Ethan 亦明

从零开始 | 空杯心态 | 专注SMC订单流

[Ethan 亦明 @cheyimingf]

@SunNeverSetsX 有点深奥，这个要应用在那些方面呢

[摸鱼巨匠🔨 @SunNeverSetsX]

我的 Trading Agent 换上了这个大脑后，明显聪明了几个量级！

长期以来，我在使用 Agent 的过程中，都被同一个问题所困扰：它太容易失忆了！

每次开启��个新会话，我都要重新交代背景：
我是谁、我在做什么项目、我的判断标准是什么、哪些资料已经看过、哪些坑已经踩过、哪些结论已经被推翻过。

这带来的问题非常明显：
第一、Agent 很难保持连续性。今天它帮我分析了一个项目，明天再问它相关问题，它往往又像第一次接触一样，从零开始推理。

第二、Agent 很难沉淀经验。一次研究中已经证明无效的路径，下次它可能还会重复。而一次写作中已经验证有效的结构，下次它也未必会主动再用。

第三、记忆很容易被锁在某个工具里。Claude Code 里沉淀的上下文，换到 Codex、OpenClaw 或其他 Agent 工作流里，就很难自然迁移。

第四、传统的补救方案也不够优雅。把 Prompt 越写越长，会增加 token 成本，也容易污染上下文；自己搭向量库，又经常变成一个黑盒，能搜到碎片，但很难检查、编辑、回滚和复用。

也就是说，Agent 真正需要是一套可以持续积累、可以被人类检查、可以跨工具复用的记忆系统。

直到我遇到 EverOS，我才意识到：
Agent memory 不应该只是“把历史记录塞进 RAG”，而应该更像一个面向 AI Agent 的记忆操作系统。

EverOS 最吸引我的地方，是它把“记忆”这件事做得非常工程化。

它不是把所有内容扔进一个看不见的向量数据库，而是把记忆保存成可读、可编辑、可版本管理的 Markdown。
这样一来，Agent 的记忆不再是黑盒，人可以打开看，可以修改，可以用 Git 管理，也可以在需要时回滚。

它也不是只做简单语义搜索，而是采用本地优先的 Markdown + SQLite + LanceDB 架构，并结合 BM25、标量过滤等方式，让记忆既能被语义检索，也能按项目、用户、Agent、应用、会话等维度精确限定范围。

更关键的是，EverOS 区分了两类记忆：用户记忆和代理记忆。

用户记忆记录的是“我是谁”：
我的偏好、长期目标、判断标准、历史项目、常用工作方式。

代理记忆记录的是“Agent 怎么做事”：
完成过哪些案例、哪些路径有效、哪些错误发生过、哪些工作流可以复用。

这个区分非常重要。因为一个真正有用的 Agent，不仅要记住用户，还要记住自己做过什么，并且从自己的执行轨迹中沉淀出技能。

EverOS 的自我进化机制，正是解决这个问题的关键。
一次任务完成后，它可以把这次执行过程沉淀成 Case；
当某类成功路径反复出现，就可以进一步提炼成可复用的 Skill。

也就是说，Agent 不只是记住发生过什么，而是开始形成“以后遇到类似问题应该怎么做”的程序性记忆。

我把 EverOS 最适合落地的场景，放在了我的 AI Trading 和 Research Agent 上。

这个 Agent 的任务是帮我持续做研究：追踪 AI x Trading 项目、整理项目文档、提取交易假设、比较同赛道竞品、记录风险点、形成研究笔记，再输出适合发布的内容草稿。

在没有 EverOS 之前，这个 Agent 有几个明显问题。

它会忘记我的研究标准。比如我反复强调不要只看叙事，要看产品机制、资金流、风控结构、真实用户、可验证的数据和同赛道比较，但下一次分析新项目时，它还是可能滑向空泛总结。

它会忘记我已经踩过的坑。比如某些信源质量不高、某些指标容易误导、某些项目的营销话术不能直接采用，这些经验如果不能沉淀，下次就还要重新提醒。

它也很难复用成熟工作流。一次完整研究往往要经过“资料导入—事实提取—机制拆解—风险核查—竞品比较—交易假设—内容输出”几个步骤。如果每次都从零开始设计流程，Agent 就很难真正提高效率。

