留堂爸爸

ENFJ-T；
关注加密，囤 BTC，不炒币；
猛兽匣爱好者；
个人参与科技股权投资的劝退人；
读书改变命运的信奉者

[留堂爸爸 @KirinPrimates]

青春期孩子不跟你说话，不是关系坏了，是他在自己成长公司里当总经理了——你该做的是总经理助理，话不听就找“替身”：他敬佩的老师、长辈、名人传记。
25岁以后？
做好亲戚就行：常走动，别奢望、别掺合、别打扰。

[留堂爸爸 @KirinPrimates]

听了李希贵校长的“父母七种角色”，把0到25+的养育路线图讲透了：
保姆→玩伴→导游→服务型政府→总经理助理→银行柜员→亲戚。
本质是父母一路退位、孩子一路当家

[留堂爸爸 @KirinPrimates]

最实用的是6-12岁“服务型政府”四抓手：
①师生间只传表扬不传问题，老师告状的话回家不说，问题自己观察后帮孩子解决；
②阅读阶梯：绘本→桥梁书→神话→历险记；电子产品“你所有，他使用”，先立规矩；
③随时表扬，定期批评——“除掉杂草的方式是种上庄稼”；
④弱点翻译成优点：胆小=谨慎，内向=深刻。

[Hytidel聊商业（文章更多干货） @HytidelLegend]

九紫离火运一定会烧掉那些虚头巴脑的东西

像前阵子很火的纯过日子时代、薄肌理论、大水理论、大觉理论、《高性价比人生指南》，都是如此

今天给大家带来《高性价比打工指南》，我的核心观点是：
找工作（指所谓的“主业”）不要向上高攀，而要向下兼容、降维打击 https://t.co/UgqACVd7uk

[留堂爸爸 @KirinPrimates]

关于 AI：它是跨域外挂，但也是类固醇——
底层没打牢就把思考外包给 AI，加速的是自我毁灭。
先自己走完 1.0→3.0，再谈外挂。

[留堂爸爸 @KirinPrimates]

单领域高手，往往在其他象限瘸腿。
Dan Koe 的人生升级地图：
四个象限（心/身/灵/业）独立计分，各分三层：
1.0 循规者 → 2.0 个体主义者 → 3.0 综合者
最扎心的规则：
最低的那个象限，决定你的系统强度。
它不止是短板，还会主动把你拖回舒适区。
所以「事业3.0 心智1.0」的伪转型者随处可见。
看人同理：别看他事业的峰值，
先问他最弱的象限是几级。🧵

[鱼总聊AI @AI_Jasonyu]

https://t.co/8d3h6wIlbp

[良竹 @liangzhu_AI]

独立产品上线后没有自然流量？很多技术人连最基础的高权重外链都没铺。

很多独立开发者花几个月写好代码，上线就干等着 Google 收录，结果半年过去流量还是个位数。
这份整理好的 73 个全球高权重（DR）反向链接提交渠道非常实用：

1. Chrome 网上应用店 (DR 100)
2. Medium (DR 94)
3. Starter Story (DR 76)
4. Niche Pursuits (DR 74)
5. TrustMRR (DR 71)
6. OpenAlternative (DR 60)
7. AlternativeTo (DR 80)
8. Product Hunt (DR 91)
9. Uneed (DR 76)
10. Forbes (DR 94)
11. TrustRadius (DR 85)
12. SourceForge (DR 93)
13. Peerlist (DR 77)
14. Indie Hackers (DR 81)
15. BetaList (DR 77)
16. DevHunt (DR 64)
17. Indie Page (DR 67)
18. GitHub Pages (DR 97)
19. DevTo (DR 91)
20. Hashnode (DR 83)
21. Failory (DR 75)
22. Software World (DR 73)
23. Pinterest (DR 97)
24. Micro Founder (DR 39)
25. Flickr (DR 94)
26. Vimeo (DR 96)
27. Software Suggest (DR 78)
28. YouTube (DR 99)
29. Startup Stash (DR 65)
30. BoringCashCow (DR 28)
31. Substack (DR 94)
32. Founder Reports (DR 66)
33. SaaSHub (DR 81)
34. Vocal Media (DR 82)
35. Hacker News (DR 91)
36. AlternativeMe (DR 75)
37. SaaS Club (DR 59)
38. Quora (DR 92)
39. Tiny Startups (DR 71)
40. OSS Gallery (DR 33)
41. SideProjectors (DR 71)
42. TinyLaunch (DR 73)
43. Mixergy (DR 76)
44. PeerPush (DR 75)
45. The Hustle (DR 79)
46. YourStory (DR 85)
47. HackerNoon (DR 88)
48. First Round (DR 82)
49. Saastr (DR 78)
50. Bootstrappers (DR 36)
51. Imgur (DR 91)
52. SideProjects (DR 17)
53. Launch Directories (DR 45)
54. StackShare (DR 78)
55. Indie Hacker Stacks (DR 26)
56. Startups FYI (DR 32)
57. No Code Founders (DR 51)
58. StartupBase (DR 73)
59. VentureBeat (DR 91)
60. There's an AI for That (DR 77)
61. FoundrList (DR 72)
62. Smol Launch (DR 74)
63. Scroll Launch (DR 71)
64. Tycoon Story (DR 60)
65. Newsletter Crew (DR 28)
66. Startups 4 Rest of Us (DR 59)
67. GrowthMentor (DR 72)
68. PitchWall (DR 68)
69. Startup Founder Stories (DR 14)
70. Toolify AI (DR 73)
71. Creator Economy Tools (DR 22)
72. Foundr (DR 76) 73. Fazier (DR 83)
73. Fazier (DR 83)

