C.

market researcher

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[摸鱼巨匠🔨 @SunNeverSetsX]

所有炒美股的人，都需要以下两个神器！

一支华尔街团队分析基本面
一个技术指标库分析技术面

一、华尔街 Agent 投研团队
1. 多角色协作机制
这个项目包含了基本面分析师、多空研究员、情绪分析师、交易员、风险管理团队、投资管理团队等多个 Agent 角色。通过角色之间的协作，将专业的金融投资任务拆解为一个个细分的目标，提供一份深入的基本面调研报告。

2. 多空辩论机制
最有意思的是，在分析师们提供信息后，充当研究员的 Agent 们会代表多空双方进行辩论，通过深入的互相质疑、互相探讨，确保投资方案的可行性。

3. 风控团队最终拍板
充当风险管理和投资组合管理的 Agent，在收到最终的投资方案后，会再次评估波动率、流动性、止损等风险，决定最终的交易时机、方向、仓位大小和投资组合

二、技术指标库
这个指标库基于价格、成交量数据，构建出了用于 K 线技术分析的 43 个指标。
只需使用 add_all_ta_features() 就能一键把 43 个指标全部添加用于分析。
并且，每个指标都有单独的类别，只需跟你的 Agent 说一声，也可单独指标灵活调用，构建适用于你自己个性化的技术分析方案。
结合上面的华尔街团队的基本面分析报告，你简直就是下一个股神！
​
​三、项目源码链接
​1. 华尔街投研团队项目：​https://t.co/VP5ofJG59o
​
​2. 技术分析指标库项目：​https://t.co/yNWJauzc1i

[tiantian @wherecall1]

别只盯新闻了，这个工具能帮你看到世界真实运行的样子

大多数人看世界的方式是：刷新闻。

今天哪里打仗了，明天哪里降息了，后天哪个大佬发推特了。

问题是，新闻是被编辑筛选过的。你看的是别人想让你看的。

如果你想自己判断局势——不是看结论，而是看原始信号——你需要的是情报工具，不是新闻客户端。

WorldMonitor 是什么

一个开源的全球态势感知系统。

核心能力：

435 个信息源，15 个类别

军事、金融、能源、气候、航空、网络攻击、基础设施……全部聚合在一个界面里。

不是简单的 RSS 聚合。它用本地 AI（Ollama）对信息做合成简报，交叉验证，风险评分。

双地图引擎 + 45 个数据图层

3D 地球 + WebGL 平面地图。

图层包括：

• 军事部署和演习
• 灾害位置和影响范围
• 经济数据变化
• 基础设施状态（电网、港口、管道）
• 航班实时追踪

跨流关联分析

系统不只是展示数据。它会自动关联：

• 军事信号 + 能源价格
• 灾害信号 + 供应链中断
• 经济数据 + 市场异动

每个国家有一个"情报指数"，覆盖 12 个维度的风险评分。

金融雷达

92 个股票交易所、大宗商品、加密货币，7 指标综合分析。

不只是价格，还有市场结构和资金流动信号。

谁适合用

不是所有人。

如果你只是想知道"今天发生了什么"，刷新闻就够了。

但如果你需要：

• 做地缘风险研判（咨询、智库）
• 管理跨境业务（能源、物流、供应链）
• 做宏观投资（需要对冲尾部风险）
• 做开源情报研究（OSINT）

这个工具值得看。

特别是它的本地 AI 能力。所有分析都在你自己的机器上跑，数据不上传。

在地缘情报领域，这点很重要。

怎么装

两种方式。

方式一：直接下载桌面客户端

支持 macOS（ARM / Intel）、Windows、Linux AppImage。

下载地址：https://t.co/4TwNMMzJVW

方式二：自己部署

git clone https://t.co/FZj4rOLEWw
cd worldmonitor
npm install
npm run dev

启动后打开 localhost:5173，不需要任何环境变量。

如果想用本地 AI 分析，需要安装 Ollama。

一个细节

项目用 AGPL-3.0 协议。

个人、研究、教育用途免费。商业用途需要单独授权。

如果你想做 SaaS 或者商业化产品，需要联系作者买许可证。

这不是"免费开源随便用"那种项目。作者很明确：非商用免费，商用付费。

为什么值得试

大多数情报工具是闭源的、收费的、面向企业客户的。

WorldMonitor 是开源的，可以自己部署，支持本地 AI。

它不是给你"结论"的工具。它是给你"信号"的工具。

新闻告诉你"发生了什么"。

这个工具帮你看到"正在发生什么"——以及不同事件之间的关联。

如果你需要独立判断局势，而不是被喂结论，试试看。

项目地址：https://t.co/JA6KgVIcyL (https://t.co/JA6KgVIcyL)
在线体验：https://t.co/4ZFSY7kMWP
文档：https://t.co/ytY7eG8S4J

