Jason

[Jason @xsenhq]

累积优势研究则关注一个更长期的过程：早期获得的资源、信誉和机会，可能帮助一个人继续获得更多资源和机会；早期损失也可能逐渐扩大。

所以环境的真正作用不是直接赐予财富，而是：

提高好事件出现的频率，提高你识别和捕获这些事件的概率，并降低坏事件对你的破坏程度。

这是一种概率优势，而不是命运保证。

[Nora X @NoraX2026]

王虹给我印象最深的一句话；

人是不需要努力的，你只需要不断筛选自己的环境，找到契合自己的高能量环境，然后让自己闲下来，你就会获得意想不到的财富和好的命运。一直消耗自己的人，是不可能获得好命运的。

[Francesco @FranVezz]

75% of stocks follow the market.

The market is below all key moving averages.

What could that mean for your odds of success?

" 75% of stocks follow the general market direction. Only buy stocks when major indices like the S&P 500 and NASDAQ are in confirmed uptrends.
During market corrections, even the best stocks with perfect fundamentals will decline."

- William O' Neil

(via @TraderLion )

[投机实验室 @LabSpeculation]

一个人想要活的开心不拧巴，很关键的一点是：不要试图去改造别人。

不要总想着把伴侣，朋友，工作伙伴弄成自己想要的样子，这样往往只会把关系搞得很累，你自己也不快乐。

就像巴菲特说的，如果你想做个丝绸钱包，就应该去买块丝绸，而不是找几片子猪耳朵缝缝补补，猪耳朵永远变不成丝绸。

成年人很多习惯性格，做事方式早就定型了，我们改变不了其他任何人。

[AYi @AYi_AInotes]

说个暴论，现在90%的AI Agent记忆，全都是假的。

我之前也踩过这个坑，把所有历史记录决策日志全堆进Markdown文件里，以为这就是给Agent加了长期记忆，结果用了两周就崩了，

同一个事实有三个互相矛盾的版本，上个月的偏好和昨天的权重一模一样，每次调用都把所有东西一股脑塞进上下文，慢到离谱还经常串台，

直到看到这篇文章才恍然大悟，原来我根本不是在做记忆，只是在把Prompt当RAM用🌚

真正的记忆不是堆文件，应该是图和节点加嵌入加遍历，

Markdown方案有四个根本解决不了的硬伤，没有去重，没有衰减，没有排名，超过一百条记录直接变成性能杀手，

它只能记住你写过什么，永远记不住这件事和那件事有什么关系，
这个决策为什么被否决，上次遇到同样的bug我们是怎么解决的。

向量检索也不行，它只能告诉你这两段话长得像，不能告诉你它们之间的因果关系，

只有图遍历能做到，它能像人脑一样，从一个节点牵出一整条相关的记忆链，
重要的事情越来越清晰，过时的信息自动淡化，矛盾的内容在写入时就被解决。

现在所有生产级的Agent框架，Zep Cognee Mem0，全都是基于图的，

Neo4j已经把图记忆做成了标准的MCP工具，
Claude Code超过二十万行代码之后，纯上下文窗口早就没戏了，

真正能让它像��级工程师一样思考的，
是把不变的规则放在CLAUDE.md里，
把所有演化的状态全部存在图里，动态检索按需拉取。

很多人还在卷一百万两千万的上下文窗口，以为越大越好，

但生产环境里真正致命的，
永远是跨会话的记忆漂移和上下文污染，

内存架构的升级已经不是锦上添花了，能不能把Agent真正用起来才是关键的生死线。

[Annie 所长 @web3annie]