[投机实验室 @LabSpeculation]

胜率只有30%，还能把5000的账户做到1亿美元！！

瑞典交易员Qullamaggie的交易系统最新完整版，当过保安爆过仓，最后靠交易挤进瑞典收入榜第15人的传奇交易员😘🥸

2026 年 6 月新出的那本《金融怪杰》，第一章写的就是他，他当过保安，2011年开始做美股，头两年爆仓就爆了三四次，他靠上夜班攒钱借钱才又开了新账户，瑞典每个人的报税收入都是公开的。

2021年他报的收入是三亿六千万瑞典克朗，相当于两亿七千万人民币，排在全瑞典的第十五位，这份榜单一共一百个人，有 Spotify 的创始人，H&M 的继承人，《我的世界》的作者。

职业写的是交易员的就他一个，我研究过那么多交易员，靠交易做到这个程度的，他是第二个。

这么多年，他说自己只做三种交易，突破EP 跳空和抛物线做空，突破和 EP 是做多，抛物线做空他也做，但他每年亏得最大的单子都出在做空上，所以不建议别人做，三种策略的逻辑是一样的，就是在动得最快的股票上，找止损能放得很近的位置进场。

错了亏一点，做多的单子对了就拿上几周到几个月，所以他的胜率很低，2019 年是25%，第二年大约35%。

看视频吧，视频把他的方法全跟你说了，讲的明扒滴。

[黄小木 @ai_xiaomu]

物料包，skill 均开源，文中自取，拿去卖课吧⬇️ https://t.co/2gy32PJwsV

[Gary曹淦 @GaryAIytb]

https://t.co/OVobeIN0bo

[Akshay 🚀 @akshay_pachaar]

Google just open-sourced Harness².

(turn any harness into a self-improving system)

a harness is everything wrapped around the model, like the system prompt, tools, memory, skills, and subagents. today a person designs it once, and the agent runs every new task with that same fixed setup.

Harness² lets the agent refine that setup for each new task on its own, with the model weights left untouched.

on every task, the agent proposes edits to its harness, runs a few candidate versions, and composes a better harness by comparing how those runs behaved.

because it learns from the differences between runs, it needs no correct answer or grader for the task.

that covers a single task. Harness² also carries what it learns from one task into the next.

after each task, it saves the harness it settled on along with the lessons that held up across the runs. the next time it refines a harness, it starts from those notes instead of from scratch.

this means every finished task makes the next round of edits more informed.

Google tested this with Gemini 3.5 Flash and GLM-5 on legal, office, and professional work benchmarks. one round of edits was enough to beat their original harnesses, and giving the agent more rounds pushed scores higher.

those extra rounds can go wide or deep. the agent either tries several candidate harnesses at once or keeps refining a single one step by step, using OpenCode or Codex to carry out the work.

you can find the Harness² repo here: https://t.co/i00WLeeFpw

I wrote about a similar idea for agents already running in production, where the harness should repair itself after a failure instead of waiting for someone to debug the trace by hand.

that piece walks through how @Cometml's Opik (open-source) closes this loop, going from a failing trace to a proposed fix to a regression test that stops the same failure from coming back. it's quoted below.

