Doris🌟

Love is wise, hatred is foolish

[Doris🌟 @ygen_0x]

「如何设计出像 PENDLE 一样的 DeFi 产品？」

一、方法论
1️⃣参考资产解构的思路，考虑标准化产品内特色机制：

+🍏 Pendle 的 SY (Standardized Yield)，使其能够被协议统一识别和处理。因此可以考虑讲产品内的特色机制抽象为标准接口，例如 ERC 协议。像 ERC7527 就是这么做的，在 PremiumDAO 的所有产品里面，都用到了自己原创的 ERC 标准和思想。

+🍏 PENDLE 将资产明确拆分为本金代币 (PT) 和收益代币 (YT)。这一步是产品核心，它创造了两种截然不同的金融产品，满足了不同风险偏好的用户。

🍎 PT (Principal Token)： 锚定未来本金的价值。设计其机制，使其能在到期时以 1:1 的比例赎回底层资产。这为保守型用户提供了“固定收益”的交易机会。
🍎 YT (Yield Token)： 锚定未来收益的价值。其价值应在到期时归零，所有累积的收益都分配给 YT 持有者。这为激进型用户提供了“杠杆收益”的投机工具。

2️⃣建立用户分层模型和获利渠道：

所有人都懂用户想要收益这个核心痛点，问题在于你怎么做、怎么设计，并且能让所有核心参与者都能在特定的市场环境下获利。PENDLE 官方文档也详细列出了不同的参与者获取利润的方式。以下是详细的分层：
（1）核心用户（重度 DeFi 玩家、收益交易者）
（2）普通用户（流动性提供者、长期持币者）
（3）潜在用户（刚接触、投资经验有限）

可以根据你项目的定位与功能，进行不同的用户分层，满足不同的用户风险偏好和认知水平。

对于具有新模式的产品，你或许可以考虑将用户分为：
<1>策略开发者，他们通过套利和复杂策略获利；
<2>普通投资者，他们通过提供流动性或购买固定收益产品获利；
<3>新手，他们需要简单易懂的“一键投资”功能安全入门，等等。

3️⃣预布局 ToB 和 ToC 模式：

协议不应该只在内部消化，内部价值循环，而应参考 Pendle，通过与其他协议的集成，将外部的价值（例如 Ethena、EigenLayer 的空投和 TVL）引入到自己的生态中。

思考你的协议能为合作项目带来什么价值？Pendle 为 Ethena 带来了巨额 TVL 和活跃的用户群体。你的协议或许也应该成为其他项目提升 TVL /引流/作为生态合作的合作伙伴。

4️⃣在穿越牛市/熊市时，你的项目如何变化：
在设计产品时，要考虑如何让你的机制在市场看涨、预期高涨时，能够最大化地让所有参与者受益。

二、PENDLE 是如何做的
（以下请了 GPT 老师帮忙整理）

Pendle 成功的关键，在于它精准抓住了收益的本质：用户想要把未来的收益变成可以立刻交易的资产。这一点，是传统 DeFi 很少做到的。它通过将收益和本金分开，完成了收益的标准化和拆分，让不同需求的用户都能找到合适的入口。
想要稳健拿固定收益的，买本金代币；
看好未来高收益的，买收益代币；
还有人选择做流动性提供者，赚取手续费和代币激励。
产品设计不能一味追求“万能”，而是要先识别用户最核心的刚需，提供多样化的选择。

Pendle 对收益的时间维度尤为敏感。收益不是无限期存在，而是有明确的期限和到期日。这个设计让资产价格能更准确地反映市场对未来收益的预期，而非仅仅盯住当前状态。产品必须让用户一眼看懂资产的期限和对应价值，这才符合金融市场的基本规律。这一点是不能忽略的。

相对而言，许多DeFi项目则忽视了收益期限和时间价值的重要性。流动性挖矿和单一，staking 协议往往只告诉用户一个年化收益率，却没有明确收益随时间的变化轨迹，缺少对收益期限的清晰界定。

用户看到的 APY 通常是过去一段时间的表现，未来却可能大幅波动，但产品没有相应机制让价格或收益自动随着时间流逝调整。换句话说，这些产品对收益的时间敏感度非常低。就像 K 线图里的 MA5、MA10、MA30 一样，指标和表现都具有滞后性，参考意义相对较小。

