摸鱼巨匠🔨

🎯 AI + Web 3

📌 Vibe Coding & AI干货 & 自动化工作流 & AI变现

📡 深度学习 | 持续输出

📩 合作：

[摸鱼巨匠🔨 @SunNeverSetsX]

https://t.co/4MTUOQapDN

[摸鱼巨匠🔨 @SunNeverSetsX]

@Zh_Crypto517 看来中国提早布局能源的眼光挺对的

[摸鱼巨匠🔨 @SunNeverSetsX]

@luo_zi97366 微策略的数据已经很久没有关注了，其实我挺担心的

[摸鱼巨匠🔨 @SunNeverSetsX]

@jiroucaigou 我要跟菜狗OTC交易，菜狗这么有钱

[摸鱼巨匠🔨 @SunNeverSetsX]

我的 Trading Agent 换上了这个大脑后，明显聪明了几个量级！

长期以来，我在使用 Agent 的过程中，都被同一个问题所困扰：它太容易失忆了！

每次开启一个新会话，我都要重新交代背景：
我是谁、我在做什么项目、我的判断标准是什么、哪些资料已经看过、哪些坑已经踩过、哪些结论已经被推翻过。

这带来的问题非常明显：
第一、Agent 很难保持连续性。今天它帮我分析了一个项目，明天再问它相关问题，它往往又像第一次接触一样，从零开始推理。

第二、Agent 很难沉淀经验。一次研究中已经证明无效的路径，下次它可能还会重复。而一次写作中已经验证有效的结构，下次它也未必会主动再用。

第三、记忆很容易被锁在某个工具里。Claude Code 里沉淀的上下文，换到 Codex、OpenClaw 或其他 Agent 工作流里，就很难自然迁移。

第四、传统的补救方案也不够优雅。把 Prompt 越写越长，会增加 token 成本，也容易污染上下文；自己搭向量库，又经常变成一个黑盒，能搜到碎片，但很难检查、编辑、回滚和复用。

也就是说，Agent 真正需要是一套可以持续积累、可以被人类检查、可以跨工具复用的记忆系统。

直到我遇到 EverOS，我才意识到：
Agent memory 不应该只是“把历史记录塞进 RAG”，而应该更像一个面向 AI Agent 的记忆操作系统。

EverOS 最吸引我的地方，是它把“记忆”这件事做得非常工程化。

它不是把所有内容扔进一个看不见的向量数据库，而是把记忆保存成可读、可编辑、可版本管理的 Markdown。
这样一来，Agent 的记忆不再是黑盒，人可以打开看，可以修改，可以用 Git 管理，也可以在需要时回滚。

它也不是只做简单语义搜索，而是采用本地优先的 Markdown + SQLite + LanceDB 架构，并结合 BM25、标量过滤等方式，让记忆既能被语义检索，也能按项目、用户、Agent、应用、会话等维度精确限定范围。

更关键的是，EverOS 区分了两类记忆：用户记忆和代理记忆。

用户记忆记录的是“我是谁”：
我的偏好、长期目标、判断标准、历史项目、常用工作方式。

代理记忆记录的是“Agent 怎么做事”：
完成过哪些案例、哪些路径有效、哪些错误发生过、哪些工作流可以复用。

这个区分非常重要。因为一个真正有用的 Agent，不仅要记住用户，还要记住自己做过什么，并且从自己的执行轨迹中沉淀出技能。

EverOS 的自我进化机制，正是解决这个问题的关键。
一次任务完成后，它可以把这次执行过程沉淀成 Case；
当某类成功路径反复出现，就可以进一步提炼成可复用的 Skill。

也就是说，Agent 不只是记住发生过什么，而是开始形成“以后遇到类似问题应该怎么做”的程序性记忆。

我把 EverOS 最适合落地的场景，放在了我的 AI Trading 和 Research Agent 上。

这个 Agent 的任务是帮我持续做研究：追踪 AI x Trading 项目、整理项目文档、提取交易假设、比较同赛道竞品、记录风险点、形成研究笔记，再输出适合发布的内容草稿。

在没有 EverOS 之前，这个 Agent 有几个明显问题。

它会忘记我的研究标准。比如我反复强调不要只看叙事，要看产品机制、资金流、风控结构、真实用户、可验证的数据和同赛道比较，但下一次分析新项目时，它还是可能滑向空泛总结。

它会忘记我已经踩过的坑。比如某些信源质量不高、某些指标容易误导、某些项目的营销话术不能直接采用，这些经验如果不能沉淀，下次就还要重新提醒。

它也很难复用成熟工作流。一次完整研究往往要经过“资料导入—事实提取—机制拆解—风险核查—竞品比较—交易假设—内容输出”几个步骤。如果每次都从零开始设计流程，Agent 就很难真正提高效率。

