JKSD-9526

小镇做题家从小的教育就是努力的确定性，标准答案体系里训练很强，比如多考20分，结果就会上一个更好的学校之类。 但是投资偏偏是一个频繁看盘、频繁换策略，越努力越失望的地方。 投资本质是面对不确定性做决策，并在“胜率”和“赔率”之间做权衡。 小镇做题家投资之后，固定型思维容易把失败理解为“我不行”，从而回避挑战；而成长型思维会把失败当作暴露盲点的反馈，继续迭代策略。 可以刻意练“复盘而非自责”

@Goupenguin 鹅总牛逼，期待鹅总的文字版总结

挖矿小企鹅25年终总结+26 投资展望 twitter.com/i/broadcasts/1…

@Cryptoqqbus @Goupenguin 同问

@Goupenguin 有文字版可以下载吗 鹅总

开搞了家人们

Andrej Karpathy 是 OpenAI 联合创始人、前特斯拉 AI 总监，也是全球最有影响力的 AI 研究者之一。他刚刚发布了一篇 2025 年 LLM 年度回顾。 第一个大变化：训练方法的范式升级 2025 年之前，训练一个好用的大模型基本是三步走：预训练、监督微调、人类反馈强化学习。这个配方从 2020 年用到现在，稳定可靠。 2025 年多了关键的第四步：RLVR，全称是 Reinforcement Learning from Verifiable Rewards，翻译过来就是「可验证奖励的强化学习」。 什么意思？简单说，就是让模型在「有标准答案」的环境里反复练习。比如数学题，答案对就是对，错就是错，不需要人来打分。代码也一样，能跑通就是能跑通。 这和之前的训练有什么本质区别？之前的监督微调和人类反馈，本质上是「照葫芦画瓢」，人给什么样本，模型学什么样本。但 RLVR 不一样，它让模型自己摸索出解题策略。就像学游泳，之前是看教学视频模仿动作，现在是直接扔水里，只要你能游到对岸，怎么划水我不管。 结果呢？模型自己「悟」出了看起来像推理的东西。它学会了把大问题拆成小步骤，学会了走错路时回头重来。这些策略如果靠人类标注示范，根本标不出来，因为人自己也说不清「正确的思考过程」长什么样。 这个变化带来一个连锁反应：算力的分配方式变了。以前大部分算力砸在预训练阶段，现在越来越多算力用于 RL 阶段。模型的参数规模没怎么涨，但推理能力飙升。OpenAI 的 o1 是这条路的起点，o3 是真正让人「感觉到不一样」的拐点。 还有个新玩法：推理时也能花更多算力。让模型「想久一点」，生成更长的推理链条，效果就更好。这相当于多了一个调节能力的旋钮。 第二个大变化：我们终于搞懂了 AI 是什么「形状」的聪明 Karpathy 用了一个很妙的比喻：我们不是在「养动物」，而是在「召唤幽灵」。 人类的智能是进化出来的，优化目标是「在丛林里让部落活下去」。大模型的智能是训练出来的，优化目标是「模仿人类文本、在数学题里拿分、在评测榜单上刷分」。 优化目标完全不同，出来的东西当然也完全不同。 所以 AI 的智能是「参差不齐」的，英文叫 jagged intelligence。它可以在某些领域表现得像全知全能的学者，同时在另一些领域犯小学生都不会犯的错。上一秒帮你推导复杂公式，下一秒被一个简单的越狱提示骗走你的数据。 为什么会这样？因为哪个领域有「可验证的奖励」，模型在那个领域就会长出「尖刺」。数学有标准答案，代码能跑测试，所以这些领域进步飞快。但常识、社交、创意这些领域，什么是「对」很难定义，模型就没法高效学习。 这也让 Karpathy 对基准测试失去了信任。道理很简单：测试题本身就是「可验证环境」，模型完全可以针对测试环境做优化。刷榜变成了一门艺术。所有基准都刷满了，但离真正的通用智能还差得远，这是完全可能发生的事。 第三个大变化：LLM 应用层浮出水面 Cursor 今年火得一塌糊涂，但 Karpathy 认为它最大的意义不是产品本身，而是证明了「LLM 应用」这个新物种的存在。 大家开始讨论「X 领域的 Cursor」，这说明一种新的软件范式成立了。这类应用做什么？ 