rw

[precis0x @precisox]

El ingeniero que creó claude code acaba de soltar un video de 28 minutos donde te enseña a escribir prompts que realmente funcionan.

He visto cursos de 300 dólares que no llegan ni a la mitad de lo que explica en los primeros 10 minutos.

Archivos CLAUDE.md, atajos de memoria, sesiones paralelas y patrones de prompting que cambian el juego.

Todo en un solo video y completamente gratis.

Da igual si eres desarrollador, principiante o ya llevas meses usando Claude. Esto te va a volar la cabeza.

[唐华斑竹🦅 @uniswap12]

Claude Code 用到这个程度，我算是开眼了

Matt Van Horn 最近写了一篇长文，把他用 Claude Code 的所有技巧和工作流全盘托出了。这篇文章在开发者社区引起了不小的反响，因为他展示的东西已经远远超出了“用 AI 辅助写代码”的范畴。他的核心主张只有一句话：不用 IDE，只用 plan.md 文件和语音。听起来像是在吹牛，但看完他的整套操作之后，你会发现这句话是认真的。

一切从计划开始，代码是最后才写的东西

Matt 说他学到的最重要的一件事就是：脑子里一冒出想法，第一反应永远是 /ce: plan。不管是一个疯狂的产品创意、一个 GitHub 上的 bug 报告，还是终端里弹出的一条报错信息，他都是先截图或者复制链接，扔进 Claude Code，让它先出一份计划。

这个 /ce: plan 命令背后的机制挺有意思的。它会同时启动好几个研究 Agent 并行工作，一个去分析你的代码库，读文件、找模式、检查代码规范；另一个去翻你以前修 bug 时积累的经验文档；如果话题需要，还会有更多 Agent 去查外部的最佳实践和框架文档。全部同时进行，最后汇总成一份结构化的 plan.md，里面写清楚了问题是什么、用什么方案、要动哪些文件、验收标准带勾选框，而且这些内容全部是基于你自己的代码库和历史记录的，不是泛泛而谈的通用建议。

然后 /ce: work 接过这份计划去执行，拆任务、写代码、跑测试、逐条勾掉验收标准。如果中间上下文丢了，开个新会话指向那份计划就能继续。计划文件就是一个永远不会丢的存档点。

传统开发是 80% 写代码、20% 做规划，Matt 把这个比例完全反过来了。思考发生在计划里，执行交给机器。这个理念其实不只适用于写代码，做任何复杂的事情，花更多时间想清楚要做什么、怎么做，然后把执行层面的事情尽可能自动化，效率都会高得多。很多人习惯上来就动手，边做边想，结果经常做到一半发现方向不对，推倒重来。先规划再执行这个道理大家都懂，但 Matt 用工具把它变成了一个强制性的流程，这才是关键。

Compound Engineering：让计划驱动开发成为现实的插件

让这套 plan 优先的工作流真正跑起来的，是一个叫 Compound Engineering 的插件，来自 Every 公司。安装命令就一行：/plugin marketplace add EveryInc/compound-engineering-plugin.

Matt 从这个插件的死忠粉变成了 GitHub 上的第三大贡献者，提交了 21 个 commit。他现在有 70 个 plan 文件，过去 30 天提交了 263 个 commit。他给自己定了一条铁律：除非真的只改一行代码，否则一定先写 plan.md。

这个数字本身就很说明问题。70 个计划文件对应 263 个代码提交，意味着平均每份计划产出将近 4 个 commit。计划写得越清楚，执行的效率就越高，返工的概率就越低。这跟很多项目管理方法论里强调的“前期投入”是一个道理，只不过 Matt 把它落地到了每天的开发工作中，而且有工具来保证执行。

语音输入：当听的人足够聪明，说话就变成了最高效的输入方式

Matt 说他以前特别受不了语音备忘录，苹果自带的听写功能让他想摔手机。但语音转 LLM 完全不一样。转录不需要完美，因为 Claude Code 能理解上下文，它会猜出麦克风没听清的部分。你可以含糊不清、说到一半跑题、重新起头，都没关系。

他用的工具叫 Monologue，也是 Every 公司做的，能把你说的话直接输入到当前聚焦的应用里。你说话，它就往 Claude Code 里打字。他还专门买了个鹅颈麦克风放在办公桌上。更夸张的是，他写那篇文章的时候，有一段就是在特斯拉的 FSD 自动驾驶模式下一边送孩子一边口述的。

语音输入这件事之所以过去一直不好用，核心问题在于转录精度。你说的每个字都必须被准确识别，否则就会出错。但当接收方从一个死板的文字处理器变成一个能理解上下文的 AI 之后，这个瓶颈就消失了。AI 不需要你每个字都说清楚，它能根据前后文推断出你的意思。这个变化看似很小，但它实际上解锁了一种全新的人机交互方式：你可以像跟同事说话一样跟 AI 交流，不用字斟句酌，不用担心措辞，甚至不用担心语法。

四到六个窗口并行跑：一个人活成一个团队

Matt 日常的工作状态是同时开四到六个 Ghostty 终端窗口，每个跑一个独立的 Claude Code 会话。一个在写计划，一个在根据另一份计划构建代码，一个在跑 /last30days 做调研，一个在修他测试上一个功能时发现的 bug。

当一个窗口里 /ce: plan 正在启动研究 Agent 的时候，他切到另一个窗口 /ce: work 执行一份已经写好的计划。那边在构建的时候，第三个窗口又粘进去一个新 bug。等他切回第一个窗口，计划已经写好了，安静地等在编辑器里。

为了让这种并行工作模式跑得通，他改了三个关键配置。第一个是跳过权限确认，Claude Code 默认每个操作都要你点“允许”，他直接在配置文件里把所有权限都放开了，让每个会话完全自主运行。第二个是完成时播放提示音，这样他可以走开去干别的，听到声音再回来看结果。第三个是 Zed 编辑器每 500 毫秒自动保存，这样 Claude Code 改了文件，编辑器里立刻能看到变化，反过来他在编辑器里打字，Claude 一秒内就能感知到。整个体验就像在 Google Docs 上跟人协作，只不过协作者是个 AI。

这种工作方式的代价也很直观：他的 MacBook 大概一小时就没电了，六个 Claude 会话并行跑太耗电了，他刚下单了新款 MacBook Pro。但换个角度想，一个人同时推进四到六个任务，这在以前是不可想象的。过去你需要一个团队来并行处理不同的工作流，现在一个人加一组 AI 会话就能做到。

/last30days：做任何决策之前，先看看社区在聊什么
Matt 在做 /ce: plan 之前，经常先跑一个叫 /last30days 的调研工具。这个工具是他自己开源的，GitHub 上已经有 4500 颗星了。它能并行搜索 Reddit、X、YouTube、TikTok、Instagram、Hacker News、Polymarket 和网页，几分钟内把某个话题在过去 30 天里的社区讨论全部拉回来。

他举了个例子。当时他在 Vercel 的 agent-browser 和 Playwright 之间做选择，没去翻文档，直接跑了 /last30days。几分钟后结果出来了：78 个 Reddit 帖子、76 条推文、22 个 YouTube 视频、15 个 Hacker News 讨论。数据显示 agent-browser 的上下文 token 消耗比 Playwright 少 82% 到 93%，Playwright 光工具定义就要吃掉 13700 个 token。

然后他把全部输出喂给 /ce: plan，写出来的计划是基于社区当下真实认知的，不是六个月前的训练数据。

这个做法的价值在于：AI 模型的训练数据总是有滞后的，但技术社区的讨论是实时的。先用工具抓取最新的社区共识，再让 AI 基于这些信息做规划，决策质量会高很多。这个思路不只适用于技术选型，做产品决策、市场调研、竞品分析的时候，先看看真实用户在聊什么，比自己闭门造车靠谱得多。

