Jason Koo

苍穹浩瀚，我们不过是晨空中一粒飞扬的尘埃。

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[Naval @naval]

The solution to anxiety is action.

[向阳乔木 @vista8]

一个Newsletter读到的文章。

作者在夸CC，而且告诉大家不要误以为只这是给程序员用的工具，其实有很多场景，建议人人都快用起来。

翻译下：

Claude Code：AI 能独立干活了

打开 Claude Code，我给了它一个指令：「帮我想个能月入 1000 美元的在线生意，你负责从想法到实现的所有工作。

我什么都不用做，只需要运行你给我的程序就行。记住，我不懂编程，所以一切都要能直接用。」

AI 问了我三个选择题，然后决定：卖一套 500 个专业提示词，定价 39 美元。

接下来发生的事有点魔幻。

它独自工作了 1 小时 14 分钟，创建了几百个代码文件和提示词。

然后给了我一个文件，运行后直接部署了一个能用的网站——甚至包括那些看起来很可疑的假评论。

你可以看看这个网站，我把支付链接删了，但它确实能收钱。

说实话，如果我放下良心真的去卖这些提示词包，月入 1000 美元应该不是问题。

这就是 Claude Code，最近一个月突然变强的新一代 AI 编程工具之一。

为什么突然变强了？

不是因为某个技术突破，而是两个进步的组合：

第一，AI 能自己干更多活了。

最新的 AI 可以自主工作更长时间，还能自己改错，特别是在编程任务上。

第二，AI 有了工具箱。

它们被赋予了一套「Agent工具」，可以用新方法解决问题。

这两个因素叠加，让最近几个月的 AI 工具能力大跃进。

METR 的追踪数据显示，AI 能以 50% 可靠性完成的任务长度（按人类专业人士需要的时间衡量）呈指数增长，最近几个月尤其明显。

可惜，这些工具是给程序员用的。

真的是专门给程序员用的。

它们假设你懂 Python 命令和编程最佳实践，界面看起来像 1980 年代的计算机实验室。

这其实挺遗憾的。

因为这些系统对各类知识工作者都很有用。

通过看看它们能做什么（自己试试），你能学到很多关于 AI 未来的东西。

回到那个创业公司的例子。

虽然很厉害，但这只是 Claude Code 能力的一小部分。

我让它从不同用户角度测试这个网站，给我一份报告。

它调用了工具之一：连接我电脑上的浏览器。Claude 控制了浏览器，像人一样浏览网站。

第一次它给了个挺乐观的报告，但因为我知道 AI 倾向于讨好人，我又让它给个更批判性的版本。

第二份报告确实更好地指出了潜在问题（还发现了网站上那些可疑的假评论）。

下一步？我可以轻松让它实现这些建议，几乎不需要我的输入就能继续推进。

魔法技巧

Claude Code 之所以这么强，是因为它用了很多技巧来克服大语言模型的问题。

技巧一：压缩记忆

有个有趣的事发生了：AI 做用户研究时，它的上下文窗口满了。

你可能知道，AI 一次只能「记住」这么多信息。

这个上下文窗口虽然按人类标准很长（15 万字以上），但会很快被填满。

因为它包含你的整个对话、AI 读的每个文档、看的每张图片，还有引导 AI 的初始系统提示。

AI 没有真正的长期记忆。

一旦上下文窗口满了，AI 就记不住别的了。

如果只是闲聊，这不是问题。

和 ChatGPT 的长对话会有滚动上下文窗口，AI 不断忘记最早的对话部分，但通常能根据最近的讨论即兴应对。

但如果你在做真正的工作，让 AI 在读新代码时忘记一些旧代码就成了大问题。

Claude Code 用不同方式处理这个问题。

当它用完上下文时，会停下来「压缩」到目前为止的对话，准确记录它停在哪里。

然后清空上下文窗口，新版本的 Claude Code 读取笔记并回顾进度。

就像电影《记忆碎片》里的失忆主角每次醒来都看自己的纹身。

这些笔记给 Claude 继续前进所需的一切。