[俊哥AI @jungeAGI]

https://t.co/ZKd5XsDP4P

[Kin @KinGao476942]

https://t.co/I2xz8XXcBq

[留堂爸爸 @KirinPrimates]

📑 收银台先于机房｜谁在交易流入口收租？
AI行业第一笔大退出（Stripe 75亿美金收购OpenRouter）没发生在烧钱的机房，而是发生在「每笔账单必经之路」的轻资产计量层。
这不是孤例，是历史规律👇
🏦 Visa/Mastercard：银行放贷苦哈哈，卡组织卡住刷卡必经之路，抽成抽到市值最高
📈 交易所/币安：券商拼资本金，撮合入口躺着赚
🔍 Google搜索广告：给「流量入口位置」本身定价
✈️ Sabre订票系统：航空公司开飞机，它收订票过路费
💡 本质就三句话：
1️⃣ 交易流入口天然垄断——绕开的成本＞过路费
2️⃣ 入口掌握度量权——谁计量，谁定价
3️⃣ 轻资产不是运气——位置的价值在「流」不在「产」
⚠️ 但这个逻辑有边界：
一旦入口能被绕过或免费搭（比如网关被云厂商当赠品送），位置租金就归零。
所以判断这类资产，别问「它现在在不在入口」，要问——
「别人绕开它，要花多大代价？」
#投资思维 #AI基建 #商业逻辑 #认知升级 #思维模型 #创业 #投资笔记

[Dhairya Karekar @dkare1009]

Google has released a free 1-hour course on AI engineering, covering everything from building your first AI agent to creating fully autonomous systems.

7:02 — Build your first AI agent
13:34 — Explore what AI agents can do
23:08 — Learn context engineering
32:56 — Understand graph engineering
54:11 — Create a fully autonomous system

One agent can save hours of work. Multiple agents can completely change how a team operates.

Prompts → Agents → Loops → Graphs

Most people focus on prompts, but the real power comes from building AI systems that can think, act, and improve through structured workflows.

Same models. Same tokens. Better systems. Better results.

Watch the full course and save it for later.

The complete guide to loops and graphs is below. 👇

[meng shao @shao__meng]

https://t.co/rE6rU3Ybcd

[meng shao @shao__meng]

MIT 课程 MAS.S62「How to AI an AI」：提示优化、Harness 演化、模型自博弈与任务生成四层演化

@pliang279 老师的 Lecture 4-5 连续两讲「Harness evolution」强烈建议阅读学习，分别覆盖了 Harness Evolution（harness 组件、记忆、工具与技能演化）和 Multi-Agent Evolution（规划、任务分解、多 agent 系统与演化）

# Lecture 4：先给 Harness 做解剖，再谈让它演化
https://t.co/4emiLkozt1

课程把 Harness 解剖为五个组件，这个框架贯穿两讲：
· Context：提示、记忆、检索信息
· Control：规划、路由、多 agent 编排
· Action：工具、技能、RAG、API、环境
· Evaluation：验证、安全、人类反馈
· Evolution：反思、更新、学习

记忆部分：一张三轴分类法 + 四个代表系统
讲义用三个轴组织整个记忆研究空间：存什么（反馈/技能/轨迹/语义事实）、如何表示（文本/结构化/多模态/参数）、存在哪里（上下文/参数/外部），外加如何复用（检索/改编/组合/迁移）。

然后沿“存在哪里”排布了四个系统：
· @MemGPT（外部记忆）：把 LLM 类比为操作系统，记忆的读写变成 agent 自己的函数调用；
· @mem0ai（外部记忆）：记忆结构化为实体-关系三元组图，支持 add/update/delete/noop 四种操作；
· MEM1（上下文内记忆，授课者自己组的工作）：这是本讲着墨最多的部分。针对“推理上下文不断增长导致复杂度与遗忘”的问题，MEM1 让模型每步生成一个整合了推理与记忆的内部状态，然后丢弃全部历史；上下文大小恒定，且可用结果奖励端到端训练模型学会“压缩”。实验展示了三个涌现行为：分类存储每个问题的关键信息、答完一题先更新记忆再进入下一题、多次搜索无果后学会跳过该题。这些行为没有任何一个是显式编程的。
· Reflexion / ExpeL（经验化记忆）：轨迹存短期记忆、自我反思存长期记忆；ExpeL 进一步把“这条经验是否有用”的反馈也存进去。

Context Language Models（CLM） 是记忆部分的收束：让模型把自己的整个上下文当作一个文件，用 Bash 命令随意编辑，编辑与真实上下文同步；创建/删除上下文文件即可实例化/终止子 agent；记忆、上下文管理和多 agent 结构被统一成“文件操作”。

工具与 Skills 部分：从 Toolformer 到 Meta-Harness
谱系是：Toolformer（模型自学单步工具调用）→ ToolLLM（扩展到多步、16000+ API）→ CodeAct（关键论断：代码是元工具，一次动作即可组合控制流、库与多次操作，实验显示用代码做工具调用成功率最高、交互轮数最少）→ Skills 层：Skills 可以表示为文本或代码（后者更可组合）、可作为代码中的抽象类（PolySkill）、可从成功与失败的轨迹中归纳为可复用工作流（Agent Workflow Memory）→ Voyager 的 Skills 库（自动课程生成 + 环境反馈 + Skills 归纳进库）。

