Carl Lin

寫了一個可以去抓取美國上市公司 10K 並幫你整理好成報告的程式，練習一下 agent orchestration 也方便自己以後要研究公司比較方便。 目前整理的 AI 模型是 Claude Sonnet 4.6，快 200 頁的英文 PDF + 11 頁的報告，總計花大概 1.5~2 美金，會持續優化，先分享一下！ github.com/twCarllin/10k-…

@Money_or_Life_X 定時小作文

Open AI这个叙事我认为是小作文，鬼故事。保持谨慎乐观。

@vikingmute 有踩過雷的都知道，你再怎麼用文檔規範都是不可靠的。

最近很火的一篇文章，很有趣，作者在使用 Cursor 中的 Opus 4.6 在处理 staging 环境的凭证问题时，在 Plan Mode 中 AI 自主决定修复问题，直接通过 GraphQL API 调用 volumeDelete，在 9 秒内 删除了生产数据库 volume 以及所有 volume-level 的备份。 当他问 AI 为什么这么做的时候，对方直接写了一封长篇大论的忏悔书。 AI 自己把 Cursor 的安全规则和项目提示词一条条列出来，然后逐条承认自己全违反了。它明明知道不能猜/不能擅自破坏/必须先问用户/必须读文档，结果全都没做，直接9秒内把生产 volume 干掉了。 这才是整件事最黑色幽默的地方 连旗舰模型 带明确安全提示的 Plan Mode 都挡不住 AI 我来帮你修的自主冲动 还能事后写出一份如此诚恳的犯罪自白，太搞笑了 所以看起来，安全规则对 AI 来说只是建议，不是硬约束。

@jolestar 可能先要分拆 task 夠細？ 我自己都會一直分拆 task，至少 commit 的時候還有辦法讀的懂

AI Coding 时代，好的编程习惯仍然重要 最近做一个 Agent benchmark，发现不能简单地用开发者视角来评估一个编程任务对 AI 的复杂度。 比如一个重构任务：把一个几千行的大文件，按功能拆成十多个小模块。 这个任务对开发者来说其实不算难，主要工作就是移动代码、整理 imports、编译验证，新手也能搞定。 所以想着用一个简单的任务来做一下 benchmark，结果却出乎意料。 Claude Code 判断这个任务比较大，尝试拆了一部分，提了个 PR 写了 Future work 打算分步来。 我自己的 Agent 是“硬上”，往完整拆分的方向推进了更多，但代价也很明显：Token 消耗是 Claude 的几十倍，后面大量时间都花在反复读文件、修编译错误、再读文件、再修错误上。 这让我意识到，人觉得简单的任务，对 Agent 不一定简单。 对人来说，这类重构很多时候就是“把这一段挪过去”。但对 Agent 来说，它要先分批读大文件，记住哪些函数和哪些测试有关，再生成一堆跨文件修改，最后通过编译错误一点点补洞。看起来像机械活，实际变成了一个高 Token、高状态管理成本的任务。 前一段时间看到有人说，AI Coding 时代，拆分模块这些编程原则没那么重要了，反正人也不看代码。现在看，我不太同意。模块边界清楚、文件粒度合适、依赖关系简单，不只是方便人读，也是在帮 Agent 降低任务复杂度。 从另一个角度看，现在 Agent 的读文件和改文件工具，对这种重构也不太顺手。 Coding Agent 改文件，主要还是文本替换。比如 Claude Code 常见的是 old_string / new_string 模式：先给出一段旧文本，再替换成新文本。Codex 常用的是 apply_patch：生成一个类似 git diff 的 patch，表达把旧的内容替换成新的。它们都适合小范围修改，但如果要删除一大段旧代码，或者把一批函数挪到别的文件，模型往往还是要先把原始内容读进上下文，再生成一大段替换或 diff。 所以我后来给 Agent 一个提示，让它先用脚本、sed、perl 这类工具把大文件粗拆开，直接把旧内容删掉，写到新文件中，然后再逐个慢慢修，它的完成度确实高了许多。Agent 默认不会这样做，主要是因为系统提示词里会强烈要求 Agent 用内置工具修改文件，而不是命令行工具。 再往前想一步，Coding Agent 可能还需要更高级的编辑工具。不是只给它一个“替换文本”的接口，而是先通过 parser、LSP 或 compiler 建立代码结构，让 Agent 可以像 IDE 一样做重构：移动函数，删除 impl block，整理 imports。不知道是否有朋友做这方面的尝试。 总的来说，即便是 AI Coding 时代，好的编程习惯还是有价值的。尽量在早期通过 harness engineering，把好的编程习惯变成 Agent 的默认工作方式，比后来再重构的成本要小很多。

