Matsurika

海の向こうには 自由がある

[Oroborus @OroborusArt]

American Power

[Zampy @zampy68]

🍋🍋
#Frieren

[Geek @geekbb]

这个含金量怕是有点高哦，将 Anthropic 官方金融服务技能包适配 A 股市场，为国内金融从业者提供 63 个 Claude Skills

https://t.co/sYoxLkNXgK

[张坤zkun @kundocs]

搞企业知识库半年，最大的认知转变：

不是所有检索都需要向量化。

订单号、合同号、审批单这些精确查询，BM25和SQL比向量检索靠谱10倍。

向量检索真正擅长的是用户说的和文档写的不一样那种语义模糊场景。

生产环境最稳的方案：Hybrid RAG，各取所长。

[Viking @vikingmute]

分享一篇文章：《How LLMs Actually Work》
https://t.co/apHhTvjdiB

好像是前几天 HackerNews 排名第一来着，类似的文章很多，但是这篇深入浅出和直观的例子非常适合有一定编程但没深入学Transformer的人阅读，里面的比喻也恰当，一看就是活人写的，没什么 AI 味道。

最近重新爱上了写东西，写了两篇技术文章，之后还会继续写，而且我的一个原则，活人写，绝对不用 AI，写作是一种乐趣，梳理逻辑，表达观点，不要让这种乐趣被 AI 剥夺。

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

数据中心的天才国度（爱因斯坦级别智能）对周一亚洲半导体市场不同情景的概率分布推演：

把风险阈值分成四档：

1. SK 海力士 -5% 以内：正常消化

这个情景下，周五美股半导体暴跌已经被部分计价。7709 会跌，但大概率还能正常交易。韩国不会进入系统性危机。

概率：25% 左右。

2. SK 海力士 -8% 到 -14%：黄金坑区域

这是我认为最可能出现的极端交易区间。周五 SK 海力士已经跌 9.92%，如果周一再给一个 -8% 到 -14%，短线浮盈盘和融资盘会很痛，但也容易引来政策托底、本土资金抄底和空头回补。

这个情景下，7709 会非常难看，可能盘中跌 20% 以上，但未必出事故。

概率：28% 左右。

3. SK 海力士 -15% 到 -20%：真正去杠杆

这会进入危险区。因为 2x 产品的再平衡压力、融资盘追保、外资减仓、韩元压力会开始互相强化。

这时韩国市场大概率会再次触发交易限制或 sidecar 类机制。此前 KOSPI 200 期货跌 5% 已经触发过 sidecar，说明监管层的市场稳定机制会很快介入。

概率：22% 左右。

4. SK 海力士 -20% 到 -30%：系统性左尾

韩国股票涨跌停限制是 ±30%，所以“跌停”意味着非常深的单日下跌。韩国在 2015 年把主要股票市场单日涨跌幅限制扩大到 30%。

这个场景里，7709 这种单股 2x 产品的问题会从“净值下跌”升级为“再平衡困难”。TradingView 显示 7709 的 AUM 约 860.7 亿港元，规模已经非常大；它的 NAV 和交易价格也需要重点观察，因为大幅折价会说明二级市场流动性开始失真。

概率我只给 8%。原因是韩国财政部长 6 月 4 日已经表态会监控股、债、汇市场并应对过度波动，尤其是外汇市场羊群行为。

[Frank trading @Franktradinglog]

复盘一下做空半导体的逻辑，以及对下周一韩国的一点看法

其实上周的周报里已经写得差不多了https://t.co/2Odld4493x。这里只讲最核心的一条：这次暴跌的原动力，从来不是基本面，而是杠杆。

判断杠杆堆到了多大，我主要靠两个指标，VIXEQ 和 COR1M，再辅以 call/put ratio 和另外几个情绪指标。

先解释一下这两个指标的原理。
VIXEQ（CBOE 标普500成分股波动率指数） 衡量的是个股层面的隐含波动率。VIX 用的是 SPX 指数期权，算的是"整个指数的恐慌"；VIXEQ 则对每一只成分股的个股期权做一次类 VIX 计算，再按市值加权汇总，算的是"平均每只个股的恐慌"。当单股 call 买入极度激进、投机高度集中在 MU, SNDK, INTC, NOK这类名字上时，个股期权会被买得很贵，VIXEQ 相对 VIX 的溢价就会拉到极致，这是单股投机与杠杆最直接的读数。
COR1M（CBOE 1个月隐含相关性指数） 衡量的是市场预期的成分股之间的相关性。指数方差 ≈ 成分股的平均方差 × 相关性，所以当个股都在涨、却是彼此独立地涨（资金分散押在各自的故事上）时，相关性会被压到地量。COR1M 收在 6.33，意味着隐含相关性已经逼近历史最低。