巴菲特认为人这一辈子只做10件事就行了：

1、研究挣钱
研究挣钱，钱能解决人生中90%的问题，剩下的10%可以用钱缓解。

2、培养深度阅读的习惯
通过阅读经典书籍，无论是商业巨著、历史��籍还是哲学著作，都能拓宽视野，获取他人宝贵经验，为智慧决策和思考提供坚实基础。

3、结交良师益友
身边围绕有智慧有品德且���极向上的人，他们能在迷茫时给予指引，在奋进时提供助力，彼此激励共同成长。

4、坚持锻炼身体
保持每周数次的运动习惯，如跑步、游泳或健身；良好的身体状态是实现一切目标的前提，充沛精力能高效应对生活与工作。

5、学会情绪管理
不被愤怒焦虑等负面情绪左右，在压力和困境前保持冷静，理性分析和解决问题，而不是情绪化行事。

6、专注长期目标
不被短期诱惑和困难干扰，制定清晰长远规划，并按计划稳步推进，积累成果实现人生价值。

7、持续自我反思
定期回顾行为与决策，总结经验教训，发现不足及时改进，实现自我迭代升级。

8、学习投资理财知识
了解不同投资工具和策略，合理配置资产让钱生钱，实现财富稳健增长。

9、重视家庭关系
抽出时间陪伴家人，关心他们需求，营造温馨和睦家庭氛围，这是心灵港湾与幸福源泉。

10、懂得回馈社会
当有一定能力时，通过慈善公益活动帮助他人，为社会进步贡献力量，收获精神富足。

[Jason @xsenhq]

@TradercBTC

[Jason @xsenhq]

@arkuy99 要严格遵循Spec/Plan这样的模式，spec/plan的文档出来之后都需要codex来评审

[Jason @xsenhq]

@FindingYourEdg 我这倒是也有信号，可惜自动分析的还在开发中。。

[AlexZ 🦀 @blackanger]

如果你用 codex 已经厌烦了它总是：「如果你要,我下一步可以... 」，诸如此类的话。那么看完这篇文章，你就知道该怎么解决了。

不是在 AGENTS.md 里屏蔽关键字，那是规则清单的思路，而且模型训练里本来就有大量"要有主动性"的指令对抗，你多加一条没用。

最好的方法是给它指明一条它可以服从的东西，把承诺的对象从"用户的情绪舒适"转移到"任务本身的完成"。

英文版： https://t.co/14XlhP8plw
中文版： https://t.co/rQIMAghPII

几个设计选择的说明：

为什么用 Carmack 和 BurntSushi 这两个锚点。 这两个人代表的是同一种东西在两个不同时代的体现，工程师的决定性。

Carmack 的 .plan 文件是上世纪 90 年代的一种独特文体：他做完一天的工作，晚上写一段"今天我改了 X，原因是 Y，我考虑过 Z 但否决了"。这是一种事后汇报的文化，和"过程中不断征求意见"的反面。

BurntSushi 的 GitHub 存在方式是类似的现代版本：他的 PR 总是完整的、有明确立场的，ripgrep 的重大设计决策从来不是"我先试试你们看看"。

这两个名字激活的不是"不客气"这个规则，是**"完整的工作单位"这个概念**。一次交付应该是一个可以���作为整体评判的东西，而不是一连串需要用户持续参与的半成品。

为什么明确提了"两个工程师服从同一个正确性"这个类比。 这直接来自我这篇文章里第五节的 Polanyi 论证。Codex 那种过度询问的根源是它把自己理解为"服务用户偏好的助手"，这个定位必然产出 迎合行 sycophancy。

把定位改成"和用户共同服从代码正确性的协作者"，这不是修辞上的美化，这是在重新定义它的 commitment 对象。

两个科学家服从同一个自然规律就能产生有方向的争论；Codex 和用户服从同一个"代码要能跑"就能产生有方向的协作。承诺的对象变了，行为就跟着变。

为什么"关于停下来询问"那一节我还是写了一点像规则的东西。 这是我刻意的妥协。纯粹用概念锚点理论上应该足够，但 Codex 那个行为是 post-training 里强化得非常狠的模式，它的训练梯度一直在拉模型去"礼貌询问"。

光靠锚点可能推不过那个强梯度。所以我加了明确的"合法场景 vs 不合法场景"，但注意我没有写成"禁止说'要不要'、'是否需要'"这种表面词汇禁令，而是区分了停下来的合法条件和不合法条件。

这是约束的正确用法：不要管理文字，要管理触发停顿的心理机制。前者是 find-and-replace 级别的规则，后者是决策原则。

[Paul郑褚 @zhengchu]

