oy1a8xfc retweeted
现在 AI 圈有个挺有意思的现象。
很多人天天研究 Agent、RAG、MCP、LangGraph、Harness,最新模型一更新就赶紧试,新的框架一出来就想着接进自己的系统。
但真让他解释一下,企业的数据到底怎么从业务系统进入数据库,经过哪些清洗和转换,最后又怎么被 RAG 或 Agent 使用,可能根本讲不清楚。
这份 2026 Data Engineering Roadmap,我觉得所有准备做 AI 工程、FDE、企业 AI 落地的人,都值得认真看一下。
它从 Python、SQL、Linux、Git,一直延伸到数据建模、ETL/ELT、Airflow、Spark、Kafka、Data Lake、Lakehouse、Snowflake、Databricks、数据治理和 MLOps。
看起来是一长串技术名词,但背后其实只有一个核心问题。
企业的数据到底怎样才能被持续、可靠地加工和使用?
比如你做一个企业 RAG。
把 PDF 切块,生成 Embedding,扔进向量数据库,再接个 LLM,确实很快就能把 Demo 跑通。
但真到了企业环境,问题就完全不一样了。
同一份文档更新了三个版本,怎么保证检索到的是最新版?
业务数据库每天新增数据,知识库什么时候同步?
数据源突然改变字段结构,整个 Pipeline 会不会直接失败?
同步任务执行到一半中断,重新运行会不会产生重复数据?
不同部门有不同权限,检索系统怎么保证不会把敏感资料交给不该看到的人?
这些问题,本质上已经不是简单的模型调用问题,而是数据工程问题。
你会发现,RAG 真正的难点不只是 Embedding、Chunking 和 Vector Search。
而是整个数据链路能不能保证质量、一致性、可追溯性,以及持续更新。
原帖里有几个概念,我觉得特别值得认真研究。
ETL/ELT 解决数据怎样提取、转换和加载。
Airflow 解决复杂数据任务怎样被调度和管理。
Spark 解决大规模数据计算。
Kafka 解决持续产生的事件怎样被可靠地传递和消费。
dbt 则帮助开发者组织和测试数据库中的数据转换逻辑。
它们不是同一类工具,更不是做一个项目就必须全部安装。
这也是我觉得很多人学习技术特别容易犯的错误。
明明一个 Python 脚本加 PostgreSQL 就能解决的问题,非要先搭一套 Kafka、Spark、Kubernetes。
最后业务数据没多少,架构复杂度倒是先上来了。
真正值得学习的,不是把技术栈越堆越复杂,而是你能不能理解每个组件解决什么问题,以及什么时候才有必要引入它。
但反过来,也不能因为现在 AI 能帮我们写代码,就觉得数据建模、数据库、任务调度这些基础工程知识可以全部跳过。
模型可以帮你生成 SQL,也可以帮你编写 ETL 脚本。
但如果你自己都不知道业务字段应该怎么定义,哪些数据可以信任,什么条件下应该执行增量更新,那再多代码也不一定能保证系统正确。
尤其是 Agent 开始真正接入企业业务之后,这个问题会越来越明显。
一个 Agent 可以自主规划任务、调用几十个 MCP、访问多个业务系统。
但如果底层的数据质量很差、数据口径不一致、权限混乱,它越能自动执行,反而越可能把错误放大。
所以我觉得,未来真正有竞争力的 AI 工程师,不能只懂模型和 Agent 那一层。
还得理解模型下面的数据是怎么流动的。
数据从哪里来,怎么加工,怎么建模,怎么更新,出了问题怎么恢复,最后怎样被业务系统可靠地使用。
当然,不是每个 FDE 都需要成为专业的大数据平台工程师,也不是非要学完 Spark、Kafka、Snowflake 才能做企业 AI 项目。
但至少应该具备把业务数据安全、准确、持续地接入 AI 系统的能力。
AI 工程最值得长期积累的,不是某一个框架的使用熟练度,而是能够把数据、模型、工具和真实业务真正连接起来。
否则模型越来越聪明,Agent 越来越自主,底层数据却一团乱,最终也只是在让一套不可靠的系统更高效地运行。
真正理解 Data Engineering,不是背下来几十个工具名称。
而是能把一堆原本分散、混乱、不断变化的数据,变成可以被系统可靠使用的业务资源。
这才是数据工程在 AI 时代真正值得研究的地方。
Data Engineering Roadmap (2026)
Python → SQL → Linux → Git & GitHub → Data Structures → Relational Databases → NoSQL Databases → Data Modeling → Data Warehousing → ETL/ELT → Apache Airflow → Apache Spark → Kafka → Data Pipelines → Data Lakes → Lakehouse Architecture → Snowflake → Databricks → dbt → Cloud Platforms → Docker → Kubernetes → Data Quality → Data Governance → Data Security → CI/CD → MLOps → AI Data Engineering → Build Production-Ready Data Pipelines
oy1a8xfc retweeted
我把 DeepSeek Harness 插件装到 30 多个,然后开始疯狂删。
最后只留下 10 个:不是因为它们最热门,而是因为真的能干活。
如果你正在折腾 DSH,这份清单比继续收藏插件更有用。
oy1a8xfc retweeted
卧槽牛逼,这绝逼是最近看到的DeepSeek Harness 的最佳实践!