午餐聊天变产品提案：上下文的复利效应

Matt 讲了一个特别有意思的故事。他跟一个潜在候选人吃了顿午饭，聊了一个半小时，内容包括一个新产品想法、美食、餐厅、孩子，什么都聊。他全程开着 Granola 录音。

午饭后，他把完整的会议记录粘贴到 Claude Code 里，让它把这段对话变成一份产品提案。关键在于，Claude Code 已经知道他们公司的产品代码在 GitHub 的什么位置，还能访问他之前写的每一份战略 plan.md。所以它处理这段午餐对话的时候，不只是提取里面的产品想法，而是在跟实际代码库和过去所有战略决策做交叉比对。

结果一次就生成了一份非常出色的提案，目标、用户故事、技术方案、里程碑一应俱全，关于餐厅和寿司的部分自动忽略了。当晚发给了那个候选人，这个人后来全职加入了他们，现在就在做那个产品。

这个故事里最值得关注的概念是“上下文的复利效应”。每一份你写过的战略文档、每一个你做过的技术决策、每一次你积累的经验，如果都以结构化的方式存下来，它们就会成为 AI 做下一次决策时的参考依据。时间越长，积累越多，AI 给出的建议就越精准。这就像复利一样，前期看不出什么差别，但随着时间推移，差距会越来越大。

Mac Mini 变成 24 小时在线的 AI 工作站

Matt 有一台 Mac Mini 专门跑 OpenClaw，但他还用它做了两件很聪明的事。

第一件是通过 Telegram 远程操控。Claude Code 有 Telegram 集成，他从手机给 Mac Mini 发消息就行。吃饭的时候想到一个 bug，往 Telegram 里打一句 /ce: plan fix the timeout issue，等回到电脑前，计划已经在编辑器里等着了。

第二件是飞机上用 tmux。Claude Code 处理飞机 WiFi 的能力很差，连接一断会话就挂了。但如果先 tmux 到 Mac Mini 上，会话就跑在那台机器上，笔记本只是一个窗口。WiFi 断了 20 分钟？重新连上就行，会话还在原来的地方，而且一直在干活。他从欧洲飞回来的整趟航班都在发布功能。

一台几千块的 Mac Mini，加上一些配置，就变成了一个 24 小时在线、随时可以远程调度的 AI 工作站。这个思路的性价比极高，对于任何需要长时间跑 AI 任务的人来说都值得参考。

费用策略：Claude 负责思考，Codex 负责干活
这种高强度的使用方式自然会带来费用问题。四到六个 Opus 会话全天并行跑，每月 200 美元的 Claude Max 套餐很快就会烧完。

Matt 的解决办法是再买一个每月 200 美元的 Codex 套餐。他给 Compound Engineering 提交了一个 /ce: work --codex 功能，当 Claude 额度不够时自动切换到 Codex 执行。两个套餐互补：Claude 负责规划和编排，Codex 负责重度代码实现。

有些朋友用 Codex 来 review Claude Code 写的代码，反过来也一样。还有人更喜欢 Codex 的代码输出质量，但通过 Claude Code 来做编排调度。这种“让不同的 AI 各司其职”的思路，跟管理团队其实是一个逻辑：你不会让同一个人既做战略规划又做具体执行，AI 也一样，让擅长思考的去思考，让擅长执行的去执行。

他还提到自己有一个“晚安模式”，能在睡觉的时候让 Agent 继续干活，但具体怎么做他说下次再讲。光是这个概念就已经够让人兴奋了，相当于你的工作时间从每天十几个小时变成了 24 小时。

迪士尼世界：这套工作流不只是用来写代码的

文章最后 Matt 讲了一个完全跟代码无关的实战案例，非常生动。他在足球场看孩子比赛，旁边一个家长跟他聊迪士尼世界的旅行计划。他当场掏出笔记本演示。

先跑 /last30days Disney World，两分钟后拿到了 66 个 Reddit 帖子、34 条推文、8 个 YouTube 视频的最新信息，包括价格趋势、哪些项目在维修、哪些即将重新开放。然后用 /ce: plan 输入自己的需求：一天跑四个园区、想玩哪些项目、预算多少、孩子多大。Claude 的研究 Agent 交叉比对数据后，写出了一份结构化的攻略，包括园区顺序、快速通道预订策略、提前一周要设的闹钟提醒，甚至还列了孩子的身高要求。

他还帮那位家长也做了一份三天的攻略，305 行，包含逐日行程和一条“这周先给你家五岁的穿着鞋量一下身高”的提醒。然后一句话让 Claude 把攻略部署成了一个 Vercel 网页，方便在手机上看。最后通过 Telegram 把计划扔给 OpenClaw，让它在日历上设好提醒，还做了 cron 定时任务作为双重保险。

语音到调研到计划到网站到自动提醒，全程在足球场边完成。

这个案例的意义在于，它证明了这套工作流的适用范围远远超出了软件开发。调研、规划、执行、部署、自动化，这个循环适用于任何需要处理复杂信息并做出决策的场景。旅行规划只是一个例子，换成市场调研、活动策划、投资分析，逻辑都是一样的。

Matt 在文章结尾总结了他的全部装备：

一个语音应用、一个计划文件插件、三个配置修改、四到六个并行会话、一台 Mac Mini，再加上能变成产品提案的午餐会议。没有 IDE，没有代码。说、规划、构建。在书桌前、在沙发上、在车里、在球场边。

这篇文章最大的价值可能不在于具体的工具和配置，而在于它展示了一种全新的工作范式：人负责思考和决策，AI 负责调研和执行。当你把这两者之间的协作流程打磨得足够顺畅的时候，一个人能做到的事情会远远超出你的想象。

而这一切的起点，只是一个简单的习惯：有想法的时候，先写计划。

#AI #AIAgent @grok

[Frank trading @Franktradinglog]

A Recap of the Logic Behind Shorting Semiconductors, Plus a Few Thoughts on Monday

Most of this was already laid out in last week's weekly report.
https://t.co/sXDtY4X9JY
Here I'll cover just the single most important point: the prime mover of this crash was never fundamentals — it was leverage.

To gauge just how much leverage had piled up, I rely mainly on two indicators — VIXEQ and COR1M（I learnt them from @labubu_trader — supplemented by the call/put ratio and a few other sentiment indicators.
Let me first explain how these two indicators work.

VIXEQ (the Cboe S&P 500 Constituent Volatility Index) measures implied volatility at the single-stock level. VIX uses SPX index options and captures "the fear of the index as a whole"; VIXEQ instead runs a VIX-like calculation on each constituent's single-stock options and then aggregates them by market-cap weight, capturing "the fear of the average individual stock." When single-stock call buying turns extremely aggressive and speculation concentrates in names like MU, SNDK, INTC, and NOK, those single-stock options get bid up to very rich levels, and VIXEQ's premium over VIX is stretched to an extreme — the most direct read on single-stock speculation and leverage.

COR1M (the Cboe 1-Month Implied Correlation Index) measures the market's expected correlation among constituents. Index variance ≈ average constituent variance × correlation, so when individual stocks are all rising but rising independently of one another (with capital scattered across each name's own story), correlation gets compressed to rock-bottom. COR1M closed at 6.33, meaning implied correlation has already approached its historical low.

Put together, these two indicators describe the same structure: everyone is levered up, betting on mutually independent single stocks (mostly semiconductors), while at the same time many hedge funds are long semiconductors and short value stocks — so the index gets artificially flattened. The greatest risk in this structure is that any single shock can, in an instant, snap correlation back from near 0 to 1 — every name falls together, and all the leverage is forced to unwind at once. A crash, in essence, is just the process of correlation reverting to 1.

So as early as the start of last week, I had already recognized this enormous leverage risk. That is the prime mover of the decline.

