WhiteForest

An adventurer in the AI era.@MojoAI_HQ Co-founder @ForesightVen Chairman @TheBlockCo Ex-executive @bitget

[WhiteForest @ForestBai1]

Read it or follow @MojoAI_HQ

[WhiteForest @ForestBai1]

https://t.co/qz5025It38

[WhiteForest @ForestBai1]

strategy sells
tether sells
binance sells
是中本聪复活了吗

[WhiteForest @ForestBai1]

RWA 发行托管还是绕不开传统投行银行那一套体系。

cex 交易 RWA更容易，因为未必要用 RWA，也未必要传统清算渠道，也可以cfd，之前bg，bbt都是这么干的。不过现在应该是发现搞cfd还不如传统清算结算渠道，还能吃分红，做抵押，合规也不难。

cex，dex都是交易撮合场所，互相竞争，各有优势。跟交易crypto的格局也不会有太大变化。distribution 为王。

不过agentic trading的入口之战刚刚开始，谁为王？ @MojoAI_HQ

[jenniekusu @jenniekusu]

既然所有交易所都想做自己的 RWA token了

不如按照这个思路想想：

@OpenRouter 是所有大模型AI token的集合店

那谁能成为所有交易所RWA token的集合店呢？

[WhiteForest @ForestBai1]

@cryptoxiao 非常同意

[WhiteForest @ForestBai1]

很多人说 agent team / committee 能降低幻觉率，但这件事不能只看“人数”，要看数学条件。

假设单个 LLM 的幻觉率是 p。如果 3 个 agent 的错误彼此独立，用多数投票，最终错误率会变成：

3p² - 2p³

比如 p = 10%，错误率会降到约 2.8%。这时候 committee 是有用的。

但问题在于，现实里的多 agent 往往并不独立。它们可能是同一个模型、同一个上下文、同一类 prompt、同一批训练偏差。这样错误相关性很���，大家会一起错。

如果错误相关性接近 1，多数投票几乎没有收益。三个 agent 只是把同一种幻觉重复说了三遍。

所以多 agent 真正有用的条件不是“角色多”，而是：

信息源不同
推理路径不同
有外部验证
输出能被测试、查库、跑代码或 schema 校验

否则 agent team 只是 cosplay 团队协作。

真正降低幻觉率的不是 committee，而是结构化上下文 + 可验证证据 + deterministic verifier。

更现实的问题是：agent team 会让 token、延迟和协调成本成倍增长。如果错误相关性没有显著下降，成本增加是真实的，收益却很有限。

[Mr Panda @PandaTalk8]

agent 团队？ 别搞笑了。

最近又开始有很多人搞 agent 团队， 就是给ai 设定各种角色来组成ai agent 团队。

比如 有AI Agent 的产品经理、 AI Agent 前端工程师、 AI Agent 的后端工程师 等等， 然后他们相互协作去完成一项团队级别的任务。

实际上我曾经也做过试验，我认为没有啥用。 AI/LLM 想要用的好， 最重要的上下文约束做的好 。

现在我们人为把他们分开， 各有个的上下文，协作不可能顺利。

那么最好办法是什么 ？

我认为把任务背景、目标、约束、关键上下文结构化的输入AI/LLM ， 这才是真正的有效的事情。

真正重要的是：你能不能把一个复杂任务，压缩成 LLM 可以理解、推理、执行和验证的结构化上下文。

[WhiteForest @ForestBai1]

Claude Code Opus 4.8’s new workflow mode is insane. My Max subscription used up five hours of usage before it even gave me an answer to one question. #opus

[MOJO @MojoAI_HQ]

perps
spot
prediction markets
stocks
...

whatever you trade, let Mojo do it for you.