压轴的 Meta-Harness 把整讲推向顶点：现有 LLM 优化方法只给优化器看“简短摘要、标量分数、部分历史候选”，而 harness 复杂得多。Meta-Harness 把整个 harness 表示为文件系统，完整源代码、分数、全部执行轨迹都放在里面，让 proposer（Claude Code，用 grep/cat 阅读）把失败回溯到具体的 harness 决策上，反馈信息量是 prior 方法的近 400 倍（1000 万 token 对 2.6 万）。提示、RAG、Skills、工具、记忆、程序循环全部统一为文件系统中可优化的对象。

本讲最重要的一页：抽象阶梯
最后一页总结是全讲义的精华，Liang 老师点出他最欣赏的三个方法共享同一模式：
· MEM1：把记忆当作上下文中的内部状态，由 LLM 自主更新
· CLM：把整个上下文当作持久文件，由 LLM 自主维护改写
· Meta-Harness：把整个 harness 当作文件系统，由 LLM 自主修改

共同点：简单、无手工设计、端到端；可自主优化的对象沿“记忆 → 上下文 → harness”不断升维；且同一范式在 zero-shot、上下文学习、微调三种模式下都可扩展。这是整门课“自演化”思想最凝练的表达：不让 AI 在某一点上变强，不断扩大“什么是可以被 AI 自己改写的”边界。

# Lecture 5：从规划到多 Agent，把玄学变成实证科学
https://t.co/9MfFAfLJV3

规划部分：三个关键问题
讲义先明确规划的核心问题：规划何时有用、何时有害？计划如何表示？何时该改计划？ 结论清晰：基于提示的规划（CoT、Least-to-Most）适用于纯文本、无副作用、可回退的场景；一旦计划作用于真实世界、改变 agent 状态、不可逆，就必须“规划-执行-观察-重规划”。后续案例展示了谱系：大小模型分工（大模型规划 + 7B 模型执行 GUI 动作）、人在回路的不确定性澄清、合成数据训练规划器、采样多条计划估计不确定性（校准规划）、以及“Thinking vs Doing”，测试时不只是想，而是真实执行、看反馈、再重试。

多 Agent 部分：五条实证发现
这部分以 Towards a Science of Scaling Agent Systems（Nature Machine Intelligence 2026）为主线，讲义没有停留在“多 agent 更强大”的流行叙事，而给出五条冷静的实证结论：
1. 多 agent 只对特定任务结构有效。金融 agent 任务天然可分解（收入/成本/市场），MAS 赢 81%；PlanCraft 类任务有强顺序依赖，拆分反而伤害，MAS 输 70%。指南：可并行 → 集中式；需探索 → 去中心化；顺序依赖 → 单 agent。
2. 收益随基座模型而异：OpenAI 模型成本增加性能却平台化；Google 模型成本高性能高；Anthropic 模型上 MAS 甚至可能伤害性能。
3. agent 数量越多不一定越好：工具密集型任务（16 个工具的工作流）受协调开销拖累，且惩罚随环境复杂度复利式累积。
4. 异构混合可以打败更强的单一基座：不需要处处用贵模型，“廉价编排器 + 昂贵执行子 agent”是好用配置；且若单 agent 基线已超 45%，MAS 反而有害。
5. 性能可预测：以模型、任务、MAS 配置为参数的 scaling law 能以 87% 的准确率预测最优架构，从“碰运气试配置”走向 agent 设计的原则性科学。

这五条与阅读清单里的 "Why Do Multi-Agent LLM Systems Fail?" 一起，构成课程对多 agent 热潮的实证纠偏。

多 Agent 演化：CORAL
既然多 agent 的设计空间（任务、基座、拓扑）如此敏感，下一步就是让它自主演化；可以演化的对象有三个层次：个体 agent（模型/上下文/harness）、系统结构（角色/通信/拓扑）、共享信息（公共记忆/工具/Skills）。代表工作 CORAL（正是本课 TA Ao Qu 的一作论文）：多 agent 专业化、高度自主、共享记忆、心跳机制维持持续运行；在数学、算法、系统优化等 8 个任务上取得新 SOTA，多 agent 演化比单 agent 带来 4%–20% 提升。其分析回答了“为什么共同演化有用”：36% 的演化尝试以其他 agent 为父节点，这些尝试的改进率 17%（平均仅 9%）；跨 agent 的信息转移是收益的真实来源；各 agent 探索方向重叠度低（Jaccard 0.3–0.4，一半以上探索是独特的）；贡献均衡，无搭便车者。