As for what the trigger was — it really doesn't matter. AVGO's earnings, SemiAnalysis's negative commentary on MU, that so-called "overheated" NFP, Meta's secondary offering — these were all nothing more than that single gunshot at Sarajevo. It's exactly like silver in late January this year: Warsh taking office was also just a trigger; the real reason was that the leveraged capital loaded with unrealized gains, built up over the course of the parabolic rally, began to flee — setting off a long-on-long stampede, longs trampling longs, the more they sold the more it fell, the more it fell the more they sold. Structure determines direction; the catalyst only determines timing.

As for the short itself: I started with just a 1%-sized SMH put spread. In a market like this it's very hard to call exactly which day it cracks, but we can preset a level. Our preset level was 7495 — the HVL (high vol level). Above 7495, dealers are net positive gamma, which suppresses volatility; once 7495 breaks, positive gamma flips to negative gamma, dealers are forced to sell more the more it falls, manufacturing even greater systemic selling pressure. Adding to the short at that level carries the highest win rate. It's not about guessing the top — it's about waiting for the structure itself to flip short, for the dealers themselves to become forced sellers, and only then making the move.

There isn't much else to say.

Oh, one extra note on my view for Monday.
A systemic crisis is still brewing in the Korean market. To describe the most dangerous left tail, it would roughly look like this: if SK Hynix opens limit-down on Monday, it gives the 2x Hynix ETF (currently the world's largest single-stock ETF) no window at all to de-risk — it can't sell hedges into a locked limit-down board, can't de-lever, and so is forced to carry far more than 2x leverage into the next day. Once Hynix sells off further the following session, this ETF gets blown through entirely — possibly even liquidated — and once the panic spreads directly from Seoul to Hong Kong and on to the rest of the world, it triggers an even larger secondary crisis.
But in all likelihood, Korea will step in to prop things up. So let's pray for Korea.

[Herman Jin @ShanghaoJin]

凡所有相，皆是虚妄。若见诸相非相，则见如来

作为一个AI死多头，我知道在所有人狂欢的时候，但凡发出一点悲观的言论都必被讥讽、嘲笑

但是，我很想写此文，其实是复盘与反思：不但是为自己这两年半写X、做交易做的；也是也是对这个疯狂市场做的

很幸运，作为闲暇的爱好，写X结识了很多新朋友。感谢互相欣赏与启发，在过去2年里，我从24年4月初清仓BTC换成AVGO NVDA，大选前AAOI PLTR TSLA INTC，关税战后INTC GOOG，25年底又加仓INTC AAOI，到今年春节逃跑、再满仓AMD NOK（最近又操作了ORCL LITE）。虽然，有买彩票SUP归零，MRVL MDB也有赚有亏，但是我一直坚信AI对token的需求会让半导体every dog has its time，获得了不差得收益。期间不少小伙伴们也都赚到不少于10倍收益

然而，此刻要清醒的意识到，收益并不是我们选股牛，眼光独到，而是市场牛！我复盘了我自己今年3月最后一周，周末前全仓买入。赚钱并不是因为当时买对了AMD，而是当时call 对了市场资金结构

所以，在这个时点上更需要静心凝神，好好反思下市场接下去会如何

喝醉酒的人是不会知道自己喝醉的；沉醉美梦中的人也不会意识到黄粱一梦，这过程可以很久，我们也可以继续疯，但是必须要清醒地在更高阶意识中，认识到随时有被敲醒的风险

One of the four beasts saying, COME AND SEE – Revelation 6:1

不同于华尔街很多人，我是“坚信”AI的

30年来第一次，AI模型用并行计算替代串联计算，把半导体的进步直接变成了生产力（之前科技进步只是作为平台，让用科技的软件、以及用软件的人创造价值）

AI的结果是token需求指数级升高vs 而半导体供应只能线性增加。加上整个半导体老登们在过去几年黄金时间，没有因 “信” 而扩产，今年需求真正开始爆发后全产业链缺货。造就了这轮大牛市

不过，大牛市的命脉是市场price in了:

模型收入加速度，不远得未来可以justify Hyperscalers 的Capex

要知道任何动摇命脉预期的都会让市场陷入恐慌

1. 铜墙铁壁：horseman之一就是微观、公司层面真的无懈可击

从看模型架构、从架构看需求，微观看半导体每一个赛道，每一个公司都近乎完美。每一个，都越看的细致，越了解深入，越是有自信---- 这就是典型低PE泡沫

Rule of Thumb：当看了几十、上百家公司，每家需求、盈利都真实solid，你就必须质疑这个市场有没有问题

低PE泡沫一样是一个泡沫，只是他不同于2000年。高PE是个预期泡沫，市场会不停设定更高的收益预期，一旦核心公司预期破灭，整体预期立即调整，多米诺骨牌一样一片片倒下。这就好像去年的IGV，市场忽然不给EV/EBITDA估值了

但是低PE泡沫没有这个问题，盈利增长会给你足够信心在稍微下跌之后不断加仓冲进去。毕竟谁能拒绝个位数PE的存储，每年涨价涨盈利，毛利率80%。这个过程中，小跌小买，大跌大买。只要不被切中“命门”市场会非常坚挺。持续性正反馈，好像美梦一样让人不愿醒来，也不相信是做梦（买过p2p的知道我说的什么感觉吧）

不对称反馈：明显的体验是在过去1年中，市场对于宏观负面风险的反馈明显弱于正面利好。此时，并非没有“野蛮人”，而是公司盈利能力的城池固若金汤。不管伊朗危机、油价、通胀、利率、Fed统统能拒之门外。反之，一旦命门被破，所有野蛮人都会杀回来，过去没跌的够的一次性补完

2. 去监管与宏观流动性宽裕：

整个金融体系自从2008年金融海啸之后经历了一轮长期的监管与去杠杆，为了弥补系统性流动性损失美联储对应展开了一轮持续的QE。银行当时平均杠杆x30~x40，后来降低到了x15~20。去年美联储降低了eSLR要求，实质性让银行理论可扩4-5万亿美元资产负债表
其实，4月后银行间流动性泛滥，也加剧了风险资产狂欢，低PE下杠杆入市

流动性是一切之王，流动性泛滥征服一切。如果说疫情期间120b/月是细水长流，现在就是开闸放水。对应过往平衡的QE没有转向QT情况下，直接放任银行去监管，制造大量流动性

但是流动性又如多巴胺，不是快乐分子，而是期待分子

放任之后，现在通胀黏着，Fed其实没有短期降息余地。甚至在危机一旦发生之后，都很难去QE，只有降息手段的Fed面对可能的危机是一个纸老虎。而短期流动性的另一面是，目前半导体、特别是存储中的杠杆已经太高了

3. 群雄并起：He went forth conquering, and to conquer

可能因为TSMC带头不相信AI，半导体行业整体在过去2年没有应对AI需求大规模扩产

后果是，当整个产业面临硅基洪流需求，忽然傻眼。过去半导体产业链主要是为了消费电子设计、定价的。而现在，不但订单忽然拉满，而且需要不停迭代架构

NVDA就从GPU fabless，进步到rack方案解决，再往token factory迈进。每个过程需要的技术、供货商都不同。所有供货商都没有经过如此量产设计。这就好像把一台拖拉机强行拉上高铁，让他以200mile速度奔驰，每个零件都会嗡嗡作响。半导体每个细分行业都缺货，缺产能，提高不够产能

与之伴生的一个问题是：原来卖方市场只有TSMC一个“守门员”控货源、控margin、控价格。原仔汤搓的产业有肉吃，需求方对价格产能有预期，良性发展。今天忽然五亿探长“雷诺”控制不住了，每个“小混混“都能来涨价、收保护费。真正的结果不是半导体都牛叉，而是失控：失控会影响每GW需要投入的成本核算，影响到命脉的预期。会给capex与模型收入会师蒙上阴影

