Olivia
Online
TopologyChord
@DeskOverhang
US TMT Public Investing & AI @ Etna／Français / English
EiR kind-of
日本語を一生懸命勉強しています
Joined February 2026
891 Following
229 Followers
411 Posts
Pinned Tweet
Robinhood未来超越嘉信理财的拐点时刻，看华尔街日报今天报道美国财政部选择纽约梅隆银行（BNY）和Robinhood(HOOD）参与特朗普账户计划。帮助管理和运行该儿童储蓄/投资计划：
BNY主要负责传统托管、资产保管和运营支持角色；
Robinhood则侧重用户界面、白标App、客户服务和零售接入，便于家长轻松管理账户。
这被视为两家机构在竞争中的“早期胜利”（early winners），计划旨在为符合条件的儿童提供政府种子资金并促进长期投资。
对于Ronbinhood来说意义重大，
1、直接业务好处
新增资产和收入潜力
美国政府计划为2025-2028年出生的儿童提供政府1000美元种子资金，预计覆盖数百万至上千万账户。如果Robinhood负责用户接入、白标App、客户服务等零售端部分，将带来数十亿至上百亿美元的新AUM（资产管理规模）。
这也是Robinhood从“交易App”向更稳定、长期资产托管转型的重要一步。类似传统经纪商（如Schwab、Fidelity）通过退休/儿童账户积累的黏性AUM，能产生持续的费用收入。
2、进一步巩固“年轻一代理财平台”的角色
这进一步奠定了Robinhood作为千禧一代（Millennials）和Gen Z（甚至Gen Alpha）首选理财平台的地位，甚至可以说是“从摇篮开始”的长期布局。
Robinhood CEO Vlad Tenev 多次公开表示，公司目标是捕捉“下一代投资者，在他们会爬之前”（capture the next generation before they can crawl）。特朗普账户正好提供了一个政府背书的入口，让Robinhood从儿童期就进入家庭视野。
许多家长（主要是千禧一代父母）会通过Robinhood App开设和管理这些账户，未来孩子成年后自然成为潜在用户，形成终身客户管道
3、Ronbinhood今年大力发展财富管理业务
如果去看hood这两年的财报，能清除地看到在大力发展财富业务：
大力推IRA退休账户、401(k)相关服务、高收益现金产品等，吸引年轻用户从“ meme股交易”转向长期储蓄/投资。Gen Z已被描述为“更注重退休规划的一代”，而Robinhood想成为他们的“Schwab”，即年轻版的财富管理平台。
当然也是注意儿童账户18岁前限制提取，Robinhood主要做前端接入而非全权托管。未来也可能有其他家机构被选中，但首批被选中、对Ronbinhood来说也是很强的背书效应了。
之前跟不少朋友聊，每一代人都有自己的嘉信理财，Ronbinhood未来很大概率neng超越嘉信理财。
https://t.co/FoZkaJ0c0m
DigiTimes published a report on TSMC's packaging this morning, and there's a lot of alpha in it.
To summarize:
1. TSMC is significantly expanding SoIC capacity in 2027 (from 10K wafers/month to 50K wafers/month), with NVIDIA locking up most of this SoIC capacity. Only 10% will be allocated to CPO.
-> Positive for BESI. More hybrid bonding tool orders should follow.
2. CoPoS is delayed… first product shipment expected in Q4 2030.
CoWoS's lifespan is now expected to be longer than previously anticipated. CoPoS is just too difficult to push through. According to DigiTimes, with large orders pouring in not only from NVIDIA and AMD but also from ASIC customers, TSMC's CoWoS capacity for the next two years is already fully booked. CoPoS was originally expected to take the baton with mass production in 2028, but per the latest schedule:
Q3 2026: R&D equipment move-in begins. R&D line buildout takes about 1 year.
Q3 2027: Pilot line equipment orders placed. Equipment lead time of about 3 quarters.
Q2 2028: Pilot tools moved into the Chiayi P7 fab. Validation and fine-tuning needed for about 1 year afterward.
Mid-to-late 2029: Mass production equipment finalized, supply chain orders placed. Lead time of 3 quarters.
Q1 2030: Mass production equipment move-in. First packaging product shipment possible 6 months to 1 year later, in Q4 2030.
In particular, "uniformity" and "warpage" are reportedly causing significant difficulties in implementing CoPoS.
-> Negative for the CoPoS supply chain. TSMC is reportedly even imposing a policy that anyone joining the CoPoS development effort will be barred from selling externally.
3. Lastly, the CoWoP project led by NVIDIA and SPIL (矽品) is reportedly facing a potential suspension. Because of the higher technical difficulty and elevated cost, SPIL and Taiwanese PCB vendors are showing low willingness to participate, and only Chinese PCB vendors are showing intent to continue R&D.
-> Those who were pushing CoWoP should be ashamed of themselves. The ones who were pumping mainland Chinese names...
Post JPM note, the thesis that Solana is set to dominate in 2026–2027 become quite clear
1/The CLARITY Act is narrowing disputes, and both crypto and banks signal support. Solana stands to capture the first wave of institutional stablecoin adoption.
2/ Long-term legal certainty favors networks built for scale. The GENIUS Act shows bipartisan crypto legislation works. Solana’s high-throughput, low-cost, and fast-finality design positions it perfectly.
3/ Timing matters. If CLARITY passes before the midterms, Solana gains a clear regulatory runway while competitors scramble to adjust.
4/ Institutions want efficiency, liquidity, and scalability—not hype. Solana delivers:
<400ms settlement/65k TPS/~$0.00025/tx
This makes it institution-ready, from payments to tokenized assets.