第一，做上下文工程。把相关信息整理好，喂给模型。 第二，编排多个模型调用。后台可能串了一堆 API 调用，平衡效果和成本。 第三，提供专业场景的界面。让人类能在关键节点介入。 第四，给用户一个「自主程度滑杆」。你可以让它多干点，也可以让它少干点。 有个问题被讨论了一整年：这个应用层有多「厚」？模型厂商会不会把所有应用都吃掉？ Karpathy 的判断是：模型厂商培养的是「有通用能力的大学毕业生」，但 LLM 应用负责把这些毕业生组织起来、培训上岗，变成能在具体行业干活的专业团队。数据、传感器、执行器、反馈循环，这些都是应用层的活。 第四个大变化：AI 搬进了你的电脑 Claude Code 是今年最让 Karpathy 印象深刻的产品之一。它展示了「AI 智能体」应该长什么样：能调用工具、能做推理、能循环执行、能解决复杂问题。 但更关键的是，它跑在你的电脑上。用你的环境、你的数据、你的上下文。 Karpathy 认为 OpenAI 在这里判断失误了。他们把 Codex 和智能体的重心放在云端容器里，从 ChatGPT 去调度。这像是在瞄准「AGI 终局」，但我们还没到那一步。 现实是，AI 的能力还是参差不齐的，还需要人类在旁边看着、配合着干活。把智能体放在本地，和开发者并肩工作，才是当下更合理的选择。 Claude Code 用一个极简的命令行界面做到了这一点。AI 不再只是你访问的一个网站，而是「住在」你电脑里的一个小精灵。这是一种全新的人机交互范式。 第五个大变化：Vibe Coding 起飞了 2025 年，AI 的能力跨过了一个门槛：你可以纯用英语描述需求，让它帮你写程序，完全不用管代码长什么样。Karpathy 随手发了条推特，给这种编程方式起了个名字叫 vibe coding，结果这个词火遍全网。 这意味着什么？编程不再是专业程序员的专利，普通人也能做。这和过去所有技术的扩散模式都不一样。以前新技术总是先被大公司、政府、专业人士掌握，然后才慢慢下沉。但大模型反过来，普通人从中受益的比例远超专业人士。 不只是「让不会编程的人能编程」。对会编程的人来说，很多以前「不值得写」的小程序现在都值得写了。Karpathy 自己就用 vibe coding 做了一堆项目：用 Rust 写了个定制的分词器、做了好几个工具类 App、甚至写了一次性的程序只为找一个 bug。 代码突然变得廉价、即用即弃、像草稿纸一样随便写。这会彻底改变软件的形态和程序员的工作内容。 第六个大变化：大模型的「图形界面时代」要来了 Google 的 Gemini Nano Banana 是今年最被低估的产品之一。它能根据对话内容实时生成图片、信息图、动画，把回复「画」出来而不是「写」出来。 Karpathy 把这件事放到更大的历史脉络里看：大模型是下一个重大计算范式，就像 70 年代、80 年代的计算机一样。所以我们会看到类似的演进路径。 现在和大模型「聊天」，有点像 80 年代在终端敲命令。文字是机器喜欢的格式，但不是人喜欢的格式。人其实不爱读文字，读文字又慢又累。人喜欢看图、看视频、看空间布局。这就是传统计算机为什么要发明图形界面。 大模型也需要自己的「GUI」。它应该用我们喜欢的方式跟我们说话：图片、幻灯片、白板、动画、小应用。现在的 Emoji 和 Markdown 只是初级形态，帮文字「化个妆」。真正的 LLM GUI 会是什么样？Nano Banana 是一个早期暗示。 最有意思的是，这不只是图像生成的事。它需要把文本生成、图像生成、世界知识全部绞在一起，在模型权重里融为一体。 Karpathy 的总结是这样的：2025 年的大模型，比他预期的聪明，也比他预期的蠢。两者同时成立。 但有一点很确定：即使以现在的能力，我们连 10% 的潜力都没挖掘出来。还有太多想法可以试，整个领域感觉是敞开的。 他在 Dwarkesh 的播客里说过一句看似矛盾的话： > 他相信进步会继续飞速推进， > 同时也相信还有大量的工作要做。 两件事并不矛盾。2026 年系好安全带继续加速吧。

