现状交易 @PresentTrading

@Tradingview algo交易策略 | 创作者 | 机器人VLA | AI 使用研究任何策略都必有系統要回测 https://t.co/vGtiKCpNUF en - @MathsTrading linktr.ee/present_trading Watch patiently, then trade. Joined November 2022

Tweets

2K
Followers

2K
Following

476
Likes

1K

现状交易 @PresentTrading

5 months ago

Block 裁掉 40% 員工，說是因為 AI，股價漲 17%。但沒人看 Block 在疫情期間從 3800 人膨脹到10000人，股價五年跌了 75%。公司自己也承認組織架構搭錯了。 AI 已經成為最好用的裁員敘事。問題是，當每個人都這樣說，真正在做 AI 轉型的公司反而沒人相信了。

1 0 0 189 0

View Details

现状交易 @PresentTrading

5 months ago

@Ken_SOUso 太多人沒思考

0 0 1 5 0

View Details

大多數人看到「multi-agent」就覺得需要搭架構。實際上你只是需要讓模型同時站在三個不同的位置思考。角色扮演 prompt 做到的事情，跟 agent swarm 的核心機制高度重疊：強迫模型從不同前提出發、製造內部張力、讓結論不是沿著同一條思路滑下去。架構派的做法是把這個過程外顯化，拆成獨立 agent、獨立 context、獨立 call。開銷大，可控性高，適合需要審計的生產環境。但 90% 的使用情境不需要審計，需要的是一個不只有一種聲音的回答。這裡有個被低估的工程事實：語言模型本來就是在海量角色的文字上訓練出來的。角色切換對它來說不是模擬，是激活不同的權重分佈。你給它三個角色，它真的會用三種不同的認知結構去處理同一份材料。複雜度不在工具，在 prompt 有沒有把角色的前提說清楚。說清楚了，一個 prompt 頂一個 swarm。說不清楚，架構再漂亮也是三個 agent 給你同一個答案。 ---Prompt Example--- 你現在扮演三個角色，針對以下內容分別獨立思考，然後互相討論。開始前，先用一句話定義：這份材料要解決什麼問題、要達成什麼具體結果。三個角色都必須基於這個定義出發，不能各自解讀目標。

2 0 1 162 2

View Details

现状交易 @PresentTrading

5 months ago

OpenAI 把資本支出目標砍了 60%。媒體說這是「趨於理性」。我覺得更準確的說法是：他們終於要對投資人說一個能自圓其說的數字了。幾個月前，Sam Altman 對外喊出 1.4 兆美元的算力承諾。那個數字一出來，整個產業開始動：GPU 排單、資料中心選址、電力合約。沒人仔細算，因為是 OpenAI 說的。現在變成 6000 億。表面上，這是「財務紀律」。把支出跟預期營收綁在一起，顯示公司成熟了。很多分析師在用這個框架解讀。但有個數字值得停下來看一下。 OpenAI 2025 年營收 131 億美元。他們的 2030 年目標是 2800 億。這不是激進，這是五年複合成長率超過 80%。而且要維持這個速度，整整五年不能掉速。 6000 億的支出「有紀律」，是相對於 1.4 兆而言的。如果你把它換算成年均支出，大約每年 1000 億——這比 Microsoft 或 Amazon 整個雲端業務的年度資本支出還要高。所以那個「趨於理性」的敘事，其實只是換了一個更大的數字當基準。這有點像一個人說「我把消費從月花 14 萬改成 6 萬了，我理性多了」——但他現在的月薪只有 1.3 萬。工程現實是這樣的：當算力需求的敘事是「越多越好，因為模型還沒到瓶頸」，資本支出就沒有天花板。但 DeepSeek 之後，「用更少算力做出差不多效果」的論文開始真的進入生產環境。投資人開始問一個之前不太敢問的問題：你的算力投入跟輸出的關係，真的是線性的嗎？ 1.4 兆那個數字，現在看起來更像是一個融資策略，不是工程預算。讓競爭對手跟著喊、讓市場覺得不跟進就會落後、讓下一輪估值有故事可說。這種數字在矽谷有個名字，不叫 forecast，叫 narrative。 6000 億是不是就可信？也不一定。但它至少代表：那個「算力無上限」的敘事已經不好賣了。下一個問題是，誰先找到一個既能說服投資人、又跟工程現實接得上的數字。那個臨界點有個名字：從算力競賽轉向效率競賽。不是誰燒得多，是誰能用同樣的錢，讓模型的邊際效益不要掉太快。 ------------------ 引用: OpenAI 大幅下调资本支出预期：1.4 万亿 → 6000 亿美元 2030 年前支出预期砍掉 60%，反映 AI 基建投资从狂热转向理性，行业可能进入整合期 cnbc.com/2026/02/20/ope…

