 查对方的流量从哪来。
主要靠广告的最好抄，你投一样的广告，一周就能有流量。
广告和 SEO 都有的，说明需求强。
主要靠 SEO 的最难，要熬时间。

他的 AI 视频工具就是这么来的：看到有人晒做 faceless 视频工具的收入，一查流量全来自 Facebook 广告，就照着做了一个，投广告，后来做到月入 2 万美元。

反过来，他第一个产品没用这套方法，做邮箱查找工具，正面撞上 Apollo 这种大公司，维护得特别痛苦。

当然，他复制的是被验证过的需求，不是别人的代码和设计。

他说最让他意外的一点是：根本不需要创新，简单无聊的工具最赚钱。

我自己的感受是，很多人做独立开发，总想找一个没人做过的点子。但对一个人来说，做一个已经被验证过能赚钱的东西，比起自己凭感觉写了个 app 然后却不知道卖给谁以及如何卖更实在。你们觉得呢？

[Fred Wang @kenshinji]

这期 Starter Story 的原视频（英文）：
https://t.co/v9vZXVWC71

[HongKongDoll @hongkongdoll]

如果本身就有美股接货的意愿，小资金最近在 bStocks 做 LP，能把 100K 玩出稳定币理财 4M 的收益效果。

之前一直写我会把一些小资金给 bStocks 去做LP，再通过脚本交给 Claude 操作管理（还是需要通过我判断允许执行只是没有前端了），小资金做出大资金理财效果是我这么玩的目的，我一直都主要做NVDAB，上个月收益apr峰值200%+我写了几次，之后因为美股回调加RH链火热分流，LP收益开始沉寂。

从上周开始收益率明显起来了，有些池子过去24小时又跑到 300%+ APR。100K 本金一天能有接近 1K 的 手续费收益。虽然不是天天都有，但好的时候的收益在稳定币理财是存4M+级别的。

关键是这种 LP做起来完全没压力。NVDA 真跌下来接到货，我本身就愿意拿。NVDAB如果对你来说太激进，还有QQQB等指数的bStocks能选，不过我追求小资金高apr选择就偏激进。这和做 MEME LP 完全是两种体验，不需要担心今天开个新狗的池子上个厕所回来归零了。

而且现在就算暴跌真的接满了货，BN 最新把 bStocks 的杠杆抵押品资格开放给了所有符合条件的用户，覆盖全仓杠杆和统一保证金账户。也就是说，像 NVDAB 这种仓位持有着的同时，还可以作为账户保证金。对本身就想长期持有美股，愿意接货，同时又有合约交易需求的 DeFi 玩家来说，bStocks 现在属实是包罗万象了。

当然这么玩缺点也是有的，高费池子的容量普遍不大，所以更适合小资金。我现在就放了一丝钱，在有的池子里已经占到差不多四分之一，再往里面塞可能会让apr下降。另外假如出现大的单边行情，手续费收入可能不如单拿着不动，无常损失需要注意。

[Hux @huxlab]

Anthropic 专家工程师刚刚公开了一门 1 小时的硬核课程：

如何用循环（Loops）与图（Graphs）搭建 Agent 团队。

整门课的工程进阶脉络极其清晰：

1. 从最底层的 CLAUDE.md 上下文约束与 Plan 模式的任务规划切入，到封装可复用的 Skills 并挂载 Hooks 自动化钩子；

2. 再从单个主 Agent 的任务调度，跃迁至 Subagents 子代理集群的分工协作；

3. 最终由单任务自主闭环的 Loops，一步步演进为支撑整个复杂系统自我迭代的拓扑 Graphs。

在Anthropic 内部，每天都在实打实运行这套架构。

Prompts → Agents → Loops → Graphs

一个循环（Loop），无需人工介入，自主把单项任务跑到底；

一个图（Graph），决定有哪些任务需要被执行，并把每次被验证合格的成果带入下一次运行。

收藏它，你会回来看至少10次以上的。

[傲慢 @bei351009016]

https://t.co/58qX1rBJyM

[花叔 @AlchainHust]

替你们试过了，我这个skill做短视频起号绝了。

晚上出门前随手花10分钟做的视频，已经3万+播放了。比我日常耗费精力做的视频中位数水平好多了。

[AI Will @FinanceYF5]