这两个指标合起来，描述的是同一种结构：所有人都加着杠杆、押在彼此独立的个股上（主要是半导体），同时有很多对冲基金在做多半导体的同时做空价值股，指数因此被人为地压平。 这种结构最大的风险在于任何一个冲击，都会让相关性在一瞬间从接近 0 弹回 1，所有票一起跌，所有杠杆被迫同时平仓。所谓的暴跌，本质上就是相关性回归 1 的过程。
所以早在上周初，我就已经意识到了这个巨大的杠杆风险。它才是下跌的原动力。

至于导火索是什么，其实并不重要。AVGO 的财报、SemiAnalysis 对MU的负面评论、那个所谓"过热"的 NFP、Meta 的增发，这些全都只是萨拉热窝的那一声枪响。 和今年 1 月底的白银一模一样：Warsh 上台也只是导火索，真正的理由是，在暴涨过程中堆积起来的、满载浮盈的杠杆资金一旦开始出逃，就会引发多杀多，多头踩踏多头，越卖越跌、越跌越卖。结构决定方向，催化剂只决定时点。

具体到做空。我一开始只开了1%仓位的 SMH 的 put spread，这种行情你很难判断究竟哪一天会崩，但我们可以预设一个点位。我们预设的点位，就是 7495 这个 HVL（high vol level）。7495 之上，做市商整体是正 gamma会压制波动；一旦跌穿 7495，正 gamma 翻成 -gamma，做市商被迫越跌越卖，制造出更大的系统性卖压。在这个位置加空，胜率最高。 不是去猜顶，而是等结构自己翻空、做市商自己变成强制卖方的那一刻，再动手。

别的也没什么好说的了。

哦，额外补充一点对下周一的看法。
韩国股市里仍然酝酿着系统性危机，说一种最危险的左尾，大概会是这样一种情形：如果 SK 海力士周一开盘直接跌停，就不会给2x海力士（目前全球最大的单股 ETF）任何减仓的窗口，它没法在跌停板上卖出对冲、无法降杠杆，于是只能带着远超 2x 的杠杆进入次日。一旦海力士隔日继续下杀，这只 ETF 就会被彻底击穿甚至被清盘，恐慌从会从首尔直接蔓延到香港引发剧烈的金融海啸甚至传导到更远。

但是大概率韩国政府会动手救一下？让我们为韩国祈祷吧。

[NullOreo @NullOreo_]

市场平时是多因子定价系统，极端情况下因子权重会失衡，表现为情绪与流动性主导

Fear&Greed已经到10了，去年4月最低到过3，11月到过5，快到短期的击球区了

配合自己做的MECS，已经接近三年窗口内一个比较底部的位置

再结合NAAIM反弹，我认为当前这些信息可以表明一些问题了

[Frank trading @Franktradinglog]

完美符合剧本，甚至超常发挥的一周。
我们上周末的时候注意到了美股和韩股正在带着历史级别的杠杆挺进nfp，cpi，fomc和opex，就注意到了巨大的下行风险。
所以我们对全部半导体进行了减仓和清仓处理，并且在今天跌破7495High Vol Level的时候选择重仓做空，吃到了一波史诗级的下杀。
一切马前炮！
谢谢大家！

[海拉鲁编程客 @hylarucoder]

近期看过最好的 agent 基建文章

[土豆本豆 @Potatoloogs]