接入 EverOS 后，我会把这个 Agent 的记忆分成几层。

第一层是项目资料记忆。白皮书、官网、GitHub、截图、PDF、文章、推文、数据表，都可以作为多模态资料导入，让 Agent 在后续研究中能检索到原始上下文。

第二层是用户偏好记忆。比如我的研究偏好是“证据链优先、少用空话、避免 Shill、必须对比同赛道、必须写风险点、必须区分事实和推测”。这些不应该每次重新写进 Prompt，而应该成为长期用户记忆。

第三层是研究案例记忆。每次分析一个项目，都记录这次研究用了哪些资料、得出了什么结论、哪些假设被保留、哪些判断被推翻、哪些风险后来被验证。

第四层是技能记忆。当某个流程反复有效，比如“AI Trading 项目拆解模板”、“交易型 Agent 风控检查表”、“项目亮点转 X 长文结构”、“竞品比较框架”，就把它沉淀成 Agent 可以重复用的 Skill。

这样一来，Agent 的工作方式就发生了变化。

以前它像一个一次性助手：每次叫醒它，都要重新喂背景、重新讲规则、重新纠正偏差。

现在它更像一个会积累的研究搭档：它知道我以前看过什么，知道我更重视哪些判断标准，知道哪些路径曾经失败，也知道哪些工作流可以复用。

这才是我认为 EverOS 最有价值的地方。

它不是让 Agent 瞬间变成全知全能，而是让 Agent 的每一次有效工作不再归零。

长期看，Agent 的竞争力不只来自底层模型，而来自它能不能把用户、任务、项目、错误、决策和工作流持续沉淀下来。

没有记忆的 Agent，只是一个反复被唤醒的工具。

有了可读、可迁移、可检索、可进化的记忆层，Agent 才开始接近真正的长期协作伙伴。

如果你也在构建 AI Agent、LLM 应用、AI Coding 工作流，或者任何需要长期上下文的系统，强烈建议把 Star 一下这个 Repo !!!

因为下一代 Agent 真正重要的能力，可能不是一次回答有多聪明，而是它能不能记住过去、理解现在，并在下一次任务中变得更好

链接：https://t.co/QfCbJeZ2tb

[摸鱼巨匠🔨 @SunNeverSetsX]

@adelbucetta Indeed

[摸鱼巨匠🔨 @SunNeverSetsX]

我的 Trading Agent 换上了这个大脑后，明显聪明了几个量级！

长期以来，我在使用 Agent 的过程中，都被同一个问题所困扰：它太容易失忆了！

每次开启一个新会话，我都要重新交代背景：
我是谁、我在做什么项目、我的判断标准是什么、哪些资料已经看过、哪些坑已经踩过、哪些结论已经被推翻过。

这带来的问题非常明显：
第一、Agent 很难保持连续性。今天它帮我分析了一个项目，明天再问它相关问题，它往往又像第一次接触一样，从零开始推理。

第二、Agent 很难沉淀经验。一次研究中已经证明无效的路径，下次它可能还会重复。而一次写作中已经验证有效的结构，下次它也未必会主动再用。

第三、记忆很容易被锁在某个工具里。Claude Code 里沉淀的上下文，换到 Codex、OpenClaw 或其他 Agent 工作流里，就很难自然迁移。

第四、传统的补救方案也不够优雅。把 Prompt 越写越长，会增加 token 成本，也容易污染上下文；自己搭向量库，又经常变成一个黑盒，能搜到碎片，但很难检查、编辑、回滚和复用。

也就是说，Agent 真正需要是一套可以持续积累、可以被人类检查、可以跨工具复用的记忆系统。

直到我遇到 EverOS，我才意识到：
Agent memory 不应该只是“把历史记录塞进 RAG”，而应该更像一个面向 AI Agent 的记忆操作系统。

EverOS 最吸引我的地方，是它把“记忆”这件事做得非常工程化。

它不是把所有内容扔进一个看不见的向量数据库，而是把记忆保存成可读、可编辑、可版本管理的 Markdown。
这样一来，Agent 的记忆不再是黑盒，人可以打开看，可以修改，可以用 Git 管理，也可以在需要时回滚。

它也不是只做简单语义搜索，而是采用本地优先的 Markdown + SQLite + LanceDB 架构，并结合 BM25、标量过滤等方式，让记忆既能被语义检索，也能按项目、用户、Agent、应用、会话等维度精确限定范围。

更关键的是，EverOS 区分了两类记忆：用户记忆和代理记忆。

用户记忆记录的是“我是谁”：
我的偏好、长期目标、判断标准、历史项目、常用工作方式。

代理记忆记录的是“Agent 怎么做事”：
完成过哪些案例、哪些路径有效、哪些错误发生过、哪些工作流可以复用。

这个区分非常重要。因为一个真正有用的 Agent，不仅要记住用户，还要记住自己做过什么，并且从自己的执行轨迹中沉淀出技能。

EverOS 的自我进化机制，正是解决这个问题的关键。
一次任务完成后，它可以把这次执行过程沉淀成 Case；
当某类成功路径反复出现，就可以进一步提炼成可复用的 Skill。

