threetree

没爱会死的疯子

[🍓aprilface🍓 @aprilfacepre]

@wings1105 卒中≈死ing？

[threetree @summitryrye]

@diaoke 加油

[threetree @summitryrye]

@1217wuuuuuu 吓人

[threetree @summitryrye]

@wokeupviolent Why can it rise so much?

[心碎炒年糕 @Fufu_chouette]

所有人，立刻去买这个1200针的丝袜，丝袜中的黑科技，绝美+手感好到爆炸，穿上之后我一直狂摸自己的腿。普通丝袜撑开会有织孔，这个完全没有织孔

[threetree @summitryrye]

@SexyMichill @xStocksFi 哎，心酸

[喂!别插嘴 @eee001303]

刚准备pegging 姐姐说要回个邮件😠

那小狗就先吃啦😋

#四爱小狗 #iiii #四爱

[华尔街观察 Xtrader @cnfinancewatch]

为什么我长期持有，如特斯拉，股价没涨，但我还是挣了？

下面告诉你方法：

长期看好一只美股，就用 卖Put→接货→卖Covered Call→被行权→再卖Put 循环，一边低成本持股，一边每月“收租”。下面直接给可执行模板。

一、没持仓时：用 Cash-Secured Put 低价建仓（边等边收钱）

适合：长期看好、现在略贵，想跌下来再买。

操作（以 AAPL 为例，现价 $190）

1. 卖 1 张虚值 Put：行权价 $170（比现价低10–15%），30天到期，收权利金 $3/股（共 $300）。

2. 账户留足现金：$170×100=$17,000（现金担保，避免裸卖风险）。

三种结果

• ✅ 股价 ≥$170：期权作废，白拿 $300，下月继续卖Put。

• ✅ 股价 <$170：被行权，$170 买入100股，实际成本 = $170−$3 = $167（比现价便宜）。

• ⚠️ 大跌：仍要按$170接货，但因为长期看好，等于“越跌越买、成本更低”。

参数模板（通用）

• 行权价：现价−10~20%（安全边际）。

• 到期：30~45天（时间衰减快、回笼快）。

• 权利金：目标2~4%/月（年化20–40%，随波动率）。
二、已持仓后：滚动 Covered Call 持股收租（不涨就收钱，涨了也乐意卖）

适合：已持有100股以上、长期不卖、愿意放弃短期暴涨换稳定现金流。

操作（持有100股 AAPL，成本 $167，现价 $190）

1. 卖 1 张虚值Call：行权价 $210（比现价高10%），30天到期，收权利金 $4/股（共 $400）。

2. 一手对应100股，有多少股卖多少张（100股=1张，200股=2张）。

三种结果

• ✅ 股价 ≤$210：期权作废，白拿 $400，下月继续卖Call（持股不动）。

• ✅ 股价 >$210：被行权，$210 卖出100股，净赚 = ($210−$167)+$4 = $47/股；之后回到第一步，重新卖Put再接回。

• ⚠️ 大涨（如$250）：错过超额收益，但长期来看，每月权利金+偶尔行权止盈，长期收益通常强于纯持有。

参数模板（通用）

• 行权价：现价+5~15%（尽量不被行权，又能多收租）。

• 到期：30天（时间衰减最快，适合月循环）。

• 权利金：目标2~3%/月（年化20–30%，高波动时更高）。
三、完整循环：Put→持股→Call→行权→再Put（长期持有+持续现金流）

1. 阶段1（空仓）：卖虚值Put → 收权利金 → 没跌就重复；跌了就低价接货。

2. 阶段2（持仓）：卖虚值Covered Call → 收权利金 → 没涨就长期持有、月月收租；涨了就高价卖出。

3. 阶段3（卖出后）：回到阶段1，重新卖Put，等待低价再接回，循环往复。

核心逻辑

• 长期看好 = 不怕跌、愿意长期拿。

• 卖Put = 降价买+先收钱。

• 卖Call = 不涨收钱、涨了止盈。

• 循环 = 永远在“低价买、高价卖、中间收租”，但始��围绕你看好的那只股。
四、风控与纪律（长期活下去的关键）

1. 只做你敢拿10年的股：如 AAPL、MSFT、NVDA 等，不碰概念股。

2. 永远现金担保卖Put：绝不裸卖，防止大跌爆仓。

3. 仓位不重：单股期权占用资金 ≤20%，不梭哈。

4. 行权价纪律：Put 虚值10–20%，Call 虚值5–15%，不贪深虚、不做平值。

5. 接受卖飞：长期来看，权利金+多次循环收益 > 单次暴涨，心态要稳。

方法：

用卖Put“打折买”，用Covered Call“持股收租+高价卖”，被行权后再卖Put接回，围绕好公司无限循环——长期持有、持续现金流、成本越做低。

[Joruno @wsl8297]

学 Rust 时，网上不少教程偏理论，练完语法却一到真实项目就卡住：不知道从哪写起、怎么组织代码。

我最近在 GitHub 发现一个很对症的开源练习册 Rust By Practice：主打用大量实战把 Rust 真正练会。

它按章节拆成示例、练习、实践三段，覆盖异步、多线程、标准库、数据结构等核心主题，几乎把 Rust 的关键点都串起来了。