这带来了两个问题。
第一，用户容易误以为“锁仓就能得到固定收益”，忽视了收益率随市场波动而变化的风险。
第二，资产价格和收益缺乏透明且合理的动态反馈，导致市场难以有效发现价格。高 APY 确实会吸引大量资金入场，但一旦市场波动剧烈，或资产价值骤降，用户遭受重创，生态难以稳定。

在流动性设计方面，Pendle结合了订单簿和 AMM 机制，既保证了交易效率，也强化了价格发现。相比之下，很多项目流动性不足，正是因为在交易设计上没有下足功夫。激励流动性提供者不仅靠手续费，更要通过代币奖励和积分激励形成多维度激励机制，才能让市场形成良性闭环，增强用户参与感，使产品活起来。

至于代币经济学，大家已经相对熟悉，什么是好的Tokenomics，什么是失败的设计，不再多言。

真正关键的，是把握好收益的本质和时间维度，结合合理的流动性和激励设计，才能做出像Pendle这样成功的产品。

说在最后：本人持有 $PENDLE 🤪
@pendle_fi

[Doris🌟 @ygen_0x]

@_FORAB 🙏🙏🙏🙏🙏

[Haotian @tmel0211]

很多人惊叹为何 https://t.co/fB4EImwVui 对CXMT的定价会精准的如此吓人？开盘价7美元左右的价格区间刚好对应实际开盘价49.5元。难道TradeXYZ团队提前有内幕消息，或者跟A股的主力资金有联动？其实，都不是：

1）根据TradeXYZ的定价机制，团队会初设一个参考价格，没有任何融资估值和机构报价的参考，也不涉及主观介入预测，只是一个供市场参考的坐标原点。真实的价格完全由买卖双方挂单驱动；

2）那问题就成了TradeXYZ上提前买卖的资金量把价格锚定在了7美元左右，怎么做到呢？其实靠的都是公开的信息，并对长鑫科技开盘有了高度同质化的估值落脚点而已。

比如， @Polymarket 、 @predictdotfun 等预测市场投注区间集中到了3万亿左右，上市前一些券商研报也基本把估值定到了 2-4万亿区间，加上SpaceX美股超大IPO对应长鑫科技A股最大IPO的情绪面预期等同时发酵，把价格进一步推到了7美元附近。

最关键的是，在 @HyperliquidX 上玩Pre-IPO合约的人基本是真金白银买卖且对估值和情绪极度敏感的一批人，无论市场上多大的唱多和唱衰的噪音，真实挂单基本会锁定到一个最大公约数上；

3）另外TradeXYZ的Discovery Bound允许价格按照加减20%阶梯式重新锚定，比如从5→6→7.2→8.64，一旦买单力量把价格推过某一档，系统就会把新锚定价格固定下来，加上资金费率被压到了极低，并不会因为短时间价格“贵了”就把价格强行往下拉。

所以，很快多空双方会在7美元附近达成共识平衡，后来的挂单也跟着往这个区间堆，最终把价格钉在了这个大家都觉得“合理”的位置上。

4）这件事的发生，本身就是对Hyperliquid上Perps市场价格发现机制的一次实打实的验证，既没有黑箱，也没有内幕，仅仅靠链上订单簿和市场公开信息和一致交易共识，就把价格锚定到了和传统市场一致的程度。

突然理解为何前阵子TradeXYZ面临Rebase机制质疑时保持让市场自由定价的决心，原来这不是高傲也不是不尊重市场，恰恰是因为Hyperliquid具备能把真实世界资产提前定价校准的能力，而这正是平台价值的核心。

这件事对 $HYPE 一定会构成利多，虽然CXMT的交易体量远没有 $SPCX 那么大，也没有直接带动HYPE的上涨，但如此精准的价格发现定价能力足以让Hyperliquid坐稳Perps老大哥的位置吧？

[Dean W. Ball @deanwball]

Some observations on Kimi:

1. It's a very good model! I don't think its performance can be explained away by distillation or anything like that. In agentic coding sessions, it seems pretty much on par with the best public models of Q1 2026. In my fairly limited use, it also seemed very token hungry. It's not obvious to me that this model is actually that cheap to run.

