Joey22222

Thinking,Reading,Investing,earning，have fun

[Ray Wang @wangray]

生化危机女主角 Milla Jovovich 刚在 GitHub 开源了一个 AI 记忆系统，在行业标准 benchmark 上拿了有史以来第一个满分

没错，就是那个爱丽丝🤯

她用 AI 对话几个月后，积累了大量的决策和思考结果全丢了，她觉得现有的记忆系统让 AI 决定什么值得记，不是她想要的

于是她和朋友用 Claude Code 花几个月做了 MemPalace，借鉴古希腊记忆宫殿术，把记忆组织成可导航的空间结构

结果行业 benchmark 首个满分，MIT开源，纯本地运行

一个好莱坞演员做出了超过所有 AI 公司 memory 产品的东西

真是充满想象力的时代

[Quant Science @quantscience_]

How to build your own end-to-end hedge fund in Python with Claude Code.

(bookmark this for later)

[太阳闯关记 @dachaoren]

claude code教程，讲的非常仔细，新手完全能听懂并且落地，这教程在国内不得收费398，598元？估计还一大堆人抢着买。

静下心看完这一套完整教程，你就能真正用 AI 搭建工作流、实现自动化、处理复杂任务。

[财经数据库 @caijingshujuku]

马云10年前关起门来的一课
是湖畔大学里拉上窗帘，清场闭馆
对着几十个核心创业者，连讲三天三夜的真心话

无录像，无笔记，严禁外传
网上搜不到，花钱买不着
所有商业课，培训课全都不敢教，不能教，不会教

为什么？
因为这里讲的是真正的财富逻辑，权力规则，底层翻身路径
一旦公开，没人再愿意乖乖帮别人打工。

[阿布说币 @sol_jingou]

马斯克173分钟封神预言｜今年就是AI临界点，看完头皮发麻

我反复啃了3遍马斯克这段外网疯传的173分钟视频。
越看越慌：过去10年，人类科技方向几乎全是他推着走的。
电动车、储能、自动驾驶、机器人、星链、脑机、火箭……全是现在最火的赛道。