GitHub：https://t.co/Oek29zGzGQ

所有题目都能在线编辑运行，难度从入门到超难分四档，每题配详细解析。更关键的是，它的目标很明确：补上“学会语法”和“能做项目”之间那道断层。

如果你正在学 Rust，或刚学完基础想用实战把手感练回来，这个项目很值得收藏。支持中英文双语，打开就能刷题。

[向阳乔木 @vista8]

果然Obsidian才是最棒最灵活的笔记软件！

装了Claudian后，随时调用自己的Skill解读论文，生成文章，发公众号，一气呵成。

完全可视化界面，小白友好。

[MapleShaw @msjiaozhu]

🔥国际顶流时尚杂志封面，这档次一下子就拉起来了哈哈！

改了下走红毯版本跟中文标题，Nano Banana Pro 直出 4K 高清，一张图都快 20M 了😍

提示词👇
{
"meta": {
"system_instruction": "Create a high-end fashion magazine cover. Use the uploaded face for strict identity preservation.",
"aspect_ratio": "3:4",
"quality": "ultra-detailed",
"resolution": "8k",
"style": "Met Gala red carpet event, direct flash photography, glamorous celebrity candid"
},

"reference_usage": {
"instruction": "Strictly preserve facial identity (eyes, nose, mouth) from the uploaded reference. Body proportions should be model-like and tall.",
"focus": "100% Face Identity Match"
},

"scene": {
"location": "The Met Gala Red Carpet (New York)",
"environment": [
"chaotic background with paparazzi cameras",
"red velvet ropes",
"bursts of camera flashes (bokeh orbs)",
"dark night sky contrast"
],
"atmosphere": "electric, exclusive, superstar energy"
},

"lighting": {
"type": "Direct Flash (Paparazzi Style)",
"effect": "High contrast hard light, glistening skin, sharp shadows behind the subject, bright reflections on dress"
},

"subject": {
"face": {
"expression": "Seductive confident smile, looking back over shoulder",
"makeup": "bold red lip, sharp contouring, glowing highlighter"
},
"pose": {
"action": "walking away but turning head 45 degrees to look at camera",
"body": "elegant posture, back slightly arched",
"hair": "blowing dramatically in the wind"
},
"outfit": {
"dress": "Futuristic liquid-metal silver gown",
"details": "backless design, reflecting the camera flashes, sequin texture",
"jewelry": "Diamond choker, large stud earrings"
}
},

"composition": {
"layout": "Magazine Cover Layout",
"branding": {
"main_logo": "Large bold 'Harper's BAZAAR' logo at the top in white or silver",
"text_elements": [
"Include Chinese text subtitles on the side",
"Small text: '红毯之夜' (Night of the Red Carpet)",
"Headline: '独家直击' (Exclusive Look)",
"Bottom text: '年度风尚大典' (Fashion Awards of the Year)"
]
}
},

