Sullevy.X🧭

Be individual

[极客杰尼 @seekjourney]

发现 lark-cli 有一个非常巧妙的设计啊，真是 Agent Native CLI 的典范设计，将 skills embed 到二进制执行文件中。

内置 skills list/read：让 Agent 先发现能力、再读取当前版本 SOP，避免读错 README 或依赖联网。

我准备借鉴一下，持续优化 md2wechat cli，补齐 skills command。

https://t.co/T8XZl28jJI

[Bohu @BohuTANG]

经过量化，发现 pi 现在这 4 个 tool（read / bash / edit / write）再加上 glob 和 grep，还能再上一个台阶。这俩是高频工具，但想靠 LLM 自己拼出好用的 bash 来顶替，其实挺难的——它经常绕路、反复 read 同一个文件。直接给专门的 grep/ glob，模型少走不少弯路

[kabikabi @jakevin7]

OpenCLI 炒股太强无敌了

抓了很多博主的消息 @octopusycc @cyrilxuq @ShanghaoJin @aleabitoreddit @Franktradinglog @hanking66 …

[柴郡🔔｜Crypto+AI Plus @0xCheshire]

看见一个很离谱的论文……

如果你每天在收盘时买入美光科技，在第二天开盘时立刻卖出，几十年来会获得高达 138,330,342% 的收益。

但如果每天开盘买入，当天收盘时卖出，你的投资最终会几乎全部亏损-99.92%。

作者表示，这一切都是既得利益者的阴谋，所有市场都一样。

是的，包括咱们大 A。

[Amto @XAMTO_AI]

搞 AI 算命这行的朋友注意了，这个开源项目可能就是你要找的那块拼图。

有人把倪海夏《天纪》那套体系整个搬进了代码里——51.8 万条命盘样本、四化飞星规则、1100 多行格局判定逻辑，连骨髓赋原文都一并塞进去了。

想自己搭排盘网站的直接拿去用，想训练命理 AI 的直接当语料。TypeScript 写的，Next.js 14 框架，代码质量不用操心。

🔗 https://t.co/OGVwiNeROV

[苍何 @canghe]

WeSight是一个可以一键安装和管理你本地Claude Code、Codex、OpenClaw、Hermes等Agent的桌面端Agent、可以一键链接飞书等IM通道，可以自定义agent team。可以自定义任意模型，并可监控运行状态。

今天，我们在GitHub开源了WeSight，希望你能喜欢。

1、GitHub地址：https://t.co/I6Ff17oeff
2、官网https://t.co/MoCUb19GVZ
3、官方X账号：@wesight_ai

[Amto @XAMTO_AI]

兄弟们，你们遇到过这种情况吗？把 Hermes、OpenClaw、OpenCode 三个 AI Agent 塞进同一个微信号，结果它们疯狂抢占 iLink 连接，直接给你报 403 冲突。

我直接怼了一个叫 HermesClaw 的轻量代理，就五百行左右的 Python 代码，思路很直接：

1️⃣ 它自己独占 iLink 连接，其他 AI 都得排队等���
2️⃣ 能同时跑两个本地代理，再加一个 ACP 桥接
3️⃣ 三个 Agent 全被蒙在鼓里，都以为自己连的是真的 iLink

懂的人直接抄作业就行。

🔗 https://t.co/JRCQ0FVDh0

别问我为什么有这种操作，问就是技术人的倔强。

[Joruno @wsl8297]

做 RAG / 数据智能体，最容易卡住的是这一步：怎么把一堆散落的文件��变成可追踪、可查询、可复用的数据集。

尤其是 S3 / GCS / Azure 里的 PDF、图片、日志、标注文件，规模一上来，管理和迭代就开始失控。

https://t.co/FAQVucADdG

最近看到一个 Python 库 DataChain，思路很清晰：给非结构化数据加一层 context layer，把云存储里的文件资产“数据集化”——变成带类型、可版本化的 datasets。

之后就能像用数据仓库一样做过滤、join、相似度检索，并且可以在 Agent / RAG 流程里直接复用。

主要特性：

- 覆盖 S3、GCS、Azure 等对象存储的文件数据；
- 用 Pydantic schema 管结构化字段，同时保留文件指针与 lineage；
- 支持并行 / 分布式 Python 处理、checkpoint、增量更新；
- 可把数据集导出为 Markdown knowledge base，方便人和 LLM 消化；
- 提供 MCP / agent harness，便于接入 Claude Code、Cursor、Codex、Copilot 等工具链。

如果你在做多模态数据集、企业内部知识库、RAG 评测集或数据清洗流水线，这个值得看一眼。

[Sac @Saccc_c]

传送门
https://t.co/clsTIXUtcB

[nini @nini_incrypto_]

这下量化团队是不是要失业了？！

这款叫 LEAN 的量化引擎在 GitHub 上拿下了近 2 万星标，是目前全球最顶级的开源交易系统。

它支持上百种数据源和券商接口，不仅能帮你搞定各种交易平台，还采用了 Python 和 C# 双语言开发，把灵活性和速度直接拉满。

最厉害的是，它支持模块化架构，你完全可以基于它搭建出那种多智能体协作的 AI 交易��，让 AI 像对冲基金团队一样分工合作。

系统自带回测、风控、评估和可视化等全套工具，一键就能复刻专业机构的研究体系。

因为是完全开源且支持本地部署，你的百万美金策略和隐私数据都锁在自己手里。

https://t.co/FQEqQLuVMS

[Sullevy.X🧭 @SullevyX]