Anthropic 发了一篇文章，讲他们内部怎么用 Claude 接管 95% 的数据分析请求，整体准确率稳定在 95% 左右。

他们一开始直接把 Claude 接到数据仓库上让它自己跑，准确率不超过 21%。

一、为什么数据分析比代码生成难

写代码有文档、有测试，模型出错会被发现。

数据分析不一样：往往只有一个正确答案，来自一个正确的数据源，而且没有任何确定性的方式验证答案是对的。

他们总结出三类主要失败：

一是映射模糊。数据仓库里可能有几百万个字段，Agent 不知道"活跃用户"到底对应哪个字段，什么行为算活跃，要不要排除欺诈用户，时间窗口用多长。

二是数据过期。数据源和业务定义一直在变，Agent 掌握的知识随之过期，开始给出表面合理、实际有偏差的答案。

三是检索失败。正确的信息就在仓库里，也有完整的注释，但搜索空间太大，Agent 就是找不到它。

二、他们的解法：三层结构

数据基础层解决映射模糊。

核心原则是：每个概念只有一个权威答案。维护少量受强治理的逻辑模型，坚决废弃那些近似的重复数据集。当 Agent 搜索某个概念时，只找到一个结果。

但是光有原则不够，还得用工具强制执行，绕过权威模型的改动无法通过 CI，下游团队必须基于权威层构建。没有执行机制的治理，会很快退化。

可信数据源层解决检索失败。

按可信程度从高到低分四类：
1. 语义层（编译好的指标定义，Agent 被强制要求优先用这个）
2. 数据血缘图（语义层覆盖不到时，推断应该从哪个上游模型聚合）
3. 查询语料库（历史 SQL，但直接给 Agent 访问数千条历史查询，准确率变化不到一个百分点，要先提炼成结构化参考文档才有用）
4. 业务上下文（路线图、决策记录、组织架构，Agent 不知道这些就只会回答你问的问题，而不是你想要的答案）。

Skill 层解决三类失败的最后一公里。Skill 是 Agent 按需读取的 Markdown 文件，告诉它按什么顺序查哪些数据源、如何处理模糊的数据。

加了 Skill 之后，准确率从 21% 涨到 95%。某些领域能到 99%。

这里有几个关键做法：成对创建 Skill，一个做轻量路由器缩小搜索范围，一个编码资深分析师的分析流程。参考文档要面向模型检索来写，描述粒度、范围、排除条件和注意事项，不要写容易过期的操作步骤。

最容易被忽视的一点是：Skill 文档和数据模型放在同一个代码库，改模型的 PR 就是更新 Skill 文档的 PR，用 CI 钩子强制执行。他们曾经亲眼看到上线时准确率 95%，一个月后跌到 65%，才意识到 Skill 维护是工程问题，不是文档问题。

三、一个有意思的负面结论

他们给 Agent 开放了对整个数仓所有 SQL 的 grep 访问，数千个文件。

验证了 Agent 每次回答前确实读了这些文件，但准确率变化不到一个百分点。

进一步检查：答错的问题，正确答案在语料库里有吗？约 80% 的情况下有。Agent 看了，但就是用不上。

结论：瓶颈不是能不能访问信息，而是能不能把问题映射到正确的结构。

这个发现重新调整了好几个月的工作优先级。

四、还没解决的问题

静默失败：答案是错的，但看起来合理，没人提出异议就被直接用了。

他们现在用来源标注页脚、对高层汇报内容要求人工确认来缓解，但也承认还没有完善的解决方案。

https://t.co/LgeuXMQiBQ

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

一张图解释为什么英伟达要砍 DRAM，这个现货价格已经完全失控了，从开始监控这个指标到现在，就没见过什么回撤。

[plutoless @plutoless_zhang]

@hylarucoder 可以试试 https://t.co/JCYFzKkrvm
最近每天睡前跑一跑，有效防止代码腐化

[Viking @vikingmute]

写了一篇干货新文章：《我是怎样使用 AI 来做 Code Review 的？》

https://t.co/SOAwhs2jz8

将我之前总结的 AI Code Review 做一个总结，并且更详细的添加了一步步的流程。

因为 AI 代码产出太快了，假如长时间不干预，很快整个系统有可能都不受控制，质量严重下降，变成一个黑盒，我实践了一个叫 Review Forge 的流程来规范我的项目中 Code Review 的方式和流程，同时让我对项目中每次的代码改动更有信心。

如果你也是用 AI 写大部分代码，review 跟不上了，可以试试类似的流程。

[Xudong Han @Xudong07452910]

📘 高质量开源项目推荐：《Agents Best Practices》—— 生产级AI Agent Harness设计指南

这是一个 provider-neutral Agent Skill，专为 Claude Code、Codex 等 AI Coding 工具设计，提供构建可靠 agentic harness（运行时框架）的完整最佳实践参考。