5/ DeFi is maturing. The market is shifting from speculative NFTs/gaming to real-world assets (RWA) and tokenization. Solana hosts ~$6B in DeFi—perfectly positioned to lead this trend.
Agentic Commerce is a mirage.
The Fan-Out Effect: What Happens Between a Query and a Citation - From a research developed by @Kevin_Indig & @AirOpsHQ analyzing 16,851 queries and +353K pages across ChatGPT's full retrieval pipeline:
* Retrieval rank is the #1 signal. A page at position 1 in ChatGPT's retrieval results has a 58% citation rate vs. 14% at position 10 — a 4x gap that no amount of content quality alone won't close. Great SEO is your advantage in AI search.
* Your headings are what get you cited. Pages with headings that closely match the user's query are cited 41% of the time vs. 29% for weak matches. Heading structure is the primary on-page lever for AI citation — more impactful than word count, topical breadth, or body copy.
* Domain authority doesn't translate. DA and backlinks show no positive correlation with AI citation — and are slightly inversely correlated. ChatGPT evaluates content directly based on relevance and structure, not authority signals.
Read more: https://t.co/4ZrPdOZ0Zs
New Report: Neoclouds and the Three Business Models
The market still talks about “Neoclouds” as if they are one category. They are not.
What is emerging are three different businesses: full-stack AI platforms, bare-metal GPU clouds, and what I think of as Power Landlords.
They all monetize the same AI demand, but through very different economics, very different risk retention, and very different claims on durability. The debate is increasingly shifting from who has the most GPUs to who can convert scarce, deliverable power into the most durable revenue and cash flow per energized MW.
https://t.co/oq7K0EP1lf
I knew the popularity of Agentic AI had led to a surge in demand for server CPUs, but I didn't expect TrendForce to provide such a ratio (CPU:GPU = 1:1).） $AMD $INTC $NVDA $ARM
真没想到trendforce会将服务器CPU与GPU的比例上调到1：1这个程度。
Reuters: In addition to one fab scheduled for completion this year, YMTC plans to build two more, and once all three fabs are operational, its production capacity will more than double.
Reuters: One of YMTC’s soon-to-be-completed fabs sourced more than 50% of its equipment from domestic Chinese companies, including key tools used for vertically stacking chip layers.
Reuters: Two sources said all three of YMTC’s new fabs will allocate a certain amount of capacity to DRAM production, though the exact output will depend on the progress of the company’s DRAM chip development.
$SNDK
$GOOG 谷歌正与 $MRVL Marvell 就 TPU 和 Al 芯片开发进行谈判
• Marvel| 可能承担类似于 MediaTek 的设计服务角色
• 讨论包括 TPU 开发项目
• 谷歌正在加速专用 LLM 推理芯片的努力（类似NV的Groq LPU）。Marvel 正参与早期阶段讨论
谷歌看好 $MRVL 在 connectivity 与 Custom ASIC 方面的技术
太厉害了
我花了一个半月，从零做了一个Web3监控软件
开头先说结论
我是一个独立开发者（虽然不是很高级那种）。我花了一个半月时间，从零开始做了一套Web3 资产监控软件，名字叫“powerpei Web3 哨兵”。