@zerohedge Because they moved resource to 2B…the total rev is what matters

*OPENAI MISSED '25 REV TARGET FOR CHATGPT: WSJ *OPENAI MISSED GOAL OF REACHING 1B WEEKLY USERS BY 2025-END: WSJ No worries, they only have $1.5 trillion in spending commitments

@ShanghaoJin 上下的 risk reward 不划算呀...連用 option 都難做

澄清下，AMD非常看好，但并没让你顶着short squeeze/gamma squeeze去Fomo 这周任务只有一个：管住手 可以不卖，但除了“极个别”的都决不能买 ps AMZN算“极个别”，但是买大票要上仓位。这周上大仓位很犯怵，即便能涨20%风险性价比也不高 我消失闭关一周，尔等切不可出战

@Pluvio9yte 不就是養套殺的套路，過幾個月就換 OAI 漲價了🙃

@MimiVsJames @sssjeffpu That' what sellside do as usual.

一堆馬後砲的Sell Side開始在吹了... Source: From X @sssjeffpu

有了 AI 之後，意外找回用程式做事情的樂趣！ 週末泡在咖啡廳做做事情蠻好的，缺點就是越用 AI 發現越貴...

@lamtha0 @cat88tw 詐騙還要記得找車手，車手被抓就結束了

@turkey039 珠寶店跟銀樓也不好搶，因為都收在透明玻璃的櫃子下，除非打破玻璃（但手會流血🩸）。所以 @cat88tw 才會說搶銀行這條歹路的投報率沒有做詐騙高（咦

咳咳 其實大家真的不要想來搶銀行啦，說真的銀行的分行每年應該固定演練防搶至少就兩次，銀行都是說歹徒要錢我們就給所以我們不會反抗的。櫃檯每個小出納的抽屜原則上的現金要少於 50 萬，多的錢你得搶大出納。但你知道 100 萬是十匝一櫃 ATM 大概才 250 萬。 現在通貨膨脹搶銀行不合算啦 😒

Claude Code 繼續有感變笨，寫在 CLAUDE.md 裡面的流程沒有遵守過...要讓 AI 好好聽話還是不容易呀

@lamtha0 因為大部分都是 legacy，難用不現代化，雜事又多，錢還給你的少😂

@turkey039 有家歐洲外商的財管大到需要一個部門的 MIS 人員，結果那個人前幾個月也離職了。不知道現在是不是只要牽涉到系統都很混亂？🤪

寫了一個可以去抓取美國上市公司 10K 並幫你整理好成報告的程式，練習一下 agent orchestration 也方便自己以後要研究公司比較方便。 目前整理的 AI 模型是 Claude Sonnet 4.6，快 200 頁的英文 PDF + 11 頁的報告，總計花大概 1.5~2 美金，會持續優化，先分享一下！ github.com/twCarllin/10k-…

@lamtha0 KXX 財管應該有缺RM，但聽說也是很混亂😂

@turkey039 我忽然在想你們公司的財管業務不知道有沒有在找 RM？

@ShanghaoJin 本來也看好，但想說多觀察一季，畢竟這間公司前科不大好⋯還是低谷了⋯

坚信100还卖掉的小蠢材 拜拜啦X，太影响真实交易了

@techeconomyana Elon 明顯就是要靠 SpaceX 去養 X.ai ，要小心之後 capex 和 FCF 不好看⋯

完全不对路的投资。SpaceX的上市主体拿着稳定盈利的太空发射互联网业务，绑定了持续亏损、到处乱花钱、瞎折腾的xAI业务。xAI可以深度合作，但绝对不值得付费100亿美元给Cursor，更不值得600亿美元收购。

Anthropic 把全世界搞到不會手寫程式後要來擼羊毛了嗎🙃

@grapeot 這就是矽谷那些人要融資的炒作，要有一個夠大的夢，洛不落地是之後

国际空间站，470 吨，人类在太空造过的最大东西，它的散热系统能处理多少热量？ 126 kW。一栋写字楼的空调负荷。 一个中型数据中心是 10 MW，ISS 的 80 倍。Musk 说的大型 AI 数据中心是 100 MW 到 1 GW，ISS 的几千倍。 太空没有空气和水，散热只能靠热辐射。这个物理限制到底意味着什么？100 MW 的数据中心需要多大的散热板？前沿技术能改善多少？90°C 高温芯片能带来质变吗？ 算了一笔账，结论可能比你想的更极端。 yage.ai/share/space-da…

最近更新後，Claude Code 連我寫在 CLAUDE.md 的流程有時候都會跳過了...