分享我半年筛选下来的AI newsletter:
The Rundown AI (https://t.co/AUgjvQF3BR):订阅超200万,行业第一,每日高密度产业动态
TLDR AI (https://t.co/sXQgfQAkGV):5分钟科技简报,AI+编程+产品精华浓缩
The Neuron (https://t.co/F0CccAWWD6):非技术向最佳 AI 日报,3分钟轻松读完
One Useful Thing (https://t.co/eDZHvC1mNL):Ethan Mollick 实用+学术洞察(超40万订阅)
Ben's Bites (https://t.co/ASlk6GSW96):AI 工具与 startup 圈经典消息源
Latent Space (https://t.co/MyLYWQdUW3):swyx 开发者视角,未公开项目+工程解读
Interconnects (https://t.co/XSvObThPmQ):Nathan Lambert RLHF&模型训练深度专栏
Every (https://t.co/NDeiVfTj79):科技与商业下一步,资深战略分析
Smol AI News (https://t.co/KjUPAKMhTf):Discord/Reddit 等 AI 社区一线直击
AI Breakfast (https://t.co/hrgso70ua2):每周系统回顾+深度讨论
那么,如何将用Hermes将这些高质量文章输入第二大脑呢?
下面这篇文章告诉你👇
上篇介绍了热心哥 @jtrevorchapman 的 Polymarket 15m 三层滤网系统(盈利因子 4.29,胜率 93%)。这篇聊了聊他作为非程序员背景,如何通过 vibe coding 从零搭了一套稳定盈利的交易系统。信息依然是整理自他的回复。
他是从 12 月 12 日开始搭建,每天孩子睡后干到凌晨 5 点,经历了十几种策略才找到稳定盈利的三层滤网系统,如果没看过上篇,评论区有链接。
多智能体协同
使用的是 Claude Opus 和 Gemini Flash,其中 Claude Opus 负责写代码,Gemini Flash 负责数据研究。
这么分工的原因是 Gemini 写代码时太喜欢自作主张,会擅自改他没要求改的部分。
选择 Flash 而不是 Codex,看来大哥是买了 Google 全家桶了,当然他的这个经验和目前的研究是一致的,适量的多智能体协同确实是可以提高工作质量和效率。
调试方法论
这是我觉得最值得学习的部分:每次亏损后,回到日志里,问自己:“如果我能在这个瞬间暂停时间,我会怎么解决这笔亏损?”想清楚之后让 AI 把解法写成代码。
这个思路决定了他对日志的要求极高,需要记录数据点、决策分支、执行函数。因为没有详尽的日志,根本没法回到那个瞬间去复盘。
三条原则
1、编写代码时需要提供精确的指令(prompt),要像外科手术一样,否则 AI 会按它训练时默认的方式进行实现,这往往会搞砸苦心研究的策略。(其实很多人目前是主张应该顺着 AI 默认的方式进行,这可能是量化和其他领域编程的一个区别。)
2、研究策略时要求 AI 直说、不要迎合,鼓励 AI 反驳自己的看法而不是让 AI 顺着自己说。(这可能是大哥用 Gemini Flash 而不是 Opus 做研究的原因。)
3、不要轻信 AI 给出的的结论一定要多角度验证。他这里举了个有趣的例子,他早期有几周的成交率数据全是错的,自以为策略赚了钱,结果钱包余额却越来越少。(这是很多人都碰到过得问题吧,因为延迟造成的滑点,使得策略产生亏损,程序记录盈亏时按照触发价而不是实际成交价进行,导致表面盈利实际亏损。)