这个软件能监控EVM链和Solana链
它集成了AI交易解读、多渠道推送、链上数据聚合等功能。
我特别喜欢的功能：它可以监控ETH和SOL链上的土狗项目，还能追踪聪明钱包的动向
这个功能让我能实时捕捉到链上的早期机会。
软件已经稳定运行了好1个月
我之前写过一篇技术概述
但是我总觉得那篇文章对核心实现的讲解还不够深入
所以我决定写这篇深度复盘。我会从进程架构、I/O模型、数据一致性、AI工程化等角度，毫无保留地分享那些藏在代码深处的设计决策和实现细节。
我希望这篇文章能帮到那些也在 Web3领域探索的开发者。
---
一、进程架构：我为什么选择“主进程 + 多子进程”？
市面上很多Python监控脚本都是单进程asyncio一把梭
但是我在设计之初就选了“主进程(GUI)+ 独立子进程（EVM/SOL）”的架构
➤ 隔离性和稳定性最重要
WebSocket长连接在网络波动时很容易触发异常重连。甚至底层库的C扩展可能因为未知原因崩溃。
如果你把GUI和监控逻辑混在一个进程里，任何未捕获的异常或内存访问违规都可能导致整个桌面应用闪退。
我通过 `subprocess.Popen` 把EVM和Solana监控逻辑独立成子进程
这样做有两个好处：
物理级隔离：`https://t.co/cPjRj88Vwx` 崩溃或被强制Kill，主窗口依然正常运行。托盘图标不会消失，用户可以点击“启动”重新拉起来。
日志透传：主进程通过管道捕获子进程的stdout
我用 `_forward_output` 线程逐行读取、清洗ANSI 颜色码
然后通过 `window.evaluate_js` 注入前端DOM。这样就实现了日志实时刷新，而且UI线程还保持轻量。
➤生命周期管理的细节
在 `core_process.py` 中，停止子进程不是简单的 `terminate()`。我实现了一套强杀兜底机制：
```python
proc.terminate()
proc.wait(timeout=3)
if proc.poll() is None:
proc.kill()
proc.wait(timeout=2)
if proc.poll() is None:
os.system(f'taskkill /F /PID {https://t.co/5VYPWzByff}')
```
这套组合拳确保了即使Python解释器卡死，Windows底层也能彻底清理进程树
这样就避免了残留进程占用端口或数据库锁，导致下次启动失败。
---
二、I/O 模型和高可用连接：不止是asyncio
➢ 混合监控模式：WSS实时 + RPC补偿
EVM链的原生币没有标准的Transfer事件日志
你无法通过WSS订阅。
我设计了一个轮询补偿器
它每60秒通过RPC获取 `eth_getBalance`，然后和内存快照对比。差值超过 1e-18就触发推送。
这个机制看起来很简单
但是它其实是WSS订阅失活时的最后一道防线。
对于代币和NFT，系统订阅 `logs`。我精细处理了 ERC1155 的 `TransferSingle` 和 `TransferBatch` 事件
特别是 `TransferBatch`，它的 `data` 字段包含动态数组。我实现了基于 ABI 规范的手动偏移量解析，而不是依赖重型库
这极大降低了解析开销。
➢ WSS的指数退避和节点热切换
在生产环境中，公共 RPC/WSS节点随时可能限流或宕机。
我在 `chain_wss_monitor_direction` 中实现了节点轮换和重连策略：
→节点池：配置文件中为每条链配置多个 `WSS_NODES`
启动时随机或顺序选择一个。
→退避算法：连接断开后，重试间隔从5秒开始，每次翻倍直到60秒
这样就避免了在节点恢复前造成DDoS式的重连风暴。
→国内网络环境适配：系统支持配置本地代理软件的 HTTP 地址
通过 `websockets_proxy` 库把WSS流量转发到代理，恢复和境外节点的稳定通信。
➢Solana的异步解析流水线
Solana的出块速度极快，而且交易结构复杂
为了避免Helius API调用阻塞WSS消息接收，我设计了一个生产者-消费者解耦模型：
→生产者：WSS `logsSubscribe` 收到签名后，立即把它扔进 `asyncio.Queue` 或直接触发一个后台 `asyncio.create_task`
→消费者：独立的异步任务负责调用 Helius `/v0/transactions` 接口，解析 `nativeTransfers`、`tokenTransfers`、`events.nft` 等字段。
这保证了WSS连接的 `recv()` 循环永远不会被慢速HTTP 请求卡住
这确保了超高TPS环境下消息的实时性。
---
三、数据一致性：从内存去重到SQLite约束
➤ EVM 侧：数据库唯一索引
EVM监控中，同一笔交易可能因为WSS重连、轮询补偿等原因被多次处理。
单纯依赖内存 `set` 无法应对进程重启。所以我设计了 `tx_history` 表的复合唯一约束：
```sql
UNIQUE(tx_hash, log_index, address)
```
任何重复插入都会被SQLite的 `ON CONFLICT IGNORE` 静默丢弃。这从数据库内核层面保证了幂等性。
对于没有 `log_index` 的原生币转账，我降级使用 `tx_hash + address` 作为组合键。
➤ Solana侧：时间窗口内的签名去重
Solana交易没有 `log_index` 概念。而且Helius解析可能产生多条记录。
我使用了内存 `set` 存储最近处理的签名
我利用 `LimitedSizeDict` 的变体思想，在签名集合超过1000个时，自动清空一半（或利用 `OrderedDict` 弹出最旧条目）。
这种滑动窗口去重在性能和准确性之间取得了良好平衡。
---
四、AI 工程化：多提供商容错和JSON解析的艺术
➢特征驱动的动态调度
`MultiAIClient` 是 AI模块的核心
它不是简单的if-else分支，而是一个基于特征标志的调度器。
配置文件中定义了每个提供商支持的功能（比如 `transaction_insight`、`daily_report` 等）
当请求解读时，系统会筛选出支持该特征的提供商列表，按优先级发起请求
超时或失败就自动降级到下一个。
➢ LLM 输出的防御性解析
大模型输出 JSON不稳定是常态。我的处理流程远比 `json.loads` 复杂：
清洗：移除Markdown代码块标记 ```` ```json ```` 和 ```` ``` ````。
正则提取：如果解析失败，我直接用正则表达式 `r'"insight"\s*:\s*"([^"]*)"'` 暴力提取字段。这是最后一道防线。