2. I am personally surprised the Chinese state continues to allow the open sourcing of models this good, given potential risks. To be clear, I *myself* might be fine with models presenting this level of marginal risk being open weight, but I am surprised that China is fine with it. I suspect the reason they are is 75% explained by strategic blindness/lack of AGI-pilledness (the CCP is very Yann Lecun-y in its views of AI). The other 25% or so is their lack of compute for customer inference (making China's open-weight strategy an unintended byproduct of US export controls) and the normal Chinese strategy of aggressive exports. For the companies, as opposed to the government, the decision to open source is partially ideological and partially because they are behind, and they know that very few people would pay for sub-frontier models from China.

3. Open-weight models are inherently decelerationist, and I'm continually surprised to see the so-called "accelerationists" so excited about open-weight models. I suspect the reason they are is that they know open-weight models are effectively ungovernable, and they simply like the overall cloak of ungovernability open-weight models create over the whole of AI. It's not a bad strategy; it reminds me of James Scott's recounting of the hill people in "the art of not being governed." Still, in the end, open-weight models deter further AI capex.

4. One probable outcome of an open-weight-model-dominant world is full AI communism, which is precisely what China proposes: rather than a market product, AI is a "public good" which will ultimately be provided by the state as a kind of "digital public infrastructure." This future strikes me as a dystopian hellscape, but I've never met an open-weight models advocate who doesn't ultimately concede this is where things end. You'd be surprised how many 'accelerationists' lobbied me, while I was in government, to support an eleven or twelve-figure federally funded data center so that startups could train models at a subsidy and then give them away for free. There was no other way for AI to progress, they said. Perhaps this is the logical end state of things. Nonetheless, I find myself surprised to see supposed accelerationists excited about such an outcome. I think many of them just don't know what they're doing. Many accelerationists do not view the creation and serving of frontier models as a legitimate business.

5. I would guess that the Trump Administration will at some point realize that their best strategy here would be to create large amounts of regulatory risk around the use of open-weight Chinese models. You don't need to "ban open source" (one of the dumber motifs of AI policy discussion). You just need to direct every agency to issue soft law that creates FUD. "A Federal Reserve Advisory Bulletin found that there may be backdoors in Chinese AI models." It needn't be that well justified. You just create enough regulatory risk that every regulated enterprise backs off. You probably don't want to create so much regulatory risk that you scare off the hyperscalers from serving Chinese models; this will just drive startups to sketchier providers. There's a happy middle ground here. I'd assume they will do some version of this.

6. It's probably true that open-weight models of this capability make the world a bit more dangerous, but not so much more that you'll really notice. At some point the models will be capable enough that you will notice. "A nonliving, invisible, dangerous, and infinitely self-replicating agent escaped from a Chinese lab," you say? Color me shocked.

[Doris🌟 @ygen_0x]

@wolfyxbt 不中嘞

[Doris🌟 @ygen_0x]

让我来试试

[AB Kuai.Dong @_FORAB]

上午极限用了 1 小时 ChatGPT 的新 5.6 和工作模式，实话实说，用完后整个人了陷入悲伤。

它会自己持续工作，找事干，向你汇报，然后问你改进建议，再继续工作，向你汇报，周而复始。

如果这被大面积应用，接下来应该很多人会找不到工作，大厂们堆人力的时代结束了。

[ClaudeDevs @ClaudeDevs]

https://t.co/v694m8Eaj6

[Asa @app_sail]

https://t.co/CDD9AmB3Pn

[Doris🌟 @ygen_0x]

@BTCdayu 你究竟在说啥😅

[Leto Bao @leto_bao]

https://t.co/a1IRSGMGWP

[Mengke Wang @MengkePM]

https://t.co/ghUgtm1M1w

[Doris🌟 @ygen_0x]

万物皆可蒸馏

[金尘马 @jinchenma_ai]