有人竟然已经用开源底座把 DeepSeek、Grok、Claude、Gemini 和 Codex 编成了一支全自动写作团队了,丢进一句话,带配图的万字长文直接自动交接出炉,
用低成本高逻辑的 DeepSeek 当调度总监,配合四家各有所长的命令行工具本地打通,整套内容生产被彻底重构成一条自动化流水线,
彻底实现一个人干出一家深度内容工作室的产能,秘诀就在于彻底砍掉跨窗口复制粘贴的脏活,
通过 Agent Teams 插件和 ACP 协议把五大模型在本地串成自动流转的任务看板,从扒热点、搭大纲、写长文到代码画图全自动跑完。
oy1a8xfc retweeted
大肥鱼(DeepSeek Harness)这生态是真的牛逼上天了!!!
挖到 5 个 DSH 神级插件,越来越感觉:一个人配上一套 DSH,真的能把过去一个小团队才能完成的工作压缩到自己手里
我直接说,重头戏是第5个:
1、DSH OpenPencil:直接把 AI 变成设计师
底层 OpenPencil 项目已经有 7,198 GitHub Stars
github.com/ZSeven-W/dsh-o
现在通过 DSH 插件,可以直接在对话里设计、预览、编辑矢量设计稿,支持 .op 格式
不用在 AI 和设计软件之间反复切换,让 Agent 直接参与设计工作
2、DSH Game Studio:一句话开发小游戏
这玩意简直离谱
你只需要描述一句话,Agent 就能帮你生成小游戏,支持 2D、3D、AI 美术、自动试玩、版本回滚,还能导出独立 HTML 和发布到 GitHub Pages
github.com/ZSeven-W/dsh-g
官方测试数据更夸张:
10 个不同的基础玩法需求,10/10 首次生成即可游玩,平均只需要约 14 分钟
其他 10 种游戏类型也全部成功生成可玩版本,中位数约 26 分钟
一个人就能做游戏原型了
3、DSH Noema:给 AI 装上长期记忆
Agent 最头疼的问题之一,就是每次开新会话都要重新交代项目背景
Noema 直接给 Agent 加上跨会话长期记忆,支持记忆检索、搜索、管理,还能从其他 10 种 AI 编程工具导入记忆
不用每次重新解释项目架构、业务规则和开发习惯
github.com/ZSeven-W/dsh-n
4、DSH Crew:让多个 AI Agent 组团干活
支持从 Codex、Claude Code、Antigravity、Grok 等工具向 DSH Agent 派发任务
github.com/ZSeven-W/dsh-c
不仅能分配工作,还能查看执行进度,设置不同任务等级和调度规则
相当于给自己配了一支 AI 开发团队
你负责决策,Agent 负责执行
5、DSH SuperAgent:让 AI 主动找活干
这个更是重量级
DeepSeek AI 的 GitHub 组织开源的研究原型,GitHub 已经达到 22,254 Stars、2,688 Forks
它可以监听 GitHub 和飞书,在授权规则下自主创建任务、执行开发、提交 PR,还提供 Web 管理面板
以前是人给 AI 派任务,现在可以让 Agent 根据事件主动推进任务
这才是真正的主动式编程智能体
github.com/DeepSeek-ai/dsh-s…
为什么我说 DSH 的性价比牛逼?
过去想实现这些功能,你可能需要分别购买设计软件、游戏开发工具、自动化测试工具,还要自己搭建 Agent 协作和记忆系统
现在通过开源插件,就能把这些能力整合进一个工作流
设计、开发、测试、记忆、协作,五个方向全部覆盖
而且很多插件采用 MIT 开源协议,插件本身不收订阅费,主要成本变成模型调用和必要的外部服务费用,这才是我看好 DSH 生态的原因
一个人 + DSH + 一群 Agent,距离真正的一人 AI 公司又近了一步
大肥鱼这次是真的把 AI 工具箱玩出花了!!