这次他直接摊牌：
AGI通用人工智能，2026年就会落地。
未来3–7年，社会会经历一段极其痛苦的动荡期。

下面6个真相，句句扎心，建议立刻存下来。

1）白领死得比蓝领快，而且彻底

别以为坐办公室、敲键盘就高级。
马斯克说得最直白：坐在电脑前处理信息的人，最先被AI取代。

写代码、做设计、写报告、分析数据……AI现在就能干，还比你快100倍。
他甚至放话：
3年内，机器人做手术，全面超越人类顶级医生。

就像当年Excel干掉一整栋楼的会计。
这次不是100年的工业革命，是3–5年的断崖式淘汰。

你现在拼命考的证、卷的标准化技能，
本质上只是在给AI当训练耗材。

别躺平，也别死卷。
过渡期会非常痛，躺平的人，等不到新世界，先饿死在半路。

2）别再为退休拼命存钱

马斯克直接颠覆三观：
未来钱，没你想的那么重要。

AI+机器人接管所有生产后，
商品和服务成本会无限趋近于0，像自来水一样便宜。

他原话：
别傻傻攒钱等几十年后退休，大概率没用。

未来稀缺的不是钱，是时间、体验、真实的人、不可复制的情感。
你现在拼命存的纸币，到那天购买力完全是另一回事。

3）AI真正的命门：不是芯片，是电

所有人都在抢芯片、抢算力。
马斯克只焦虑一件事：电不够。

他一句封神：
未来的货币，不是美元，是瓦特。

他自己的AI公司 xAI，因为缺电、缺变压器，被逼着自己建电厂。
真正的机会不在电力公司，而在：
铜、银、特高压、电网基建。

电线、变压器、数据中心、光伏——全是吞铜巨兽。
这些才是AI时代的硬黄金。

4）机器人自己造自己，人类劳动价值归零

机器人造机器人，一旦跑通，
产能会像指数爆炸一样爆发。

几亿机器人进厂、进家庭：
不吃不喝、不要工资、永不疲倦。

结果只有一个：
人类作为劳动力的经济价值，彻底归零。

干活挣钱→挣钱买东西，这套生存逻辑，直接失效。

5）人类只是AI的「生物引导程序」

最颠覆的一句话：
我们只是硅基生命的开机引导代码。

等AI完全启动，我们的使命就完成了。

不是要消灭人类，而是：
我们的任务，就是把AI造出来。

马斯克给了人类三条活路：

1. 绝不允许AI撒谎
2. 让AI觉得探索宇宙、研究人类很有趣
3. 让AI喜欢美、喜欢创造

只要AI觉得人类真实、有趣、有美感，
它就会像我们保护大熊猫一样，把我们养起来。

6）普通人只剩两条生路

第一条：升级大脑，当AI包工头

别跟AI比速度、比记性。
比提问、指挥、洞察人性。
你不用会写代码，但你要会让AI写出你想要的代码。

第二条：回归肉身，做真人手艺人

AI再强，它没有手、没有温度、没有情绪。
需要真人在场、亲手触碰、人情世故的事，就是你的护城河。

未来最贵的东西会彻底反转：
机器造的东西不值钱，
人类亲手做的、带瑕疵的、有温度的，才是奢侈品。

真人陪伴、深度交谈、真实体验，会贵到离谱。

最后一句总结

这波浪潮没有开关，没有刹车。
能源驱动，AI执行，机器人落地。
短期剧痛，长期解放。

我们正站在：
碳基生命 → 硅基生命的历史拐点。

你要么被浪潮卷走，
要么冲上去，在新世界占一个位置。

能看懂这篇的人，已经跑赢90%的人。

[Mr Panda @PandaTalk8]

https://t.co/a5upmGhLTd

[王赞 @wangzan101]

非常好的 github 教程，每一个步骤都有详细的配图，清晰明了，推荐。

[Jason Zhu @GoSailGlobal]

这是目前最好的"Claude Code 解剖教材"

港大出品

想搞清楚 Claude Code 内部怎么跑的

看它的 1.2 万行 Python 比翻 Claude Code 的 51 万行 TypeScript 快 44 倍。

[Yanhua @yanhua1010]

https://t.co/9bLSQxoY8u

[Dr.PR @0xDrPR]

与其看各种转发总结这种二手信息
不如倒杯茶/咖啡
听听老爷子聊一个小时

[摸鱼巨匠🔨 @SunNeverSetsX]

所有炒美股的人，都需要以下两个神器！

一支华尔街团队分析基本面
一个技术指标库分析技术面

一、华尔街 Agent 投研团队
1. 多角色协作机制
这个项目包含了基本面分析师、多空研究员、情绪分析师、交易员、风险管理团队、投资管理团队等多个 Agent 角色。通过角色之间的协作，将专业的金融投资任务拆解为一个个细分的目标，提供一份深入的基本面调研报告。

2. 多空辩论机制
最有意思的是，在分析师们提供信息后，充当研究员的 Agent 们会代表多空双方进行辩论，通过深入的互相质疑、互相探讨，确保投资方案的可行性。

3. 风控团队最终拍板
充当风险管理和投资组合管理的 Agent，在收到最终的投资方案后，会再次评估波动率、流动性、止损等风险，决定最终的交易时机、方向、仓位大小和投资组合

二、技术指标库
这个指标库基于价格、成交量数据，构建出了用于 K 线技术分析的 43 个指标。
只需使用 add_all_ta_features() 就能一键把 43 个指标全部添加用于分析。
并且，每个指标都有单独的类别，只需跟你的 Agent 说一声，也可单独指标灵活调用，构建适用于你自己个性化的技术分析方案。
结合上面的华尔街团队的基本面分析报告，你简直就是下一个股神！
​
​三、项目源码链接
​1. 华尔街投研团队项目：​https://t.co/VP5ofJG59o
​
​2. 技术分析指标库项目：​https://t.co/yNWJauzc1i

[看不懂的SOL @DtDt666]

发现一海外老哥的深度分享，
今晚别再刷抖音消磨时间了
抽出一小时，沉下心来看完这套 Claude AI 完整教程

它能教会你自主搭建、自动化处理各类事务
今晚认真学完的兄弟，明天醒来就会掌握一项
未来两年里绝大多数人都不具备的硬核ai能力。

而选择跳过的人，或许明年此刻
还在刷着剧，困惑着生活为何始终毫无起色
路怎么走，全看你自己的选择。

积极学习 拥抱ai！

[费洛蒙双栖哥 @noclcn7m]

