@OnoeSaiko
Account based inJapan!
About this account
- Account based in
- Japan
- Connected via
- Germany Android App
X says this location may be affected by a proxy or VPN.
Account-level information from X, not a live location or the device used for a specific post.
Onoe🔆Saiko retweeted
OpenAI 把一位菲尔兹奖得主弄哭了，半夜哭到吵醒了自己的女儿。
看到《世界报》这篇报道，心情挺复杂的。
2022 年菲尔兹奖得主、法国数学家 Hugo Duminil-Copin，在 10 月 8 日的一场视频会议上公开讲了这件事。
两天前，OpenAI 一口气发布了 700 多篇数学论文，涉及 372 组研究成果，声称解决或推进了大量长期悬而未决的数学问题。
其中有 16 个问题，正好是他长期关注的研究方向。更夸张的是，针对其中一个问题，AI 连续写出了 13 篇论文，相当于把一整套研究计划一次性推进了下去。
他说了一句话：「他们摧毁了我的研究领域。」
他甚至在演示文稿里放了一张 AI 生成的图片，一只兔子被好几辆卡车碾过。他觉得 OpenAI 就是在向数学家展示，它有能力把整个领域碾过去。
当然，这批论文还没有全部得到独立验证，部分缺乏形式化证明，已经有 3 篇因为错误被撤回。但数学家们也承认，其中确实有相当惊人的成果。
Duminil-Copin 后来谈到自己为什么哭。
他想到的不光是自己，还有年轻数学家。
一个博士生可能花几年寻找一个值得研究的问题，再花几年尝试证明，围绕它建立自己的学术生涯。结果某天早晨醒来，一家 AI 公司突然发布了十几篇论文，告诉你这些问题已经有答案了。
更麻烦的是，过去数学界很重要的一种文化，就是大家愿意公开讨论尚未解决的问题。年轻人从前辈那里获得灵感，同行之间相互启发，很多研究就是这么开始的。
现在，一些数学家已经开始考虑不再公开自己的研究方向，因为这些问题很可能被 AI 公司收集起来，变成下一轮模型能力测试的题库。
AI 从人类长期积累的开放知识中获益，反过来却可能让科学家不敢再自由分享自己的想法。
而且数学可能只是最早遭遇这种冲击的学科。
以前讨论 AI 取代人类，我们总喜欢拿工作效率和经济价值说事。但对于真正热爱一门学科的人来说，研究过程本身就是他们生活的重要部分。
一家科技公司的模型迭代速度，开始影响一个博士生该如何选题、一位青年教授还能不能拿到研究经费，以及一个人愿不愿意继续把几十年的人生投入某个问题。
AI 当然应该继续推动科学进步。但如果科学发现越来越集中在少数几家公司的内部模型里，人类学术共同体又该如何维持？
Onoe🔆Saiko retweeted
发明PaperTrade的人简直是个天才....