Claude 付费用户注意!!Fable 5.2 免费额度来了,直接送重置卡
Fable 5.2 能力确实强,但有一个问题:烧额度像喝油一样!
尤其是用 Claude Code 跑大型项目,复杂推理、反复读取代码、长上下文,一不小心额度就见底了
先分享几个我自己认为最实用的 Token 节省方法,建议收藏
1、Prompt Caching 提示词缓存
如果经常重复发送相同的项目背景、系统提示词和代码上下文,可以利用提示词缓存
Anthropic 官方 API 文档显示,标准缓存命中时,输入 Token 价格只有原价的 10%,相当于缓存部分输入成本降低 90%
注意,这是 API 缓存命中的成本降幅,不代表 Claude Pro 订阅额度直接节省 90%
2、用 CLAUDE.md 管理项目记忆
不要每次都让 AI 重新理解整个项目,把项目架构、技术选型、业务规则、代码规范和历史问题沉淀到 CLAUDE.md,让 Claude Code 按需读取当前任务涉及的文件,减少重复上下文
3、减少无效推理
修改一个按钮、调整一个样式、修复一个小 Bug,没必要每次都进行全面架构分析,明确修改范围、预期结果和验收标准,避免无意义的思考和工具调用
4、控制输出长度
不要每次都要求 AI 输出完整分析和详细过程,可以直接要求只输出修改结果、关键原因和必要的测试结果,减少冗余输出 Token
5、大项目拆分任务
不要一次性让 AI 完成整个项目,按照功能模块拆分任务,每次只处理一个明确目标,独立任务可以使用 Subagents 并行处理,但要控制 Agent 数量,避免重复读取文件和重复消耗上下文
记住,省 Token 不是让 AI 少干活,而是减少重复读取、无效推理和冗余输出
更重要的是,Anthropic 这次直接给符合条件的 Claude 付费用户送了 Fable 5.2 免费额度和重置机会!
11 月 9 日,Anthropic 正式上线 Fable 5.2,同时推出老付费用户专属福利,相当于额外送了一张免费额度充值卡
怎么免费重置?
进入 Claude 的 Settings → Usage → Limit resets → Reset for free,点击后确认即可恢复额度
注意,必须是在 2026 年 11 月 9 日太平洋时间上午 10 点之前已经开通付费账单的账号,免费版不参与
不同套餐能领多少?
Pro / Team 标准席位可以在一周内使用全部 Fable 模型,最多占用每周额度的 50%,额外赠送 1 次免费重置,11 月 16 日太平洋时间到期
Max / Ultra / Team 高级席位则根据订阅时长赠送重置次数,订阅不足 6 个月有 1 次,6–12 个月有 2 次,超过 12 个月有 3 次,有效期至 2027 年 3 月 8 日
这里有一个特别容易搞错的规则
Fable 重置并不是把所有额度全部清零,周额度只返还之前消耗在 Fable 模型上的部分,其他 Claude 模型消耗的额度不会返还,而 5 小时额度会全部补满,包括其他模型消耗的部分
模型越来越强,额度也越来越经不起浪费,真正会用 AI 的人,不仅要会挑模型,更要懂得控制上下文、缓存和 Token 消耗
官方完整规则:
support.claude.com/en/articl…
赶紧看看自己的 Claude 账号有没有这波福利!
我要坦白,我要交代!!!
Deepseek Harness 是近1个月我使用最长时间的 agent 工具!
越来越喜欢 DSH 的创造者模式了,想加什么功能,直接聊着做,太方便、太丝滑!!!