"vibe": "Luxurious, expensive, A-list celebrity, glossy magazine finish",
"negative_prompt": "low resolution, ugly hands, distorted face, missing logo, text error, watermark, casual clothing, daylight, soft lighting"
}

@miilesus You did a great job!🥳

[GitHubDaily @GitHub_Daily]

当我们想用 AI 辅助阅读本地的电子书时，经常需要反复上传文件或者复制粘贴文本，很容易打断阅读体验。

GitHub 上这个名为 ebook-mcp 的开源项目，恰好解决了本地书库与 AI 之间对话的“最后一公里”问题。

利用 MCP 服务器协议，让 Cursor 或 Claude 这类 AI 工具直接“读取”我们本地的电子书。

目前已支持 EPUB 和 PDF 两种主流格式，核心是电子书内容转化为 AI 易于理解的 Markdown 格式。

GitHub：https://t.co/P0GxV0zF8B

我们可以通过自然语言命令 AI “查找下载文件夹里关于 RAG 的书”，或者让其总结某一章节的核心观点。

甚至能基于书本内容生成测试题，或者进行跨书籍的知识点检索，完全不需要���动搬运文件。

部署非常轻量，���赖 Python 和 uv 包管理器，配置好后即可在支持 MCP 的工具中无缝调用。

[meng shao @shao__meng]

跟顶尖 AI 团队学「上下文工程」

通过「信息提纯、状态同步、动态剪裁、性能加速」四种手段打造具备「感知、筛选、精炼与持久化」能力的 AI Agent。

一、信息提纯：确保模型只接收高价值的背景信号
在上下文工程中，「信噪比」决定了 Agent 的推理上限。当模型面对海量代码库或长文档时，简单的 RAG 向量匹配已经无法满足需求。

1. 语义补全
Anthropic 和 Chroma 的研究指出，传统的片段检索会导致信息孤岛。上下文工程的核心在于「预处理」，即在存储每一个信息片段时，利用模型提前为其注入全局背���。例如，在索引一段代码时，上下文工程会强制加入其所属的项目架构信息，确保检索出来的内容自带「自解释性」。

2. 动态重排序
上下文工程不相信原始检索结果的排序。它强调在信息进入模型 Context 之前，必须经过一道「提纯」工序。通过轻量级模型对检索到的 Top-N 结果进行二次评估，剔除与当前指令逻辑无关的干扰项，从而防止模型在长文本中迷失。

二、 状态同步：将外部执行环境实时映射到模型认知
一个成熟的 Agent 不应该只生活在对话框里。上下文工程的第二个核心，是将「物理环境」实时映射到模型的认知中。
1. 实时系统镜像
Cline 和 Manus 的实践表明，上下文工程需要将文件树、终端输出、甚至当前的 UI 状态实时地编织进 Context 中。这意味着 Context 不再是静态的文本，而是一个动态更新的「仪表盘」。模型执行完一步操作后，环境反���（成功、报错或输出结果）必须第一时间、以标准化的格式追随在 Context 末端。

2. 目标回响与任务锚定
在长路径任务中，模型容易产生「漂移」。优秀的上下文工程会在 Context 的关键位置（如对话末尾或系统提示词中）反复锚定当前的主线目标。这种技术被称为「目标回响」，它能确保模型在处理复杂的子任务时，始终记得最初的用户意图。

三、 动态剪裁：通过修剪冗余记忆来维持长效逻辑
上下文空间是昂贵的，且存在「上下文腐化」现象。随着对话轮数增加，早期的无用探索信息会干扰后续决策。

1. 自动化压缩与状态蒸馏
Ampcode 和 Cline 提倡一种「熵减」策略。当上下文接近预设阈值时，系统会自动触发「蒸馏」机制：将历史的琐碎细节进行逻辑总结，仅保留关键事实和最���结论。这种方式能将原本冗长的上下文通过「滑动总结」转化为精炼的记忆点。
2. 上下文分叉与任务隔离
针对复杂的问题，上下文工程会采取「分叉」策略。当主任务衍生出独立的子任务时，系统会克隆一个干净的上下文环境给子任务，只携带必要的全局变量，从而实现任务间的干扰隔离，防止不同逻辑线索在同一个 Context 窗口中相互碰撞。