这就是为什么 Claude 可以连续运行几个小时，它会仔细记录自己在做什么，并产生中间工作成果，比如软件片段和报告，可以随时参考。

技巧二：技能Skill系统

你知道的，用户必须提示 AI 做事。

这些提示就像指令。

随着 AI 变聪明，它们在执行复杂提示方面好多了，甚至是上百页的长提示。

但这些长提示会占用很多上下文窗口，而且需要在正确的时间给 AI 正确的提示。

这意味着你作为人类必须不断提示 AI，或者设计一个复杂的自动化系统不断给 AI 喂提示。

技能（Skills）解决了这个问题。

它们是 AI 自己决定何时使用的指令，不仅包含提示，还包含完成任务所需的工具集。

需要知道如何建一个好网站？

它加载网站创建技能，解释如何建网站以及使用什么工具。

需要建 Excel 表格？它加载 Excel 技能及其指令和工具。

再打个电影比方，就像《黑客帝国》里尼奥把武术指令上传到脑子里获得新技能：「我会功夫了。」

技能可以让 AI 根据需要交换知识来覆盖整个流程。

比如 Jesse Vincent 发布了一套有趣的免费技能列表，让 Claude Code 处理完整的软件开发流程，根据需要获取技能，从头脑风暴和规划开始，一直到测试代码。

技能创建在技术上很容易，用普通语言完成，AI 实际上可以帮你创建它们。

技巧三：子代理（Sub agent）

除了技能，Claude Code 还有其他技巧来管理有限的上下文窗口和解决难题。

它可以创建子代理——有效地启动其他专门的 AI 来解决特定问题。

这在很多方面都有用。

因为 Opus 是一个大型、昂贵的模型，它可以把简单任务交给更便宜、更快的模型。

它还允许 Claude 同时运行许多不同的流程，让它像团队而不是个人一样工作。

这些模型可以非常专业，有自己的上下文窗口。

比如，我为研究和图像创建建立了单独的子代理。

主 AI 模型在需要时「雇用」这些代理来做专门工作。

你甚至不需要创建自己的工具。

任何人都可以分享技能或子代理，想让 AI 代理使用他们产品的公司可以使用一种叫模型上下文协议（MCP）的方法给任何 AI 指令和访问权限。

有出版商的 MCP 让 AI 访问科学论文做研究，有支付公司的 MCP 让 AI 分析财务数据，有软件提供商的 MCP 让 AI 使用特定软件产品，等等。

结果是一个非常灵活的系统，像 Claude Opus 4.5 这样聪明的通才 AI 可以即时应用专业技能，根据需要使用工具，并跟踪自己在做什么。

Claude Code 特别强大，因为它在你的电脑上工作，处理你的文件。

现在你有了一个几乎可以做任何有权访问你机器的人能做的事的 AI。

它可以读取你的所有文件并创建新文件（PowerPoint 和 Word 归根结底只是代码，Claude 知道如何写代码），使用你的浏览器访问网络，为你编写和执行程序，等等。

当然，AI 不是完美的。

给 AI 访问你的浏览器和电脑会带来各种新的风险和危险。AI 可能会删除不该删的文件，执行有意外后果的代码，或访问浏览器中的敏感数据。

尽管有这些警告，我还是要给你一个非常快速的 Claude Code 介绍。

但要做备份，使用专用文件夹，不要让它访问你承受不起丢失的任何东西。

业余爱好者的 Claude Code 指南

虽然我在之前的截图中一直使用 Claude Code 的命令行界面，但有一个更简单的方法（从昨天开始！）访问 Claude Code。

你可以用 Claude Desktop 做到这一点，可以从官网下载安装（长期使用至少需要每月 20 美元的订阅）。

现在桌面版本的功能比命令行界面少一些，但对业余爱好者来说容易多了。

给 AI 访问一个文件夹（记住 Claude 可以对该文件夹中的文件做任何事，所以如果是敏感的要小心，做个备份）。

然后你就可以开始和 AI 工作了：让它研究和写报告，让它访问你的信用卡记录，这样它可以把它们放入电子表格并告诉你任何异常，让它做数据可视化，或者你喜欢的任何其他事情。