总结了最近 X 上爆火的 26 个 SKILL。

一切的起源都是那个“同事.SKILL”吧😂

一、职场、自媒体系列：
1. 同事.skill 把真实同事蒸馏成AI（SKILL流火爆起点）。
https://t.co/rlBnUqKvEI
2. 女娲.skill 能自动蒸馏任何人的终极工具（想蒸谁蒸谁）。
https://t.co/Z4pIOutlmI
3. X导师.skill（X/Twitter运营导师） 最新迭代，能分析你的账号数据、写推文、给诊断报告。
https://t.co/pIIYkEltNL
4. 老板.skill 把老板炼入token，把生产力的解放留给自己。
https://t.co/7cSVAmkTqw
5. 前任.skill 把前任蒸馏成 AI Skill，用ta的方式跟你说话。
https://t.co/2SvAj4HBKi
6. 自己.skill 把你自己蒸馏成AI，数字永生/第二大脑。
https://t.co/4GZB8Tzxc2
7. 博主.skill 把公开社交媒体语料整理成一个能对话、能分析、能改写风格的 Persona Skill（目前支持推特和小红书）。
https://t.co/WOheukU9UH
8. 蒸馏.skill（人格蒸馏引擎） 人格蒸馏引擎 · 蒸馏自己看清自己，蒸馏亲友留住余温与回声。
https://t.co/dSzv8JfsR2
9. 反蒸馏.skill 公司让你写Skill文档时“投毒”，核心知识自己留着（打工人自保神器）。
https://t.co/hFoUVNpIe0

二、名人系列
10. 乔布斯.skill 思维模型 + 现实扭曲力场 + 决策风格，已开源。
https://t.co/Cf7Kae1FTd
11. 马斯克.skill 第一性原理、硬核执行力、推文风格。
https://t.co/G5nv93WR11
12. 芒格.skill 多元思维模型、反向思考、投资决策神器。
https://t.co/xgXuRXusLV
13. 费曼.skill 教你怎么讲课、拆解复杂问题、讲物理/学习方法。
https://t.co/VK1pRRW5sd
14. 纳瓦尔.skill 财富、幸福、人生哲学，播客级智慧。
https://t.co/51QFLJ5n10
15. 塔勒布.skill 黑天鹅、反脆弱、风险评估专家。
https://t.co/exTXDxXakn
16. 张雪峰.skill 接地气吐槽 + 升学实用建议。
https://t.co/47WXjbpWSg
17. Paul Graham.skill 创业思维、写作、产品哲学。
https://t.co/BLal4704HK
18. 张一鸣.skill 算法思维、组织管理、产品迭代。
https://t.co/bnHcUk4ykq
19. Karpathy.skill AI/深度学习教学 + 技术直觉。
https://t.co/APlrlM58uM
20. Ilya Sutskever.skill AI前沿思考 + 模型哲学。
https://t.co/dpRsPxk1Qt
21. MrBeast.skill（YouTube现象级创作者） 内容病毒式传播 + 增长黑客。
https://t.co/ig0yptB6FA
22. 特朗普.skill 谈判风格、推文艺术、现实扭曲（已验证超像）。
https://t.co/t5E0iUGOhP

三、玄学系列
23. 赛博算命.skill（八字命理） 八字排盘与命理分析工具。
https://t.co/cW05qHYEqu
24. 月老 · 姻缘测算.skill（赛博月老） 姻缘测算技能，用中华传统术数帮你算姻缘。
https://t.co/IqKjsEbTuO
25. 奇门遁甲、紫微斗数.skill 减少幻觉、固定排盘步骤的奇门遁甲与紫微斗数 AI skills。
https://t.co/7LP2ZM95du
26. 大师.skill 基于佛教经典文献的汉传祖师大德教学角色生成器。
https://t.co/GcdrhVVtsJ

[dontbesilent @dontbesilent]

只要你没在执行
你的动作大概率就是为了逃避执行而生的动作

无论是这个动作是复盘总结，还是和 AI 聊天

[Doris🌟 @ygen_0x]

wok?

[OpenAI @OpenAI]

Introducing EVMbench—a new benchmark that measures how well AI agents can detect, exploit, and patch high-severity smart contract vulnerabilities. https://t.co/op5zufgAGH

[数字生命卡兹克 @Khazix0918]

https://t.co/aRnJMqOFGs

[Doris🌟 @ygen_0x]

@Kristintt @0xcryptoHowe @0Xweaksheep @Confucian_e @Slutsky___ 🥳

[Doris🌟 @ygen_0x]

@Kristintt 介绍得太全面啦，依旧优质好文😇

[Doris🌟 @ygen_0x]

@OKX_Ventures 存

[Zara Zhang @zarazhangrui]

https://t.co/MfKCFJsaY9

[Doris🌟 @ygen_0x]

你还蛮有哲理

[Elon Musk @elonmusk]

🤗

[Doris🌟 @ygen_0x]

期待

[Erik Torenberg @eriktorenberg]

https://t.co/V0sviTHQf1