接入 EverOS 后，我会把这个 Agent 的记忆分成几层。

第���层是项目资料记忆。白皮书、官网、GitHub、截图、PDF、文章、推文、数据表，都可以作为多模态资料导入，让 Agent 在后续研究中能检索到原始上下文。

第二层是用户偏好记忆。比如我的研究偏好是“证据链优先、少用空话、避免 Shill、必须对比同赛道、必须写风险点、必须区分事实和推测”。这些不应该每次重新写进 Prompt，而应该成为长期用户记忆。

第三层是研究案例记忆。每次分析一个项目，都记录这次研究用了哪些资料、得出了什么结论、哪些假设被保留、哪些判断被推翻、哪些风险后来被验证。

第四层是技能记忆。当某个流程反复有效，比如“AI Trading 项目拆解模板”、“交易型 Agent 风控检查表”、“项目亮点转 X 长文结构”、“竞品比较框架”，就把它沉淀成 Agent 可以重复用的 Skill。

这样一来，Agent 的工作方式就发生了变化。

以前它���一个一次性助手：每次叫醒它，都要重新喂背景、重新讲规则、重新纠正偏差。

现在它更像一个会积累的研究搭档：它知道我以前看过什么，知道我更重视哪些判断标准，知道哪些路径曾经失败，也知道哪些工作流可以复用。

这才是我认为 EverOS 最有价值的地方。

它不是让 Agent 瞬间变成全知全能，而是让 Agent 的每一次有效工作不再归零。

长期看，Agent 的竞争力不只来自底层模型，而来自它能不能把用户、任务、项目、错误、决策和工作流持续沉淀下来。

没有记忆的 Agent，只是一个反复被唤醒的工具。

有了可读、可迁移、可检索、可进化的记忆层，Agent 才开始接近真正的长期协作伙伴。

如果你也在构建 AI Agent、LLM 应用、AI Coding 工作流，或者任何需要长期上下文的系统，强烈建议把 Star 一下这个 Repo !!!

因为下一代 Agent 真正重要的能力，可能不是一次回答有多聪明，而是它能不能记住过去、理解现在，并在下一次任务中变得更好

链接：https://t.co/QfCbJeZ2tb

[Ethan 亦明 @cheyimingf]

@SunNeverSetsX 每一个赛道都需要花��间去研究尝试

[摸鱼巨匠🔨 @SunNeverSetsX]

上一篇推文发出去后，有不少 Web3 朋友来问我：Apodex 到底应该怎么用？

我基本把自己日常使用 Apodex 的核心要点都跟他们分享了一遍，包含怎么追踪链上数据、项目方团队、融资背景以及如何跟其它 AI 协作使用，真正提升投研效率和精准度。

今天我想换一个场景，不聊 Web3，拿它来做一次美股投研。

主题我选了最近市场争议很大的问题：AI Capex 主线到底是不是泡沫？

这个问题很典型。

一边是微软、谷歌、Meta、亚马逊继续加大 AI 基础设施投入，Nvidia、服务器、数据中心、电力、液冷等链条持续受益；

另一边，市场也开始担心：AI 应用收入能不能跟上？企业端 ROI 到底兑现了吗？现在的估值是不是已经把未来几年打满了？

所以，这不是一个简单的看多或看空的问题。

如果直接问 AI：“AI Capex 是不是泡沫？”

大概率会得到一篇看起来很完整的文章：先讲产业趋势，再讲风险，最后来一句“短期有波动，长期有空间”。

这种答案不能说错，但对投研来说还不够。

真正有价值的研究，不是让 AI 给一个漂亮结论，而是让它把问题拆���可以验证的证据链。

所以我这次给 Apodex 的任务不是“写一篇 AI Capex 报告”，而是让它围绕几个核心变量展开：
1. 云厂商 Capex 和 AI 收入是否匹配；

2. GPU、服务器出货和库存是否支持真实需求；

3. 数据中心电力和落地节奏是否跟得上；

4. 企业端 AI ROI 是否改善；

5. 估值和市场情绪是否已经透支。

这里我也顺手和 ChatGPT 做了对比，两份报告我放在文末。

ChatGPT 的优势是速度快、表达顺、很适合快速搭初稿。但它更容易给出一种“宏观叙事 + 正反观点 + 中性结论”的答案：看起来完整，但很多关键变量没有被真正拆开。