他完成了一个0和游戏上的期望与收益的对等交换
爆仓了，有Token拿，可以有一个分红权的盼头
赚钱了，拿钱走人
两头看起来都不亏
Token质押后，赚钱的人2%直接分红，池子超过500万的情况下，99%的盈利全部分红
你问他亏了赚了，他说质押了
这个飞轮，最怕的就是没人交易，只要有人交易，就会有人输，但是背靠hyperliquid，简直是接入了一个不会停止的交易永动机，只要hyperliquid还有热度，这东西就会有人去玩。
为什么我转变会这么大并且会觉得这会是一个现象级产品
因为我看到这东西的本质，和FOMO3D还有养老保险基本如出一辙
前面的人亏损买入后面人资产的收益权
这套玩法我觉得可以再玩一百年
旁氏如磐石般伫立在金融中心
金融的本质就是分红
Onoe🔆Saiko retweeted
给你们荐一本开源书，《自学是门手艺》，码农也好，想着一路往前冲的人也好，都该拿来翻翻。
GitHub 上已经攒到 17.4K+ Stars，整本书翻来覆去就讲一个理：人要是学不会自个儿学，前头基本没什么指望了。这话听着硌耳朵，可你慢慢品，还真就那么回事。
想把长期学习练成肌肉记忆，先揣着慢慢嚼。
🔗：
github.com/selfteaching/the-…
Onoe🔆Saiko retweeted
这个x主对transformer的理解挺深刻。
1/ “不要把 transformer 想成一个管道：好像每一层都在转换前一层的输出。”
理解：每个 block 里的 attention 或 MLP（也就是 (f)）并不是把输入“变成”新的东西，而是算出一份要加回去的增量。原输入 (x) 通过残差连接原样加回去，所以信息主要是被“追加”，不是被覆盖。
2/“开始把它想成一个残差流” 每个 transformer 块都有一个残差连接，将块的输入加回到它的输出上。
x' = f(x) + x
这种“加法”连接意味着一层内部的注意力/MLP 块（上面的函数 f）实际上并没有转换输入——相反，它计算出在传递到下一个块之前必须添加到输入上的信息
3/把整个 transformer 主干想象成一个共享的白板。每个块从白板上读取它需要的东西，并将它的笔记写在白板上。累加的改变。 事实上，层之间可以远距离交流。第 1 层的一个块可以写入信息，第 5 层的一个块可以读取它，尽管它们之间没有直接的连线。
理解：整条 backbone 是同一块白板。
每一层读白板上已有的内容，再把自己的笔记写上去（加法）。第 1 层写的东西，第 5 层仍然能读到，中间不需要专门连一根线。因为中间层只是在原向量上继续加，早期写入的方向不会被擦掉。
加输入，是因为这一层算出来的不是“新的完整表示”，而是一份要叠到原向量上的修正。
One of my most aha moments in understanding transformers:
"Stop thinking about a transformer as a pipeline: as if each layer transforms the output of the layer before it."
"Start thinking as a residual stream"
Each transformer block has a residual connection that adds the input of the block back to it's output.
x' = f(x) + x
This "addition" connection means the attention/MLP block inside a layer (the function f above) does NOT actually transform the input - instead it computes the information that must be ADDED to the input before passing on to the next block!
Think of the whole transformer backbone like a shared whiteboard. Each block reads what it needs from the board and writes its notes on the board. Additive changes.
In fact, layers can talk at a distance. A block in layer 1 can write information and a block in layer 5 can read it, even though there is no direct wire between them.