这次花了 2 天多,消耗 11 亿 token,做了个能直接装进 DSH 的 Super Kanban 任务看板。
感兴趣兄弟可以试试玩玩 → DSH “插件” → 添加插件 → 输入 “dsh-super-kanban” 即可安装
✦ 自动研判:只读扫描本机 DSH 会话,判断目标 / 进度 / 完成 / 问题;关掉 AI 用本地规则,离线也能跑
✦ 可追溯:每张卡带来源工作区、会话、关键事实,点一下回到原对话
✦ 继续任务:生成结构化提示词,确认后放回会话输入框,不自动发送,默认 0 token
✦ 双形态:全页看板 + 右侧栏,边聊边看
✦ 数据只在本地;联网只发 1.5KB 以内的摘要,AI 可开关
oy1a8xfc retweeted
真是离谱得没边了,这个东西是真厉害。
GitHub 趋势榜第一、星标冲到 3.8 万的语音合成 AI「VoxCPM2」,在海外已经彻底引发轰动,它生成的声音你根本分辨不出真假。
1️⃣ 你只需要输入一行文字“沉稳的 30 代女声”,它立刻就能为你合成出来
2️⃣ 放入一小段录音,连说话的口癖、语速都能给你一比一复刻
3️⃣ 48kHz 录音棚级音质,还采用 Apache 2.0 协议,商用随便用
🔗github.com/OpenBMB/VoxCPM
oy1a8xfc retweeted
来了个大的
Hugging Face 上最近杀出一个核弹级无审查模型,直接被挤爆了
DeepSeek-V4-Pro + Qwen3.5 9B 的混血完全体,体积只有 5.6GB,上线就被狂下 1.8 万次。
它的测试结果极其残暴:
· 拒答率暴跌:实测 100 个刁钻测试提示词,原版直接 100% 拒答,它硬生生只拒了 3 个
· 顶配推理蒸馏:用 DeepSeek-V4-Pro 约 25 万条高质量数据蒸馏,逻辑与数学推理能力完全拉满
· 零损耗去审查:底层用 Heretic 的 ARA 算法消融限制,彻底卸掉道德锁,智商分毫不损
· 普通电脑本地直跑:Q4_K_M 的 GGUF 格式仅 5.6GB,显存要求极低,核显本和轻薄本也能秒开
完全开源免费,Apache 2.0 协议,想在本地跑一个完全听话、推理极强的大模型的兄弟建议直接马住!
模型体验:huggingface.co/xtools-at/Dee…
你平时在本地跑大模型,遇到拒答最严重的是写代码还是角色扮演? #AI #大模型 #开源
Readers added context they thought people might want to know
The author claims this model caused Hugging Face to crash from overload, but to date this model only has 772 downloads. This is an oddly sensationalist claim, and given the risk of running models locally as weights can contain dangerous/deceptive behavior, beware running this. huggingface.co/xtools-at/Deep…
oy1a8xfc retweeted
This is f*cking insane
Nvidia CEO Jensen Huang just did the AI bubble math live:
"They don't have to be anywhere near a trillion dollars in revenues to be successful"
In 5 minutes, he walks through exactly why the "OpenAI can't pay for it" fear misses most of the build-out
0:00 The bubble question everyone is asking
0:40 Break it down to first principles
1:22 $3-4 trillion a year in infrastructure by the end of the decade
1:59 Moore's law is over, twice the compute now costs twice the money
3:17 $5 billion per gigawatt then, $50 billion now
4:43 Why two labs don't carry the whole trade
When AI stocks drop, most people blame the labs' revenue
The split they land on:
general compute replacement → neoclouds, sovereigns and startups → frontier labs → a few trillion of infrastructure
Old way: one lab misses a number, sell everything
New way: ask which part of the build-out actually depends on it
Better than any $2,000 finance course I've seen
oy1a8xfc retweeted
Replying to @a16z
@a16z State of Longevity report is out!
@evajsteinman and I surveyed 500 Americans to predict what's next.
We're also interviewing people at the cutting edge of health & tech about what they do themselves. My interview with @hubermanlab is out today.
oy1a8xfc retweeted
🎉🎉AI 剪辑最后一公里已经跑通了!!
Opus 5.5 剪视频很厉害,但是!
些细节需要手动微调,重新渲染要等很久。
那你不如把它推到剪映草稿里面,然后手动调节图层,
这个视频1就是这么做出来的.