也就是说，Agent 不只是记住发生过什么，而是开始形成“以后遇到类似问题应该怎么做”的程序性记忆。

我把 EverOS 最适合落地的场景，放在了我的 AI Trading 和 Research Agent 上。

这个 Agent 的任务是帮我持续做研究：追踪 AI x Trading 项目、整理项目文档、提取交易假设、比较同赛道竞品、记录风险点、形成研究笔记，再输出适合发布的内容草稿。

在没有 EverOS 之前，这个 Agent 有几个明显问题。

它会忘记我的研究标准。比如我反复强调不要只看叙事，要看产品机制、资金流、风控结构、真实用户、可验证的数据和同赛道比较，但下一次分析新项目时，它还是可能滑向空泛总结。

它会忘记我已经踩过的坑。比如某些信源质量不高、某些指标容易误导、某些项目的营销话术不能直接采用，这些经验如果不能沉淀，下次就还要重新提醒。

它也很难复用成熟工作流。一次完整研究往往要经过“资料导入—事实提取—机制拆解—风险核查—竞品比较—交易假设—内容输出”几个步骤。如果每次都从零开始设计流程，Agent 就很难真正提高效率。

接入 EverOS 后，我会把这个 Agent 的记忆分成几层。

第一层是项目资料记忆。白皮书、官网、GitHub、截图、PDF、文章、推文、数据表，都可以作为多模态资料导入，让 Agent 在后续研究中能检索到原始上下文。

第二层是用户偏好记忆。比如我的研究偏好是“证据链优先、少用空话、避免 Shill、必须对比同赛道、必须写风险点、必须区分事实和推测”。这些不应该每次重新写进 Prompt，而应该成为长期用户记忆。

第三层是研究案例记忆。每次分析一个项目，都记录这次研究用了哪些资料、得出了什么结论、哪些假设被保留、哪些判断被推翻、哪些风险后来被验证。

第四层是技能记忆。当某个流程反复有效，比如“AI Trading 项目拆解模板”、“交易型 Agent 风控检查表”、“项目亮点转 X 长文结构”、“竞品比较框架”，就把它沉淀成 Agent 可以重复用的 Skill。

这样一来，Agent 的工作方式就发生了变化。

以前它像一个一次性助手：每次叫醒它，都要重新喂背景、重新讲规则、重新纠正偏差。

现在它更像一个会积累的研究搭档：它知道我以前看过什么，知道我更重视哪些判断标准，知道哪些路径曾经失败，也知道哪些工作流可以复用。

这才是我认为 EverOS 最有价值的地方。

它不是让 Agent 瞬间变成全知全能，而是让 Agent 的每一次有效工作不再归零。

长期看，Agent 的竞争力不只来自底层模型，而来自它能不能把用户、任务、项目、错误、决策和工作流持续沉淀下来。

没有记忆的 Agent，只是一个反复被唤醒的工具。

有了可读、可迁移、可检索、可进化的记忆层，Agent 才开始接近真正的长期协作伙伴。

如果你也在构建 AI Agent、LLM 应用、AI Coding 工作流，或者任何需要长期上下文的系统，强烈建议把 Star 一下这个 Repo !!!

因为下一代 Agent 真正重要的能力，可能不是一次回答有多聪明，而是它能不能记住过去、理解现在，并在下一次任务中变得更好

链接：https://t.co/QfCbJeZ2tb

[摸鱼巨匠🔨 @SunNeverSetsX]

@jiroucaigou 你是一根

[摸鱼巨匠🔨 @SunNeverSetsX]

@Zh_Crypto517 存储板块就爱看大诗的分析

[摸鱼巨匠🔨 @SunNeverSetsX]

@ZhanweiC @EnHeng456 开着你的兰博基尼来上海

[摸鱼巨匠🔨 @SunNeverSetsX]

@JinYu762 确实，好的记忆系统太稀缺了，这部分已经常被人忽略

[摸鱼巨匠🔨 @SunNeverSetsX]

@WhinyPuppy98 Exactly

[摸鱼巨匠🔨 @SunNeverSetsX]

@jiroucaigou 先舔ZC再舔cz

[摸鱼巨匠🔨 @SunNeverSetsX]

人比人气死人，刷到嗯哼的视频

20 岁的我在干嘛？打王者、刷直播、凌晨三点网抑云

而嗯哼已经开着兰博基尼、戴着 400 万的理查德，卡里数字比我电话号码还要长

[摸鱼巨匠🔨 @SunNeverSetsX]