Ideas thanks to this old Anthropic circuits paper: transformer-circuits.pub/202…
Onoe🔆Saiko retweeted
酒这里面有好多有意思的生态。
我们原来隔壁的酒庄，一年也就一个月时间最忙，就是收葡萄🍇的时候。需要在非常短的时间内把葡萄收进来，清洗干净，然后进那个巨大的罐子里。
那段时间他们差不多24小时连轴转。
然后剩下的11个月就是卖卖酒。
我曾经跟他们聊，说，我帮你们在网上宣传宣传，帮你们做做电商？
他们说他们也想，但是现实不允许。
因为它们的产能是有限的。
比如一年就能做个10万瓶。你电商渠道卖多了，本地客户就无法满足了。
如果要扩产到20万瓶，那就需要更大的罐子，在收葡萄的季节收更多的葡萄🍇。
干更多的活。
他们觉得现在的生活已经很开心了。
不想给自己更大的压力，就这样吧。
还有专门给酒瓶印刷标签，这边有家企业，专门给这边的酒厂印酒标。一年产值上千万美元。毛利极高。
美国这边有很多很不一样的生态。
这个倒也不是瞎说的。
我小叔前几年有很大一块业务就是红酒的生意。我原来库房就在华盛顿州的酒庄区（有几百家上下游企业）。
里面的名堂，我还是大概知道一点。
红酒的问题主要是国内市场这块是个垃圾市场。被做烂了。劣币驱逐良币。
1. 国内有大量的调制红酒。
主要产地是河北。
2. 国内存在大量灌装红酒。
3. 即便是原瓶进口的红酒也是国外最低等级的葡萄做的。
大量的假的，贴牌的红酒充斥着市场。
所以，如果你去饭店点红酒，低于300人民币的红酒，就别点了。
因为你在饭店喝到的300的红酒，出厂价绝对不会超过30。 30里面可能还包含了4块钱的包装盒子和瓶子。
所以要喝就喝几个有点品控和品牌的红酒。要么就稍微贵点的原瓶进口的红酒。
Onoe🔆Saiko retweeted
最近和一位在 Crypto 量化行业做了五六年的朋友聊天，聊了不少关于数据、回测、策略研究和交易执行的经验。回来之后，我又把市面上常用的工具和开源项目查了一遍，整理了几点心得，在这里做个笔记。。
1】做币圈量化，工具门槛其实没有想象中高
很多人一听量化交易，第一反应就是要买服务器、购买专业数据、搭建自己的交易系统。实际上，如果只是做分钟级、小时级的策略研究，很多基础资源完全可以免费获得。
比如 Binance Vision 提供历史 K 线和成交数据，CCXT 能统一调用不同交易所的行情及交易接口。研究资金费率、持仓量、爆仓数据，可以用 CoinGlass；研究链上资金流向，可以用 Dune、DefiLlama、CryptoQuant。
但如果要研究订单簿、逐笔成交和高频做市，就需要更精细的数据。Tardis.dev 提供历史订单簿、逐笔成交和资金费率等数据，适合研究市场微观结构。
所以刚开始没必要一次性购买昂贵的数据套餐。先明确自己研究什么策略，再决定需要哪些数据。真正的高频交易另当别论，延迟、历史深度数据和交易基础设施的成本会明显增加。
2】不要从零造轮子，可以先熟悉五个开源项目
GitHub 上已经有不少成熟的量化基础设施，我比较推荐从下面五个项目入手：
CCXT：统一接入多家加密交易所，获取行情、订单簿、账户数据和执行交易。适合搭建数据采集与交易接口。
github.com/ccxt/ccxta
Freqtrade：开源加密交易机器人，支持历史回测、参数优化、模拟交易和自动执行。适合新手跑通第一套策略。
github.com/freqtrade/freqtra…
vectorbt：Python 向量化回测框架，适合快速测试大量因子、指标与策略参数，提升研究效率。
github.com/polakowo/vectorbt
Hummingbot：开源做市与自动交易框架，支持中心化和去中心化交易平台，适合研究做市、跨市场对冲和套利。
github.com/hummingbot/hummin…
NautilusTrader：基于 Rust 和 Python 的事件驱动交易系统，支持高精度回测及实盘基础设施，更适合进一步研究订单簿和高频策略。
github.com/nautechsystems/na…
这五个工具基本覆盖了从数据接入、策略研究、回测验证到自动执行的主要环节。它们解决的问题各不相同，不必全部安装，按实际需求选择即可。
3】如果不想写代码，也有现成易上手的商业工具
除了开源框架，现在很多产品已经把研究、数据和交易功能做成了可直接使用的界面。