字段映射：兼容 `insight` / `Insight` / `解读` 等多种Key 命名
这套机制确保了即使Moonshot或DeepSeek返回了“半个 JSON”，前端依然能展示有效解读
它不会抛出 `JSONDecodeError` 导致白屏。
---
五、内存和性能：LimitedSizeDict和异步队列
➢ 自定义有限容量字典
Python标准库没有内置LRU而且限制大小的字典
我基于 `collections.OrderedDict` 实现了 `LimitedSizeDict`：
```python
def __setitem__(self, key, value):
if len(self) >= self.max_size:
self.popitem(last=False) # 淘汰最早插入的项
super().__setitem__(key, value)
```
这个简单的数据结构被用于Token信息缓存、价格缓存、NFT元数据缓存。
它确保了长时间运行时，内存占用不会随着监控地址增多而线性膨胀
内存占用稳定在一个极低水平
➢Solana 日志的异步串行写入
Solana的详细交易日志需要写入JSON文件
如果多个协程同时 `json.dump`，很容易导致文件格式损坏。
我引入了 `asyncio.Queue`：
- 所有写日志请求把数据 `put` 进队列。
- 唯一的一个后台协程 `_file_writer` 阻塞等待队列，取出数据后执行文件I/O。
这既避免了复杂的线程锁，又利用异步特性保证了高并发下的数据安全。
---
六、前端和后端的双向通信：pywebview的深度集成
➤ JS API 注入
`pywebview` 允许你把Python对象的方法直接暴露给前端 JavaScript。
我的 `Api` 类继承自多个Mixin
所有以 `def` 开头的公有方法都自动成为 `window.pywebview.api` 的成员。
这让我能以极低成本实现前后端分离。前端只需要关注 UI 交互。
➤悬浮窗的独立实例和通信
悬浮窗不是主窗口的子DIV，而是 `pywebview` 创建的第二个独立窗口。
我通过 `FloatingWindowManager` 管理它的生命周期。我利用主进程的 `js_api` 实例向悬浮窗注入JS代码（`evaluate_js`）
这实现了主窗口日志向悬浮窗的实时推送。
这种设计保证了悬浮窗即使被关闭，也不会影响主监控任务的运行。
---
七、桌面应用打包：PyInstaller的深坑和工程化实践
把 Python项目交付给没有技术背景的最终用户，你必须打包成独立EXE
PyInstaller看起来是一条命令搞定。但是在复杂项目中，它背后隐藏着无数足以让开发者崩溃的细节。
这一节我分享我在打包“powerpei Web3 哨兵”过程中遇到的几个典型深坑和解决方案。
➤ 隐式导入和 --hidden-import
PyInstaller通过静态分析入口文件的 `import` 语句来构建依赖树。
但是很多库（比如 `pystray`、`websockets`）使用了 `importlib.import_module` 或 `__import__` 动态加载子模块。这导致打包后的 EXE 运行时抛出 `ModuleNotFoundError`
解决这个问题的关键在于根据报错信息反向定位缺失模块
然后在打包命令中显式声明 `--hidden-import`。
比如，这个项目中托盘图标功能必须添加：
```bash
--hidden-import pystray._win32
--hidden-import pystray._util
--hidden-import win32event
--hidden-import win32api
```
这要求开发者对依赖库的内部结构有一定了解
通常需要结合源码阅读和反复试错才能完整列出所有隐式依赖。
➤ --collect-all 和资源文件陷阱
`pywebview` 库不仅包含 Python代码
还依赖前端 HTML/JS 以及Edge WebView2 运行时文件。
PyInstaller的默认分析无法感知这些非代码资源
如果你不加处理，打包后程序会因为找不到 `index.html` 或 `webview.js` 而白屏。
正确的处理方式是使用 `--collect-all pywebview`
这个参数强制PyInstaller把 `pywebview` 包目录下的所有文件（包括二进制和静态资源）完整复制到打包目录。
这是处理这类“重型”GUI库的标准操作。
➤ 二进制依赖和UPX压缩
项目依赖的 `pywin32`、`Pillow` 等库包含 `.pyd` 和 `.dll` 二进制文件。
这些文件体积比较大，而且在PyInstaller打包后不会被自动压缩。
通过集成UPX 工具并在打包命令中指定 `--upx-dir`，你可以对最终 EXE内的二进制文件进行高比率压缩（通常可以缩减 30%-50%体积）。
需要注意的是，极少数老旧杀毒软件可能对UPX加壳的程序产生误报
但是对于技术型用户群体，这种概率极低而且可以通过提交样本解除。
➤ 路径“冻结”和 sys._MEIPASS
这是PyInstaller打包中最核心的概念
开发阶段，程序通过 `__file__` 或相对路径访问配置文件、图片资源。
打包成单文件EXE 后，所有资源被解压到一个临时目录
这个目录的路径存储在 `sys._MEIPASS` 变量中。
开发者必须在代码中全局替换所有文件访问逻辑。典型范式如下：
```python
def get_resource_path(relative_path):
if getattr(sys, 'frozen', False):
base = sys._MEIPASS
else:
base = os.path.abspath(".")
return os.path.join(base, relative_path)
```
忽略这个适配会导致程序运行时找不到任何外部文件
这是新手打包时遇到最多的路径地狱
我的做法是把这个函数封装在 `https://t.co/K5tvo7bEIf` 中，全项目统一调用。这确保了打包前后路径行为一致。
➤子进程的特殊处理
这个系统采用主进程启动子进程的架构。
在打包后，子进程脚本 `https://t.co/cPjRj88Vwx` 和 `https://t.co/YNet3vg89T` 也被封装在 EXE内部。
如果主进程仍然尝试用 `python.exe https://t.co/cPjRj88Vwx` 启动，会因为找不到文件而失败。
我的解决方案是在主进程启动子进程时，动态检测是否处于打包模式
然后传递正确的 `--main-exe-dir` 参数，使子进程能定位到配置文件所在的外部目录。
这部分逻辑细节我已经在进程架构章节中讲过了，这里不再重复。