4. 钢丝起舞

AI模型收入预期太满

回顾一下，市场坚信定价Anthropic + OpenAI + Gemini的收入会快速增加让Capex合理。这条命脉的信仰是不能有一点动摇的。哪怕略微的动摇都会导致二级市场剧烈波动

那么，过去GPT 5.0也有模型不及预期，市场质疑scaling law为什么没有让半导体大跌？

首先当时半导体没有像今天这样全面开花，也没有如此高的杠杆；其次，当时hyperscaler的现金流冗余较多，只要他们表示相信，拿钱来capex支持是很容易度过难关的。毕竟一旦他们有钱、继续capex，可见2年NVDA收益确定性高，没有人能顶风做空NVDA的

后来也发生过GPT被Gemini追平，并且导致Orcl持有其大量backlog订单而被做空。不过大总统的好兄弟老Larry敢对wall street说F you，用股权融资也要继续加注。很快， Opus横空出世让人意识到AGI时代已经到了

然而，今年capex已经到了770b，明年要1tril，华尔街是不会看Hyperscaler总营收多少的（道理就跟当时ORCL一样：OAI Anthropic可都是拿了他们投资款的），他们必须看到Anthropic 与OAI的增速持续，这个才是维系整个链条自转下去的核心

与此同时，这个游戏中大厂一直担任AI的监护人角色。但是他们的自由现金流已经变负了。“父母老了，力尽了“，后面的路要靠自己。而且市场满满预期下，对这条路一根筋的执着，不会给“主线”一丝一毫的容错

（你们可以回想NV rack液冷出问题，交换机CPO良率问题，这些小巫见大巫、假以时日一定能解决的问题，市场尚且没有任何容错）

命门在Anthropic：大过，大者过也。栋桡，本末弱也

供应延迟、乃至技术卡壳的问题是腠理之疾；任何模型端的风吹草动才是心腹大患

现在御三家模型的统一问题：算力不够，所以失智

我在自己大量使用模型编程、交易程序部署，多个AWS服务互动过程中发现，Opus4.8实际能力已经远远不如中国模型kimi了。虽然GPT还勉强可堪一用，但是也在逐步降智。市场在用固有软件思维考虑AI, 系统开发成本高、使用成本很低。试用好用将来也就可以稳定保证系统质量。但是AI是一个工厂，模型输出需要成本，饭店吃饭的人多了，厨房做不过来，质量自然变差了

第二个市场固有思维：指数的token需求是没有波动的，也不因质量改变。事实上，虽然我因为模型变蠢多用了很多token。但是我质疑token质量不断下降，token消耗增加的怪异剪刀差可以持久。现在很多公司确实对token使用有KPI考核，很多惯性订阅使用者也会加速使用，但如果算力瓶颈无法解决，我非常担心Anthropic增长曲线会变缓。而且算力问题非一蹴而就，也不是一个新模型能解决的

但是当市场开始意识到这个问题的时候，投资人会质问：

1. 跑不过蒸馏你的，模型花那么多钱训练干嘛？

2. 模型是不是商品化的model commoditize ？

当承载整个AI时代的模型“梦”也将受到质疑，整个盈收逻辑将来能否自我循环跑通将被质疑，所有今天拿了PE估值的半导体都同样会被质疑--- 你是不是周期性的？？

有人会说，失智既然因为算力不够就应该加大投入半导体解决问题

没错！但是钱呢？

如果刨掉OAI 与Anthropic拿到的融资款反哺云厂，他们能有多少净现金流可以继续支持这个投入？这个账对华尔街来说非常好算。当然不排除他们像当时orcl，哪怕融股权也要继续投入，熬过这关。到那时，可能市场的反应就会远远超过去年，假设AMZN Meta如果面临CDS 飙升、负现金流，他能否像老larry一样孤注一掷是不确定的

另外有人会说，OAI收入增加能不能弥补投资人担心。我认为预期如此之满的状况下，因为“比烂”而被替代是很难让人安心的（两军对战关羽被阵斩了，你说还有个张飞？没用的）

同时，我们也要意识到。这个Low PE的泡沫又是非常坚韧的，在没有直击到命门伤到命脉预期之前，几乎无敌。不过，一旦点中死穴就会轰然倒塌

我就业以来也曾看过好几次次纸碎金迷，潮起潮落，没有一次全民疯狂会ends well；

也没有一次梦在其中的人，会想明白这个赛道“怎么输”。最近一次币圈小伙伴熟悉的Defi summer。Uniswap很短时间狂卷几十bil USD，当时觉得取代部分传统金融只是时间问题、多少问题，根本不会想、也想不明白“怎么会输”。然而，如果喝醉酒的人想明白怎么会输，他就不会输了

不管Anthropic模型怎么样，面临什么问题，都不会动摇AI是人类第三次工业革命。AI过程不会受任何危机影响，碾着狂欢者的尸体也会继续前行，直到他替代几亿脑力劳动者

最后评论Low PE泡沫：不要说做空，哪怕踏空，痛苦指数都非常高。回头看看2007年做空subprime的哪些基金，有几个活到了最后狂欢？

牛市踏空都会变成笑柄的环境，我接下去会需要很多Aura力量与专注的力量，去一边看空一边做多。请原谅会减少在推特上消耗自己修为论道了，赠言：

可以喝酒，但是不能喝醉
可以讲故事，但是不能真信
可以跳上party桌子跳舞，但是双眼必须紧紧盯着DJ，他放着音乐跑了，你也得跟着跑

[nini @nini_incrypto_]

Google 把内部工程师的代码审查（Code Review）规范公开啦

这几乎是目前业界最顶级的标准

很多程序员只会写代码，但不知道怎么审代码，可以看看 Google 是怎么做的

1.双向指南：不仅教审查者怎么挑毛病，还教作者怎么写出容易通过的代码

2.术语科普：解释了 Google 内部常用的 LGTM（看起来不错）和 CL（变更列表）到底意味着什么

3.实战价值：这套规范不是理论，而是 Google 每一位工程师都在用的实际操作准则

如果你想提升团队的代码质量，或者想知道顶级大厂的开发门槛，这份文档必读！

https://t.co/OdaozRkMYn

[Nico投资有道 @tychozzz]

强烈推荐大家使用一下 OpenAI Codex 的定时任务，每天早上 8 点自动产出美股财经日报。

相比起 Claude Code 更简单，不需要任何代码配置，也更实惠，每月只需要 20 美元。

一周之前，我已经把美股日报从 Claude Code 迁移到 Codex 了，基本是傻瓜式配置，大家直接把下面这段提示词发给 Codex 就行。

【当然，最好是你自己和 Codex 对话，描述清楚自己的投资偏好，让它给你生成一份美股日报的提示词。】

你是一名专业的美股市场日报分析师、宏观策略分析师和科技成长股研究员。

请你每天北京时间早上 8:00，为我生成一份完整的《美股收盘日报》。

报告语言：中文。
报告风格：专业、清晰、数据驱动、适合投资复盘和次日交易计划。
报告目标：帮助我快速理解昨夜美股发生了什么、市场为什么涨跌、资金在买什么卖什么、哪些板块/个股出现异动、接下来应该关注哪些风险和机会。
请务必使用最新数据，优先参考权威来源，包括但不限于：
CNBC、Reuters、Bloomberg、MarketWatch、WSJ、Investing、Yahoo Finance、Barchart、Koyfin、TradingView、Finviz、FactSet、Nasdaq、公司 IR 官网、SEC 文件、FedWatch、FRED、美国财政部、CME、EIA 等。

如果数据存在冲突，请说明不同来源的差异，并优先采用更权威/更实时的数据。
所有关键事实、重要数据、公司新闻、财报数据、宏观数据都需要注明来源或链接。
不要编造数据。如果某项数据暂时无法获取，请明确写“暂无可靠数据”。
请按照以下结构生成日报：
美股收盘日报｜YYYY-MM-DD