AlphaFox（灵狐量化）：支持策略排行榜、历史回测、模拟盘和自动化交易。适合没有编程基础、希望先了解策略收益与回撤的用户。
alphafox.app/zh/login?ref=QU…
Minara：AI 金融研究与交易助手，可以通过自然语言分析行情、生成策略想法、配置交易工作流。适合希望用 AI 辅助研究的用户。
minara.ai/r/0931TQ
Mojo Trade：正在开发的 AI 原生交易操作系统，目标是把行情分析、交易计划与自动化执行整合起来。目前属于邀请制测试产品，正式使用前需要确认开放情况。
mojo.trade/download/?code=BV…
另外还有几个值得收藏的工具：
Quantinger（quantinger.com/）：侧重策略验证，包括滚动样本外测试、蒙特卡洛模拟、参数稳定性与过拟合检查。
CoinGlass（coinglass.com/）：适合研究资金费率、未平仓合约、清算和衍生品市场情绪。
P2P Army（p2p.army/）：聚合 P2P 报价、资金费率及跨交易所价差，对于研究套利机会比较有参考价值。
HyperSonnar（hypersonnar.fr/）：追踪 Hyperliquid 上的交易员与钱包表现，适合研究交易行为及聪明钱信号。
4】让 AI 帮你做研究，但不要迷信 AI 生成的策略
我觉得现在最容易踩的坑，是让 AI 一口气生成几十个策略，然后直接选收益最高的那个。
这其实很容易造成过拟合。尤其是加密市场，交易所之间的资金费率、手续费、流动性和交易规则都不同。同一个策略在历史数据上赚钱，不代表实盘一定能成交，更不代表可以复制当时的收益。
我更倾向于让 AI 帮忙清洗数据、阅读论文、生成研究代码和编写测试。策略真正上线之前，必须检查未来数据泄漏、手续费、滑点、资金费率、订单成交假设和样本外表现。
5】先跑通最小闭环，再考虑复杂系统
对于刚开始做 Crypto 量化的人，我比较认可这样一条路线：
交易所数据 → 数据清洗 → 策略研究 → 历史回测 → 样本外验证 → 模拟交易 → 小资金实盘。
整个过程可以先从 BTC、ETH 等流动性较好的品种开始，使用简单的趋势、均值回归或资金费率策略进行实验。
我的感受是，量化研究最贵的东西往往不是工具，而是错误的研究方法。工具可以买，也可以租，代码甚至能让 AI 帮你写。但研究纪律、风险控制和策略是否真的有优势，还是得靠可复现的数据与实验来证明。
Onoe🔆Saiko retweeted
🎉全体起立！Muse - Token永动机诞生！你这辈子估计都用不完
🔥步骤极简（实在不会，这篇帖子发给muse）
1. 打开muse , 发送 👉🏻 "帮我安装这个 github.com/limin112/min-skil… 同时我的key是OPENROUTER_API_KEY= 你的Openrouter Key "
2. 继续发送：安装 pi agent
3. 让 muse 配置 pi agent 使用免费模型
over！
牛逼的人生不需要解释，灵感来源👉🏻 @MinLiBuilds
Onoe🔆Saiko retweeted
数学界今天彻底破防了，人类最后的智力象牙塔正在坍塌。
陶哲轩刚刚在博客转发了一份炸裂声明：OpenAI 昨天突然毫无预警地向全世界甩出了 700 多份数学论文，声称直接攻克了一大批人类历史上悬而未决的顶级数学难题。
然而，由顶尖学者组成的“人类数学协会”（AHM）不仅没鼓掌，反而集体发起了抵制呼吁。
AHM 声明里的原话极具攻击性：
“一次性倾倒 700 篇论文不是学术贡献，这是赤裸裸的权力展示（Demonstration of power）。”
数学家们愤怒的点在于：
1. 学术拒绝服务攻击（DoS）： 这相当于企业为了 IPO 造势，把 700 个核弹扔给学界，却让全世界没有薪水的数学家充当免费人肉审稿机。
2. “无法理解的答案”算真理吗？ 如果一个世纪难题被黑盒算力+形式化代码暴力破开了，但整个人类社会没有一个人能真正理解其中的直觉与机制——数学到底算不算被推进了？
评论区一句高赞直接把我看愣了： “当年 AlphaGo 碾碎围棋三百年定式的时候，数学家高高在上看热闹；今天轮到自己的象牙塔被推倒了，大家才突然想起来要保卫‘人类的理解’。”
归根结底是数学家的利益受到了侵害。
不过话说回来，当柯尔莫哥洛夫、庞加莱苦思冥想一辈子的直觉，最终被 GPU 阵列的蛮力推导在几个小时内冲刷殆尽；当证明变得像自动化工厂流水线一样廉价，人类对真理的求索究竟还剩什么意义？
你站哪边？
A. 赞成 AHM：没有人类理解的证明只是算力垃圾
B. 站 OpenAI：真理不问出处，人类守门人该清醒了
Onoe🔆Saiko retweeted