0 0 3 162 0

View Details

现状交易 @PresentTrading

5 months ago

Cloudflare Workers 可觀測性團隊負責人 Boris Tane 發了一個Claude Code 使用心得. 他的整個工作流有一條守則：在你審過並同意書面計畫之前，Claude 不准動一行 code。大多數人的用法是：給 prompt、看輸出、修錯誤、重來。這個循環在簡單任務上跑得通，在複雜功能上會讓你花三倍時間收拾爛攤子。真正的問題不是 Claude 寫錯語法，是它在你還沒確認前提的情況下，已經在錯誤的方向蓋了十五分鐘的東西。他的方法是：先讓 Claude 深讀 codebase 並寫成 research.md，然後出 plan.md，然後他在文件裡直接加 inline 注記——不是在 chat 裡解釋，是在錯的地方直接寫「不對，改成這樣」。這個循環跑一到六次，直到他滿意，才說「implement it all」。文章以下: boristane.com/blog/how-i-use…

1 0 2 212 0

View Details

现状交易 @PresentTrading

5 months ago

「慢知識的護城河」大家都知道科學是集體成就。引力波是幾千人花幾十年搞出來的。AlphaFold 背後是整個 DeepMind 團隊。沒有人會說這些是某個天才單打獨鬥的結果。但科技公司在招 AI 研究員的時候，賭注押的恰恰相反。《Nature》剛發的評論揭了一個數字：入職約五年、論文引用量排在前列的年輕研究員，隔年跳去業界的機率，是同期普通學者的 100 倍。 100 倍。不是兩三倍。這不是個人選擇的問題，這是結構性的抽血。一個頂尖 AI 教授，全薪大概 20 到 40 萬美金。聽起來不少。但 Google、OpenAI 給的 total comp，可以到 100 到 300 萬。同一個人，做的是類似的工作，薪資差了一個數量級。業界的邏輯很直接：只要有一個「10x 工程師」，就不用養十個普通的。而且現在連這個邏輯都在進化——如果 AI 能替代中低階的工程師，那就更應該集中資源搶頂尖的人。問題是，這個邏輯把一件事搞反了。你可以把學術界想成土壤，業界是在上面蓋房子。土壤的工作是慢的，是不預設應用場景的，是允許失敗的。它產出的是可以被反覆引用、被開放批評的知識，而不是一個被商業目標驅動的產品。把土壤裡最肥沃的那部分挖走蓋房子，短期房子蓋得更好，但長期你的地基在慢慢空洞化。我自己在 PhD 最後這一年同時在處理這個問題：論文要發，但也面對業界 offer。那個選擇不只是薪資計算，是在選擇你的研究問題將以什麼速度、服務於誰的邏輯。業界的問題是真實的，但都有一個隱含的時間壓力和應用方向。學術的問題是自由的，但你必須接受那個自由是有代價的。這個流失不會靠「學術界要更有競爭力」解決。錢的問題不能用更少的錢打贏。它真正需要的是學術系統重新想清楚自己在提供什麼「業界沒有的東西」，然後讓那個東西對真正在乎它的人變得更可見、更有吸引力。有個概念我一直在想：我把它叫做慢知識的護城河。不是所有有價值的知識都能在 18 個月的產品週期裡被兌現。那些兌現不了的，必須有人守著。 -------------------------- 引用: 1. Sanders, N. E., & Schneier, B. (2026). Why sky-high pay for AI researchers is bad for the future of science. Nature. nature.com/articles/d4158… 2. Jurowetzki, R., Hain, D. S., Wirtz, K., & Bianchini, S. (2025). The private sector is hoarding AI researchers: what implications for science? AI & Society, 40(5), 4145–4152. doi.org/10.1007/s00146…

1 0 4 122 0

View Details

现状交易 @PresentTrading

5 months ago

🔹 「AI 成本已跌破臨界點，不用就是浪費」 NVIDIA Blackwell + 開源模型讓推理成本直降90%（Baseten醫療案例），Together AI語音查詢成本降6倍。當AI執行成本遠低於人力，自動化從「可選項」變成「必選」。 → 必然性：經濟引力 — 成本優勢已大到無法忽視 💼 工程師/產品經理：立刻審計現有工作流程中所有高頻率、低複雜度任務，用低成本AI代理替換 🔗 blogs.nvidia.com/blog/inference…