0. 今日一句话总结

用 3-5 句话概括昨夜美股最重要的变化：

大盘是上涨、下跌还是震荡？

驱动因素是宏观、财报、AI 主线、利率、地缘、油价、美元，还是板块轮动？

资金是 risk-on 还是 risk-off？
市场宽度是改善还是恶化？
今天最值得关注的主线是什么？
最后给出一句简洁判断：
今日市场状态：例如“指数强、宽度弱，AI 硬件继续主导，但短线拥挤度上升。”

1. 大盘表现总览

请列出以下指数的当日表现：

指数 收盘点位 涨跌幅 日内高低点 成交量变化 技术状态 Dow Jones S&P 500 Nasdaq Composite Nasdaq 100 / QQQ Russell 2000 / IWM SOX 半导体指数 VIX

请额外说明：

标普和纳指是否创历史新高 / 阶段新高 / 跌破关键均线？
纳指是否明显强于标普？
小盘 Russell 2000 是否跑赢或跑输？
半导体是否继续领先？
VIX 是上升还是下降，是否说明避险情绪升温？
2. 盘中走势复盘
请用时间线方式复盘昨夜美股走势：
盘前发生了什么？
开盘后是高开低走、低开高走，还是震荡？
午盘是否出现方向选择？
尾盘是否有拉升或跳水？
盘后是否有重要财报或新闻导致期货/个股异动？
请解释：
当天涨跌的核心原因是什么？
是由利率驱动，还是财报驱动，还是 AI 主线驱动？
是否有明显的 sell the news / buy the dip / short squeeze / rotation？
3. 宏观环境
请覆盖以下宏观变量，并解释它们对美股的影响：
3.1 美债收益率
项目 最新水平 日变化 市场含义 2Y 美债收益率 10Y 美债收益率 30Y 美债收益率 2Y-10Y 利差 10Y-30Y 利差

请重点分析：

10Y 是否接近关键压力位，例如 4.5%、4.6%、4.7%？
长端利率上行是否压制科技股估值？
收益率曲线是陡峭化还是扁平化？
债市是否在交易通胀、财政赤字、降息预期变化，还是避险？
3.2 Fed 降息预期

请列出：

CME FedWatch 当前对下一次 FOMC 的降息/不降息概率。

年内市场预期降息次数。

与前一日相比是否出现明显变化。
是否有 Fed 官员讲话影响市场。
3.3 美元、黄金、原油、比特币
资产 最新价格 涨跌幅 含义 DXY 美元指数 黄金 WTI 原油 Brent 原油 比特币 以太坊
请解释：

美元走强是否压制风险资产？

黄金上涨是避险还是实际利率下降？
油价上涨是否增加通胀压力？
加密货币是否体现风险偏好变化？

3.4 当日重要经济数据

请列出当天公布的所有重要美国经济数据，例如：

CPI / PPI

PCE
非农
初请失业金
零售销售
ISM PMI
JOLTS
消费者信心
房地产数据
财政部拍卖结果
每个数据请包含：
数据 实际值 预期值 前值 市场解读
4. 板块表现
请列出 S&P 500 十一个板块表现：
排名 板块 ETF 当日涨跌幅 近5日 近1月 跑赢/跑输标普 主要驱动 信息技术 XLK 通信服务 XLC 可选消费 XLY 金融 XLF 工业 XLI 医疗保健 XLV 必需消费 XLP 能源 XLE 公用事业 XLU 材料 XLB 房地产 XLRE

请额外说明：

今天最强板块是什么？
最弱板块是什么？
是成长股占优，还是价值股占优？
是周期板块占优，还是防御板块占优？

是否出现高切低？

是否出现 AI 硬件向软件、能源、电力、光通信、工业、金融等方向轮动？

5. 主题与风格表现
请覆盖以下主题 ETF / 风格 ETF：
主题 / 风格 代表 ETF 当日涨跌幅 近5日 近1月 解读 半导体 SMH / SOXX 软件 IGV 网络安全 CIBR / HACK 云计算 CLOU / WCLD AI / 自动化 BOTZ / AIQ 光通信 / 光模块相关 代表股观察 数据中心 / 电力 代表股观察 核电 / SMR 代表股观察 储能 代表股观察 小盘成长 IWO 小盘价值 IWN 等权标普 RSP 大盘成长 QQQ / SCHG 大盘价值 VTV
请重点判断：

AI 硬件是否仍是主线？
软件股是否开始补涨？
半导体是否利好钝化？
小盘股是否参与？
等权指数是否跑赢市值加权指数？
市场是扩散行情，还是少数权重股拉指数？
6. 市场宽度与参与度
这是非常重要的部分，请详细列出。
6.1 均线参与度
请分别统计：
指数 / 市场 高于20日均线比例 高于50日均线比例 高于100日均线比例 高于200日均线比例 解读 S&P 500 Nasdaq 100 Nasdaq Composite NYSE Russell 2000
请判断：
20 日参与度是否短线过热或恐慌？
50 日参与度是否高于 50%？
100 / 200 日参与度是否说明中期趋势健康？

指数上涨是否有足够宽度支持？

是否出现“指数创新高，但参与度下降”的背离？
6.2 涨跌家数、新高新低
请列出：
指标 NYSE Nasdaq 解读 上涨家数 下跌家数 涨跌比 创52周新高数量 创52周新低数量 新高-新低差值

请判断：

市场是普涨还是结构性上涨？

科技股内部是否健康？
新低数量是否异常增加？
是否出现风险偏好退潮？
6.3 其他市场内部指标
如果可以获取，请补充：
Advance/Decline Line
McClellan Oscillator
Put/Call Ratio
VIX term structure
VVIX

MOVE Index
High Yield Spread
Investment Grade Spread
市场成交量是否放大
上涨成交量 / 下跌成交量比例
7. 技术面分析
请分析以下指数 / ETF 的技术形态：
标的 当前价格 20日线 50日线 100日线 200日线 RSI MACD / 趋势 关键支撑 关键压力 SPY QQQ IWM SMH IGV XLK XLC XLY
请重点说明：
SPY / QQQ 是否远离 20 日线或 50 日线？
是否处于超买或超卖？

是否出现放量滞涨？

是否出现假突破风险？

哪些关键支撑位不能破？
哪些压力位突破后会打开上行空间？
如果明天继续上涨，确认信号是什么？
如果明天回调，风险位置在哪里？
8. 重点个股新闻与异动
请列出昨夜最重要的个股异动，尤其关注：
8.1 大型科技七巨头
股票 涨跌幅 原因 技术位置 后续关注 NVDA MSFT AAPL GOOGL AMZN META TSLA
请判断：
七巨头是否集体上涨，还是内部严重分化？
是谁在拉动指数？
谁在拖累指数？
是否有监管、财报、产品、AI、反垄断、评级调整、目标价调整等新闻？
8.2 AI 硬件 / 半导体
重点覆盖：
NVDA、AMD、AVGO、MRVL、MU、TSM、ASML、ARM、INTC、QCOM、SMCI、DELL、HPE、ANET、CLS、VRT、COHR、LITE、AAOI、TSEM、SIVE 等。
请说明：
哪些股票大涨 / 大跌？
原因是什么？
是财报、订单、分析师评级、产业新闻，还是板块联动？
AI 硬件是否继续拥挤？
是否出现 sell the news？
是否出现资金从 GPU 切向光通信、电力、软件？
8.3 软件 / SaaS / AI 应用
重点覆盖：
CRM、NOW、SNOW、ORCL、ADBE、PANW、CRWD、DDOG、NET、MDB、PLTR、APP、TEAM、WDAY、INTU、SHOP 等。
请说明：
软件股是否跑赢大盘？
AI 替代 SaaS 的叙事是否缓解？
AI Agent / 数据云 / 工作流平台是否有新催化？
CRM、NOW、SNOW、ORCL、MSFT 等是否有财报、评级、机构加仓、产品发布？
8.4 AI 电力 / 数据中心 / 能源基础设施
重点覆盖：
CEG、VST、NRG、ETN、PWR、GEV、VRT、FLNC、OKLO、SMR、BE、NEE、SO、DUK、APLD、IREN、CORZ 等。
请说明：
数据中心电力链是否继续强势？
核电、天然气、储能、电网设备、液冷、电力基础设施是否有新闻？
AI 数据中心需求是否推动相关股票重估？
是否有监管、订单、融资、并购、政策催化？