说起来，我从 NTU 人工智能专业辍学，在一窍不通的情况下，最后选择 all in agent infra，还挺神奇的。
当初面试了好几轮，摸爬滚打进了 NTU 最好的实验室。我以为有机会接触到大模型研究。进去之后发现，实验室里的卡根本没办法支持进行模型训练，连小模型后训练都做不了，只能做些微调项目，我就知道大模型训练的工作注定和我无缘。
于是，我开始转向agent。但做了一段时间，又发现一个问题：在 vibe coding 的催化下，agent app 的开发门槛越来越低，同质化和内卷却越来越严重。往下一层做agent harness，受模型影响又比较大。很多刚做出来的harness会随着模型升级而淘汰。
我也曾一度非常焦虑，觉得agent工程师就是个伪需求。我不看好做Harness方向，因为意识到Harness的最终形态就是极简模式，什么都不需要做，等模型慢慢变好。我也不看好app方向，感觉主要任务就是让agent做逆向工程加缝合加微创新的组合。似乎都没有什么门槛和护城河。
于是我就在思考做什么，能够不被模型能力提升的浪潮冲走。那一定是让agent跑在上面的东西啊，大伙说对不对！！！
我突然就顿悟了，模型能力越强，harness越鸡肋。
可是模型能力越强，能让agent跑的平台/环境却显得越重要‼️。
坦白说我蛮二极管的，我为什么敢all in agent infra这个赛道:
1. 因为3-5月份那会儿，我周围的人不知道这是什么，除了sandbox，从来没有听说过agent infra，agent runtime substrate这个理念。我觉得这个赛道简直就是蓝海赛道🤣。
2. 这可能是我与众不同的一个想法，那会儿沙盒大家讨论的都是如何安全、如何隔离。但我看到的是如何利用这个特性做一些在host上操作会被认为是危险的操作，然后给它改造成一个multiagent的执行环境。我对这个奇葩想法感到兴奋🥰。
Onoe🔆Saiko retweeted
这可能是入门LLM最简单的教程
翻看@karpathy 的“Zero to Hero”系列视频
才发现竟然有这个项目：makemore
你不需要一上来就啃《Attention is all you need》
那篇全是公式的论文
这里面没有任何 QKV，没有注意力，没有神经网络
就是一个纯统计的字符接龙
这个最开始的版本其实很简单，就是一个查表操作
比如你看了一堆名字
统计出 a 后面接 b 的概率是 30%
接 c 的概率是 20%这种表
生成新名字的时候，就照着这个表去抽奖
抽到哪个字母就接哪个
后面几步才慢慢加东西：
1. 把查表换成一个小神经网络
2. 让它自己学那些规律，而不是手动数
3. 再教它怎么训练得更稳、怎么防止过拟合
4. 然后让你手写反向传播，搞懂梯度到底怎么传的
5. 最后才引出类似 WaveNet 那种层次结构，为理解 Transformer 做铺垫
所以，如果你一直想搞懂 LLM 到底是怎么回事
但又不想一上来就被 Transformer 劝退
makemore 就是那个最好的起点
也可以为后续学习Transformer打下基础
github.com/karpathy/makemore
Onoe🔆Saiko retweeted
许多人低估了hooks的安全问题，在Base上的一个项目，由于hook的逻辑问题，被攻击者用400u的成本套利走了11万美金。
GoldPesa 的 hook 设计是协议自有流动性，自己管着池子全部资金，每过 1 小时，任何人的一笔 swap 都能触发它"再平衡"，也就是撤掉旧仓位、再mint一个新仓位。
问题在于， 它撤仓和铸仓用的是 Uniswap 的 PositionManager，而这是一个所有人共用的合约。
v4 的记账可以这么理解：一次交易里，每个地址先挂账，交易结束时再统一结清。PositionManager 是所有人共用的，在 v4 眼里它只有一个账本。谁先在上面挂了欠款，后面进来的钱就会先拿去还这笔债。
攻击者的做法分 4 步：
1. 先用闪电贷借 17.5 万 USDC。
2. 通过 PositionManager 开一个仓位，故意不付钱，在共用账本上挂了 11.5 万 USDC 的欠款。
3. 不停的买GPX，不断逼近再平衡的那条线，触发 hook 再平衡。hook 撤仓收回 14.9 万 USDC，其中 11.5 万先被拿去还了攻击者的欠款，hook 只收到 3.4 万。
4. 攻击者撤掉自己的仓位，提走 11.5 万 USDC，还掉闪电贷，然后跨链离场。
How A Uniswap v4 beforeSwap hook just cost Goldpesatoken about $115K USDC.
