CalcPlay

iOS developer of
– a revolutionary calculator making math fun with animations.

[海外工作说 @visa6363]

如何去新西兰工作的视频讲解。

普通人看完都可以去当中介了😁

视频包含了 AEWV 认证雇主签、
PSV 高峰季节工作签和 GWSV 全球季节工作签证

里面把详细的项目介绍、流程介绍以及需要准备的材料讲得非常清楚。

感兴趣的朋友可以点赞、保存、收藏慢慢观看。

[海外工作说 @visa6363]

想去澳大利亚工作并不难，核心就两个条件：掌握一门技术和外语达标。

澳洲主流长期工签为 SID482雇主担保，满足年限后，有机会申请186永居。

而且该签证的优势是可以全家同时申请，爱人持有开放式工作签证，孩子也可以在当地上学。

申请这个签证
首先确认意向岗位是否在紧缺职业清单内（紧缺职业清单链接放在评论区下边）。花费 2-3 年打磨技术，考取技能证书，保存好工作证明、工资流水，作为签证申请材料。

语言一般要求雅思5分。洋人雇主更看重口语、听力，工作里还有大量专业术语，死记硬背的笔试英语很难应对实际工作。

道理都懂，但是坚持很难，
会英语的人看不上这些蓝领技术工作，不愿意做。

干过这些蓝领技术工作的人学英语能力又差。

这也是大多数人没能赴澳工作的真实原因。
#澳洲482工签 #出国工作 #澳洲生活
https://t.co/6pUuEjEIs9

[Hzao @HzaoHzao]

一个月拿下十年美签🥰

这下可以飞去美国亲自催 App Store 审核了🥰

[DiscusFish @bitfish]

成长只有一个机制：从真实世界拿到真实反馈，接受然后修正自己的模型。

钱、权、脸是一类东西——它们不骗你，只是让纠正你这件事对谁都不划算。
模型还在跑，只是没人报错了

[沐阳 @yyyole]

最近看到很多人都在Vibe类似的工具！

倒不难，就是实时同步手机陀螺仪数据和屏幕显示。很适合用来做产品UI或者功能演示的3D录屏！

不过我记得有一个差不多的开源项目，忘记叫啥了，我找找分享出来。

[黄未原 Weiyuan Huang @WeiyuanOttawa]

【加拿大大约3.9%的乳制品市场需求向美国等外国生产商开放。在规定配额以内，一些乳制品可以以零关税进入加拿大。
只有当进口量超过规定配额后，才会触发非常高的关税。…
……
而且实际上，美国对加拿大出口的乳制品并没有突破相关关税配额。】
也就是说目前美国出口加拿大的乳制品还在零关税范围。

[深若湖 Shen HU @syhytu8i]

行为金融学权威Brad Barber和Terrance Odean在其经典论文《交易对你的财富有害》中曾用海量数据验证了这一个现象：过度自信的投资者倾向于频繁交易，而交易越频繁，净收益率就越惨淡。

社交媒体上那些靠晒15分钟/日K拉图的博主，往往用选择性展示给你营造一种短线节奏很好踏准的幻觉。这会放大你的过度自信与 FOMO 焦虑。

[麦克斯 @maxjjiang]

事实证明，有思想的文字是难以被传播的

这个老哥隔三差五就会发一些让我毛塞顿开的文字

结果一看粉丝数才 200

[伊森不打卡Ethan @Ethannomadlife]

永远不要在谈话中，自贬。

这是一种极为严重的破窗效应，记住永远不要和别人一起欺负自己。

[雪踏乌云 @Pluvio9yte]

目前最丝滑的浏览器自动化方案绝对是 egolite，体验了一下比agent-browser、playwright丝滑多了

换成 ego lite 之后顺很多：装完会把 Chrome 的登录态迁过来，Cookie、密码、扩展都在。

Agent 在独立 Space 里干活，还能继续浏览其他页面。Codex / Claude Code 装一下 skill 就能直接用。

地址放在评论区了

[𝐋𝐚𝐮𝐫𝐞𝐧𝐜𝐞 @LaurenceMister]

估计大多数人都没注意，Apple 官方这一次对Mac mini的发布甚至用了一个以前很少出现的说法：

“全天候智能体计算工具”，定位不要太清晰了。

[比特老马 @jici6182131]

你卖掉的股票，后来大概率比你新买的涨得更好。

这不是玄学，是加州大学伯克利分校Odean教授追踪了66000个散户账户后得出的结论：散户卖出的股票，在之后一年平均跑赢他们新买入的股票。

你仔细回想一下自己的交易记录，是不是经常有这种经历：卖了A换了B，结果A继续涨，B开始跌。然后你又卖了B去追C，B又开始涨了，每一次操作都像在给市场送钱。

为什么会这样？因为大部分人卖出的原因是"已经赚了一点想落袋为安"，买入的原因是"这只最近涨得好想上车"。

你在低位卖出赢家，在高位追入落后者，每换一次，就多亏一点。

交易次数越多，这个亏损就越大，Odean的数据里，交易最频繁的那20%散户，年化回报比交易最少的那些人低了好几个百分点。

而定投标普的人，一年到头就做12次操作：每月买一次，不换股，不止盈，不追涨，不杀跌。

每少做一次交易决策，你就少犯一次错误，最赚钱的操作，就是不操作。

[北美王路飞 @kingluffywang]

贝森特曾经的老板，传奇投资人斯坦利·F·德鲁肯米勒看不下去了（Stanley F. Druckenmiller），他在WSJ上发表文章《听听债券市场的声音》 - 利率上升是未来麻烦将至的信号。人为压制它只会加剧危险。