里面有很多炫技、字幕、转场、画中画等效果,
全部是Claude code写的代码,推到剪映,导出后的样子
它不是借用剪映发布的任何接口,
而是用 【最新版 v11.7 剪映的加密方式,把这个草稿推送到剪映里面。
之后,你就可以在剪映 APP 的首页看到这个草稿(图2/3),并进入图层里面去调整。
已开源:github.com/YeJe-cpu/easy-jia…
oy1a8xfc retweeted
小红书全套运营 Skill🫨🫨🫨🫨🫨🫨🫨🫨🫨🫨🫨🫨
1 | 选题策略
Skill 名称:content-strategist
功能:把平台规则翻成可执行清单,帮助你理顺选题方向与内容优先级。
适合人群:不会规划内容、想做账号定位的人。
核心亮点:关键词前置、标题长度控制、A/B 备选思路。
GitHub:github.com/demo112/yunqu-ai-…
2 | 数据诊断
Skill 名称:dbskill
功能:给选题和标题做体检,分析哪里不吸引人、哪里有 AI 味。
适合人群:标题没感觉、点击率不稳定的人。
核心亮点:诊断清单、爆款标题公式、直观定位问题。
GitHub:github.com/dontbesilent2025/…
3 | 文案生成
Skill 名称:xhs-writer-skill
功能:从卖点分析到正文、标题、标签,输出完整小红书笔记。
适合人群:想快速出稿、不想从零开写的人。
核心亮点:爆款拆解、卖点抽取、可直接发的成稿结构。
GitHub:github.com/JuneYaooo/xhs-wri…
4 | 热点联动
Skill 名称:writer + trending
功能:把写作能力与热点捕捉结合,让日更更容易蹭上热度。
适合人群:更新频率高、盯热搜词、需要日更灵感的人。
核心亮点:热点切入 + 爆款结构,少在工具间来回切。
GitHub:github.com/jackbauerxu/workb…
5 | 封面配图
Skill 名称:space-image-studio
功能:通过一句话生成小红书封面或配图,快速制作风格化图片。
适合人群:不擅长设计、想快速出图的人。
核心亮点:4 类类型 × 12 种风格,适合封面和配图实验。
GitHub:github.com/SpaceZephyr/space…
6 | 图文卡片
Skill 名称:guizang-social-card-skill
功能:把文章、截图、笔记整理成套图文卡片与封面。
适合人群:需要制作组图、教程图、知识卡片的人。
核心亮点:Editorial / Swiss 两套视觉系统,版式更成熟。
GitHub:github.com/op7418/guizang-so…
7 | 排版分发
Skill 名称:html-anything
功能:把 Markdown、表格、笔记转换成单文件 HTML,方便多平台发布。
适合人群:长文作者,以及需要在公众号、知乎、小红书同步分发的人。
核心亮点:无需 API Key、快速生成页面、排版友好。
GitHub:github.com/nexu-io/html-anyt…
8 | 全链路工作流
Skill 名称:xhs-ai-workflow
功能:从调研起草、配图到发布,串起完整小红书流程。
适合人群:想优化工作流程、实现内容生产系统化的人。
核心亮点:完整的 AI 协作流程,适合长期内容运营。
GitHub:github.com/554022647henry-bo…
oy1a8xfc retweeted
复刻小Lin说 1 分钟,现在谁都能做。
做满 10 分钟、还是那个味道,是另一回事🤥
Opus 5.5 之后,code to video 到了新的高度。
复刻一个片段 → 完整复刻 10 分钟 → 创作新的 10 分钟。
@HyperFrames_ editor 已经在第三步了:「一口气了解泰国经济」,9 分 34 秒,一集她没讲过的题目。
最近 reverse engineering 很火,刷屏的小Lin说复刻帖我都看了。大多数复刻的是一段 1–2 分钟的 motion graphics:形似,但简单、廉价。小Lin的动效细节是满的,动作、编排、前后的连续性,全都和口播文案咬在一起。这不是复刻一分钟的片子能做出来的。
素材可以照着复刻。但如果从 0 开始呢?如果要一集接一集地做呢?
- 素材去哪找
- 每句话配什么画面,怎么卡着文案进出
- 文案怎么写才是小Lin味,而不是别的博主,或者流水线式的讲解
- 数字人和声音怎么撑满 10 分钟:语序、语调、停顿都要对
- 音效怎么提取、归类,用在对的地方
- 背景音乐在哪起、在哪停
到这一步,agent 就一头雾水了。
@HyperFrames_ editor 把这些都解决了:
- 把她拆成一套模板:怎么写、怎么剪、怎么动
- 动效逐帧对齐,1:1 重建
- 音效和音乐跟着口播卡点
- HeyGen 数字人 + 专业级声音克隆
下面泰国这集就是这么来的:同一套模板,换个题目就是新的一集。
HyperFrames editor 做的不是复刻小Lin说,是一个能无限往下做的「一口气了解 XXX」系列。hyperframes.dev/studio
(视频中的主持人形象和声音均为 AI 生成,非小Lin本人,仅作技术演示)
oy1a8xfc retweeted
如果用一个月认真做小红书起号,你最应该做什么?