我提到的最强大的选项是通过以「/」开头的斜杠命令访问的。

输入 /agents 让你设置子代理，/skills 让你创建或下载技能，等等（桌面版本的斜杠命令有限，但完整集合即将推出）。

人们使用 Claude Code 的方式有很多，所以你可以试验找出适合你的方法。

但我也建议用它来实际编码，即使你不是程序员。

比如，我写这篇文章时，偶尔会去一个 Claude Code 窗口，让 AI 为我做一个游戏玩：

一个历史模拟，文明兴衰，发展自己的语言、文化和经济。

每隔几分钟，我会给 AI 另一个看似不可能的请求：

确保世界有自己的板块构造和天气；

跟踪统治者的家谱；

内置一个 AI 戏剧性地总结事件，等等。

每次更改后，AI 都会玩测试结果并产生游戏的新版本。

与以前的氛围编码体验不同，AI 从未卡住或绕圈子，一切都很顺利。

看看下面的视频。我确信它充满了有能力的程序员会发现的问题，但你可以在这里下载结果（AI 也处理了那部分）。

这意味着什么？

如果你是程序员，你应该已经在探索这些工具了。

如果你和编程相关（处理数据的学者、想用代码试验的设计师、任何想尝试构建自己想象的东西的人），这是你试验的时刻。

但有一个观点：有了正确的工具，今天的 AI 能够做真正的、持续的、实际重要的工作。

这反过来开始改变我们处理任务的方式。

不出所料，这从编程开始。

AI 界最著名的程序员之一 Andrej Karpathy 最近发帖说：「作为程序员，我从未感到如此落后。

这个职业正在被戏剧性地重构，因为程序员贡献的部分越来越稀疏和分散。

我有一种感觉，如果我能正确地把过去一年左右变得可用的东西串在一起，我可以强大 10 倍，而未能获得这种提升感觉明显像是技能问题。」

不要被当前 Claude Code 的笨拙或它对编程的专业化所迷惑。

让 AI 为其他知识任务工作的新工具在不久的将来会出现，它们将带来的变化也会随之而来。

[西里森森 @sirisensen]

田渊栋的年终总结，这两天在圈子里传得挺广。

很多人转发的时候，关注点都放在了他被裁这件事上。

毕竟他在Meta干了十多年，是做强化学习的知名华人科学家，年初还被调去给Llama4救火，结果忙活大半年，10月份人被裁了。

但最近，我把他的这份年终总结反复读了几遍，看到他在总结里提出了一个大多数人会很陌生，但非常关键的概念——费米能级。

他说，AI时代的人才价值分布，会越来越像物理学里的费米能级。

先给不熟悉的朋友简单介绍一下田渊栋。

本科交大，博士CMU，毕业后先加入了Google无人驾驶团队。
后转入了Facebook的AI研究院，一待就是十多年。

他主要做的是强化学习方向，发过很多篇重要的论文。

这样的履历，让田渊栋前半段职业生涯过得很舒服。

他自己也说，在公司待久了，最近一两年做事说话都抱着一种让公司赶紧把我开了吧的心态，反而越来越放得开。

2023年底休长假的时候差点就走了，但最后没签离职的字。

但转折发生在2025年1月底，他被调去给Llama4救火。
作为一个做强化学习的老手，他在去之前还专门画了一个2乘2的回报矩阵，把各种可能性都算了一遍。

去帮忙，项目成了，皆大欢喜。
去帮忙，项目没成，至少问心无愧。
他算来算去，觉得去是最稳妥的选择。

结果最后发生的是他完全没算到的第五种可能：去帮忙，人被裁了。
一夜之间，他从大厂的首席科学家，变成了失业人员。

现在我们回到他写的年终总结。
其实他几乎没花什么篇幅在被裁员的情绪上，反而用大量的文字，写了一个他观察到的现象。

他说，以前我们理解职场，基本是这样一个模型：工作经验越多，能力越强，回报越大，是个单调递增的曲线。
所以大厂有职级，职级随年限晋升，越老越香。

但现在，情况变了。

现在评估一个人的价值，不再是看你本人能产出多少，而是看你能不能提高AI的能力。

「你加上AI的产出，要大于AI单独的产出，这样你才有存在的价值。」

AI的供给只会越来越便宜。
在很长一段成长期内，大多数人的能力是比不过AI的，所以这段时间里，人本身是没有价值的。
只有当人的能力强到一定程度，能够辅助AI变得更强，才开始有价值。