核心理念非常清晰： “模型只负责提出动作，Harness 负责验证、授权、执行、记录并返回观察结果。”强调运行时严谨性而非仅靠 Prompt，让 Agent 从“偶尔能用”走向生产级可靠。

仓库包含大量实用内容：
1. Agentic Loop（模型-工具-观察循环）
2. 窄型工具与权限检查
3. 规划模式、流程编排
4. 上下文管理、记忆压缩
5. 技能/连接器、提示缓存、可观测性、评估体系
6. MVP Agent 蓝图生成、现有 Harness 审计清单等

特别适合正在使用 Claude Code、Codex 或构建多 Agent 系统的开发者、AI Agent 工程师和科研工作者。

与我之前推荐的《Learn Harness Engineering》和《Harness Books》高度互补，可作为理论+实践的进阶参考。目前已获得 1.2k+ stars ⭐。

https://t.co/RIGn5unrBe

#AIAgent #ClaudeCode #HarnessEngineering #Codex
#AI教程

[₿FREE @BTCFREE2025]

这个确实非常有用~

嘉信账户开通后，第一件事不是买股票。。。

是开两步验证——+86手机号收不到验证码，别等被锁了才后悔。。。

操作步骤👇
✅ 下载 Vip Access
✅ 嘉信网页端→右上角→安全设置→两步验证→始终全部开启 ✅ 用 Vip Access 绑定确认码 + 30秒安全码

#嘉信理财 #美股开户

[Jintao Zhang 张晋涛 @aiandcloud]

即使现在看 Netflix 的这篇文章，还是觉得 Troubleshooting 最有意思了。

从 Docker 到 containerd，频繁的 bind mount 为每层做 idmap，导致系统死锁或者超时。最后定位到了与 CPU 架构还有关系，在 m7i 和 m7a 实例上出现了显著的性能差异，最后还给上游提交了 PR 解决

https://t.co/7VDpDP95sj

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

Jane Street 的这篇文章写得也太漂亮了，把抽象群论和实际 ML 模型结合得非常漂亮，读完会有“原来位置编码的空间这么受限”的感觉。强烈推荐给对数学 + 深度学习感兴趣的人。

https://t.co/ATEwVOVcJj

[RainbowBird | 洛灵 @luoling8192]

我今天才知道，原来 git checkout - 可以切换到上一个分支🌚

[QingYue @YuLin807]

这是一条非常宝贵的被官方认证过的codex self improve prompt：

推荐使用：

“回顾我过去 30 天的最近工作（如果历史更短，则回顾所有可用历史），并识别值得打包的重复手动工作流程。

按照以下顺序使用可用证据：
- 最近的 Codex 会话和任务摘要。
- Codex 记忆和 rollout 摘要，以查找跨会话重复的模式。
- 如果启用，纪事，用于发现 Codex 之外的重复工作。仅将纪事用于发现；尽可能在相关源系统中确认重要细节。
- 现有技能、自定义代理和自动化，以便重用或扩展已有的内容，而不是重复创建。

广泛查找重复的、耗时的、易出错的、上下文密集的或受益于一致流程的工作。包括跨编码、研究、写作、规划、沟通、运营、分析和个人管理的工作流程。

仅在候选项满足以下条件时采取行动：
- 至少发生过两次，或明显可能重复且重复成本高；
- 具有稳定的输入、可重复的程序，以及明确的输出或停止条件；
- 会实质提升速度、质量、一致性或可靠性；
- 未被充分覆盖。

选择最小的适当形式：
- 技能：可重用的工作流程或 playbook。
- 自定义子代理：适合委托的界定专家角色或调查任务。
- 自动化：定时或循环检查、报告、提醒或监控。
- 跳过：过于一次性、模糊、敏感或证据不足而无法打包的工作。

首先生成一个简洁的短名单，包括：
- 重复工作流程
- 支持证据和日期
- 频率/置信度
- 推荐形式：技能、子代理、自动化、扩展现有或跳过
- 为什么值得或不值得创建

然后仅创建高置信度的缺失项。保持它们狭窄、实用、源感知且易于验证。不要创建推测性的、重叠的或过于宽泛的资产。

最后以以下内容结束：
- 你创建或扩展了什么
- 你故意跳过了什么
- 什么需要更多证据才能打包