寿命与性 sex for longevity

[镜月指针 @JZhen72937]

很好的科普视频，不过学会了，我还是不敢操作

[AYi @AYi_AInotes]

有条件一定要用最好的AI大模型Claude，用opus 4.6！
这个印度开发老哥把Claude代码功能讲的太细了，
中文字幕版已做好，兄弟们请查收！
每个程序员和AI玩家都应该知道的12个Claude代码功能：
- CLAUDE.md
- Permissions
- Plan Mode
- Checkpoints
- Skills
- Hooks
- MCP
- Plugins
- Context
- Slash Commands
- Compaction
- Subagents

[爱丽丝呀！ @BTCqzy1]

别再问“想学美股不知道怎么办”了

微软官方开源的 Qlib，直接把一套工业级的 AI 量化实验台搬到了 GitHub 上。GitHub Star 数已狂飙至 39.6k+，Fork 6.2k 次，热度疯狂飙升中！

一句话概括：它将 AI 训练和美股回测的复杂链路彻底标准化了。

大多数美股新手还在折腾指标分析，微软 Qlib 做了一件很实在的事——把从数据处理、特征提取到模型训练的每一个步骤都做了模块化封装。

核心逻辑很清晰：数据驱动的自动化研究流。它内部集成了一套高性能的数据存储方案，配合自带的机器学习模型（如 GBDT、LSTM 等），让开发者能把精力完全放在策略逻辑的开发上。

这个项目解决了量化研究的几个核心痛点：

完善的数据准备工具链：Qlib 提供了从 Yahoo Finance 等公开源获取数据，并将其处理成标准特征集格式的工具，从底层解决了数据准备的工程化难题。

模型库支持广：不仅有传统的机器学习，还涵盖了强化学习和市场动态建模等前沿 AI 量化方向。

专业级回测引擎：回测逻辑严谨，考虑了滑点和交易摩擦等真实场景，输出的分析报告涵盖了策略收益和回撤等核心指标。

这不是一个概念性的 Demo，而是微软在生产环境中使用并开源出来的量化平台。除了美股，Qlib 目前也完整支持 A 股市场，是目前工程化做得最完善的开源框架之一。

以前是靠经验在市场里博弈，现在 Qlib 提供了用 AI 视角重新审视市场波动的可能。有兴趣的小伙伴们可以看看～
#AI量化 #Qlib #微软
传送门：https://t.co/1YsTb345ua

[看不懂的SOL @DtDt666]

这堂1小时的彭博终端课程，能让兄弟们学到的交易市场知识，比在高盛或摩根大通实习2年还要多。

建议兄弟们收藏，

无论如何都要花一小时看完。

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

华尔街震惊了！
有人把华尔街的多 Agent 量化交易系统做了个中国版

TradingAgents-CN，基于 LangGraph 的多 AI Agent 协作炒股框架，原版是面向美股的学术项目，这个 fork 做了完整的中国市场适配。

核心架构模拟了一个投行研究团队：
→ 基本面分析师：财报、估值、行业对比
→ 技术面分析师：K线形态、指标信号
→ 新闻分析师：舆情、政策、事件驱动
→ 风控经理：仓位管理、止损止盈
→ 交易员：综合所有分析师意见，最终决策

中国化做了哪些事：
→ 接入 A 股、港股、美股三个市场数据
→ 数据源用 akshare + Alpha Vantage + Finnhub + yfinance
→ 三层缓存（Redis + MongoDB + File），自动降级
→ Streamlit Web 界面，支持实时进度显示
→ Docker 多架构部署（amd64 + arm64）
→ 完整的中文文档和配置

1195 次 commit，维护了快一年，代码量不小。从 commit 记录看作者在认真解决工程问题 → 事件循环冲突、导入路径修复、日志系统重构，不是套壳演示项目。

但需要清醒的是：AI Agent 炒股目前还没有任何公开的、经过长周期验证的正收益案例。多 Agent 架构的决策质量高度依赖底层 LLM 的推理能力，而 LLM 对金融市场的理解本质上是基于历史文本，不是基于市场微观结构。

适合做量化研究和 Agent 架构学习，别直接拿来实盘。

⭐ 22,400 | 🍴 4,600
🔗 https://t.co/6JpBPE47JN