四、 性能加速：利用缓存机制平衡响应速度与成本
最后是关于执行效能。上下文工程不仅要解决「准不准」的问题，还要解决「快不快」和「贵不贵」。

1. 提示词缓存
这是 Anthropic 等厂商近期推动的最核心工程化进步。在上下文工程中，大量的前置信息（如系统提示、项目基座代码、常用库文档）在不同轮次间是重复的。通过将这些「前缀内容」进行缓存，模型在处理新输入时无需重新计算重复部分的注意力权重。���不仅大幅缩短了首字生成的���迟，更直接降低了推理成本。

2. 极简线程与 KV 缓存复用
Manus 等团队强调「追加式」上下文。通过精心设计上下文的结构，使得每一轮新的交互都是在前一轮的基础上进行线性追加，而非重写。这种工程手段能最大限度地复用服务器端的 KV 缓存，让 Agent 在面对大规模代码库时，依然能保持毫秒级的响应反馈。

总结：上下文工程的终极目标
上下文工程的本质，是为 AI Agent 构建一套具备「感知、筛选、精炼与持久化」能力的动态内存系统。
· 提纯解决了「看什么」的问题。
· 同步解决了「看多广」的问题。
· 治理解决了「看多准」的问题。
· 效能解决了「看多快」的问题。

[喂!别插嘴 @eee001303]

每天都想和姐姐贴贴!!!

#四爱 #iiii #四爱小狗

[GitHubDaily @GitHub_Daily]

面对成百上千篇医学或科研论文，想要快速提炼核心数据，单纯靠人工阅读效率太低了，用普通搜索又难以精准定位到需要的数据。

可以看一下，paperai 这个开源工具，专为解决大规模文献检索和分析而生，利用 AI 帮我们把这些文档变成知识库。

结合了 LLM 和 RAG 技术，能够对整个文档库进行批量提问，就像同时开启了数百个 AI 助手在帮我们阅读和总结。

GitHub：https://t.co/sBbj3Wr1V5

支持输出 Markdown 或 CSV 格式的深度报告，最实用的是能直接将答案精准标注在 PDF 原文件上，溯源非常方便。

提供 Docker 镜像一键部署，底层基于 txtai 和 SQLite，支持 Python 环境安装，数据处理流程清晰可控。

适合需要做文献综述、医学研究或是从大量非结构化文档中挖掘信息的朋友，值得尝试。

[GitHubDaily @GitHub_Daily]

用 AI 辅助科研时，可能会经常遇到大模型一本正经地胡说八道，尤其涉及到复杂的生物、化学或材料这些专业领域。

最近偶然看到 SciToolAgent 这个开源项目，在尝试用“知识图谱”来解决科学工具调用的难题。

相当于给 AI 装配了一个专业的“科学工具箱”，让模型能像科学家一样思考和操作。

整合了超过 500 个科学工具，覆盖 API、机器学习模型及各类 Python 函数。

核心在于构建了一个科学工具知识图谱（SciToolKG），精准处理工具间的依赖和兼容性。

GitHub：https://t.co/79oX9rTXwj

同时采用“规划-执行-总结”的架构，能自动把复杂的科研任务拆���成具体步骤并执行。

内置了安全检查机制，帮我们监控潜在的实验风险，确保结果的可靠性。

基于 Python 开发，通过 Conda 即可快速配置环境，支持自定义添加私有工具。

相关研究已发��在 Nature Computational Science，适合科研工作者或垂直领域 Agent 开发者参考。

[howie.serious @howie_serious]

【干货笔记】nano banana pro 知识可视化workflow

📖 6000字干货笔记，压缩 2小时讲座要点，结合一系列实操案例，展示分析拆解workflow，把知识可视化的道法术器一次讲清楚。

公众号全程markdown都耗时几小时，推特长文章全程手动排版实在费时费力，我就直接贴公众号链接啦：

https://t.co/GSDnCArMoV