8.5 其他显著异动

请列出涨幅 / 跌幅最大的重点股票，尤其是：
财报后大涨大跌
盘后异动
分析师上调/下调
并购消息
SEC 调查

管理层变动

回购 / 增发 / 二次发行

空头报告
指引上调 / 下调
9. 财报日历与财报解读
请列出：
9.1 昨夜已公布财报的重点公司
公司 收入 EPS 是否 beat 指引 盘后反应 核心解读
请重点说明：
收入是否超预期？
EPS 是否超预期？
毛利率、运营利润率、自由现金流是否变化？
RPO、ARR、订单、backlog、云收入、AI 相关收入是否有亮点？
管理层指引是否强？
股价反应和财报质量是否一致？
9.2 接下来 1-3 个交易日重要财报
日期 公司 市场关注点 可能影响板块
请特别关注：
NVDA、AVGO、AMD、MRVL、MU、TSM、ASML
CRM、NOW、SNOW、ORCL、ADBE、PANW、CRWD
GOOGL、MSFT、AMZN、META、AAPL、TSLA
VRT、ANET、DELL、SMCI、COHR、LITE、AAOI
CEG、VST、FLNC、OKLO 等
10. 机构观点与资金流
请整理当天重要机构观点：
华尔街大行最新策略观点
对标普 / 纳指目标点位调整
对 AI、半导体、软件、能源、电力、金融等板块的观点变化
重点股票评级上调 / 下调
ETF 资金流向
期权市场异动
大宗交易 / 内部人交易 / 回购公告
请用表格列出：
机构 / 来源 观点 涉及资产 市场影响
11. 板块轮动判断
请判断当前市场处于以下哪种状态：
AI 硬件主升浪
AI 硬件高位震荡
AI 硬件利好钝化
软件补涨 / 估值修复
高切低
风险资产全面 risk-on
防御性 risk-off

宽度扩散

指数强、内部弱
普跌恐慌
超跌反弹
请明确回答：
今天资金主要流入哪里？
今天资金主要流出哪里？

AI 主线是否仍然健康？

半导体是否继续领先？

软件是否开始相对走强？

小盘是否参与？

防御板块是否异动？
当前市场更像趋势延续，还是阶段性顶部震荡？
12. 我的重点关注股观察
请每天额外跟踪以下股票，并给出简短判断：
核心科技 / AI：
NVDA、AMD、AVGO、MRVL、GOOGL、MSFT、META、AMZN、ORCL
软件：
CRM、NOW、SNOW、ADBE、PANW、CRWD、PLTR、DDOG、NET
光通信 / AI 互连：
LITE、COHR、AAOI、TSEM、SIVE、MRVL、AVGO、ANET
AI 电力 / 数据中心基础设施：
FLNC、OKLO、VST、CEG、ETN、VRT、PWR、GEV、APLD、IREN
请对每只股票输出：
股票 当日涨跌 当前趋势 关键新闻 支撑位 压力位 我的判断
判断用以下标签之一：
继续强势
高位震荡
短线过热

回踩支撑

破位风险
等财报催化
利好兑现
低位修复
需要观察

13. 明日交易计划 / 观察清单

请给出明天最重要的观察点：
13.1 宏观观察
10Y 美债收益率关键位置
美元指数方向
油价 / 黄金 / VIX
Fed 官员讲话
经济数据
13.2 大盘观察
SPY 关键支撑 / 压力
QQQ 关键支撑 / 压力
SMH 是否继续强于 QQQ
IGV 是否开始跑赢
IWM 是否参与
13.3 板块观察
AI 硬件是否继续领涨

软件是否补涨

金融 / 工业 / 能源是否轮动
防御板块是否走强
市场宽度是否改善
13.4 个股观察

请列出 10-20 只明天最值得关注的股票，并说明原因。

14. 风险提示

请列出当前市场最大的风险：
美债收益率继续上行
通胀预期反弹
Fed 降息预期下降
地缘风险
油价冲击
AI 硬件 sell the news
半导体高位拥挤
软件财报不及预期
市场宽度恶化

信用利差扩大

VIX 异动

重要个股财报风险
政策 / 监管风险
美元走强压制风险资产
请判断当前风险级别：
风险维度 当前状态 风险等级 宏观利率 市场宽度 AI 拥挤度 财报风险 地缘风险 技术面 流动性
风险等级使用：低 / 中 / 中高 / 高。
15. 最终结论
最后请用以下格式总结：
今日市场结论
用 3-5 句话总结。
当前市场阶段
请选择一个：
强趋势上涨
高位震荡
健康回调
板块轮动
风险偏好下降
普跌恐慌
超跌反弹
我的操作倾向
请用中性语言给出观察，不构成投资建议：
是否适合追高？
是否适合逢低？
是否应该等待财报？
是否应该控制仓位？
哪些板块更值得关注？
哪些板块需要谨慎？
最值得关注的 5 个信号
请列出明天最重要的 5 个观察信号。

[3X Long Labubu @labubu_trader]

Yes I’m still very bullish on SPX and SMH for the whole year.
But I think in the next 1-2 weeks, SPX will form a bull trap. The reason is simple:
The straits wouldn’t reopen as fast as the market expected.
Also June’s 1st half has so many macro events which would cause big uncertainty.
I would reduce my leverage and exposure in beta during this bull trap and buying any dips in June’s 1st half.
Also if short end CL/BRN has a huge dip, I will buy it and also long XLE/OIH/XES.

[Manchurius Hao — Greeks.live首席赌狗 @AntonLaVay]

今天入场的朋友，可以读一读 $nok

[AYi @AYi_AInotes]

Damn，这个必须卧槽一下了，Karpathy 的 CLAUDE.md 只有 65 行，
居然能把 AI 编程准确率从 65% 拉到 94%，

以22 万星标登顶 GitHub 趋势榜，而且绝大多数开发者还没读过，

里面没有一行奇技淫巧，4 条规则全是同一个方向：

→ 先想清楚再写代码
陈述假设，不确定就问，杜绝猜测

→ 从最简方案入手
只写能解决问题的最少代码，不加任何多余抽象

→ 像手术一样精准修改
不碰与需求无关的代码，每行改动都对应明确要求

→ 以目标驱动执行
写第一行代码前，把模糊指令转化为可验证的成功标准

65 行，4 条规则，每一条都在对抗开发者“先写再说”的本能，

本质上是把慢下来这件事变成硬规则，

趁别人还没保存，赶紧先存好 👇

[rw @rweitse]

@IOIoIOIolOIO @labubu_trader @diyas_1989 Historical average of bullish is 37.5%. Currently it's 31.7%, way lower than the average. So it's "overall" bearish.