GPXHooks rebalances protocol-owned GPX/USDC liquidity inside beforeSwap. Once an hour has passed, any swap can trigger it.
The attacker minted a position through the shared PositionManager and never settled it, so the USDC delta was not zero when the hook ran.
reBalance burned the hook’s real position and TAKE_PAIR’d the credit but that credit was netted against the open debt.
The hook kept about $34K. The attacker cleared the debt and took about $115K USDC from the PoolManager.
Onoe🔆Saiko retweeted
硅谷的 VC 最近多了一种焦虑：创始人用了致幻剂之后，万一真的想通了，不想创业了怎么办？
David Senra 最新一期采访了好莱坞大亨 Ari Emanuel，就是那个一手打造 Endeavor、花 42 亿美元收购 UFC 的狠人。
这期播客里有两段特别有意思，一段关于马斯克与 AI，另一段关于致幻剂正在硅谷创业圈流行。
先说致幻剂。
Senra 今年 3 月采访 a16z 创始人 Marc Andreessen 时提到，他已经采访了十几位顶级创始人，几乎每期都会聊到 Psychedelics（致幻剂），甚至不断有人劝他也试试。
Marc 对此深恶痛绝。他说自己知道不少案例，一些创业者因为压力太大，尝试致幻剂后突然获得了内心的平静，随后辞掉工作、放弃公司，跑去印尼当冲浪教练。
他还专门跟神经科学家 Andrew Huberman 抱怨过这件事。
Huberman 反问他：「你怎么知道他们没有变得更幸福？」
Marc 的回答很绝：「可他们的公司垮了啊。」
这次采访 Ari Emanuel，Senra 又把这件事拿出来讨论，结果 Ari 直接骂了回去，认为 Marc 完全是在胡扯。
Ari 自己就是致幻剂的使用者。
2022 年，他和当时的伴侣去了新墨西哥州，尝试一种叫 5-MeO-DMT 的强效致幻剂。他回忆，自己经历了大约十分钟的意识断联和随后半小时的致幻体验，突然觉得人类在整个世界面前渺小得可笑。
他开始觉得，自己过去几十年拼命追求的所谓 Legacy（身后留下的伟大遗产），其实没那么重要。
但他并没有因此失去野心。现在依然每天早上五点起床、健身、工作，继续收购资产、建立新公司。
他的意思很简单，放下对名声和财富排名的执念，不妨碍自己继续享受做生意。
还有一个细节。Ari 从小患有阅读障碍，长期觉得自己没有兄弟聪明，几十年来一直被某种不安全感驱动。他后来逐渐意识到，自己过去引以为傲的愤怒与好胜心，也让婚姻、家庭和生活付出了相当大的代价。
所以我觉得 Marc 和 Ari 的分歧很值得玩味。
Marc 担心致幻剂会让创业者失去驱动力，Ari 则认为，一个人可以不再依赖焦虑和自我怀疑，也依然拥有野心。
某种程度上，在 Marc 的世界里，创始人的痛苦似乎也是商业系统的生产资料。你把痛苦解决了，投资人反而不高兴了。
另外一段关于马斯克的内容，也很精彩。
Ari 说，自己当年看到马斯克开始造车的新闻，就主动打电话联系他，两人由此成为朋友。
他回忆，马斯克早在 2007 年就开始跟他讨论 AI 的未来。后来，当他们聊到娱乐产业时，马斯克告诉他，AI 很难取代的一样东西是 Live Entertainment。
这句话对 Ari 的商业决策影响很大。
他现在除了经营 UFC、WWE 所在的 TKO，还建立了 MARI，持续布局网球公开赛、Frieze 艺术博览会、汽车拍卖、宝可梦收藏品活动等现场体验资产。
一个很有意思的判断是，AI 让数字内容的生产和复制越来越便宜，但一场真实发生的比赛、一场万人参与的演唱会、一次不可复刻的现场体验，其稀缺性可能反而在上升。
我觉得这两段放在一起，挺能反映当下美国科技精英的精神状态。
一方面，他们正在积极寻找 AI 时代新的稀缺资产；另一方面，一部分创业者已经开始重新审视那种永远不满足、永远要赢、永远不能停下来的生活。
My conversation with @AriEmanuel.