# 两讲放到一起看：自主优化的边界在哪里？

第四讲沿“对象升维”推进：记忆 → 上下文 → 整个 harness（文件 → 文件系统），每一级都是把更大的一块系统交给 LLM 自主改写；

第五讲沿“系统升维”推进：个体 agent 的规划 → 多 agent 编排 → 多 agent 系统本身的演化（角色/拓扑/共享记忆），每一级都是把更大的设计空间交给自主搜索。

而两讲都保持着同一分批判克制：第四讲强调“简单、无手工设计、端到端”才可扩展，第五讲用五条实证发现反复提醒“多 agent 不是免费午餐”。先建立严格的分类学与实证规律，再把剩余的设计空间交给自主演化，这既是这两讲的教学结构，也是这门课对“如何研究自演化 AI”这一元问题给出的方法论答案。

[Vega Hao @Vegahao]

李录这场88分钟的完整对谈，信息量巨大！我制作了中英双语字幕版本，建议转发收藏

AI的成本与泡沫、中国制造业与房地产、股市未来的角色、明确否定加密货币，以及做投资最难跨过去的人性。

其中有一个判断，值得所有在中国做投资、做生意的人反复琢磨：你所在的行业，究竟是国家要实现的目标，还是实现目标需要付出的代价？

在中国投资，先看懂“目标与代价”。 李录认为，中国的发展往往伴随着阶段性的重点转移。一个时期大力支持的行业，到下一个时期，可能就要承担转型的成本。房地产、制造业、环保，都可以放进这个框架里理解。对企业家和投资者来说，光看行业过去赚了多少钱还不够，还要看它现在处在什么位置。

中国股市未来的位置，要放进家庭资产负债表里看。 现场有人直接问：中国股市到底属于目标，还是代价？他的回答很有意思：当房地产在家庭和国家财富中的占比下降，什么资产来承接财富积累？在他看来，股权能分享企业创造的价值，也与经济增长相互促进。这是他的长期判断，至于什么时候发生，他没有给出短期时间表。

AI很有用，也很昂贵，最终仍然要算账。 他反复强调，AI会持续产生增量成本，算力、资本开支、收入和利润都绕不过去。能力越来越强，不代表投入就可以无限扩大。技术可以带来巨大变化，企业最终还是要面对财务纪律，市场也可能在这个过程中经历多轮繁荣与萧条。

中美AI的区别，他用两个问题来概括。 硅谷更关心：这项技术还能做什么，边界能推到哪里？中国企业也关心技术边界，但会更直接地追问：它能为我的消费者和企业客户做什么？一个更强调探索能力，一个更强调客户用途。这是他观察两边商业路径的切入点。

资金越集中，越值得看看被冷落的公司。 当资本压倒性地涌向少数热门企业，市场另一边可能就有优秀公司在低价交易。他认为，美国、中国和其他市场都存在这种分化。机会可能因此增加，但前提很难：你得能在别人不断赚钱、市场不断强化同一个叙事时，仍然保持自己的判断。

对加密货币，他的态度非常明确。 被现场问到时，他直接表示自己不考虑，并认为它最终会自行消失，也不认可它的社会价值。这部分肯定会引发争议。可以不认同他的结论，但值得连着前面关于货币、购买力和价值创造的讨论一起听，看看他的判断是从哪里来的。

价值投资最难的一关，是你到底想让市场服务你，还是指挥你。 有位做了两年价值投资的观众问：坚持理念却跑输市场，甚至影响职业发展，怎么办？李录把问题拉回了人性：既想长期做正确的事，又想每年、每季度、每个月都交出漂亮业绩，最后甚至希望每小时都赚钱，人就会逐渐变成投机者。做这门生意，还必须找到愿意与你长期同行、理念一致的资金。

最后讲到人生时，他把复利落在了几个很具体的东西上：知识、信任关系、智慧、健康。

找到适合自己的方向，选择值得合作的人，让这些东西持续积累。过程中会有好运，也会有坏运气；关键是尽量保住已经积累下来的东西，让时间继续发挥作用。

中英双语完整版放下面。尤其推荐把“目标与代价”、AI成本，以及最后关于职业和人生的问答连起来看。88分钟，可以留一个完整的时间慢慢听。

[小樱💞｜实用工具分享 @xiaoying_eth]

如何在 X（推特）上学知识的终极指南

说实话，很多功能我也是第一次知道

B 站 up 主一次给你讲明白