分享一个超实用的 AI Agent 实战教程仓库！🔥 实测是现在最好 AI Agent 教程 涵盖 17+ 种前沿 Agentic 架构，每个都配详细讲解 + 可直接运行的 Jupyter Notebook 代码 基于 LangChain & LangGraph 构建，结构清晰、易上手，从基础到高级逐步进阶 快速掌握 Reflection、ReAct、Multi-Agent、Tree of Thoughts 等热门架构，强烈推荐！ 我把它翻译成了中文版本 GitHub: github.com/cryptowizard0/… @nake13 @yangyi @frxiaobei

@bozhou_ai 传送门：adventofagents.com

（上面提过的和烂大街的就不写了） ShareX，写了17年的开源免费截图分享编辑录屏工具； Listary，启动器+与Everything同原理的文件查找+文件选择窗口自动与另一个文件夹窗口同步位置； Fences，Stardock出品的桌面自动整理器； Start11，只在Win11上用，用来还原开始菜单的Win10样式+一些别的新功能比如调用everything； EnPass，密码管理器，用自己的云平台存储； Directory Opus，多功能现代文件管理器； AutoHotKey，用来自己写快捷键脚本，也可以用来映射按键； Sunshine的某个国人fork，串流工具，搭配iOS客户端上的VoidLink（moonlight fork）； ludusavi，开源的游戏存档扫描备份工具； Sysinternals Suite，被微软收购了的系统管理工具； PowerToys，微软的power user工具套件； Xshell+Xftp，SSH+SFTP工具，国际版个人用免费； Magpie，开源的游戏画面放大工具，有些算法比较好； GitKraken，可视化Git工具； Typora，markdown读写； Notepad++； VMware Workstation 17.5.2，被博通收购以前的最后一个版本，老系统VMware Tools比较全，Unity也没被砍； LockHunter，查询文件被谁锁定了； Total Uninstall，主要用它的那个监视功能，观察系统文件变化； WizTree，高速的磁盘空间管理软件，NTFS上扫描非常快； Registry Workshop，顾名思义，比系统自带的好用； UCheck+Patch My PC，效果比较好的更新检查器，免费可用； Locale Emulator+LEShortcutCreator+Locale Remulator，转区运行某些游戏和软件； yt-dlp，用于下载各种视频，远不止youtube能用； Uniextract，开源工具，这个不是安装的软件，而是分析解压各种安装程序用的，加壳不严的话可以用它来解出绿色版； K-Lite Codec Pack，解码器包，这个很显然不清真但是可以解决问题； UWFUtility+一个自己写的脚本，开源，用于管理微软自带的UWF，高危或者不确定结果的操作前先开一波文件系统还原； Diskgenius+图吧工具箱+Ventoy+微PE+Rufus，装机维护用