---
八、最后说几句
我回顾整个开发历程
从单脚本到多进程架构，从裸WebSocket到高可用节点池，从简单的 print日志到结构化 SQLite存储，每一步都是对工程化理解的深化。
打包环节的探索更是让我深刻体会到：能让软件稳定跑起来只是第一步，能让用户轻松用起来才是真正的交付。
这不仅是一个监控工具，更是我在异步编程、进程管理、AI集成、桌面软件开发等领域实践经验的集合。
如果你对文中的任何技术细节感兴趣，欢迎访问我的 GitHub（我在掘金 电鸭 知乎的笔名是 潇楠）
---
作者：Powerpei
全栈 & Web3独立开发者，专注于Python桌面应用、区块链数据分析和AI工程化落地
我花了一个半月，从零做了一个Web3监控软件
开头先说结论
我是一个独立开发者（虽然不是很高级那种）。我花了一个半月时间，从零开始做了一套Web3 资产监控软件，名字叫“powerpei Web3 哨兵”。
这个软件能监控EVM链和Solana链
它集成了AI交易解读、多渠道推送、链上数据聚合等功能。
我特别喜欢的功能：它可以监控ETH和SOL链上的土狗项目，还能追踪聪明钱包的动向
这个功能让我能实时捕捉到链上的早期机会。
软件已经稳定运行了好1个月
我之前写过一篇技术概述
但是我总觉得那篇文章对核心实现的讲解还不够深入
所以我决定写这篇深度复盘。我会从进程架构、I/O模型、数据一致性、AI工程化等角度，毫无保留地分享那些藏在代码深处的设计决策和实现细节。
我希望这篇文章能帮到那些也在 Web3领域探索的开发者。
---
一、进程架构：我为什么选择“主进程 + 多子进程”？
市面上很多Python监控脚本都是单进程asyncio一把梭
但是我在设计之初就选了“主进程(GUI)+ 独立子进程（EVM/SOL）”的架构
➤ 隔离性和稳定性最重要
WebSocket长连接在网络波动时很容易触发异常重连。甚至底层库的C扩展可能因为未知原因崩溃。
如果你把GUI和监控逻辑混在一个进程里，任何未捕获的异常或内存访问违规都可能导致整个桌面应用闪退。
我通过 `subprocess.Popen` 把EVM和Solana监控逻辑独立成子进程
这样做有两个好处：
物理级隔离：`https://t.co/cPjRj88Vwx` 崩溃或被强制Kill，主窗口依然正常运行。托盘图标不会消失，用户可以点击“启动”重新拉起来。
日志透传：主进程通过管道捕获子进程的stdout
我用 `_forward_output` 线程逐行读取、清洗ANSI 颜色码
然后通过 `window.evaluate_js` 注入前端DOM。这样就实现了日志实时刷新，而且UI线程还保持轻量。
➤生命周期管理的细节
在 `core_process.py` 中，停止子进程不是简单的 `terminate()`。我实现了一套强杀兜底机制：
```python
proc.terminate()
proc.wait(timeout=3)
if proc.poll() is None:
proc.kill()
proc.wait(timeout=2)
if proc.poll() is None:
os.system(f'taskkill /F /PID {https://t.co/5VYPWzByff}')
```
这套组合拳确保了即使Python解释器卡死，Windows底层也能彻底清理进程树
这样就避免了残留进程占用端口或数据库锁，导致下次启动失败。
---
二、I/O 模型和高可用连接：不止是asyncio
➢ 混合监控模式：WSS实时 + RPC补偿
EVM链的原生币没有标准的Transfer事件日志
你无法通过WSS订阅。
我设计了一个轮询补偿器
它每60秒通过RPC获取 `eth_getBalance`，然后和内存快照对比。差值超过 1e-18就触发推送。
这个机制看起来很简单
但是它其实是WSS订阅失活时的最后一道防线。
对于代币和NFT，系统订阅 `logs`。我精细处理了 ERC1155 的 `TransferSingle` 和 `TransferBatch` 事件
特别是 `TransferBatch`，它的 `data` 字段包含动态数组。我实现了基于 ABI 规范的手动偏移量解析，而不是依赖重型库
这极大降低了解析开销。
➢ WSS的指数退避和节点热切换
在生产环境中，公共 RPC/WSS节点随时可能限流或宕机。
我在 `chain_wss_monitor_direction` 中实现了节点轮换和重连策略：
→节点池：配置文件中为每条链配置多个 `WSS_NODES`
启动时随机或顺序选择一个。
→退避算法：连接断开后，重试间隔从5秒开始，每次翻倍直到60秒
这样就避免了在节点恢复前造成DDoS式的重连风暴。
→国内网络环境适配：系统支持配置本地代理软件的 HTTP 地址
通过 `websockets_proxy` 库把WSS流量转发到代理，恢复和境外节点的稳定通信。
➢Solana的异步解析流水线
Solana的出块速度极快，而且交易结构复杂
为了避免Helius API调用阻塞WSS消息接收，我设计了一个生产者-消费者解耦模型：
→生产者：WSS `logsSubscribe` 收到签名后，立即把它扔进 `asyncio.Queue` 或直接触发一个后台 `asyncio.create_task`
→消费者：独立的异步任务负责调用 Helius `/v0/transactions` 接口，解析 `nativeTransfers`、`tokenTransfers`、`events.nft` 等字段。
这保证了WSS连接的 `recv()` 循环永远不会被慢速HTTP 请求卡住
这确保了超高TPS环境下消息的实时性。
---
三、数据一致性：从内存去重到SQLite约束
➤ EVM 侧：数据库唯一索引
EVM监控中，同一笔交易可能因为WSS重连、轮询补偿等原因被多次处理。
单纯依赖内存 `set` 无法应对进程重启。所以我设计了 `tx_history` 表的复合唯一约束：
```sql
UNIQUE(tx_hash, log_index, address)
```
任何重复插入都会被SQLite的 `ON CONFLICT IGNORE` 静默丢弃。这从数据库内核层面保证了幂等性。
对于没有 `log_index` 的原生币转账，我降级使用 `tx_hash + address` 作为组合键。
➤ Solana侧：时间窗口内的签名去重
Solana交易没有 `log_index` 概念。而且Helius解析可能产生多条记录。
我使用了内存 `set` 存储最近处理的签名
我利用 `LimitedSizeDict` 的变体思想，在签名集合超过1000个时，自动清空一半（或利用 `OrderedDict` 弹出最旧条目）。
这种滑动窗口去重在性能和准确性之间取得了良好平衡。