而 Apodex 给我的感觉不一样。

它不是急着下结论，而是先逼你把问题拆成证据链：

不要只说云厂商还在投钱，要看 Capex / AI 收入比例；

不要只说 GPU 需求强，要看出货、ASP、库存和订单能见度；

不要只说数据中心火热，��要看电力获批、并网进度和建设延迟。

这就是 Apodex 做投研最舒服的地方：它不是帮你写得很像报告，而是帮你把报告背后的判断依据拆出来。

最终，Apodex 给出的结论也不是简单的“泡沫”或“不是泡沫”，而是分时间维度看：

1–2 年内，AI Capex 更偏产业现实。
因为云厂商长期合同、在建数据中心、GPU 订单和电力项目都有较强刚性。

3–5 年，主线会高度分化。
关键要看 AI 收入能不能跟上 Capex，企业 ROI 能不能兑现，电力瓶颈能不能缓解。

5 年以上，不确定性很高。
应用层商业模式、新技术路线、推理成本下降和监管变化，都可能重新定价整个产业链。

所以我的理解是：AI Capex 不是简单泡沫，但也不是可以无脑相信的长期神话。

短期看，它更像真实产业周期；中长期看，它会进入强分化阶段。基础设施链条确定性更强，但估值透支、企业 ROI 和电力瓶颈，是后续必须持续跟踪的风险点。

这次用下来，我更加认识到，投研真正稀缺的不是“谁更会写”，而是“谁更会验证”。

在生成式 AI 越来越普遍的时代，谁能搭建证据链，谁就更接近真相。

这也是我为什么认为，Apodex 不仅适合 Web3 调研，也很适合美股、宏观、政策、科研这类高复杂度研究场景。

趁着还能免费使用，快来试试。你会爱上它！

官网：https://t.co/Rrncz75aJt

GitHub：https://t.co/Ttvh2Zdyqq

Discord：https://t.co/RDoSeXGnJi

Apodex 研究报告：
https://t.co/BgjpwTV3eD

ChatGPT 研究报告：
https://t.co/aIb4cEeUPf

[Ethan 亦明 @cheyimingf]

@GuoShenCN7 BTC

[🇨🇳 Guo Shen 郭深 @GuoShenCN7]

I said that if $BTC dumps below $60,000, I’d give away $20,000 in Bitcoin to 15 people.

Well, we made it.

As promised, I’m giving away $20,000 in $BTC to 15 lucky winners today.

To enter:
✅ Like
✅ Retweet
✅ Comment “BTC” 🔔

Entries close in 24 hours. Good luck!

[Ethan 亦明 @cheyimingf]

@bozhou_ai 这个还真能试一试

[泊舟 @bozhou_ai]

我之前说过，API 中转站有个不可能三角：
真实、稳定、便宜。

这三个里面，我一直觉得真实性是第一位的。
价格再便宜，如果背后模型不对，其实都没什么意义。

最近 OpenAI 偶尔会抽风，会有所降智，大家应该也能感觉到。

然后有些中转站会把官方降智当成借口，实际背后可能就是以次充好。

如果你拿豆包去充当Gemini，可能确实不太能看出来。
但是GPT 再抽风，但也不至于离谱到和国产模型一个水平，真的把用户当傻子

今天测了一个只做OpenAI API的中转站
我测了一下，GPT-5.5 和 GPT-5.4 的纯度都挺高，没有掺假，速度也挺快。

然后他们有个新用户活动。
9.9 元，给 150 美元额度。

基本就是 1 块钱换 15 美元 API 额度。
这个羊毛必须去薅一下

链接放这，快去冲一波：
https://t.co/zgGku679j5

[Ethan 亦明 @cheyimingf]

@SunNeverSetsX 鱼哥还是依旧高产

[摸鱼巨匠🔨 @SunNeverSetsX]