一份能继续用的选题库、自己的制作流程
以及知道下一篇改什么的复盘记录
我把这些排成了四周行动安排,和完整的入门教程放在一起
每周做什么、最后留下什么,都写了。可以照自己的时间调整
现在立刻行动起来吧⬇️
孙宇晨的这个采访反响强烈,但是这个视频最大的Alpha其实是主持人。你难道不好奇,是谁让孙哥瞬间变了一个人,收起薄肌黄毛的嬉皮笑脸,这么严肃认真地输出?
他叫金明 William Joy,圈内叫他仙道。很低调,连 X 账号都没有。但他绝对是一个T0级的人类,我觉得能放到一起对标的大概只有谷爱凌了。他的履历第一眼看离谱到像编的:
- 现役自由潜水国家队,世界冠军,两项世界纪录,59 项国家纪录,打破了欧美33年开赛以来对自由潜水所有世界纪录的垄断
- 本科进哈佛学数学计算机,学生时代创业,入驻Harvard Innovation Lab,拿哈佛真理基金投资
- 极链科技创始人,27 岁拿到包括阿里在内的 10 亿元投资
- 湖畔大学四期,最年轻的创一代学员
- 从 2010 年持有特斯拉至今,加拿大持有 Tesla 最早的自然人
- 投资人,掌舵908HOLDING家办,前几天Token2049 Coinbase 全球交易赛获得第三,亚洲第一,为中国队拿到唯一的奖牌
仙道今年7月在本末社群的香港活动上做过一个精彩的压轴演讲,我推荐X上的大家如果没有看过,一定不要错过。覆盖面涉及到投资、卡牌、健康抗衰biohacking、美学、人生哲学、运气、社会责任,信息密度极高。在这个一天薄肌黄毛复读机的时代,已经很少能看到这么有深度+inspiring的内容了。
孙哥对话的视频,我只是2倍速看了一遍而已,仙道的这个视频,我1.5倍速看了两遍,甚至还在不断回去看细节。不要看AI总结,这个视频值得你的时间,看完你会来谢我。
孙宇晨最新深度采访完整版:看空BTC,看空纳指,观望ETH,看好AI应用,不玩A股... 严肃分享了很多市场观点和交易仓位,值得一看
看空BTC。认为比特币面对AI和量子计算的威胁很难全身而退,市场低估了这类风险对 BTC 的潜在冲击。抗量子升级只能救"愿意自救的人",硬分叉冻结老币在比特币的去中心化下几乎不可能达成共识。但是他的BTC是底仓,在过去一年的下跌中并没有减仓。
ETH目前仅2成仓位观望。 在去年 3600–4000 减了八九成的ETH(去年 11–12 月,减持逻辑是 4800 那个"只靠 Tom Lee 续命"的二顶),截至目前仍然没有买回。ETH减仓期间,他增配了美股。
纳指中线"微微看空",看空但还没做空。认为资金抱团太严重,硬件股被炒成软件股,AI 循环融资一出事全出事。美债是所有资金的"母级",现在被权益"子级"吸血,利率必须高才接得到钱,高到一定程度钱又会倒流。芯片短期不排除过剩,像 2000 年的光纤。
AI板块最看好应用。尤其 AI 健康管理(数据采集→挖掘→决策,不用等生病才去医院)。最不看好存储、光模块。一个锚:单一企业市值上限≈美债的一半,所以英伟达顶多再翻 4 倍,而应用层能翻 4 倍以上的机会太多了。明年后年主题会分化。
人民币会走强,美债危机被过度担忧。只要美国还握着 AI(芯片、存储、模型)的终极控制权,美债就不缺买家,"孙悟空跳不出如来佛的手掌心"。
基本没有A股仓位,但会做一些研究。对于A股光模块行情,他的解释是,这一方向能够连接美国AI投资需求,同时中国企业已有一定制造与产业布局,因此容易形成资金集中。所有老登类资产(白酒等)都不看好,新登类资产积极拥抱。
Hyperliquid是本轮周期里重要的新发展。认为美股永续合约为整个行业打开了新的产品空间,DEX 能否挤掉 CEX 取决于美国监管给不给 Uniswap 式豁免。
RWA 空间非常大。波场11月也要大力推美股上链,逻辑同 USDT:给第三世界一个配置美元资产的入口。
推荐书单:安·兰德《源泉》、王小波《黄金时代》、孙学 @justinsuntron @sunyuchentron
















