[WhiteForest @ForestBai1]

之前被block 掉的claudecode 订阅果然现在一申诉就恢复了，不过现在claudecode 明显不如codex。

[WhiteForest @ForestBai1]

this is what @MojoAI_HQ is

[Bennie @0xBenniee]

超级ai trading = @newsliquidX api数据源+ @claudeai LLM + @SurfAI onchain api + personal database

[WhiteForest @ForestBai1]

@off_thetarget 追求自己训练个本地模型就跟二十年前企业自己搞个发电锅炉一样。
一切商业模式是否成立都在于投入产出比。

[WhiteForest @ForestBai1]

区块链协议其实很适合ai 转型，链上的协议是permissionless的，api 往往写的都比中心化平台更好，ai native的产品在集成的时候更加容易。

大厂的产品和团队都太重了，转型阻力非常大。

关于agent trading，我是完全不认同策略超市，agent 自进化的。这两个在我看来都是伪命题。

agent trading 产品能不能成功就一个标准：用户是否能获得比cex更简便的交易体验。获取信息，research，分析，执行任何一个节点都可以。

[jenniekusu @jenniekusu]

由此延伸了一些关于“所有未被完全数字化的���司应该怎么+AI”的想法。

这两天和一个在某金融大厂做AI转型负责人的朋友聊天，聊到一个创业idea，就是如何说服一些未被完全数字化的公司的老板们做出要进行AI转型的业务决策。原来我按照常理思考这个创业方向对于大公司和小公司都不一定有吸引力，因为大公司完全可以内部通过战略部门或者专门成立一个AI部门来做这个事情，为什么要外包这个服务给第三方；小公司就更不用说了，完全没钱采购这个服务。

然后我这个朋友就说，大公司确实可以内部来做，但是让这些内部员工做的事情是“让AI消灭自己”，这不明摆着是让做这件事的员工自己裁了自己；而且在工作过程中，其他潜在要被优化的员工和流程为了保护自己也都不会诚实地配合工作，就会导致纯内部的推进会面临极大的困难和不确定性，这就给外部的服务供应商带来了一个真空市场地带。

同理到魏神说的CEX如何+AI，我感觉CEX内部也会面临上述这样的公司囚徒困境，所以CEX自己未必能把这事做出来，更别说做好了。

也许这是下一个AI native交易所的机会了。

[WhiteForest @ForestBai1]

@off_thetarget 只是想要本地模型不需要训练啊，隐私只需要能本地推理就行了。垂类模型和本地推理两码事啊。

[WhiteForest @ForestBai1]

@off_thetarget 还是我最开始说的：大模型能举一反三，除非这个场景不值得大模型公司花钱去训练

[WhiteForest @ForestBai1]

@off_thetarget 垂直模型在c端市场上没有意义，就跟垂直电商一样。垂直模型在大模型之前就存在了，只不过模型从transformer变成了ds qwen的小参数模型。

[WhiteForest @ForestBai1]

@off_thetarget 本质上私有数据也是生产资料，生产资料及其获取方式在不同技术时代是会发生变化的。而谁能加工地更好会有差异。

另外我怀疑ai 时代，所谓私有数��的壁垒会被大幅度降低。1. ai 有举一反三的智力。2. 除非这个数据并不值得花几千万美金去训练。

[WhiteForest @ForestBai1]

一直在思考 multi-agent 到底是不是个更好的解决方案。想到很有意思的点：
1. multi-agent 到底是投票治理，还是分工。
2. 如果是投票，那就是民主思维，民主未必能有更好的任务结果，而且大概率更自信，更有幻觉的model 会赢。谨慎保守的model 反而会输掉辩论。
3. 进行明确的分工似乎是个更科学的路径，目前各个model 所擅长的任务并不一样。但谁来决定分工？人还是一个model？
4. 这跟人类社会很像。

[MOJO @MojoAI_HQ]

why can this trader go on a 520 date with his girlfriend, but you can't?

[WhiteForest @ForestBai1]

Claude Code makes prototyping feel 10x faster.

[WhiteForest @ForestBai1]

@wsjack 分不清财务规划和交易吗

[WhiteForest @ForestBai1]

好像有道理

[WhiteForest @ForestBai1]

generalization + memories = personalization + expertise