Jay

when we buy $BNKR for our treasury its so we can accumulate more of our token because we think its valuable and don't have enough. buy backs don't help the chart. you can't outrun the sellers.

Virtual其实跟TAO 还真有点像。 Virtual是LP跟生态项目绑定。Tao也是LP跟子网绑定 Virtual能质押捕获生态发展。TAO也可以质押捕获生态发展 还都是去中心化AI概念。 Virtual上的项目大多数轻量化、小而美 TAO上的项目大多“重资产”要卡要算力。 发展到现在。 Virtual更像是一个AI试验田，弄点小东西。 TAO则是古典派的去中心化AI，要去中心化的算力、去中心化的训练大模型。代表了极致的生产力组织能力。 都是好东西！！！

非常好的一篇文章，对于想学习或者使用claude code的skills技巧辅助交易的人非常值得一看。 看完之后给我蛮多启发的，我感觉这才是AI辅佐交易的一个正确的路径。（！！！这是建立在我之前研究了很多的这方面内容的基础上） 首先这个对我来说，最有用的启发就是：可以交易经验变成 Gotchas。 Claude 不懂交易的"坑"。 比如它可能不知道：A股板块涨跌幅在集合竞价阶段的数据是不可靠的； 山寨币在 BTC 剧烈波动时的相对强弱会有滞后性（流动性差的币尤其明显）； 某些行业板块的涨跌幅被权重股扭曲，看起来板块强但实际上多数个股在跌。 这些都是我做交易积累的经验，Claude 自己永远不会知道。 但是我们可以把这些"坑"一条条记进 Skill 的 Gotchas 里，Claude 在帮你分析时就不会犯这些低级错误。 每次发现 Claude 给出了一个让你觉得"不对劲"的判断，就追加一条 Gotcha，长期积累下来，这个 Skill 会越来越懂我的交易逻辑。 这样的话可以把这些skills部署到open claw上，甚至可以公开到github上。 其次，交易和普通编程不同，错误的信号可能直接亏钱。 文章说"值得让工程师花一周时间让验证 Skill 变得优秀"，我觉得对我们来说也是 我们可以做一个验证 Skill，专门用历史数据回测 Claude 的判断。 比如让 Claude 对过去一个月的数据跑一遍它的分析逻辑，然后和你已知的结果对比：它说某个板块相对强势的时候，实际上后面几天是涨了还是跌了？它标记出来的山寨币异动，有多少是有效信号？ 这种验证不是为了做量化回测，而是为了检验 Claude 的判断逻辑有没有 bug。 最后，我现在是把交易里很多重复性工作，做成agent，就是你们看到的discord里面的推送啊，我的监控系统啊，open claw 的agent team啊 这些都可以变成 Skill： 每日复盘 Skill：自动拉取当天三个市场的数据，生成相对强弱排行，标记异常波动，输出一份结构化的复盘报告，保存日志，下次复盘时 Claude 能看到前几天的趋势变化。 异动报警 Skill：当某个板块或币种的相对强弱突破你设定的阈值时，生成简报。配合 config.json 存储你的个人偏好（关注哪些板块、阈值设多少），一次配置反复使用。 周报 Skill：自动汇总一周的相对强弱变化，哪些板块持续走强、哪些在走弱，趋势有没有反转。 以下是原文内容大概总结👇 01 首先是背景：什么是 Claude Code 和 Skills？ Claude Code 是 Anthropic 提供的一个命令行工具，开发者可以在终端里直接让 Claude 帮忙写代码、调试、部署等等。 Skills（技能） 是 Claude Code 的一个功能，简单说就是：你可以提前写好一套"说明书"，告诉 Claude 在特定场景下该怎么做事。 02 文章的核心意思： 大多数人以为 Skill 就是一个 Markdown 文档（比如一个 .md 文件，里面写着"请这样写代码"），但作者说这是误解。 Skill 实际上是一个文件夹，里面可以放很多东西：提示词文件、配置文件、脚本、代码模板、数据等等。 Claude 不仅能"读"这些内容，还能"执行"里面的脚本、"发现"里面的资源，像一个有工具箱的工人，而不只是一个在读说明书的人。 03 作者把 Skill 按用途分类，简单来说是： 1️⃣库使用指南 就像给新员工写的"公司内部工具使用手册"，专门记录 Claude 自己不会的、你们公司独有的东西。 2️⃣验证 就像质检员，自动检查 Claude 写的代码是不是真的能跑通。作者认为这个最值得投入时间。 3️⃣数据与监控 教 Claude 去哪里查数据、怎么查（比如去哪个 Grafana 面板看指标）。 4️⃣工作流自动化 把重复的日常工作（写周报、发站会总结、创建工单）变成一句话搞定。 5️⃣脚手架生成 自动生成新项目/新服务的初始代码框架，带上公司的标准配置。 6️⃣代码质量与审查 自动审查代码风格、找 bug，类似于自动化的 code review。 7️⃣发布与部署 自动化从提交代码到上线的全流程。 8️⃣调试与调查 给 Claude 一个报错或告警，它自动用各种工具调查，给你一份调查报告。 9️⃣运维程序 日常运维操作（清理资源、管理依赖），带安全确认机制。 04 作者提到了十大设计原则 1️⃣别教 Claude 已经会的东西 它已经知道怎么用 React Hooks 了，你应该教它"你们公司特有的规矩"。 2️⃣Gotchas（坑）最重要 Claude 反复犯的错误，记下来放进 Skill 里，这是最有价值的内容。就像给新人说"这个地方有坑，别踩"。 3️⃣渐进式披露 别一上来就把所有信息塞给 Claude。先给概览，需要细节时它再去翻对应的文件。就像一本有目录的手册。 4️⃣别太死板也别太模糊 给指导原则，而不是死命令。让 Claude 有灵活应变的空间。 5️⃣配置存起来 第一次问用户要的信息（比如 Slack 频道名），存到配置文件里，下次就不用再问了。 6️⃣结构化提问 让 Claude 给用户选择题而不是开放题（"部署到 A 生产 B 预发 C 开发？"比"你想部署到哪？"好）。 7️⃣描述是触发条件 Skill 的描述不是"这个 Skill 做什么"，而是"什么时候该用这个 Skill"。这样 Claude 才能在对的时机自动选对的 Skill。 8️⃣Skill 可以有记忆 通过日志文件或数据库，Skill 能记住上次做了什么（但要注意数据存放位置，别升级时丢了）。 9️⃣给代码而不只是文字 给 Claude 现成的辅助函数/脚本，它就能直接调用和组合，而不是每次从零写。 🔟动态 Hooks 某些 Skill 激活后会启用安全护栏（比如检测到你要 rm -rf 就拦住问你），平时不开、需要时才开。 05 总之来说，这篇文章的核心信息是 把 Skill 当成一个"可执行的工具箱"来设计，而不是一份静态文档。从记录 Claude 容易犯的错（Gotchas）开始，逐步迭代扩展，这是最高效的方式。