而且跨过这个门槛之后，厉害的人对AI的加成，会远远高于普通人。

因为普通人只会对AI的具体产出修修补补，而厉害的人能提出系统性的解决方案，让AI变得更强，这种效应会被几何级数放大。

这就像物理学里电子在材料中的分布：低于某个能级的电子遍地都是，高于这个能级的电子指数级减少。
这个能级，就是AI洪水的水位线。

田渊栋把它叫做「人类社会的费米能级」。

他看到AI时代的底层逻辑是：低于费米能级的职业，可能在一夜之间被颠覆。就像地震一样，前一天还是岁月静好，后一天整个行业被端掉了。
而且这条水位线还会一直往上涨。

他举了自己的例子。
他说，以前做项目，招人是很重要的一环。

但现在脑子里的第一个问题是：还需不需要人？

几个Codex进程一开，给它们下各种指令，它们就可以24小时不间断干活，速度远超任何人类。
而且随便PUA，永远听话，毫无怨言。

和AI工作，他现在最担心的是工作量有没有给够，有没有用完每天的剩余token数目。

然后他说：这每个月交给OpenAI的20块钱，一定要榨干它的价值。我突然意识到，就因为这区区20块钱，我已经成为了每个毛孔里都滴着血的肮脏资本家。

他能这么想，全世界最聪明和最富有的头脑，也一定会这么想。
所以他说：请大家丢掉幻想，准备战斗吧。

那在这种情况下，普通人应该怎么办？
田渊栋用了一个很有画面感的说法。

他说，未来的世界不再是传统故事里描绘的那样，人们为了争夺稀缺的武功秘籍或者寻找唯一的阿拉丁神灯而展开冒险。

相反，这将是一个遍地神灯的时代。
每一个AI都像是一个神灯，能力超群，渴望实现别人的愿望。

「在这种环境下，真正稀缺的不再是实现愿望的能力，而是愿望本身。」

大模型提供了极其廉价的思考结果，这种便利会让很多人逐渐失去思考的动力，久而久之丧失原创能力，思想被生成式内容绑架和同化。

最终变成一具空壳，连许愿的能力都失去了。

这就是新时代对懒人的定义：不是体力上的懒惰，而是精神上没有空闲去思考，没有能力去构思独特的东西。

他在总结的最后写下了一段话。

「如果将来的孩子立志要去土卫六开演唱会，或者想在黑洞边缘探险，千万不要打压这样看似荒诞的志向。因为这份宏大的愿望，或许正是他们一辈子主动思考的根本源泉，也是让他们始终屹立于费米能级之上的关键。」

田渊栋这篇年终总结想说的或许是：只要你还在主动思考，你就没有真正被淘汰。

用思考对抗同化，用目标对抗迷茫。
这或许才是AI时代，一个人最深的护城河。

[周尔复 @cholf5]

把 Anthropic 官方出的 Claude Code in Action 翻译成中文版了。

在线阅读：https://t.co/Nm45jNLh3m
源码：https://t.co/KC6W0bHQmH

[Jeff Dean @JeffDean]

Performance Hints

Over the years, my colleague Sanjay Ghemawat and I have done a fair bit of diving into performance tuning of various pieces of code. We wrote an internal Performance Hints document a couple of years ago as a way of identifying some general principles and we've recently published a version of it externally.

We'd love any feedback you might have!

Read the full doc at: https://t.co/jej95g236P

[Naval @naval]

We’re now in the era of slop code.