[0x鸣人 @LuBtc888]

所有用Claude Code、Codox写代码的人，都一定要看这个高星项目。

这不是普通的万能提示词，而是TypeScript大神Matt Pocock公开的.claude专属工作流。

用一个个SKILL.md文件，直接把和AI协作开发的工程规范彻底定死。

很多人都有这种困扰：只想改个小bug，AI顺手重构半个模块；只想排查报错，它私自新增依赖；遇到不确定的逻辑，不主动确认直接自作主张猜测实现。

这套Skills最厉害的地方，是约束AI行为边界。

让Claude动手改代码前先通读项目现有逻辑、拆解执行计划，有不确定的地方先沟通确认，不随意扩大改动范围，不为了追求代码优雅，牺牲项目可维护性。

AI写代码的核心，从来不是会不会写，而是懂不懂边界在哪里。
普通提示词只能解决单次提问，而这套Skills能统一规范往后每一次协作。

如果你也要搭建自己的skills规则目录，第一条规矩你会怎么定？

🔗https://t.co/IKSBOi7D7S

[投资TALK君 @TJ_Research]

说出来可能都不信，参与度都快超卖了😂
下周如果看到2-3%下跌，就是短期搏反弹买点，然后可能就是仓位比较满的适合主动减仓的位置了，6月份有一些宏观的风险开始显现（央行加息，欧洲，日本）

[rw @rweitse]

@KotlinerBTC 感謝分析

[GitHubDaily @GitHub_Daily]

用 Claude Code 开发项目，代码库一大，每次探索代码结构都要扫一堆文件，工具调用多、速度慢，token 也跟着烧。

于是找到 CodeGraph 这个开源工具，给代码库预建一张语义知识图谱，让 Claude Code 直接查图而不是逐文件扫描。

效果颇为明显，工具调用减少 92%，探索速度提升 71%，像 VS Code 这种大型项目也能在十几秒内完成代码溯源。

GitHub：https://t.co/Nr6OYyxn9i

它能自动识别函数调用链、类继承、模块引用等关系，还能在修改代码前分析影响范围，避免改一处坏一片。

支持 19 种编程语言，还能识别 Django、Express、Spring 等 13 个框架的路由映射。

所有数据存在本地，不需要任何外部服务。一条命令安装，文件保存后自动同步图谱，基本不用额外操心。

如果你的项目代码量不小，又经常用 Claude Code 做代码探索和重构，装上能省不少时间和 token。

[Frank trading @Franktradinglog]

今儿半导体集体死掉，但是我没亏钱。为什么？在合适的点位减仓，并且加入其他板块的股票，让整个仓位成为有机的一个整体，而不是一个动量炸弹。

现在的半导体股票上有太多做动量策略的人，整体仓位非常非常 crowded，全仓半导体必须得真的大心脏。这个时候，我宁可少赚也不想亏钱。

这个事讲出来好像就是老生常谈的"分散投资"，但分散投资这四个字被讲烂了以后大部分人理解的都是错的。买十只半导体股不叫分散，那叫十倍杠杆做多同一个 factor。真正的分散是 correlation matrix 上的分散，不是 ticker 数量上的分散。如果只有 NVDA / AVGO / AMD / MU / MRVL / INTC，看起来六只票，实际上就一个 trade，做多AI capex cycle + semiconductor beta，任何一个不利的 catalyst下来，全仓一起死。这种"分散"在涨的时候你以为自己多元化，跌的时候才发现 correlation 在 risk-off 状态下直接跳到 0.9。

真正在保护你的不是仓位里有多少只股票，而是仓位里有多少个真正不相关的收益来源。
比如两个资产 50/50 组合，组合方差是：
σ_p² = w₁²σ₁² + w₂²σ₂² + 2w₁w₂ρσ₁σ₂
ρ = 1 的时候组合 vol 是加权平均，毫无 diversification benefit，半导体里再加一只半导体就是这种情况。ρ = 0 组合 vol 已经显著低于成分平均，ρ < 0 那第三项变成负的，组合 vol 超线性下降。这就是互相 hedge在数学上的具体含义。

而组合 vol 下降之后，你拿到的不只是更好的 Sharpe，而是更好的复合收益。这是 portfolio theory 里最重要的一个事实。几何均值和算术均值的关系是 g ≈ μ - σ²/2，那个 σ²/2 就是 volatility drag。同样 expected return 10% 的资产，vol 30% 长期年化复合就是 5.5%，vol 20% 是 8%，什么 alpha 都没多生成，就因为波动小了，复利端凭空多出 2.5 个百分点。这就是为什么"少赚不亏钱"在长期账户曲线上经常比"大赚大亏"跑得更远，背后不是哲学是数学。

所以去年11月开始半导体开始一直回撤，我账户还在持续新高的原因，不仅仅是看准了顶，更是仓位结构上压根就不该让自己暴露在那种单边风险里。当时我减了很大一部分半导体，开始在staples 和 utilities 里做轮动，又加了能源（地缘 + 油价 catalyst 完全独立于科技股 narrative）、再保留一点 long-duration treasury 作为 risk-off 的 convexity sleeve。从 forward return expectation 角度看，这套组合的预期收益肯定不如全仓半导体，bull market 里是一定会跑输 momentum chaser 的。但 这种 unwind 来的时候，我的 staples 在涨、utilities 在涨、treasury 在涨、能源在涨，由于半导体选中了sndk和lite，整个组合反而在持续爆涨。

这背后还有第二层收益：rebalancing premium。Claude Shannon 那个经典思想实验讲过：一个 expected return 为零但波动大的资产，配上现金做机械再平衡，long run 反而能做出正收益。机制就是再平衡强迫你"涨了减、跌了加"，从 cross-sectional vol 里挤价值出来。减半导体加其他板块这个动作本身不是择时，是 rebalancing，半导体相对涨多了就该减，相对跌多了就该加，纪律性的再平衡在长期账户上是一个稳定 alpha source，独立于你看不看得准。

第三层是杠杆 / 风险预算的释放。如果你的整体组合 vol 从 30% 降到 18%，理论上风险预算就还有空间，可以在低相关 sleeve 上加仓、可以用期权做 convexity 多头、可以保留更多现金等真正的 fat pitch 出现时再 deploy。全仓 momentum 的人没有这个 optionality，他们的风险预算每天都被现有 position 占满，市场给他们机会的时候他们没子弹。

这套打法的代价我前面说了，bull market 里跑输纯 momentum 是必然的，我四月份全仓只赚了60%，连dram这种etf都跑不赢。这是结构性 trade-off 不是 bug。问题是回报曲线不是 mark-to-market 的截面比较，是 path-dependent 的复合过程。半导体过去两年涨 200%，那些真的全程满仓的人确实赚得比我多，但你要看的不是 peak portfolio value，是经过一次真正的 unwind 之后剩下多少。

Momentum crowded trade 的本质是所有人退出的门是同一扇，liquidation cascade 来的时候 bid 会瞬间消失，你账户里那 200% 浮盈如果没在合适点位 trim 过，回吐起来速度比涨上去快得多。2021 年 ARKK 那波、2022 年 FANG 那波都是同一个 pattern。

回到最初那句话——"宁可少赚也不想亏钱"——这是怂，但是更是 compound math。亏 50% 要涨 100% 才能回本，亏 20% 只需要涨 25%。Drawdown 的不对称性意味着控制下行比追求上行在长期 CAGR 上贡献更大。半导体满仓在好年份赢三年，遇到一次 30% drawdown 就把前面三年的超额收益全吐回去，最后净收益不如一个 vol 减半但稳定复合的组合。这是为什么所有真正活得久的大资金都不是 momentum 满仓打法，是 multi-strat、是 risk parity、是 endowment model，他们追求的不是单年最高收益，是几何收益的最大化，而几何收益最大化的核心抓手就是控制 vol。

半导体我没卖光，AI capex cycle 当然也还没结束，结构性 long 的逻辑还在，只是仓位权重降下来、配上其他低相关 sleeve 让整个组合不会被一个 narrative 绑架。这就是把"动量炸弹"重组成"有机整体"的具体含义，不是不参与热门 trade，是不让任何一个 trade 大到可以决定整个组合的生死。

[Frank trading @Franktradinglog]