---
四、AI 工程化：多提供商容错和JSON解析的艺术
➢特征驱动的动态调度
`MultiAIClient` 是 AI模块的核心
它不是简单的if-else分支，而是一个基于特征标志的调度器。
配置文件中定义了每个提供商支持的功能（比如 `transaction_insight`、`daily_report` 等）
当请求解读时，系统会筛选出支持该特征的提供商列表，按优先级发起请求
超时或失败就自动降级到下一个。
➢ LLM 输出的防御性解析
大模型输出 JSON不稳定是常态。我的处理流程远比 `json.loads` 复杂：
清洗：移除Markdown代码块标记 ```` ```json ```` 和 ```` ``` ````。
正则提取：如果解析失败，我直接用正则表达式 `r'"insight"\s*:\s*"([^"]*)"'` 暴力提取字段。这是最后一道防线。
字段映射：兼容 `insight` / `Insight` / `解读` 等多种Key 命名
这套机制确保了即使Moonshot或DeepSeek返回了“半个 JSON”，前端依然能展示有效解读
它不会抛出 `JSONDecodeError` 导致白屏。
---
五、内存和性能：LimitedSizeDict和异步队列
➢ 自定义有限容量字典
Python标准库没有内置LRU而且限制大小的字典
我基于 `collections.OrderedDict` 实现了 `LimitedSizeDict`：
```python
def __setitem__(self, key, value):
if len(self) >= self.max_size:
self.popitem(last=False) # 淘汰最早插入的项
super().__setitem__(key, value)
```
这个简单的数据结构被用于Token信息缓存、价格缓存、NFT元数据缓存。
它确保了长时间运行时，内存占用不会随着监控地址增多而线性膨胀
内存占用稳定在一个极低水平
➢Solana 日志的异步串行写入
Solana的详细交易日志需要写入JSON文件
如果多个协程同时 `json.dump`，很容易导致文件格式损坏。
我引入了 `asyncio.Queue`：
- 所有写日志请求把数据 `put` 进队列。
- 唯一的一个后台协程 `_file_writer` 阻塞等待队列，取出数据后执行文件I/O。
这既避免了复杂的线程锁，又利用异步特性保证了高并发下的数据安全。
---
六、前端和后端的双向通信：pywebview的深度集成
➤ JS API 注入
`pywebview` 允许你把Python对象的方法直接暴露给前端 JavaScript。
我的 `Api` 类继承自多个Mixin
所有以 `def` 开头的公有方法都自动成为 `window.pywebview.api` 的成员。
这让我能以极低成本实现前后端分离。前端只需要关注 UI 交互。
➤悬浮窗的独立实例和通信
悬浮窗不是主窗口的子DIV，而是 `pywebview` 创建的第二个独立窗口。
我通过 `FloatingWindowManager` 管理它的生命周期。我利用主进程的 `js_api` 实例向悬浮窗注入JS代码（`evaluate_js`）
这实现了主窗口日志向悬浮窗的实时推送。
这种设计保证了悬浮窗即使被关闭，也不会影响主监控任务的运行。
---
七、桌面应用打包：PyInstaller的深坑和工程化实践
把 Python项目交付给没有技术背景的最终用户，你必须打包成独立EXE
PyInstaller看起来是一条命令搞定。但是在复杂项目中，它背后隐藏着无数足以让开发者崩溃的细节。
这一节我分享我在打包“powerpei Web3 哨兵”过程中遇到的几个典型深坑和解决方案。
➤ 隐式导入和 --hidden-import
PyInstaller通过静态分析入口文件的 `import` 语句来构建依赖树。
但是很多库（比如 `pystray`、`websockets`）使用了 `importlib.import_module` 或 `__import__` 动态加载子模块。这导致打包后的 EXE 运行时抛出 `ModuleNotFoundError`
解决这个问题的关键在于根据报错信息反向定位缺失模块
然后在打包命令中显式声明 `--hidden-import`。
比如，这个项目中托盘图标功能必须添加：
```bash
--hidden-import pystray._win32
--hidden-import pystray._util
--hidden-import win32event
--hidden-import win32api
```
这要求开发者对依赖库的内部结构有一定了解
通常需要结合源码阅读和反复试错才能完整列出所有隐式依赖。
➤ --collect-all 和资源文件陷阱
`pywebview` 库不仅包含 Python代码
还依赖前端 HTML/JS 以及Edge WebView2 运行时文件。
PyInstaller的默认分析无法感知这些非代码资源
如果你不加处理，打包后程序会因为找不到 `index.html` 或 `webview.js` 而白屏。
正确的处理方式是使用 `--collect-all pywebview`
这个参数强制PyInstaller把 `pywebview` 包目录下的所有文件（包括二进制和静态资源）完整复制到打包目录。
这是处理这类“重型”GUI库的标准操作。
➤ 二进制依赖和UPX压缩
项目依赖的 `pywin32`、`Pillow` 等库包含 `.pyd` 和 `.dll` 二进制文件。
这些文件体积比较大，而且在PyInstaller打包后不会被自动压缩。
通过集成UPX 工具并在打包命令中指定 `--upx-dir`，你可以对最终 EXE内的二进制文件进行高比率压缩（通常可以缩减 30%-50%体积）。
需要注意的是，极少数老旧杀毒软件可能对UPX加壳的程序产生误报
但是对于技术型用户群体，这种概率极低而且可以通过提交样本解除。
➤ 路径“冻结”和 sys._MEIPASS
这是PyInstaller打包中最核心的概念
开发阶段，程序通过 `__file__` 或相对路径访问配置文件、图片资源。
打包成单文件EXE 后，所有资源被解压到一个临时目录
这个目录的路径存储在 `sys._MEIPASS` 变量中。
开发者必须在代码中全局替换所有文件访问逻辑。典型范式如下：
```python
def get_resource_path(relative_path):
if getattr(sys, 'frozen', False):
base = sys._MEIPASS
else:
base = os.path.abspath(".")