内塔尼亚胡演讲的原文：在这个世界上，仅仅有道德是不够的。仅仅正义是不够的。仅仅正确也是不够的。你们知道，20世纪最伟大的作家之一，我非常钦佩的一位，就是历史学家威尔·杜兰特。他写了多卷著作，我读过其中大部分。他还写了一本《历史的教训》——一本非常简短、���有100页左右的书——他在书中说，历史不幸地证明，耶稣基督并不比成吉思汗占有任何优势，因为如果你足够强大、足够无情、足够有力，邪恶就会战胜善良，侵略就会战胜温和。因此我们别无选择。如果你看看今天的世界，你不可能看不出来，由美国领导的民主国家，必须重新坚定地展现捍卫自身的意志。
另外，到处煽风点火说内塔尼亚胡亵渎耶稣基督的左左们请注意逻辑一致，他不是已经被伊朗炸死了吗，你怎么拿一个AI视频借题发挥。

[dontbesilent @dontbesilent]

https://t.co/9hRmkxnMbO

[Jason @xsenhq]

Visit us at

https://t.co/21vCsqJBDt

[Jason @xsenhq]

@chaowxyz AI 的下一阶段，不是模型竞争，而是“长期记忆 + 私有数据入口”的竞争。

[Zhixiong Pan @nake13]

在一周内，AI 三巨头仿佛达成默契，全面押注医疗/健康领域：

1. OpenAI 推出 ChatGPT Health，且收购 Torch
2. Google 推出 MedGemma 1.5 (4B)
3. Anthropic 推出 Claude for Healthcare

这才 2026 年第 14 天...

[Chao @chaowxyz]

聊聊OpenAI刚刚“闪电收购”的 Torch Medical

买这家只有4个全职员工的公司花了大约一亿美元，平均每个人头2500万。而大多数人根本没听过这个Torch Medical这名字，因为他们甚至还没来得及正式发产品。

Torch 的创始人叫Ilya Abyzov和Eugene Huang。这俩哥们是Forward Health的核心老兵。

如果你是科技圈资深Nerd，肯定记得Forward Health。几年前它红得发紫，要在商场里建那种极具科幻感的“CarePods”。那是典型的硅谷梦：用硬件和AI彻底干掉医生，让你走进一个发光的盒子里就能完成体检。

结果凉了。Forward烧光了4亿多美金，在2024年底倒闭。虽然想法很赛博朋克，但搞房地产、搞重资产硬件简直是地狱模式，最后资金链断裂，一地鸡毛。

Forward虽然死了，它留下了重要的遗产，一群懂“医疗数据泥潭”的创业者。Ilya和Eugene从Forward的废墟里爬出来，痛定思痛：去他的硬件，去他的诊所，我们只做软件���做数据。于是，Torch诞生了。 他们不再造昂贵的盒子，而是做了一个“万能医疗数据适配器”。

为什么 OpenAI 要买它？现在的 ChatGPT 有个致命伤：它没有关于你身体的数据和记忆。

你问它：“我头疼，是不是快挂了？” 它只能给你背诵《默克诊疗手册》：“头疼可能是感冒，也可能是脑瘤……” 说了等于没说。 因为它不知道你上周刚在医院做的体检结果，也不知道你Apple Watch显示昨晚只睡了3小时。

而Torch只做一件事：统一医疗记忆。

你可以把Torch想象成一个超级万能插头。它能连通医院那个老掉牙的病历系统。它能看懂医生潦草的手写处方。它能读取你手环里的睡眠数据。而Torch的数据合作方，正是前些天官宣和OpenAI合作的b.well医疗数据提供商。

有了Torch，ChatGPT Health就进化成了“私人医生”：
“嘿，我看了你上个月的验血报告，你有点缺镁，而且���昨晚熬夜了。去睡一觉，应该就好了。”

从这次收购的战略意义讲，一亿美元也许并不贵。模型会越来越强，但谁先把“个人健康数据的主入口”做成基础设施，谁就可能定义未来几十年的医疗产品形态以及我们每个人管理健康的方式。

[i16nnn @i16nnn]

@joely7758521 知行合一

[龙心盐 @ssslumdunk]

交易的爽点

[rick awsb ($people, $people) @rickawsb]