1/ AI 制药正在复刻半导体的“瓶颈交易”。

半导体的需求从 GPU 传导到 HBM、网络、电力和散热；生物医药则沿着：

AI模型 → 设计 → DNA/蛋白 → 检测 → 临床前产能

模型生成越来越便宜，真正稀缺的开始变成湿实验验证。👇

[余温 @gkxspace]

https://t.co/lh02yPNbiz

[余温 @gkxspace]

用 Opus 5.5 搞的 MV，效果真的惊艳，卡点和特效贼流畅！

人是 Seedance 搞的绿幕视频，抠像、配乐、卡点、特效、出片，都是 Opus 5.5

其实很多场景都可以套用这个思路🤩

1、抠像：四角取绿幕色、去绿边，抠完先出一张检查图，检查一遍确定没问题再继续。

2、搭画面：写了一个网页，分五层，背景、人身后的大字、人物（带投影，边缘渗一点背景色）、前景贴纸胶带、最上面一层纸张纹理和颗粒。文字绕着人转圈，转到身后那半圈画在人后面，是真的环绕。

3、卡点：先分析她的动作，找到停顿的几个点，再把 128 BPM 的配乐对上去。停顿那一拍直接把人冻住，做成白边贴纸拍在画面上，下一拍撕掉。

4、出片：无头浏览器一帧一帧截图喂给 ffmpeg，响度做到 -14 LUFS。

做品牌 MV、新品广告、舞蹈二创、电商模特换场景的，都能直接套这个思路。

[虎小象 @hx831126]

封号大浪潮，今天宝佬分享
Tailscale
+ Paseo
固定海外主机的AI 远程工作台

文档！

[CharlesPetZold @CharlesPetzol]

@realchendahuang 这个思路不错，应该是未来发展方向

[陈大黄 @realchendahuang]

很多做 AI 教育或学习工具的人，容易陷入一个习惯：以为只要大模型讲得足够细致通俗，学生就能把知识学懂。

但辅导过孩子数理化的人都知道，很多概念的卡点根本不在语言表述。

比如圆的面积公式为什么用半径算，正方体表面怎么展开，平面镜倾斜时像的运动轨迹为什么反直觉。

语言天然是一维线性的符号，但几何和物理规律是高维且连续运动的。大模型在对话框里发再长的文字解释，在学生脑海里往往依然只是一堆干瘪的公式。

真正能瞬间建立直觉的，往往是一个极其简单的可交互演示。

拖动一个滑块把圆环一层层剥开拉成三角形，或者在屏幕上抓着几何体旋转折叠。一旦过程变成了连续可视的动作，理解瞬间就完成了。

过去这类交互式演示很难做成规模化的产品。懂一线教学的老师通常不会写前端，会写 Canvas 和 WebGL 的工程师又不知道具体卡点在哪里。

最近看到一个叫格物间的个人网站，作者为了辅导孩子，手搓了几十个学科概念的交互网页。

提这个站点没有任何商业推广的意思，它的界面和功能也还很质朴，但这种把抽象概念做成可操作沙盘的思路很有启发性。

现在的转机是代码生成的门槛被大幅抹平了。让大模型在聊天框里打字讲课效率其实有限，更顺手的用法是把它当作后台编译器，遇到卡壳的知识点即时生成对应的微型可交互网页。

把抽象公式变成可操作的直觉，这类刚需一直都在。借助现在的 AI 工具链，大家有很大的空间做出交互更成熟、体验更好的产品。顺着这个方向探索，其实藏着一个可观的市场机会。

参考项目：
https://t.co/iTtFYSEtgY

[爱吃折耳根的Ace @_zheergen]