今天在公司给同事们做了一场简短的AI分享会，我说了一下我日常如何用AI的，同事们觉得都很有收获，在这里也分享给大家。 日常工具 聊天工具： ChatGPT，Gemini，Qwen 学习工具： NotebookLM 输出工具：YouMind 编程工具：后端Codex，前端Antigravity 图片工具：Nano Banana Pro，Lovart 如何使用AI 和AI聊天 在聊天之前我要先想清楚我要问的问题属于什么维度，这里参照四象限，看图片一。 根据维度来选择沟通的方式，比如我要AI帮我做个数据清洗，这属于共识区，我直接把数据给他，让他给我清洗一下，提取我要的结构就可以了。 这里有个小技巧，我们让AI回答的时候让他基于思维框架来回答会出奇的好，比如： SMART，5W2H，黄金圈，第一性原理，金字塔原理，SWOT，奥卡姆剃刀，二八法则。 具体用法就太多了，我就不一一举例，大家可以给到AI让其分一些应用场景 写提示词 文本创作类 1. 先搜集相关资料，我会使用Deep Research，比如我要写一个儿童绘本提示词，我会让调研一下一个好的儿童绘本要有什么核心要素 2. 告诉AI我要写一个提示词，会提供什么，我需要得到什么，然后提供调研的资料，让其出一个结构化的元提示词 修改一下元提示词，然后去使用，把结果给到AI，说要改进的地方，不断迭代 图片类 找对标，然后发给AI，生成一个json的元提示词，限制800字，然后改里面的主体结构等等 基本能复刻90% 如果对于自己的目标比较模糊，我们要学会让AI对我们进行提问，就是让AI问我们问题，来理清目标再写提示词。 AI进行编程 遵循spec规范驱动开发的原则，先写PRD，然后技术文档，然后列计划然后开发，测试 1. 写PRD，我一般是通过和AI沟通，然后不断PUA ，就是说一下自己的需求，然后不看第一版，直接开始不断PUA，一般效果能好不少。图二 2. 使用aistudio的Build模式进行快速原型开发，只开发前端功能 3. 代码拉下来到Antigravity进行调优 4. 然后可以让写测试用例，使用 chrome-dev-tool MCP进行自动化测试 5.后端编写我会用提示词先总结一个文档文件夹，看图三，然后使用专有的规则，会先读取私域知识库，然后再进行开发。 这种代码采用率会很高，但是要求就是在架构层面需要提前设计好，反正宗旨就是上下文越清晰，越准确，AI生成的质量越好。 对于从0到1的项目，就直接按照Sepc规则，生成技术文档，然后一步一步执行 关于企业化落地方案 我了解到市面上就以下几类，比较火，大家可以从这里面找一些我们可以做的 问答类 主要是是企业内知识库问答和ToC的智能客服 审核类 合同审核，然后一些流程审核 写报告类 比如写PRD，研报，季度汇报，规划等等 问述类 TextToSQL这种，比如老板直接说一句要第一季度报表，会查询数据库这种 我觉得可以看一BISHENG这个产品，我觉得公司部署一个是非常好的 AI信息源 我的AI信息流主要来自于以下三个 1.Waytoagi飞书文档，Waytoagi应该是国内最大的一个AI社群了，知识库非常的全面 2. aibase 这个会有很多AI导航和新闻一体化的，中文友好 3.自己搭建了符合我个人需求的一个获取外网的AI最新信息的网站 三个链接都放在评论区了

小资金想要暴富，需要你有过人的学习能力，智商，自制力，专注力，信息渠道。换句话说，如果你有这些迟早会成功的。如果你都没有，你有过人的运气也行。

用 skills 做了一个 skills 的学习分享站，可能这就是所谓的“干中学”，也确实学到了很多，过程中实践出了几个重磅 skills，整个站在 fumadocs 基础上，多个skills 自己读取外部 URL 完成下载、撰写、翻译、制作封面图片等功能。 —— 内容和代码包括我完成的 skills，以及准备skills 的过程和想法完全开源。欢迎查看、批评、讨论。 —— Skills 不是代码，它更是一种提高日常工作、处理事务的效率工具。我会持续发现、分享、制作 Skills，也希望各位给我留言，提供一些好的关于 skills 的内容和线索。 —— 持续分享！ skills.deeptoai.com