人工智能你就是里面的人工，��理

[九原客 @9hills]

@IAmBAICE 1. 钱是FDE的公司赚的和FDE无关，即使你自己开个��公司也直接被层层分包，到手就是人天单价。

2. 但是你每天在传达室甚至大门口吹着冷风等半个小时，就有希望了？你去干的活以为是啥AI高大上的活么，除了洗数据就是集成内部接口，人工智能你就是里面的人工。

[Jason Zhu @GoSailGlobal]

https://t.co/uEhh3RH721

[Sullevy.X🧭 @SullevyX]

web 随开随用

[郭宇 guoyu.eth @turingou]

一晚上把 wanman 的新版本改成了 webOS，我感觉以后每个产品都会基于某种 webOS，然后各种大融合，整个互联网成了巨型操作系统，走到哪儿都能用，都能同步。

[Sullevy.X🧭 @SullevyX]

先收藏

[Minara中文 @MinaraCN]

感谢作者的观点与复盘。
决定一套策略生死的，除了胜率胜率，还有手续费和每一笔的 edge。

而这，正是我们接下来要继续做深的方向。马上大家就能看到 Minara 在这块的进展。

[Geek @geekbb]

一个 Rust 原生的 MCP 服务器，支持对 Office 文档（XLSX、DOCX、PPTX）进行亚毫秒级本地读写和转换。

https://t.co/awfZ10aKiy

[HiSeven｜🕊️ @hisevenih]

Github：
https://t.co/D74TyKzGwy

[Geek Lite @QingQ77]

为 Rust 开发者提供一个功能丰富且高性能的 TUI ��，支持灵活布局、终端图片渲染以及主题自动集成。

https://t.co/gj7MULGZ2x

一个 Rust TUI 库，解决了布局太死板、图片渲染麻烦的问题。它支持 flex、网格、虚拟列表这些现代布局，还能在终端里显示图片，SSH 和 tmux 都能用。

[Geek Lite @QingQ77]

开源架构知识库，收录 25 个真实系统架构模板和一套系统化架构思维教程。

https://t.co/vslKrfbsuD

这个仓库不讲代码，只讲架构。收录了 25 个热门系统的架构模板，从电商、社交信息流、支付到 AI 网关、RAG、AI Agent，再到 Claude Code、Codex 等 AI 编码产品，每个模板拆解核心决策和常见坑。

[套利豪仔🗽 @pritipatelfgoo]

我发现了一个 GitHub 仓库，几乎可以完美迁移到 Polymarket 的天气市场

它使用 XGBoost 来纠正 ECMWF 和 GFS 预报中的系统性偏差

它并不是直接相信原始的数值天气预报（NWP）结果，而是让模型去学习：在不同气象站、季节和天气形势下，各个预报模型通常会偏差多少、偏向哪个方向

AruneshDev/Automated-Trading-System-Kalshi-Weather-Model 是我见过的最有意思的、基于机器学习的天气交易系统之一

仓库：
https://t.co/i57q8EueFz

为什么这个仓库有价值？

大多数天气机器人只是直接拿 ECMWF 或 GFS 的输出，然后把它转换成概率

但这个项目更进一步：它把 NWP 模型当作基线，然后用 XGBoost 来预测这些模型的误差。

这个模型能够学习复杂模式，比如：

• ECMWF 在某些城市的夏季午后经常高估气温
• 模型之间的分歧如何影响预报准确性
• 每个气象站的季节性偏差和星期几偏差
• 最近的 METAR 观测如何改善短期修正效果

仓库中的关键技术细节：

• 使用 XGBoost 回归器来预测气温误差
• 特征工程包括模型分歧、历史偏差、时间特征和近期观测数据
• 数据收集、特征工程、模型训练和推理之间有清晰的模块划分
• 代码结构良好，并配有清晰的训练和回测 notebook

如何将其改造成适用于 Polymarket
机器学习核心几乎可以保持不变，你只需要：

• 将 Kalshi API 调用替换为 Gamma API（GET /markets + 市场详情）
• 为每个城市使用正确的结算气象站，例如洛杉矶用 KLAX，亚特兰大用 KATL 等
• 输出经过偏差修正后的概率，而不是原始预报
• 将这些概率输入到你的 Kelly 仓位管理逻辑中

最难的部分

构建高质量的训练数据集。你至少需要每个气象站 2 年的历史 METAR 观测数据，以及 ECMWF/GFS/HRRR 的历史预报存档。NOAA ISD 档案是免费的，但清洗数据并对齐时间是一项非常耗费精力的工作

这个仓库展示了一种专业的方法：如何在物理天气模型之上叠加机器学习

对于 Polymarket 上 1°C 窄区间市场和二元阈值市场来说，这类偏差修正可能会带来非常明显的优势。

如果你真的想构建一个有竞争力的天气交易机器人，这是目前最值得参考之一

[Mitch Fultz @fitchmultz]

If pi /goal ever retried itself into oblivion after a provider hiccup — v0.1.13 is for you.

pi-codex-goal v0.1.13 🚀

• provider errors back off + pause cleanly (/goal resume) — no more infinite hidden retries
• context overflow → pi auto-compact → active goal resumes instead of dying mid-run
• coalesced goal state — footer stays current, session log stops flooding

pi install npm:pi-codex-goal

What's your best pi /goal success story so far?

https://t.co/8HeN9rQGN7