卧槽！A 股量化最费时间的，可能根本不是写策略，而是把 7000+ 股票的分钟数据真正变成“能回测的数据”。

free-stockdb，2.6K Stars，MIT 开源，一套专门给 A 股量化做的本地数据引擎。

以前做全市场回测，光数据就能耗死你：7000+ 股票分钟线拉数据 3-5 天、清洗 1-2 天、复权 1-2 天、建库 1-3 天、算指标 2-3 天，一套下来 10-15 个工作日才能跑通第一个策略。

free-stockdb 不一样，数据同步 / 清洗 / 复权 / 组织全在同步层完成，策略只读本地数据，C++ 时序引擎加 Rust 计算核心，开箱即用。

核心能力：

1️⃣ 全市场本地数据：日 / 周 / 月线、1/5/15/30 分钟 K，ETF 和 Tick 数据也能继续接

2️⃣ 复权直接做好：前复权、后复权、不复权、原始复权因子统一查询

3️⃣ 增量更新：第一次同步完，后面只处理变化数据，断网也能继续研究和回测

4️⃣ 本地计算：内置 39 种指标 + 5 类指数，批量股票可以直接一起算

5️⃣ C++ 时序引擎 + Zstd 压缩，不用自己再折腾 MySQL、表结构和查询优化

6️⃣ Python、HTTP、Excel/WPS、网页、MCP 五种方式都能调用，Claude / Codex 也能直接接

我觉得它真正有意思的地方，是把 A 股量化最脏、最费时间的数据工程先处理掉了。

以前是：

每跑一个策略 → 请求 API → 等数据 → 清洗 → 复权 → 再回测。

现在更像是先把整个市场搬到自己电脑里，后面选股、因子、回测、AI Agent 全部围着本地数据跑。

核心服务甚至只有约 2.2MB。

做 A 股量化、全市场回测、因子研究，或者想给自己的 AI 股票 Agent 搭本地数据底座的，这个很值得收藏。

仓库：https://t.co/51Gy0Jepj0

[MapleShaw @msjiaozhu]

这拿去抖音不是分分钟起号了？😍

太自然了～

提示词见评论👇

[QingYue @YuLin807]

Airbnb CTO Ahmad Al-Dahle 在 Latent Space 讲了他们内部怎么用 AI，我把它画成了一张会动的架构图。

几个让我停下来的点：

1. 原型就是交付物。产品、设计、工程不再围着文档开会，直接对着同一份能跑的原型讨论。

2. Everest：一张组织上下文图谱。生鲜业务做了八九个月，经验沉淀进去之后，机场接送只用了约六周。

3. 模型不迷信最强的。他们线上至少有 10 个定制模型，多数是在开源模型上做后训练，按场景评测再选。

4. 异步 agent 开始接值班。告警一响，agent 先被拉起来做第一轮排查。

5. 结果（都是 Airbnb 自己的说法）：人均 PR 吞吐约 1.6 倍，功能和改进同比多了近 80%，客服工单近一半由 AI 独立解决。

最打动我的反而是一条规矩：PR 可以是 AI 写的，但每个工程师必须能讲清楚自己交付了什么内容。

[QingYue @YuLin807]

如何制作这种可以好像是图片但是其实又是动图的图表呢？！

我制作了一份 skill 予以实现 live panel skill

链接见评论区

[孔乙观察 @KongYiGC]

想学投资炒股的建议可以看看宋教授的这些课程，

宋玉臣是吉林大学教授，当年这段对股票的投资逻辑，讲得深入浅出。

孔乙自己也推荐公司的不少员工学习，刚好国庆假期可以看起来，

建议收藏并观看，绝对会让你受益匪浅！

[爱吃折耳根的Ace @_zheergen]