#Memecoin🧲 | $GOR 为什么说可能会跟随 $BONK 等优质IP的步伐，观点： • Meme赛道新叙事：Meme分叉链 • $GOR 具备模因与应用双优秀属性潜质 𝕏 @lex_node 📑CA 71Jvq4Epe2FCJ7JFSF7jLXdNk1Wy4Bhqd9iL6bEFELvg 🗞️叙事： $GOR IP角色来到《芝麻街》Oscar the Grouch（垃圾桶奥斯卡）由 Solana 联合创始人（@toly Toly）和推动者 @lex_node 的高频互动推动。嘲讽各公链是垃圾分叉叙事，将SOL分叉成 $SOL $GOR. 提议以 $GOR 为原生代币，打造一个以 Gorbagana为 logo 的 Solana 分叉链，围绕“垃圾”meme文化，讽刺现有区块链的“正统”叙事。 $GOR 《芝麻街》耳熟能详的IP以及分叉技术。$GOR 具备模因与应用双优秀属性潜质。是Meme赛道新叙事：公链与meme结合的分叉叙事。

教你如何在 Codex CLI 里面用 SKILLs 1. 在你的项目目录下创建一个 “.claude/skills”目录，如果你不想提交到 git 就把 .claude 加到 .gitignore 注：也可以是任意其他目录，放在“.claude/skills”目录下有个好处就是 claude code 默认能使用，不需要额外配置。 2. 把你要用到 skill 复制到“.claude/skills”目录下（可以去 github.com/anthropics/ski… 这里找现成的） 3. 如果你需要用到哪个 skill，只需要手动 @ 一下相应的 skill 文件即可，比如： > 请使用 @.claude/skills/artifacts-builder/SKILL.md ，创建一个 whiteboard 项目 也就是说只要你让 agent 去读取相应的 SKILL md 文件，就可以让 Agent 学会使用 SKILL。 这个方法不仅仅适用于 codex cli，也同样适用于 TRAE、Cursor、GitHub Copilot 这类 coding agent。 只能说 SKILL 的设计是想当超前的，而且跟 MCP 一样，并非 Claude Code 专属。

Claude Skills 的潜力被大大低估了。 其实只靠一个 claude skill，就能取得非常好的 AI Partner 对话效果（可以看图对比） ——甚至说一个 Skill 就可以是一个 AI 产品 受益于 Claude Code 的 Agent 框架基础，以及 Kimi K2 thinking 的多轮工具调用能力，Agent 的记忆上限被大幅提升 我做了一个 AI Partner Skill 能够自主多步检索相关记忆 → 重建记忆逻辑 → 自主更新人格与用户画像，指导推理风格 最终给到极度拟人效果与深刻洞察～ 这个「AI Partner Chat」Skill 也已经在 Github 上开源了，教程见公众号

把 TED 系列，变成你的“英语私教” 🦜 深入使用了下 Youmind.ai，做了一个 TED 英语学习 SOP： 1）添加 Url 到素材库 2）一键生成 生词表、例句、扩展情景、模拟对话、听力填空、跟读脚本等，还能按水平（无经验/CET4/CET6/雅思/托福）与词汇量自动降级或进阶 3）实时边学边聊 4）聊完进行综合测试归档生词表 目标：用最少时间，做最有产出的学习。 👉 原始提示词我放在评论置顶

海外8年，分享我的英语/法语学习诀窍： 1. 吃透一篇演讲胜过百篇课文。 当年为了用英语讲PPT，找到奥巴马就职演讲， 听一句重复一句， 勉强记住 → 模仿语调 → 滚瓜烂熟， 最后的效果好过学习100篇课文。 2. 打造语言环境。 人不在海外，喜欢的电影/剧，不要只是看， 把自己带进去，同样的语气多次重复角色台词。 人在海外，越不表达，就越不能展现个人魅力，就越不想表达。 越表达，越能展示真实的我，越能发现与外国朋友的共同点， 形成正反馈，就越想表达，正向循环。 有朋友和我的方法一样吗？