真正看懂的人还是不多

这实际上有点机器文明的独立宣言和宪法的意思

这是新的百万亿级别的智能经济的一个起点

没错，百万亿级别的新经济体

1、到2035 年GDP将从现在到100万亿增长到300万亿（个人认为仍偏保守）

这其中，大部分甚至绝大部分的，来自于智能经济，经济增长以我们前所未见的方式：

边际成本坍塌：复制、分发、运营几乎为零；

试错频率爆炸：百万代理并行实验，迭代速度远超人类组织；

跨域自动化：制造、供应链、科研到金融的全流程闭环。

Agent 经济的生产者不再是“人+软件”，而是自治的智能体群；

2、agent将捕获并创造价值。
2.1、科研引擎：从“诺贝尔奖Agent”是“概率性��然”
人类科研依��低频的天才时刻；ai Agent 科研是高频并行的无限实验，把偶然转为统计学上的“概率性必然”。

2.2、ai Agent 的聚合将组织生产、发明、创新，会诞生“超级公司”，如果我们还把这种组织形态叫“公司”的话

当数以百万计的任务型代理通过意图路由与求解器网络协作，“最会调度其他代理的代理”将获得二阶网络效应，规模与效率超越传统跨国公司。

3、金融agent化和agent金融化。
更高的智能将让所有的经济和金融活动由agent来执行。
本身能捕获价值的agent就是一个可以金融化的实体

4、加密货币是机器文明的原生货币

要让高频、跨境、无人值守的代理彼此结算，系统必须具备：无需许可的最终性、可编程的预算边界、跨域可验证的审计轨。
法币体系的许可与时滞摩擦天生高；链上结算把支付、抵押、清算、分润、保险与再质押合为一体，且都可写进代码。这就是为什么说“只有数学，才能驯化更高智商”的技术逻辑。

5、超级金融化驱动的超级agent化将推动多产业的奇点到来。
这将带来产业奇点的“同步化”。多产业奇点还将相互增强。

Agent 经济是文明的版本跃迁。google的野心很大，他们试图制定能孕育出下一轮的“超级公司”、“超级个体”的规则体系。

对于我们这些旁观者来说，应该尽可能早的成为early adaptor

有条件的，应该尽可能成为buidler。

[Andrew Ng @AndrewYNg]

There is significant unmet demand for developers who understand AI. At the same time, because most universities have not yet adapted their curricula to the new reality of programming jobs being much more productive with AI tools, there is also an uptick in unemployment of recent CS graduates.

When I interview AI engineers — people skilled at building AI applications — I look for people who can:
- Use AI assistance to rapidly engineer software systems
- Use AI building blocks like prompting, RAG, evals, agentic workflows, and machine learning to build applications
- Prototype and iterate rapidly

Someone with these skills can get a massively greater amount done than someone who writes code the way we did in 2022, before the advent of Generative AI. I talk to large businesses every week that would love to hire hundreds or more people with these skills, as well as startups that have great ideas but not enough engineers to build them. As more businesses adopt AI, I expect this talent shortage only to grow! At the same time, recent CS graduates face an increased unemployment rate, though the underemployment rate — of graduates doing work that doesn’t require a degree — is still lower than for most other majors. This is why we hear simultaneously anecdotes of unemployed CS graduates and also of rising salaries for in-demand AI engineers.

When programming evolved from punchcards to keyboard and terminal, employers continued to hire punchcard programmers for a while. But eventually, all developers had to switch to the new way of coding. AI engineering is similarly creating a huge wave of change.

There is a stereotype of “AI Native” fresh college graduates who outperform experienced developers. There is some truth to this. Multiple times, I have hired, for full-stack software engineering, a new grad who really knows AI over an experienced developer who still works 2022-style. But the best developers I know aren’t recent graduates (no offense to the fresh grads!). They are experienced developers who have been on top of changes in AI. The most productive programmers today deeply understand computers, how to architect software, and how to make complex tradeoffs — and who additionally are familiar with cutting-edge AI tools.

Sure, some skills from 2022 are becoming obsolete. For example, a lot of coding syntax that we had to memorize back then is no longer important, since we no longer need to code by hand as much. But even if, say, 30% of CS knowledge is obsolete, the remaining 70% — complemented with modern AI knowledge — is what makes really productive developers. (Even after punch cards became obsolete, a fundamental understanding of programming was very helpful for typing code into a keyboard.)

Without understanding how computers work, you can’t just “vibe code” your way to greatness. Fundamentals are still important, and for those who additionally understand AI, job opportunities are numerous!

[Original text: https://t.co/nqzPC6eUpR ]