return os.path.join(base, relative_path)
```
忽略这个适配会导致程序运行时找不到任何外部文件
这是新手打包时遇到最多的路径地狱
我的做法是把这个函数封装在 `https://t.co/K5tvo7bEIf` 中，全项目统一调用。这确保了打包前后路径行为一致。
➤子进程的特殊处理
这个系统采用主进程启动子进程的架构。
在打包后，子进程脚本 `https://t.co/cPjRj88Vwx` 和 `https://t.co/YNet3vg89T` 也被封装在 EXE内部。
如果主进程仍然尝试用 `python.exe https://t.co/cPjRj88Vwx` 启动，会因为找不到文件而失败。
我的解决方案是在主进程启动子进程时，动态检测是否处于打包模式
然后传递正确的 `--main-exe-dir` 参数，使子进程能定位到配置文件所在的外部目录。
这部分逻辑细节我已经在进程架构章节中讲过了，这里不再重复。
---
八、最后说几句
我回顾整个开发历程
从单脚本到多进程架构，从裸WebSocket到高可用节点池，从简单的 print日志到结构化 SQLite存储，每一步都是对工程化理解的深化。
打包环节的探索更是让我深刻体会到：能让软件稳定跑起来只是第一步，能让用户轻松用起来才是真正的交付。
这不仅是一个监控工具，更是我在异步编程、进程管理、AI集成、桌面软件开发等领域实践经验的集合。
如果你对文中的任何技术细节感兴趣，欢迎访问我的 GitHub（我在掘金 电鸭 知乎的笔名是 潇楠）
---
作者：Powerpei
全栈 & Web3独立开发者，专注于Python桌面应用、区块链数据分析和AI工程化落地
I found a GitHub repo that reads doctor handwriting.
It's called Chandra. It handles forms, tables, math equations and cursive documents that have defeated OCR for 30 years.
One command. Full layout preserved.
→ Reads handwriting, cursive, and messy print with full accuracy
→ Reconstructs merged table cells including colspan and rowspan
→ Renders inline math and block equations as LaTeX automatically
→ Extracts checkboxes, radio buttons, and form fields with their values
→ Outputs Markdown, HTML, or JSON with bounding box coordinates for every element
→ Supports 40+ languages out of the box
→ Runs locally via HuggingFace or on a vLLM server for production throughput
Tested on 10K financial filings, medical forms, LA Times newspapers, and college worksheets.
It beats every baseline on the OLMOCr benchmark.
100% Open Source. Apache 2.0. 4.8K stars.
Repo: https://t.co/nrCGKxLCC9
🚨 Someone open sourced a Claude Code workspace that writes, researches, and optimizes long-form SEO blog posts automatically.
It's called seomachine.
+2,548 stars this week.
Why it's great:
Hiring an SEO content agency costs $3,000 to $8,000 per month. A single optimized post from a freelancer runs $300 to $800.
Seomachine gives you a Claude Code workspace pre-wired for keyword research, content structure, competitive analysis, and readability scoring.
Most teams ship 2 posts a month. This runs the full pipeline end to end.
How to use it:
Clone the repo and drop it into Claude Code as your workspace. Feed it your business, your target keywords, and your audience.
It researches, writes, analyzes, and optimizes in one session. No prompting from scratch. No formatting cleanup.
Just point it at a topic and ship.
Deep|AI Infra 2026: Shifting from "Brain Power" Competition to "Whole-Body" Evolution
This is one of our most important reports this year, and our entire team invested a significant amount of time and effort into it.
We observed that the OCS ratio in Scale Up scenarios is still rising rapidly, and we also found that $MRVL is involved not only in TPU but also in LPU.
In 2026, the focus of AI development has pivoted from chasing high benchmark scores to pursuing AI Agents capable of multi-step reasoning and autonomous action. This infrastructure arms race is undergoing a transformation akin to biological evolution. If an AI system is viewed as an evolving organism: the GPU/TPU represents the calculating brain; Memory and Storage serve as the memory carriers for experience and context; the CPU acts as the hands coordinating tasks; while Optics and Networking function as the limbs supporting systemic data flow and response sensitivity. Under the framework of the Agent Scaling Law, the core bottleneck is no longer just the FLOPS of a single chip (brain power), but rather the communication efficiency (limbs), the memory wall (memory), and the Total Cost of Ownership (TCO).
The “Brain” Idle Crisis: Even with the most powerful compute cores, if the “limbs” (communication) are underdeveloped, chips will sit idle for over 1/3 of the time waiting for data.
The “Memory” Retrieval Bottleneck: Long-sequence reasoning for Agents imposes rigorous demands on KV Cache management; the performance of memory and storage components has become the deciding factor for an Agent’s logical depth.
Dimensional Evolution of “Limbs”: To overcome the communication bottlenecks inherent in MoE architectures, infrastructure is moving from 3D Torus toward high-dimensional topologies (up to 10D). Networking investment weight is now matching or even surpassing that of compute chips.
This report outlines the bottlenecks facing AI Agents and recent TPU progress, specifically exploring how Google TPU optimizes “whole-body” coordination through vertical integration. We argue that:
Networking is the new core battlefield: To solve MoE All-to-All bottlenecks, Google is significantly expanding scale-out bandwidth and shifting from 3D Torus to higher dimensions.