[Andrej Karpathy @karpathy]

I've never felt this much behind as a programmer. The profession is being dramatically refactored as the bits contributed by the programmer are increasingly sparse and between. I have a sense that I could be 10X more powerful if I just properly string together what has become available over the last ~year and a failure to claim the boost feels decidedly like skill issue. There's a new programmable layer of abstraction to master (in addition to the usual layers below) involving agents, subagents, their prompts, contexts, memory, modes, permissions, tools, plugins, skills, hooks, MCP, LSP, slash commands, workflows, IDE integrations, and a need to build an all-encompassing mental model for strengths and pitfalls of fundamentally stochastic, fallible, unintelligible and changing entities suddenly intermingled with what used to be good old fashioned engineering. Clearly some powerful alien tool was handed around except it comes with no manual and everyone has to figure out how to hold it and operate it, while the resulting magnitude 9 earthquake is rocking the profession. Roll up your sleeves to not fall behind.

[0xSakura樱花.Ai🌸 @0xsakura666]

给大家看看杨振宁（走一辈子好运）的八字长什么样，其实大部分的时候还是准的，首个9.5分的八字。

很多朋友说经常会报错，大概率只有2个问题，一个是api，第二个是网络（可以开/关vpn或者换vpn节点尝试）

[百萬Eric | Day Trader @CycleStudies]

为什么有些“均线多头趋势”，看起来很强，做起来却总是容易被打脸？

问题通常不在均线本身，而在你看错了趋势所处的位置。

很多人理解的“均线上升趋势”，只是价格在均线之上。但在真实交易中，这个条件远远不够。真正稳定、可持续的上升趋势，必须同时满足三个非常具体、可以直接观察的条件。

第一，价格必须处在所有关键均线之上，而且不是刚站上去，而是已经在上方运行了一段时间。如果价格只是短暂刺破均线，很容易变成一次回落前的情绪拉升，而不是趋势延续。

第二，均线之间要有明确的层级关系。EMA50 在 EMA100和 EMA200 之上，EMA100又在 EMA200 之上，这说明不同周期的资金判断是一致的。短线、中线、偏长期的交易者，并没有在互相对抗，而是在同一个方向上接力。

第三，最容易被忽略的一点：EMA200 本身必须是向上的。如果长期均线还在走平甚至下弯，那么所谓的“多头”，更像是反弹结构，而不是趋势结构。

当这三点同时成立时，市场给你的不是“一次机会”，而是一个容错率更高的交易环境。你不需要精准踩点，只要顺着回调找结构，就有概率被趋势带着走。

反过来看，当其中任何一条开始失效，风险其实已经在变化了。

[Colin Wu @colinwu]

GPT 说: 经济下行期，不能再迷信努力就一定会有回报，也不能再期待像父母辈那样，能够跟随时代红利获得线性增长，一定要选择能够连接海外的行业，选对方向，走出内循环，进入外循环。

[百萬Eric | Day Trader @CycleStudies]

突破只有经过回踩确认支撑，并出现新一轮延续，才算建立有效多头结构。

否则，单纯突破都只是伪强势，随时可能出现“诱多”，不能盲目追涨。

[百萬Eric | Day Trader @CycleStudies]

一个结构能诞生五种交易机会，不是巧合，而是每一种切入角度，都在解决不同的问题：

1.趋势线入场：看的是节奏趋势线上行，说明多头节奏未乱，只要没破，就值得博弈。

2.水平支撑入场：看的是区间，市场在此处反复折返，说明这是多空分界，回踩确认就是二次机会。

3.斐波回撤入场（0.618）：看的是惯多数回踩在这个黄金比例位置止住，赌的是“涨多了就得歇口气”。

4.K线形态入场：如吞没、锤子，看的是反应。K线形态就是市场意图的直接表达。

5.叠Buffs入场（趋势线+水平线+K线）：
看的是共振，多个线索在同一位置重叠，是最接近“概率最大值”的交易点。

这五种逻辑没有对错，只有你选择站在哪个角度看市场。

[百萬Eric | Day Trader @CycleStudies]

交易员真正开窍，往往不是靠顿悟，而是亏出来的

重仓梭哈、频繁出手、死扛亏损、追涨杀跌、预测市场…

把这些坑都踩一遍，你就会明白：好的交易员都是亏出来的…

[Colin Wu @colinwu]