@jiroucaigou @bitget 我带你到5万

[摸鱼巨匠🔨 @SunNeverSetsX]

@demonyins 我愿意定义为钻研各种报告的垂直类agent

[摸鱼巨匠🔨 @SunNeverSetsX]

上一篇推文发出去后，有不少 Web3 朋友来问我：Apodex 到底应该怎么用？

我基本把自己日常使用 Apodex 的核心要点都跟他们分享了一遍，包含怎么追踪链上数据、项目方团队、融资背景以及如何跟其它 AI 协作使用，真正提升投研效率和精准度。

今天我想换一个场景，不聊 Web3，拿它来做一次美股投研。

主题我选了最近市场争议很大的问题：AI Capex 主线到底是不是泡沫？

这个问题很典型。

一边是微软、谷歌、Meta、亚马逊继续加大 AI 基础设施投入，Nvidia、服务器、数据中心、电力、液冷等链条持续受益；

另一边，市场也开始担心：AI 应用收入能不能跟上？企业端 ROI 到底兑现了吗？现在的估值是不是已经把未来几年打满了？

所以，这不是一个简单的看多或看空的问题。

如果直接问 AI：“AI Capex 是不是泡沫？”

大概率会得到一篇看起来很完整的文章：先讲产业趋势，再讲风险，最后来一句“短期有波动，长期有空间”。

这种答案不能说错，但对投研来说还不够。

真正有价值的研究，不是让 AI 给一个漂亮结论，而是让它把问题拆成可以验证的证据链。

所以我这次给 Apodex 的任务不是“写一篇 AI Capex 报告”，而是让它围绕几个核心变量展开：
1. 云厂商 Capex 和 AI 收入是否匹配；

2. GPU、服务器出货和库存是否支持真实需求；

3. 数据中心电力和落地节奏是否跟得上；

4. 企业端 AI ROI 是否改善；

5. 估值和市场情绪是否已经透支。

这里我也顺手和 ChatGPT 做了对比，两份报告我放在文末。

ChatGPT 的优势是速度快、表达顺、很适合快速搭初稿。但它更容易给出一种“宏观叙事 + 正反观点 + 中性结论”的答案：看起来完整，但很多关键变量没有被真正拆开。

而 Apodex 给我的感觉不一样。

它不是急着下结论，而是先逼你把问题拆成证据链：

不要只说云厂商还在投钱，要看 Capex / AI 收入比例；

不要只说 GPU 需求强，要看出货、ASP、库存和订单能见度；

不要只说数据中心火热，还要看电力获批、并网进度和建设延迟。

这就是 Apodex 做投研最舒服的地方：它不是帮你写得很像报告，而是帮你把报告背后的判断依据拆出来。

最终，Apodex 给出的结论也不是简单的“泡沫”或“不是泡沫”，而是分时间维度看：

1–2 年内，AI Capex 更偏产业现实。
因为云厂商长期合同、在建数据中心、GPU 订单和电力项目都有较强刚性。

3–5 年，主线会高度分化。
关键要看 AI 收入能不能跟上 Capex，企业 ROI 能不能兑现，电力瓶颈能不能缓解。

5 年以上，不确定性很高。
应用层商业模式、新技术路线、推理成本下降和监管变化，都可能重新定价整个产业链。

所以我的理解是：AI Capex 不是简单泡沫，但也不是可以无脑相信的长期神话。

短期看，它更像真实产业周期；中长期看，它会进入强分化阶段。基础设施链条确定性更强，但估值透支、企业 ROI 和电力瓶颈，是后续必须持续跟踪的风险点。

这次用下来，我更加认识到，投研真正稀缺的不是“谁更会写”，而是“谁更会验证”。

在生成式 AI 越来越普遍的时代，谁能搭建证据链，谁就更接近真相。

这也是我为什么认为，Apodex 不仅适合 Web3 调研，也很适合美股、宏观、政策、科研这类高复杂度研究场景。

趁着还能免费使用，快来试试。你会爱上它！

官网：https://t.co/Rrncz75aJt

GitHub：https://t.co/Ttvh2Zdyqq

Discord：https://t.co/RDoSeXGnJi

Apodex 研究报告：
https://t.co/BgjpwTV3eD

ChatGPT 研究报告：
https://t.co/aIb4cEeUPf

[摸鱼巨匠🔨 @SunNeverSetsX]

@JinYu762 是的呢，证据链很重要

[摸鱼巨匠🔨 @SunNeverSetsX]

@jiroucaigou 你才麻了，月入1wu

[摸鱼巨匠🔨 @SunNeverSetsX]

@Saccc_c 就Codex和obsidian用得多，其它我也要用起来了

[摸鱼巨匠🔨 @SunNeverSetsX]

@Saccc_c 你是看不上我们这种合作😭