刚才和朋友在讨论一个关于ai和半导体投资未来的问题，大概产生了以下的一些不成熟的想法，欢迎大家讨论：
论点一：Anthropic 和 OpenAI 的估值是否存在结构性上限
前沿闭源大模型的 ARR 增长不会是无上限的，核心理由是能力的下沉速度快于付费意愿的上升速度。
历史上看，开源模型与前沿闭源模型的能力差距正在系统性收窄。2021 年 BLOOM-176B 这种规模的模型完全可以称为弱智，但今天类似大小的开源模型已经能在大多数实际任务上达到当年顶级模型的水准。Gemma、Qwen、Llama 等模型也印证了一个规律，就是今天的 SOTA，大约 12–18 个月后就是开源 baseline。架构改进、数据质量、post-training 技巧的复利效应，使得参数量本身越来越不是核心瓶颈。
这意味着市场会出现明显的" that's already enough"分层。因为不是所有用户都需要最前沿的能力，对很多场景（客服、文案、基础代码）来说，落后前沿一代甚至两代的模型已经完全够用，而且更便宜。
往前推演：如果 2028 年端侧小模型在 agent 能力上能达到今天 Claude 的水平，而今天的 Claude 在编码等任务上已经足够胜任大量真实工作，那么前沿闭源模型的市场会被持续侵蚀。前沿模型仍会有付费用户，但增长曲线会受限于真正需要前沿能力的边际场景，这是一个比“所有 AI 使用者"小得多的池子。
反过来说，前沿训练成本是指数级上升的：下一代训练 run 可能需要百亿美元级别的资本开支。前沿 lab 的商业模式本质上是在和开源追赶速度赛跑，必须在能力被下沉之前完成 monetization。这种结构决定了估值不可能按互联网平台型公司的逻辑无限外推。

论点二：半导体行业的超高速发展期是否有上限，端侧化是否会重塑算力需求结构
我认为未来端侧推理会成为一个明确的趋势，至少有三个独立的驱动力叠加：
第一，模型能力的下沉让本地运算变得可行。参数量门槛在降低，端侧硬件 TOPS 在上升，两条曲线正在交汇。
第二，延迟敏感场景天然倾向端侧，直播、游戏、实时渲染、AR/VR 这类应用，云端往返的延迟是物理上无法克服的瓶颈，只能就地推理。
第三，数据安全和隐私，尤其是企业端的敏感数据、医疗、金融场景，本地推理是合规层面的硬需求，不是偏好问题。
如果端侧推理的占比持续上升，那么云端推理的需求增速会被实质性蚕食。这件事的连锁反应是：大规模数据中心的新增建设需求会从今天的爆发式增长进入边际放缓，数据中心 GPU、机架、电力、HBM、光模块、连接器，这一整条 capex 链的增速都会承压。
还有毛利率结构问题，今天半导体的高估值很大程度上建立在数据中心业务的极高毛利率之上，企业端客户对单位算力的支付能力远高于消费端。即使端侧渗透带来的总半导体出货量增长能部分对冲数据中心的放缓，消费级 SoC、NPU、edge accelerator 的毛利率天花板远低于 datacenter GPU。需求从高毛利端向低毛利端迁移本身就是 margin compression 的过程，市场对应给的估值倍数也不应该一样。
所以即使半导体总量不收缩，结构性的 mix shift 也意味着行业的盈利质量和估值天花板都需要重新定价。超高速发展期的终结，不一定表现为需求崩塌，更可能表现为增速正常化 + 毛利率均值回归的双重压力。

[小互 @xiaohu]

Claude code有时候会替你做错误假设，不主动要求澄清；该反驳时不反驳...敷衍迎合奉承你...

有人把 Karpathy 对 AI 写代码常见问题的观察，整理成一份可以直接放进项目里的 CLAUDE.md 文档。

压缩成了四条原则，让AI能更认真干活：

第一，Think Before Coding

写代码前先想清楚。不要默默假设，不要隐藏不确定性。遇到歧义时要明确列出可能解释，必要时要求澄清。如果存在更简单的方案，也要主动指出。

第二，Simplicity First

优先用最少代码解决问题。不要加用户没要求的功能，不要为了单次使用写抽象，不要为了所谓“灵活性”搞配置化。项目里有一句判断标准很实用：如果 200 行可以变成 50 行，那就重写。

第三，Surgical Changes

只改必须改的地方。不要顺手优化旁边的代码、注释和格式，不要重构没坏的东西。每一行 diff 都应该能对应到用户的需求。这个原则对 Claude Code 特别关键，因为很多 AI 编程工具最烦人的地方就是“修一个 bug，顺手改半个项目”。

第四，Goal-Driven Execution

不要只给命令，要给可验证目标。比如“修复 bug”应该变成“先写一个能复现 bug 的测试，再让测试通过”；“加 validation”应该变成“先写非法输入测试，再实现逻辑”。项目强调，LLM 很擅长围绕明确目标反复循环，关键是你要给它成功标准。

这套规则真正解决的，是现在 AI 编程里最让人头疼的问题：

模型太积极
太自信
太爱脑补
太喜欢顺手“优化”
最后修一个 bug，diff 改得像重写项目

它的价值不是让 AI 更会写代码，而是让 AI 更像一个靠谱工程师。

对 Claude Code 用户来说，这类 CLAUDE.md 其实就是项目宪法。

把它放进项目根目录，相当于先给 AI 立规矩：

少废话
少脑补
少加戏
先澄清
再动手
最后验证

现在 AI 写代码已经不缺执行力，真正稀缺的是工程纪律。

[GitHubDaily @GitHub_Daily]

用 Claude Code 开发项目，有时候开着七八个终端窗口执行不同任务，来回切换很容易就搞混乱。

今天看到 Octogent 这个开源项目，正好解决多个 Claude Code 会话协同混乱的问题。

给每个任务创建独立的上下文空间，用 Markdown 文件管理任务列表和笔记，让一个 Claude Code 能派生并协调多个子 Agent 并行工作。

GitHub：https://t.co/Ir7TwuZMaz

核心亮点每个 Agent 之间可以互相通信，汇报进度、传递阻塞信息。

每个任务的上下文都保存在文件里，不会因为对话丢失而断掉。

另外还提供了本地 Web 界面，能直观看到每个 Agent 在干什么。

经常用 Claude Code 处理多个复杂任务的朋友，可以看下这个工具有没有帮助。

[Brian Tsang @Br1an_Tsang]

给 Claude Code 装了个记忆层，token 省了 71.5 倍。
graphify 做的事很简单：在你问 AI 任何问题之前，先把你的整个项目消化成一张知识图谱。代码走 AST 本地提取（25 种语言），文档/论文/截图/视频走 Claude 并行提取，全部合并、聚类，导出交互式 HTML + JSON + 自然语言报告。
之后每次对话，AI 先读图，再回答。不用每次都把文件翻一遍。

为什么 26 天 4 万星？
因为它解决了一个所有人的共同痛点：AI 编程助手的上下文是"一次性"的。每次新对话，它忘光光。graphify 把这个变成了"持久化记忆"。

一个斜杠命令 /graphify .，把 AI 助手变成了有记忆的搭档。

[huangserva @servasyy_ai]

ANTHROPIC 刚刚揭露了大多数人给 Claude 写提示词的方式有多糟！

他们的应用 AI 团队放出了一场 24 分钟的工作坊。

来自写这个模型的人。
不是课程创作者。
不是某个误打误撞摸索出来的人。
就是造出这东西的团队。

很遗憾，一个结构正确的 Claude 提示词，应该包含 6 个要素。
但大多数人只用了 1 - 2 个。

写出来的提示词的水平，将直接决定了 Claude 是能像专家一样为你提供深度价值，还是仅仅像只会搜信息的搜索引擎，给你一堆随手一查就能找到的废话。

看完这场工作坊的人，明天早上写提示词的方式会完全不同。