[AI探路者Tim @AIExplorerTim]

🔥Anthropic 官宣：推出免费 9 章 Prompt 工程大师课！

从基础到高级技巧都有，包含互动练习 + GitHub 实战工具，
对想提升 AI 使用能力的人太友好

这套课已经被不少技术博主夸爆了，我自己刷了几章，的确干货密度很高👇
🔗 https://t.co/OQ2u7v5Y8t

[⧫ Alan Chen ⧫(alanchentsla.eth） @alanchen]

https://t.co/lTpChPRC5P

[Orange AI @oran_ge]

https://t.co/0FaxxcEvS0

[C. @xccland]

@essen_ai 算法不可能交出去啊，TikTok 美国关了还有其他市场，算法交出去了这不就是把最厉害的武器交给了强劲的竞争对手吗？图啥。

[C. @xccland]

@yanbojack 有完整报告不

[PANews丨APP全面升级 @PANewsCN]

SSV Lido模块获Lido DAO批准，拟于Q2在Hoodi测试网推出新模块

@ssv_network 宣布，其Lido模块已正式获得Lido Finance DAO批准。该模块基于去中心化验证技术（DVT），旨在提升Lido在以太坊上的可扩展性、安全性，并采用以运营者为中心的设计。

Hoodi测试网预计将在今年第二季度上线，主网随后推出。

[C. @xccland]

@yanbojack 好的，反正我300多进的腾讯打算600清😀

[TechFlow 深潮｜APP 已上线 @TechFlowPost]

EOS 更名为 Vaulta，转型专注 Web3 银行业务，他们才是加密市场的最大赢家

据 CoinDesk 报道，区块链项目 EOS Network 正式宣布更名为 Vaulta，战略转型专注于 Web3 银行业务。此次转型包括代币置换计划和成立银行顾问团，计划于 2025 年 5 月底进行代币置换（待确认）。

2017年，小编人生买的第一个币就是EOS。

曾经，EOS被视为加密货币项目失败的代表，现在来看，他才是真正的人生赢家。

2017-2018 年，https://t.co/ecFR5ZfCPF 通过 EOS 代币销售筹集了约 40 亿美元，主要是以以太坊（Ether）形式接收。随后，公司将其部分资金转换为比特币和美国国债，据报道持有至少 14 万枚比特币。

2020 年，首席执行官 Brendan Blumer 在 X 上表示，公司持有的比特币已超过此前公布的 14 万枚。

左手比特币，右手美国国债，https://t.co/ecFR5ZfCPF 穿越牛熊，且越发壮大。

目前，EOS 母公司 https://t.co/ecFR5ZfCPF 已经变成了一个超大型的加密产业集团，不仅拥有庞大的比特币和现金储备，旗下还拥有交易所Bullish、公链EOS、最大的加密货币媒体Coindesk，并且是印度首个加密交易所独角兽（估值超10亿美元）公司CoinDCX、以及知名游戏工作室Mythical Games的核心投资者。

在投资布局上，根据官网披露，https://t.co/ecFR5ZfCPF 投资支持的企业超过140家，投资规模达40亿美元。

[C. @xccland]

这几年发现了一些很有意思的事情，也许冥冥中确实有因果，他日因，今日果。

[C. @xccland]

@ChainCatcher_ 1. 罚没 2. 通过制造市场剧烈波动套利 3.欢迎补充

[C. @xccland]

@ai_9684xtpa 加密这个事儿现在跟所谓的去中心化就没有半毛钱关系🤣

[C. @xccland]

@wukong2021 所以不要分析什么，就看老川家族的钱在买啥就够了

[C. @xccland]

@fdsa753159 很有君权天授那个意思

[C. @xccland]

@jifeng123guo 免费那个版本就跟个chatbot差不多，能力不强，没啥意思

[C. @xccland]

@435hz 房子这个事急不急主要看个人需求，老人家改善用的，买就买了，不要高杠杆，其他的真的可以慢慢看，等什么，其实更多就是买房提供的情绪价值你自己承担得起，也愿意承担吧。投资价值什么的不是核心城市核心地段都不用想太多。小年轻婚房什么的，真不算刚需，很多城市租房也可以入学了，也不算什么刚需

[C. @xccland]

@GracyBitget 算力估值恐慌为什么会带崩大饼呢

[C. @xccland]

@jiji_eth 没