Home
Language
English
Türkçe
Bahasa Indonesia
About
Privacy Policy
Terms of Service
Pricing
Sign In
Download All
Share
摸鱼巨匠🔨
@SunNeverSetsX
🎯 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:
Hong Kong
Joined December 2024
690
Following
12.7K
Followers
7.6K
Posts
Pinned Tweet
摸鱼巨匠🔨
@SunNeverSetsX
8 days ago
https://t.co/4MTUOQapDN
摸鱼巨匠🔨
@SunNeverSetsX
about 2 hours ago
@Zh_Crypto517
看来中国提早布局能源的眼光挺对的
摸鱼巨匠🔨
@SunNeverSetsX
about 13 hours ago
@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
about 13 hours ago
@jiroucaigou
我要跟菜狗OTC交易,菜狗这么有钱
SunNeverSetsX
retweeted
摸鱼巨匠🔨
@SunNeverSetsX
1 day ago
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
See More
摸鱼巨匠🔨
@SunNeverSetsX
about 23 hours ago
@adelbucetta
Indeed
摸鱼巨匠🔨
@SunNeverSetsX
1 day ago
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
See More
摸鱼巨匠🔨
@SunNeverSetsX
about 23 hours ago
@jiroucaigou
你是一根
摸鱼巨匠🔨
@SunNeverSetsX
about 23 hours ago
@Zh_Crypto517
存储板块就爱看大诗的分析
摸鱼巨匠🔨
@SunNeverSetsX
1 day ago
@ZhanweiC
@EnHeng456
开着你的兰博基尼来上海
摸鱼巨匠🔨
@SunNeverSetsX
1 day ago
@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
1 day ago
@WhinyPuppy98
Exactly
摸鱼巨匠🔨
@SunNeverSetsX
1 day ago
@jiroucaigou
先舔ZC再舔cz
摸鱼巨匠🔨
@SunNeverSetsX
1 day ago
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
SunNeverSetsX's tweet video.
摸鱼巨匠🔨
@SunNeverSetsX
1 day ago
@jiroucaigou
@bitget
我带你到5万
摸鱼巨匠🔨
@SunNeverSetsX
2 days ago
@demonyins
我愿意定义为钻研各种报告的垂直类agent
摸鱼巨匠🔨
@SunNeverSetsX
2 days ago
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
See More
摸鱼巨匠🔨
@SunNeverSetsX
2 days ago
@JinYu762
是的呢,证据链很重要
摸鱼巨匠🔨
@SunNeverSetsX
2 days ago
@jiroucaigou
你才麻了,月入1wu
摸鱼巨匠🔨
@SunNeverSetsX
2 days ago
@Saccc_c
就Codex和obsidian用得多,其它我也要用起来了
摸鱼巨匠🔨
@SunNeverSetsX
2 days ago
@Saccc_c
你是看不上我们这种合作😭
Last Seen Users on Sotwe
maduras de tiktok y fb
Seen from
Malaysia
Baelish🪽
Seen from
Netherlands
💮🖤𝕷𝖆𝖉𝖞 𝕭𝖑𝖆𝖈𝖐𝖍𝖊𝖆𝖗𝖙🖤💮
Seen from
Singapore
Cami Cami
Seen from
Nigeria
Ensemble Stars!! Music_EN
Seen from
Australia
Redmoon
Seen from
Mexico
Yellow Astronaut (COMMS CLOSED)
Seen from
United Kingdom
OlDER MEN
Seen from
Italy
Pirat_Nation 🔴
Seen from
Brazil
alqoshi
Seen from
Germany
Trends for you
1
Austria
Under 10K tweets
2
Boots
Under 10K tweets
3
Colombia
Under 10K tweets
4
jungkook
Under 10K tweets
5
Vergil
Under 10K tweets
6
DR Congo
Under 10K tweets
7
#MyAdventuresWithSuperman
Under 10K tweets
8
Crawford
Under 10K tweets
9
#OPLive
Under 10K tweets
10
Happy Birthday Elon
Under 10K tweets
Most Popular Users
1
Elon Musk
@elonmusk
240.6M followers
2
Barack Obama
@barackobama
119.2M followers
3
Donald J. Trump
@realdonaldtrump
111.7M followers
4
Cristiano Ronaldo
@cristiano
110.4M followers
5
Narendra Modi
@narendramodi
107M followers
6
Rihanna
@rihanna
97.6M followers
7
NASA
@nasa
92.2M followers
8
Justin Bieber
@justinbieber
90.9M followers
9
KATY PERRY
@katyperry
87.6M followers
10
Taylor Swift
@taylorswift13
81.4M followers
11
Lady Gaga
@ladygaga
72.9M followers
12
Virat Kohli
@imvkohli
69.8M followers
13
Kim Kardashian
@kimkardashian
69.7M followers
14
YouTube
@youtube
68.7M followers
15
Bill Gates
@billgates
63.8M followers
16
Neymar Jr
@neymarjr
62.5M followers
17
The Ellen Show
@theellenshow
62.4M followers
18
CNN
@cnn
61.9M followers
19
X
@x
60.8M followers
20
Selena Gomez
@selenagomez
60.7M followers
Olivia
Online
✨
⭐
💫