Unlocking TCO and Allocation Efficiency: Through proprietary architecture and vertical integration, the TPU v7 rack cost is significantly lower than the NVIDIA GB200. This efficiency gain frees up CapEx for growth in optical communications and memory. $LITE $NOK $CRDO
Detailed Report
https://t.co/o4KXldnP5G
👍
Linux is free
Docker is free
Kubernetes is free
Git is free
GitHub is free
Python is free
Node.js is free
Go is free
PostgreSQL is free
MySQL is free
MongoDB is free
Redis is free
Terraform is free
Ansible is free
Jenkins is free
Prometheus is free
Grafana is free
NGINX is free
Apache is free
VS Code is free
Postman is free
Figma is free
Vercel is free
Netlify is free
Azure is free tier
ChatGPT is free
Claude is free
Gemini is free
Perplexity is free
What’s stopping you to build and ship?
这是开源的第一个SEO&GEO系统：GEOFlow
去年10月份，国庆节的时候，就完成了第一版的开发，这几个月，断断续续进行了不少的迭代，也做了不少测试，终于上线开源，欢迎下载部署测试：
1、GEOFlow系统可用于官网GEO频道部署、独立资讯站、以及独立官网甚至多站点部署，实现自动化+智能化的自运营；
2、对SEO&GEO进行了工作流层面的规范，前端相关页面做了相关的GEO代码规范，系统后台完成相关配置后，系统自动完成内容与发布的管理；
3、配套skill，通过skill可以与CLI及各种skill打通，实现更智能、便捷的管理，也可以接入多个AI工作台，比如codex、牛马AI、CodePilot等
GitHub地址详见评论区
GitHub 上这个自动剪视频的工具 AutoClip，我已经先把仓库 fork 下来了。
基本等于请了个 AI 剪辑助理。
把 YouTube / B站的视频链接扔进去，它就会自己把流程跑完：
- 拉取视频
- 理解内容
- 识别高能片段
- 一键切成多条短视频
- 连标题都能顺便生成
换句话说，一条长内容，直接批量产出一套短视频素材库。
特别对口这些场景：
- 直播回放拆成连续短更
- 播客提炼精华高光
- 访谈抓金句做切片
- 课程按知识点拆分分发
做内容矩阵的人，看到这里应该已经在算效率提升多少倍了。
短视频最耗人的往往不是拍摄，而是对着时间轴反复拖拽、找点、截段、微调。
这个项目干的就是把那段最枯燥的工序，直接交给机器全自动处理。
Github 地址：https://t.co/Fmkbcrm5EN
Crypto Cards Weekly Digest: April 6-April 12
Volume:
RedotPay: $89.22M
KAST: $15.64M
EtherFi: $13.95M
Karta: $5.59M
Tria: $3.17M
Gnosis: $2.14M
Cypher: $1.94M
Ready: $1.68M
Other (10): $6.9M
Total: $140.3M (-1.5% WoW)
Transactions:
EtherFi: 188,791
RedotPay: 113,321
Bitget Wallet: 96,095
BFinance: 48,279
Gnosis: 45,756
Safepal: 42,838
Avici: 27,552
MetaMask: 22,927
Other (10): 47,034
Total: 632,593 (+0.1% WoW)
Weekly Crypto Card Users
RedotPay: 62,310
EtherFi: 19,496
Bitget Wallet: 13,750
BFinance: 13,015
Safepal: 6,404
Tria: 5,879
Gnosis: 5,278
Ready: 4,244
Other (10): 8,785
Total: 139,161 (+1% WoW)
Some interesting stats:
Despite total card volume falling slightly, RedotPay still grew volume from $87.76M to $89.22M.
KAST was the biggest volume gainer, its volume rose from $14.35M to $15.64M, about +9% WoW.
Tria was the biggest loser this week, with its volume down by -35.7% WoW.
Hope you enjoyed this post and found some new VALUABLE information.
If you wanna support me, I'd appreciate a like, reply, and RT <3
🇹🇼 Taiwan - Heart of Photonics and Optical Components
Taiwan currently holds the strongest integrated growth potential in the global Photonics and Optical Components industry, particularly for AI data center applications. Below a list of tickers that focus in this field.
Epitaxy (LandMark e IntelliEPI) is leading in YTD% because the biggest current bottleneck in AI optics is the capacity for InP/GaAs epitaxial growth. Whoever masters this has a structural advantage.
Most Popular Users
Elon Musk 
@elonmusk
240.1M followers
Barack Obama
@barackobama
119.3M followers
Donald J. Trump
@realdonaldtrump
111.6M followers
Cristiano Ronaldo
@cristiano
108.9M followers
Narendra Modi
@narendramodi
107M followers
Rihanna
@rihanna
97.3M followers
NASA
@nasa
92.1M followers
Justin Bieber
@justinbieber
90.6M followers
KATY PERRY
@katyperry
86.8M followers
Taylor Swift
@taylorswift13
80.6M followers
Lady Gaga
@ladygaga
72.2M followers
Kim Kardashian
@kimkardashian
69.4M followers
YouTube
@youtube
68.6M followers
Virat Kohli
@imvkohli
68.5M followers
Bill Gates
@billgates
63.4M followers
The Ellen Show
@theellenshow
62.5M followers
CNN
@cnn
61.9M followers
Neymar Jr
@neymarjr
61.1M followers
X
@x
60.9M followers
Selena Gomez
@selenagomez
59.9M followers