0:00 The UFC negotiation that blew up
3:33 Meeting Egon Durban and buying IMG
7:30 Betting $4.2 billion on the UFC
15:16 Getting the ESPN deal done
22:58 Taking over William Morris
30:02 Starting Endeavor with a table and a phone
32:53 Why you won’t remember the extra $400 million
35:01 Stop telling yourself stories
39:21 David Geffen: Get in traffic and get hit
45:19 Why Ari rolls the calls
49:35 Building your own school of entrepreneurship
51:56 Learning from Elon Musk and betting on live events
53:58 Learning from Hollywood’s greatest agents
1:00:23 Outgrowing rage without losing ambition
1:10:10 Psychedelics, purpose, and letting go of legacy
1:18:18 How Entourage changed Ari’s life
1:22:32 Ari never had a plan B
Includes paid partnerships.
Onoe🔆Saiko retweeted
最近发现一个 GitHub 上挺有意思的仓库，名字就叫 「财富自由」，已经 3500+ Star。
作者把投资学习资料按阶段整理好了，适合想系统补课的人。
① 入门到进阶书单 16 本
② 财经纪录片 16 部
③ 精选美股 YouTube 频道 23 个
④ 还有美股社区、Web3 和区块链工具站
内容不算杂，重点是帮你把零散的投资知识串起来。
如果最近想补补金融知识、提升投资认知，可以收藏慢慢看。
🔗 github.com/codeman008/Financ…
Onoe🔆Saiko retweeted
在币圈，我们经常需要用 𝕏 的信息来投研
但是 Codex/Claude Code 一般没办法直接访问 𝕏 上面的信息，有几个解决方案，第一就是可以花钱买 𝕏 的 API，或者通过任何第三方 API，但是 𝕏 的 API 不便宜，配置起来也比较麻烦。
第二是直接用 Grok，但是 Grok 肯定没有 Codex/Claude Code 来得智能和全面，大家目前的主力 Agent 基本都还是 Codex/Claude Code。
我自己的一个方法是：让 Codex/Claude Code 自己去用 Grok
通过 “Grok Build” 可以实现这个效果，Grok Build 就是 Grok 的 CLI 版本，它可以访问 𝕏 的信息。我们只需要让 Codex/Claude Code 在需要查询 𝕏 的信息的时候，自己主动去调用 Grok Build 来问出答案，就可以实现类似 API 的效果。
这个过程对于我来说不需要额外付费。
因为我本来就有订阅 𝕏 的 Premium+ 会员，所以我是可以免费使用 Grok Build 这个功能的，这点很多人都不知道，白白浪费了 𝕏 送给你的 Grok Build 免费额度。
我们只需要让 AI 大概写个 Skill 就可以实现这个流程，如果你懒惰写的话，也可以直接用我写的「groking」：github.com/wolfyxbt/groking
Onoe🔆Saiko retweeted
i'm sorry, Jev can WHAT?
it can take your website link, find people who need your product, email them and book the calls?
since when?? i've been doing this by hand for a YEAR.
ok. testing it: $30 free 👇
explee.com/auto-gtm/x/tw-ag3…