关于中国内地炒美股交税问题，财新这篇最新文章说得很明白了，结论如下：确实在追查；主要查 100 万美金以上账户；2021 年之前的不管；被查的基本都用富途老虎。

摘录了一些核心内容如下：

香港服务高净值客户的客户经理确认，不少客户已经收到税务部门自查通知，要求申报从 2022 年到 2024 年境外银行或者券商账户上的收入和盈利，大部分被要求申报的客户拥有的资金量超过百万美元，这些客户来自北京、山西以及厦门等地。

5 月 9 日，一位武汉市民刘陌收到一条短信：“提醒您自查自 2021 年至今的个人所得税汇算清缴记录，是否包括您全球所得，如有遗漏，建议您通过‘自然人电子税务局’网页进行申报或更正申报，如果未按规定进行纳税申报，将会对您的征信产生负面影响。”随后在 5 月 13 日，刘陌在个人所得税 App 收到类似的自查提醒，两天之后，武汉税务部门再次电话提醒他去个人所得税办公室面谈。

刘陌告诉财新，他从 2021 年开始频繁交易美股，截至 2024 年，仅仅在老虎证券上的交易额就有大约 1500 万美元，另外他在富途证券等其他券商平台上同样也会“炒美股”，刘陌自认为不算高净值人群，“我的账户资产总额一直没有超过 100 万美元，现在也只剩下几千美元了。”

事实上，地方税务机关针对境外收入追缴税款的行动已经持续一年时间，金杜律师事务所税务业务合伙人叶永青告诉财新，从 2024 年中至今，该所收到关于境外收入缴税的查询和案件数量持续上升，“被追缴的项目主要集中在境外的投资收益，比如利息、股息。”

税务部门目前的追缴大部分是基于中国已经收到的 CRS 账户信息，CRS 信息交换的第一步是 100 万美金以上的账户。他认为，后续 CRS 信息交换的门槛会进一步下降。这个体系未来将成为常态化的管理工具。

参与 CRS 的地区的税务部门之间会交换信息。2017 年 1 月 1 日起，中国开始正式参与 CRS，2018 年 9 月起首次对外交换信息，已有超过 100 个国家参与 CRS，包括新加坡、加拿大、澳大利亚、新西兰、英国、日本等热门移民国家。中国香港亦已参与 CRS，因此香港地区的券商均需要遵守 CRS 要求，按香港税务局要求收集相关数据并申报。以内地开户者较多的富途证券为例，其官网的账户信息中明确表示，为了履行 CRS 及香港的法律责任，富途证券（香港）必须报告客户的税务信息。具体来说，这些税务信息除了客户自己填写的声明表格中的数据以外，所持富途香港账户的年末帐户结余或总价值；账户的股息、利息、卖出金额入账项目等信息都将通过 CRS 传给客户所属税务国家的相关部门。

自 2010 年 1 月 1 日起，对个人转让限售股取得的所得，按照“财产转让所得”，适用 20% 的比例税率征收个人所得税，具体的公式是：以每次限售股转让收入，减除股票原值和合理税费后的余额，即为应纳税所得额。

“有人一天交易了五次股票，两次盈利、三次亏损，当天亏损，那么是按单次还是一天抑或一年的盈利所得来计算纳税额，这要看不同地区税务部门的理解。“叶永青坦言，在他所经手的个案中，纳税人可以根据实际盈利情况与税务部门沟通，“如果说投资者上半年盈利，但下半年把盈利都亏进去了，但征税却只考虑盈利的部分而无视亏本，甚至让投资者把本金都赔进去，那就不符合公平合理的征税逻辑了。”

另一香港金融机构人士透露，他有一位来自南方沿海城市的客户账户内大约存有 1000 万港元，大约有 3 万港元的股息，税务部门要求自查后，该客户按要求缴纳了 6000 港元的股息税。另一位客户多次买入大蓝筹的股票，也收到了税务部门自查的要求，但是该客户在股票交易中实际上并没有获得投资收益，与地方税务局沟通之后也无需补缴税款。

至于追缴年限，叶永青表示，他所经手的案例中大多数追缴的是 2022 年至 2024 年的所得，暂未看到追征期超过五年的个案。根据《中华人民共和国税收征收管理法》规定，因纳税人、扣缴义务人计算错误等失误，未缴或者少缴税款的，税务机关在三年内可以追征税款、滞纳金；有特殊情况的，追征期可以延长到五年。