@PandaTalk8 所以我把我整个计算机-工程领域的东西整理了一套框架。 从逻辑学-计算机模型-对象模型，甚至软件工程中的政治和团队管理。 renzhi.shaogefenhao.com

下一波AI Agent热潮会以怎样的姿势出现？ 简单谈谈看法： 1）名人币和各种MEME币的持续作妖带不来一场大的财富盛宴，只会榨干市场仅存的流动性，透支牛市的进程和预期。因为，大家预期总统币为“确定性机会”，看中的是其总统声誉和现实世界影响力背书效应，但逻辑显然不成立，川普打样了。 这类币逃不开零和博弈，结果只会让一小部分分人赚钱，大部分散户更大概率亏钱离场，会加剧市场的一二级结构性崩坏，从过去以VC驱动Builder为主体的平衡态变成纯pump发币造泡沫模式，一地鸡毛之后需要长时间的灾后重建。 2）AI Agent第一波是以 $GOAT 和 $ACT 为代表的 AI MEME热潮；第二波则是以 #ai16z、#Virtual 两家马车为代表的AI Infra演进叙事，出现了单体AI应用、框架标准、链化、DeFai等一系列价值细分赛道；第三波我倾向于在AI infra某个细分赛道抢先破局，且会走VC+社区双驱动的高门槛价值创造路径。 因为，虽然 ai16z 以开源社区创新为文化中轴带来了一波市场热度，但事实证明，这波AI Agent热潮并没有褪去MEME化的本质，大量web2的野生Dev和web3的骨灰级投机项目占了主场，使得市场短期涌现了大量披着“价值外衣”的AI MEME项目。所以，当 $TRUMP 这种更简单更有传播力的总统币MEME出现了，AI Infra市场很快就被打回了原型； 3）为什么会是VC+社区双驱动，纯VC币驱动会是失去社区化MEME发行的早期优势，显然不行，而纯MEME币驱动又会被背后的阴谋集团快速速通成为一波流的烂摊子，情况会更糟糕。 唯有VC早期切入给项目方提供基本的Build创新预期，降低Dev在MEME化发行阶段的融资需求，同时又增加背后阴谋集团速通的门槛，最终才能走出健康的链上资产发行和项目赋能平衡模式。 具体这样的平衡点如何把握，类似的项目会以怎样的形式冒出头，目前还很难给出答案。但大概率，DeFi+ AI （DeFai）会是一个潜在破局细分赛道。 因为AI Agent自主托管掌控资产可解决传统DeFi的人为Rug困局，同时AI Agent自主交易决策会集中显现AI Agent的应用能力，最关键是，AI Agent只是承接了DeFi的新前端，后端DeFi基础设施和链抽象等基础设施已经足够完善，可以快速检验AI Agent结合Crypto的场景落地价值。 最后，虽然AI Agent赛道短暂陷入了低迷，但一番彻底的洗牌之后，会涅槃重生一些有优秀Dev，有成熟产品PMF发展路径，有合理社区资产激励分配方案的项目。 当然，这都是基于内在价值的可持续性构想出来的赛道发展趋向，因为只有这样，在市场技术创新演进过程中，才有预期中的大牛市，多数人才能抓到属于各自的机会。 一旦市场脱离了价值创造的内核，“牛市”概念恐怕都不复存在了，因为，纯Gambling炒作的短期繁荣根本无关乎牛熊。 Note：知道很多人还是想让推荐Ticker，在趋势明朗之前，没办法在推特公开推荐，望理解。建议可在首页订阅我Substack专栏关注更多内容，谢谢大家。

如果有监控 Solana 地址的需求，可以按需选择以下两个免费工具👇 Debot：debot.ai/?inviteCode=17… Arkham：auth.arkm.com/register?ref=A…

@Jerry_JieData 冲

评论区凑够800个今年发财， 我会告诉你们在哪个位置抄，如果到不了，那就明年发财