终于有人把 QMT 这套又碎、又绕、又劝退人的开发流程，重新给 A 股量化用户捋顺了

项目叫 EasyXT，725 Stars，MIT 开源。

以前玩 QMT，接口复杂、文档乱，光封装个下单查询就得折腾一周。

它不一样，easy_xt 核心库把 QMT 接口包成几行 Python，数据源还能 QMT → xqshare → 通达信 → 东财自动降级，挂了也不慌。

核心能力：

1️⃣ QMT API 重新封装：行情、账户、持仓、委托、成交，都变成更简单的 Python 调用

2️⃣ 大 QMT + miniQMT 双模式：miniQMT 直连，大 QMT 走信号桥接，策略代码不用来回重写

3️⃣ 数据源不绑一家：Tushare、DuckDB、东方财富、AKShare 都能接，单个接口出问题还能继续切

4️⃣ 自带 easyxt_backtest，手续费、滑点、持仓、绩效分析这些回测基础设施已经搭好

5️⃣ 因子平台内置大量 Alpha 因子，还能继续做 IC、分层回测和可视化研究

6️⃣ 雪球跟单、网格、通达信预警交易、聚宽策略迁移这些实战案例也都直接给了

它真正省时间的地方，是把很多 A 股量化用户本来就在用的 QMT，变成了一套完整的 Python 工作流。

拿数据、做因子、跑回测、写策略，最后再接交易，不用每一步都重新搭。

做 A 股量化、QMT / miniQMT 自动交易，或者想把 Python 策略真正接到券商端的，这个值得留着。

https://t.co/3zWgql7ZuZ

[Phoenix Yin @Phoenixyin13]

贝塔朗菲的名字和他的《一般系统论》，注定是大众认知里的绝对盲区。

概念的高阶同构性，超越了大众的感知上限
贝塔朗菲建立一般系统论的终极野心，是寻找一种适用于一切系统的根本模式、原则和规律。他证明了无论是流体动力学、细胞的代谢、流动的平衡、神经元的网络，还是人类社会的经济结构，在数学拓扑上都存在同构性。

普通人的大脑只能感知特异性。
他们只能看到这是一只猫、那是一台电脑、这是一个假期，他们已经习惯在完全不同的具象事物之间筑起高墙。
而贝塔朗菲要求感知普遍结构。
他要求主体剥离所有肉眼可见的物质表象，直接看到跨越物理、生物、社会维度的共同方程与反馈极性。这种将世界彻底符号化、网络化、抽象化的视角，对于依靠具象体验活着的普通人来说，无异于一种无法解码的高频噪声。

很多人哪怕不学科学，他们的价值观也是被机械还原论深度洗脑的。还原论告诉普通人把东西拆碎了就能理解整体，你只要努力做工局部，就能获得幸福的整体，只要把坏人清除，社会就会变好。
想想贝塔朗菲的名言吧：整体大于部分之和（The whole is more than the sum of its parts）。他早已无情指出，系统的核心功能不在于要素本身，而在于要素之间的结构和互动关系。

如果人们接受了贝塔朗菲，他们就不得不承认自己每天为了买房、度假、结婚、在行业内卷而透支的生命局部要素，在脱离了高阶的系统秩序后是毫无涌现价值的低熵碎片。 大众为了保护自己的生活意义不至于幻灭，会本能地排斥这种解构。

也正因为贝塔朗菲的思想太超前，他催生了系统生物学、控制论、信息论，甚至直接成为了后代心理学中家庭系统治疗的 conceptual root。
或者说，他被化整为零了。
现代的量化行业在用他的系统开放性，AI行业在用他的网络涌现性，神经科学家在用他的层次结构。这些行业拿走了他的工具去变现、去制造经济刺激，但为了维持自己的精英神话和局部利益，它们绝口不提这位将一切一统的奥地利生物学家的名字。

[启航 @qihang_zeng6688]

这三个 GitHub 项目太牛了！

它们能让 AI Agent 去抓大部分网站的数据。

1、Agent Reach：一句话给 Agent 装上上网能力，能读网页、YouTube 字幕、RSS、GitHub，配置后还能搜推特、Reddit、小红书、B站
地址：https://t.co/KSnhGraF6d
2、Scrapling：自适应爬虫框架，网页改版后能自己重新找到元素，也能绕过 Cloudflare Turnstile 这类反爬
地址：https://t.co/Px54dBgVyt
3、Patchright Enhanced：基于 Patchright 的隐身浏览器小框架，作者自己说只是对原版 Patchright 的一层封装，目的是更好上手
地址：https://t.co/uniC5LAFwe

你要抓什么，直接告诉它们就行，它们能自己写代码去采，最后把结果给你。

比如让它统计 100 个 X 账号最近一个月发的内容，看哪些话题最热。 或者抓一个产品在 Reddit 和 YouTube 上的评价，总结大家主要吐槽什么。

做调研、竞品分析和舆情监控的朋友一定要试一下。

Agent Reach：https://t.co/KSnhGraF6d
Scrapling：https://t.co/Px54dBgVyt Enhanced：https://t.co/uniC5LAFwe