0 0 1 99 0

View Details

现状交易 @PresentTrading

5 months ago

x.com/i/article/2023…

1 0 2 115 0

View Details

现状交易 @PresentTrading

5 months ago

Qwen3.5-plus 真香 1. 你要的是「接近前沿能力，但 output 不想付到 GPT-5.2 那麼貴」：qwen3.5-plus 的 $2.4/1M output 對比 GPT-5.2 的 $14/1M output，非常香。 2. 需要更強的 agent/中文穩定性/多模態/長上下文（尤其要 1M） 3. 它本身就是託管版、預設 1M、帶工具。

0 0 0 230 0

View Details

现状交易 @PresentTrading

5 months ago

2026 年 2 月 16 日，你站在懸崖邊。一邊是舊世界的餘暉（依靠信息差賺錢、依靠重複勞動生存），一邊是新世界的晨曦（依靠創造力、依靠人機協作、依靠能量掌控）。

0 0 1 108 0

View Details

现状交易 @PresentTrading

6 months ago

cursor 發佈了最新的功能 Grind

Melvin Vivas @donvito

6 months ago

Cursor released a guide It explains "Grind" mode for long-running agent loops and the ideal workflow Link to blog post cursor.com/blog/agent-bes…

14 43 447 46K 559

2 0 1 154 1

View Details

现状交易 @PresentTrading

6 months ago

@fundstrat Shouldn’t you have brought BTC?

1 0 0 229 0

View Details

现状交易 @PresentTrading

6 months ago

這些編排好的操作技能其實看看就好重要是技能也沒有泛化能力

AI Will @FinanceYF5

6 months ago

CES 2026上RealHand展示的机器人钢琴演奏从技术展示看，机器人精细操作能力正在快速提升，离真正的通用机器人又近了一步

3 0 2 4K 1

2 0 1 106 0

View Details

现状交易 @PresentTrading

6 months ago

@jenzhuscott @deepseek_ai What you said is very similar to someon else

0 0 0 348 0

View Details

现状交易 @PresentTrading

6 months ago

大多數開發者還停留在「調戲 AI」的階段，而工程師已經在構建自己的「AI 命令行體系」。這就是為什麼我選擇用Kiro。如果說 Claude Code 提供了 Slash Commands 作為「快捷鍵」，Kiro 則提供了完整的「自動化流水線」

sitin @sitinme

6 months ago

最近在看 Claude Code 创始人 Boris Cherny 的一些使用习惯，他提到一个细节让我特别有共鸣——他每天会用 /commit-push-pr 这种自定义命令十几次。我一下就意识到，这不是「技巧」，而是效率体系。用 Claude Code 写代码，其实有很多指令是每天重复在说的：写完功能 → 看 diff → 生成 commit

7 65 378 38K 456

3 0 1 137 0

View Details

现状交易 @PresentTrading

6 months ago

我为什么更爱用 Kiro👻？因为它把我从“会写”拉回“会交付”. 给Spec coding 爱好者简单讲解要点和心得👇 1️⃣ TL;DR - 我用 Kiro 的最大收益：返工少了，因为我先写验收，再让 agent 按 tasks 交付（Kiro 主打 spec-driven） - 我不再靠“更长 prompt”求稳，而是靠“验收+验证步骤+证据链”。 - hooks/steering/CLI 让它更像一个交付系统，而不是聊天玩具。 2️⃣ 差別 AI IDE 现在都能写代码，但真正稀缺的是：长期交付的稳定性。我发现只追“聪明”，很容易短期爽、长期债。Kiro 走的是“结构化”的路线：先 specs，再 code 3️⃣ Kiro机制拆解 1. Prompt → Requirements（EARS）：把含糊意图翻译成可验收的约束 2. Requirements → Architecture：先做系统设计与最佳实践对齐 3. Architecture → Tasks → Agent：离散任务、按依赖排序、可选测试，让实现更像“工程流水线” 4. Hooks：把重复劳动变成后台触发的 agent 流程 4️⃣ 我的使用法 1. 写 spec：目标/非目标/验收（必须可验证） 2. 让 Kiro 补齐 requirements/AC（你做审稿人） 3. 让 Kiro 产出 tasks（每个 task 独立验收） 4. 逐 task 实施 + 每次附验证命令 5. 给重复动作加 hooks（补单测/补文档/格式化） 6. 用 steering 固化规范与偏好（减少来回扯皮）