作为一名 Web3 x AI 博主，看到 Apodex 这个产品时，感到非常惊喜！

原因很简单：它不像普通 AI 搜索工具，更像一个真正能参与链上投研流程的研究助手。

做 Web3 调研，最痛苦的从来不是“找不到信息”，而是信息太多、太碎、太冲突。

���之前研究一个 AI Agent 项目时，就遇到过很典型的情况：
项目方说自己用户增长很快，社区也在疯狂转发，KOL 都在说它是下一个叙事龙头。
但我去看链上数据时，发现新增地址很多都是短周期交互地址，行为路径高度相似，资金来源也集中在少数几个钱包。表面上看是用户增长，深挖下去更像是任务激励和刷量行为。

另一次做协议调研时，项目宣传自己收入增长很快，但我追踪合约交互和资金流后发现，部分收入可能来自内部循环或短期补贴，并不能证明产品真的形成了稳定需求。

这类问题非常折磨人。

因为官网、白皮书、KOL 观点、链上数据、GitHub 更新、社区反馈，每一类信息单独看都可能有道理，但放在一起却经常互相矛盾。

更麻烦的是，普通 AI 很容易把这些材料拼成一份看起来很专业的报告，但关键结论并没有真正验证。

这就是 Web3 投���里最危险的东西：虽然不是胡说，而是一种“伪正确”

报告结构完整、语气自信、引用很多，但真正决定项目价值的几个问题，比如用户是不是真实、收入能不能持续、token 是否有必要、链上行为是否支持叙事，往往没有被严格验证。

Apodex 最让我感兴趣的地方，正是它把这个问题作为核心来解决。它不是简单帮你生成一份报告，而是围绕复杂问题建立一套验证流程。

Apodex 的 Heavy-Duty 架构，更像一支研究团队：主 Agent 负责拆解问题，多个子 Agent 分别查资料、做对比、找证据、处理冲突，最后再由独立 verifier 检查结论是否真的站得住。

这和普通 Agent 最大的区别在于：它不是让同一个模型自己写、自己查、自己反思，而是把“生成”和“核查”两个环节拆开。

这对链上投研非常关键。

比如我研究一个项目时，真正需要的不是“这个项目怎么样��这种笼统回答，而是：
链上活跃是不是真实用户？
收入增长是否有可持续需求支撑？
项目叙事和实际产品是否一致？
代币机制是否真的捕获价值？
同赛道对比里，它的优势到底是技术、生态，还是单纯营销？

这些问题没有标准答案，只能靠多来源交叉验证。

Apodex 的价值就在这里：它会尽量让每个判断回到证据链，而不是停留在叙事层面。
它关注的不是“答案看起来是否专业”，而是“这个答案是否真的解决了原问题”。

我觉得这正是我在做项目研究最想 AI 拥有的能力。

因为未来的信息只会越来越多，AI 生成内容也会越来越多。真正稀缺的不是总结能力，而是验证能力；不是把公开信息重新包装一遍，而是从混乱信息里发现真正可信的信号。

所以 Apodex 的定位很明确：
它不是普通写作工具，也不是普通搜索工具，而是一个面向复杂问题�� verified deep research agent。

对 Web3 投研来说，它最适合用来做项目尽调、链上数据解释、赛道对比、叙事验证和风险排查。

如果说过去的 AI 更多是在帮我们生成内容，那么 Apodex 代表的方向，是让 AI 开始帮我们接近真相。

这也是我为什么认为 Apodex 值得大家的关注，不仅仅是 Web 3 投研，也适合所有需要跨来源验证、处理复杂证据链的高价值研究场景，比如项目尽调、金融分析、法律合规、医药文献综述和前沿科研探索。

官网：https://t.co/z65d0R4dUh

GitHub：https://t.co/Ttvh2Zdyqq

Discord：https://t.co/RDoSeXGnJi

[Ethan 亦明 @cheyimingf]

@AI_Jasonyu 这个卡做备用的确挺好用的

[鱼总聊AI @AI_Jasonyu]

https://t.co/21Vr0HIU2z

[Ethan 亦明 @cheyimingf]