他批评贝森特最近宣布的回购长债的做法，文章结尾他写道：试图对抗基本面来捍卫资产价格的政府从来都是必输无疑。唯一的变数在于，他们在最终认输妥协之前究竟要耗费多少成本。美国绝不应该让自己站在这种交易的错误一边——面对全球最重要的价格时不能，在这一价格正竭力传递华盛顿最需要听到的真话时，更不能。

听听债券市场的声音吧。

[方舟子 @fangshimin]

申请人数最多的公立大学：UCLA（145,086），私立大学：纽约大学（114,125）。学杂费最低（本州居民）的公立大学：中佛罗里达大学（5,954美元），私立大学：威廉·朱厄尔学院（23,650美元）。助学金最高：普林斯顿大学（80,837美元）。师生比最低：加州理工学院、麻省理工学院（3:1）。

[kevinzhow @kevinzhow]

最近自娱自乐的事情就是用 Flutter 写一个轩辕剑 4 的兼容运行时，这并非模拟器。意外的是仅仅是用 flutter scene 来渲染，采用原版素材，就得到了一个高清重置的效果

[陆小浩 @pietehao]

普通人在北京，是可以吃到顶级家乡菜的

攻略已经做好

不谢

[Otter @otterpal24]

我以为这种不世出的天才是不断创造奇迹的人生，没想到他刚创业的那十年也是在不断摸索的，还在主观交易和量化交易，后面走通也是在几年内没有这方面策略的竞争，摘了很多低垂的果实（梁文峰写的序原话）

[Michelle @michelle_z21331]

投资故事 18：已经有QQQ、VGT，还需要SMH吗？

很多人手里已经有QQQ、VGT，又因为看好AI开始买SMH。看起来买了三个ETF，好像更加分散了，其实未必。

QQQ：范围最广。
QQQ跟踪Nasdaq-100，主要覆盖纳斯达克上市的大型非金融公司。科技股占了很大比重，但它并不是纯科技ETF，里面也有消费、通信等其他行业的公司。

VGT：更纯粹的美国科技。
VGT跟踪美国信息技术板块，里面既有软件、硬件，也有半导体和半导体设备。截至今年6月底，仅半导体子行业就占VGT约38.4%。Nvidia、Micron、Broadcom、AMD等都是其中的持仓

SMH：进一步集中到半导体。
SMH专注半导体生产和设备公司，只有二十几只股票，包括Nvidia、TSMC、Broadcom、AMD、Micron、ASML等。其中TSMC、ASML等，也增加了VGT没有的国际半导体敞口。

所以可以简单理解：QQQ，大型非金融公司，科技为主；VGT，美国信息技术；SMH：半导体。 范围越来越窄，对科技、尤其半导体的集中程度也越来越高。

如果已经重仓QQQ、VGT，再买SMH，并不是在进一步分散。
因为三只ETF的底层持仓存在不少重叠，尤其是大型科技和半导体龙头。再买SMH，本质上是在主动增加自己对半导体的暴露。换了几个篮子，里面装的还是同一批鸡蛋。

如果已经大量持有QQQ，尤其是VGT，我更愿意把SMH看成一个卫星仓位。核心仓负责更广泛的配置，SMH则表达自己对半导体更强的看好。

至于SMH应该占5%、10%还是更多，没有一个适合所有人的答案，看个人承受能力。

[空谷 Arvin Xu @arvin17x]

Pi 今天开始做的这些 「数据库范式」方向的尝试，其实是我们去年开始 agent 转型时候就已经预设好的，而且方向上更加激进 —— 如何实现在 Vercel 这样进程级实例，短单次时长（timeout 可能 300s）的 Serverless 平台上，实现超长程级 agent 的执行。

当时没有 claude code 源码，没有 codex，更没有 pi / open code 框架。我从头开始实现了 LobeHub 现在 agent runtime 这一层，day0 就是云原生友好的。

而且我们现在在我们 Cloud 上已经能实现：

- 秒级单用户 1000 级别 agent 并发执行（甚至我们的 eval 是直接跑在我们线上环境）；
- 我们的用户最长一次单 agent 云端执行 3600 多步，而且正常跑完；
- 极低的单次 agent 调度执行成本，可以让我们做到远比行业低 10 倍的 agent 执行成本；

所以，哪怕 pi v2 真正开始落地「数据库范式」，也只是"权威记录"和"执行状态"都塞进同一个 per-lane 的 op log（因为它假设单进程单 writer），而我们是天然分布式的多 worker/serverless 环境。

而 pi 的 non-goal 里写死了"multiple writers"不支持，一个 session 只由一个 harness 进程独占；但在我们的场景下，必须处理多个 worker 可能同时抢一个 operation 的情况，这个问题本身比 pi 的设定更难。

等 pi v2 发布后再过个半年，作者就会意识到 v2 这套架构的局限性。可能又会开始做下一轮的架构升级。

而我们现在已经在往 Long Hornizal Task 和 RSI 迈下下一步了

[孤桜ETH @GYLQ520]

想搞清楚 Claude Code、Cursor 这些工具内部是怎么跑的，官方文档看了几遍还是云里雾里。

用兄弟把自己的 AI 学习笔记开源了，拿 Pi-Agent SDK 当案例，一章章把源码拆开讲。10 个章节，从架构设计、Agent 循环、模型调用，到工具系统、上下文压缩、会话管理全覆盖。

每章讲透三个点：是什么、怎么写、为什么这么写。

提供 TypeScript 和 Python 双版本，选你熟悉的语言跟就行。支持网页在线、Markdown、PDF 三种阅读方式，离线慢慢看也方便。

🔗：https://t.co/d3gHEY5KQI