近日市场流传一种说法，国内居民如果不想就海外投资收益缴税，就到在美国这些不受 CRS 协议约束地注册的券商去开户。因为这类券商不参与 CRS 数据申报，有关收益就可以向中国税务当局隐瞒。叶永青强调称，就算是在不参与 CRS 的国家或地区开立的证券账户，纳税人被要求自查时，也不应该在申报时隐瞒。“那不属于‘合理避税’行为，而属于‘逃税’！”逃税行为一旦最终被发现，不仅面临追溯处罚，情节严重还需承担刑事责任。

全文：
https://t.co/3y7ETG1qw4

[Pai 🌲 @PPai_Crypto]

所谓山寨季，只存在于2021年以前

下图中others.d指标，是剔除了crypto市值前十名的代币后的alts的市值占比。这应该是对于整体alts市场表现最好的观察视角。

2021年以前，alts在创造更高的高点的同时也在创造更高的低点，重心保持持续上移，无可厚非这是绝对的alts单边上涨趋势，也就是大家俗称的山寨季！

但，至2021年以后的走势，我们可以从图中看见others.d在创造更低的高点的同时也在创造更低的低点，重心持续下移，形成了通道下跌的态势，更是在2025年跌破长期图中黄色上升趋势线，尽管在通道中途有过短暂上升，但这都是阶段性的。

这也是我在X文中提及过的，山寨币市场可能会在未来长期维持阶段性且局部独立行情的原因所在。并不会持续性迎来集体独立于比特币的上涨行情。

想要打破这个局面的关键在于能够能够突破通道下跌，不再创造更低的高点和更低的低点。

再有就是，通过比特币的领涨作用如果未来能够给alts市场带来充分的流动性溢出效应的话，那么也就有机会逆转这一局面，为alts新的叙事主题增添最大的助燃剂。

因为我们回顾历史会发现历史上的每轮牛市，都对应着宽松的货币政策。

2013-2014年牛市：对应美联储持续QE应对2008年金融危机后遗症。

2017年牛市：对应全球央行低利率环境延续，流动性充裕。

2021年牛市：对应疫情引发史无前例的QE，美联储和全球央行注入万亿美元流动性。

本轮牛市的背景虽然仍与前几轮类似，但远没有达到前几轮的流动性过剩的状态，当然这也对应着crypto的体量远高于前几轮。同时本轮牛市的显著特征是来源于监管政策的落地与完善，比特币现货etf的通过，以及把比特币列为战略储备，无疑为流动性的注入提供了新的窗口。
但在宽松的货币政策上目前看远不如前几轮。

当然除了宽松的货币政策为比特币注入流动性以外，山寨季的条件远不止这些，但无疑这是对于山寨季而言最重要的锚点。

[shawn (d/acc) @0xNomadShawn]

闪电网络是加密沙皇 David Sacks 最看好的赛道，并投资了多个团队。 这些团队均没有发币计划。

本月底 Fiber Network 正式上线，同时， @utxostack 作为这个赛道第一个发币的项目，还获得了特朗普竞选团队 David Bailey 的投资。在本轮大牛市，美国资金能按捺住躁动？

尽早埋伏！

[Jason Koo @jasonkoo28]

@xiejiayinBitget @BitgetWallet 家印哥看看我们 $Seal 社区！ @btckbseal
RGB++协议绝对会为比特生态带来巨大的改变，而我们 $Seal 就是RGB++的代表🦭

[0xWizard @0xcryptowizard]

链上标的，我说看好的，不管怎么跌都不会出，拿到归零。

年初有两个标的，我持有，后面跌到几乎归零。

一个是音乐盒，我质押到梅林就没取过；

一个是rgb++海豹 seal，买了后就没再看过。

有意思的是，这两个标的，音乐盒社区现在早就没声音了；

海豹社区还在天天活跃，有点感动，支持一下。

[Jason Koo @jasonkoo28]

@zy16881 真的牛