@tangqingyue 这东西还能卖怎么贵

[唐清乐 @tangqingyue]

《咸鱼卖 500 块的自动回复软件，我给你开源出来》

今天在咸鱼调研 Agent 定制的市场，看到了这个卖家

卖的宝贝名字叫“Hermes Agent 定制”

我一看有点懵，Hermes Agent 怎么个定制法？

这玩意不是成品 Agent 吗？

点进去一看，好家伙，已经卖了快 200 多单了

我有点兴趣，就私聊卖家说我想买一个咸鱼自动发货的 Agent，定制一下多少钱

他报价 500 米

WTF，这东西github 上不是免费的吗？咸鱼自动回复助手

说实话我前一段玩咸鱼的时候折腾过这个自动回复工具，在原本的基础上还加了点改进

不过最后遇到点麻烦，就是这个东西放在服务器上不稳定
总是触发人机验证

放在自己电脑上我嫌麻烦，于是就搁置了

没想到在闲鱼上竟然有人卖 500 块，还特么卖了一百多份！

太过分了！

劳资要跟他爆了，不玩了，劳资开源了https://t.co/VJ85io3ezZ

[Ethan 亦明 @cheyimingf]

@yaohui12138 现在AI能做的东西真的越来越多了

[超级个体｜柿子 @yaohui12138]

前几天我压阿根廷赢奥地利，跟 Agent 说了一句话，没打开 App，没点任何按钮，甚至没看盘口界面

明天苏格兰 vs 巴西，C 组收官战，这场变量多到离谱：

内马尔确认复出打本届首秀，34 岁带伤上阵状态未知

巴西必须赢才能锁头名，摩洛哥同时踢已出局的海地基本稳拿三分

苏格兰 1998 年以来第一次打世界杯，赢了或平了就创造历史首次进淘汰赛

拉菲尼亚腿筋拉伤大概率缺阵，维尼修斯连续两场破门状态正猛

我反手用AI来预测一波，在 Claude Code里说：“帮我分析一下明天苏格兰 vs 巴西谁赢面更大”

它通过 Agent Trade Kit 直接拉了 OKX Outcomes 的实时盘口数据：

巴西胜 72¢（隐含概率 72%），成交量 1.2M xp
平局 19¢（19%），成交量 116K xp
苏格兰胜 11¢（11%），成交量 131K xp

然后它还交叉验证了三个独立市场：

OKX Outcomes：巴西 71% / 平 18% / 苏格兰 11%
Polymarket：巴西 71% / 平 19% / 苏格兰 11%
主流博彩（去水）：巴西 ~69% / 平 ~19% / 苏格兰 ~12%

三个市场几乎完全一致，巴西 ~71% 板上钉钉的大热门
但它给了一个很有意思的补充判断：

苏格兰不需要赢，只要不输——平+胜的概率加起来 ≈ 29%，大概率是苏格兰摆大巴、巴西强攻的低比分球（专家共识 Under 2.5）

最后它说了句大实话：三个市场都收敛在 71%，没有错价、没有 edge 可捡，你买巴西胜要花 72¢ 博回 1 块（净赚 28¢），除非你认为真实概率 > 73%，否则是负期望

说实话比我自己瞎分析靠谱多了，至少它不会因为喜欢谁就无脑压，而且维度比我全——盘口深度、成交量、多市场交叉验证这些我自己根本懒得查

我听它的，压了巴西，蹲一波结果
已经接入 Agent Trade Kit 的，升级一句话👇
跟 Agent 说：运行 npx skills add okx/agent-skills，将我的 OKX CEX Skills 更新到最新版本，okx-trade-cli 更新到1.3.8版本以上，并启用 ‘okx-outcomes’ skill，帮我开始积分预测交易
还没接入的，15秒一键快连👇
OKX AI 101 零门槛教程 → https://t.co/DQal6USKtL

淘汰赛马上开打了，接下来每场都是生死局，我准备每场都跑一遍看看命中率

[Ethan 亦明 @cheyimingf]

@yaohui12138 @okxchinese OKX也是大方呀

[超级个体｜柿子 @yaohui12138]

收到 OKX @okxchinese 寄来的披萨节礼盒和世界杯礼盒，开心了很久，因为有球衣哈哈哈，还有一个小足球非常可爱，还有一个非常好的披萨包

打开一看，毛绒披萨包里塞着比特币金币、OKX 贴纸、还有几个花花绿绿的徽章

说实话挺可爱的，但我盯着那枚金币想了很久，其实我想做交易很久了，我一直认为交易其实就是普通人能抓住的比较大的杠��之一

谁不想让钱生钱呢？

这个念头一点都不可耻，它是人类经济行为最底层的驱动力

2010 年那个程序员用 10000 BTC 买披萨，所有人说他亏了几个亿

但换个角度想，他当时的逻辑完全自洽：我有一个资产，我用它换到了我想要的东西

他不是傻，他只是没加杠杆

而今天我们有了杠杆这个工具，问题就变了：不是该不该用，而是怎么用才不会被它反噬

做了几年产品经理，我看杠杆的视角可能跟大多数人不一样

大多数人把杠杆当赌具，或者把它妖魔化成洪水猛兽

但我觉得这两种态度都不对

杠杆的本质是什么？是资金效率工具

跟你用信用卡消费、用房贷买房、用融资扩张公司，底层逻辑完全一样

区别只在于：你有没有一套系统在管理它

为什么大多数人用杠杆会亏？

不是杠杆的问题，俞军老师的产品方法论中提到，人永远都是有限理性的

作为 PM 我拆过无数用户行为，亏钱的人基本都踩了同一套坑——

第一个坑：没有仓位管理

满仓加杠杆，等于把所有鸡蛋放一个篮子里然后把篮子扔上天

产品经理做项目都知道要控制风险敞口，但一到交易就忘了

我的做法：单笔交易的风险敞口永远不超过总资金的 2%，这不是保守，这是活得久

第二个坑：没有退出机制

进场之前就该想好什么条件下离场，而不是进去之后凭感觉

这跟做产品一模一样——你不会上线一个功能却不设任何监控指标吧？

止损不是认输，是你提前设计好的熔断机制

第三个坑：用情绪替代系统

亏了就加仓想回本，赚了就加杠杆想翻倍

这两个行为的本质都是情绪驱动，不是逻辑驱动

我现在的做法是：每一笔交易开仓前，必须写下三个东西——入场理由、止损位、目标位

写不出来就不开，没有例外

所以我对杠杆的态度很明确：该用，但要像产品经理做项目一样用

什么意思？

第一，先做需求分析：你用杠杆的目的是什么？是放大一个已经验证过的策略，还是纯粹在赌方向？如果是后者，关掉 app 去睡觉

第二，做风控设计：仓位多大、杠杆几倍、止损在哪、最大回撤能承受多少——这些参数在你点开仓之前就该确定，而不是盯着 K 线临时起意

第三，做数据复盘：每周回看自己的交易记录，胜率多少、盈亏比多少、哪些是计划内的亏损哪些是情绪化操作——不复盘的交易跟不做用户调研的产品经理一样，纯靠运气

第四，用工具替代直觉：AI agent 做链上异动监控、自动化脚本执行止盈止损、数据面板替代盯盘——能交给系统的事绝不交给情绪

说白了，杠杆就是一把锤子

在不会用的人手里它砸的是自己的脚

在会用的人手里它是建房子的工具

区别不在��锤子本身，在于你有没有图纸

回到这个披萨节礼盒，OKX 每年纪念的是 crypto 最早的使用场景

但我觉得更值得琢磨的是：16 年过去了，我们对金融工具的理解有没有真的进步

大部分人还是在凭感觉交易，跟 2010 年没区别，只不过亏钱的速度因为杠杆变快了，而少数人已经把交易变成了一个工程问题——有输入、有模型、有风控、有迭代

对我来说这就是超级个体的思路：不是不碰杠杆，而是在碰之前，先有一个配得上这个工具的系统

[Ethan 亦明 @cheyimingf]

@SunNeverSetsX 分类好细，这真的太细了😁

[摸鱼巨匠🔨 @SunNeverSetsX]

https://t.co/4MTUOQapDN