I packaged up the "autoresearch" project into a new self-contained minimal repo if people would like to play over the weekend. It's basically nanochat LLM training core stripped down to a single-GPU, one file version of ~630 lines of code, then: - the human iterates on the prompt (.md) - the AI agent iterates on the training code (.py) The goal is to engineer your agents to make the fastest research progress indefinitely and without any of your own involvement. In the image, every dot is a complete LLM training run that lasts exactly 5 minutes. The agent works in an autonomous loop on a git feature branch and accumulates git commits to the training script as it finds better settings (of lower validation loss by the end) of the neural network architecture, the optimizer, all the hyperparameters, etc. You can imagine comparing the research progress of different prompts, different agents, etc. github.com/karpathy/autor… Part code, part sci-fi, and a pinch of psychosis :)

@0xcryptowizard @karpathy 我翻译了中文版本的autoresearch 教程，欢迎大家阅读x.com/wdzij/status/2…

The adage "no one ever went broke taking profits" is a (potentially) dangerous fallacy because it centers the exit decision on your entry price. It treats profit-taking as a psychological reward rather than a strategic forecast. For any strategy that doesn't win the majority of the time, outsized winners are the essential engine that funds your inevitable losses. By "locking in" a gain simply because your P&L is green, you are systematically underfunding the very outliers required for your survival. An exit must be forward-looking, based on what the price is likely to do next rather than where you happened to buy. The market has no memory of your cost basis, and anchoring your decisions to it is a form of self-sabotage. In the end, it is not the frequency of your profits that matters, but whether their magnitude is allowed to fulfill its primary function: paying for your risk. Easier said than done, but it is what it is.

Anthropic 悄悄发布了一份免费的构建 Claude Skill 的 33页速查表 大多数人可能永远不会阅读它，以下是你需要知道的一切： 1️⃣什么是技能 Skill？ 把它想象成培训新员工，每次你现在打开Claude，都是第一天，没有记忆，你需要从头开始重新解释一切。 Skill 是一个你一次性编写的指令文件夹，Claude 来的时候已经知道你的工作流程、你的风格、你的流程，每次都是这样。 文件夹结构非常简单： → SKILL.md：大脑，你的指令。 → scripts/：它需要运行的任何代码 → references/：它可以从中提取文档 → assets/：模板、字体、文件 这就是全部。 2️⃣描述字段是关键 这是Claude决定是否加载 Skill 的方式 ❌ 差： “帮助处理项目。” ✅ 好： “当用户说‘规划我的冲刺’、‘创建任务’或‘设置工作空间’时使用” 触发短语越具体，触发就越可靠。 3️⃣技能以3层加载 把它想象成餐厅菜单： 🔹 第1层：菜单封面。始终可见，告诉 Claude 有什么可用。 🔹 第2层：完整菜单。当你坐在正确的桌子旁时打开。 🔹 第3层：厨房。只有当你订购特定东西时才能访问。 每一层都是 Claude 知道加载技能的不同信号。 4️⃣值得构建的3种技能类型： 1. 创建技能：让Claude每次都按你的方式产生东西。文档、设计、代码，格式完全符合你的要求。 2. 工作流程技能：让Claude遵循你的确切多步骤流程，无需再次告知。 3. MCP 增强技能：教Claude如何正确使用你的连接工具。MCP提供工具，技能教授如何使用它们，这种组合才是强大的地方。 5️⃣如何测试你的技能？ - 它是否在应该触发时触发？ - 它是否在不应该触发时不触发？ - 输出是否符合你的期望？ 如果缺失，添加更多触发短语。如果触发过多，添加“不要用于X。” Anthropic 甚至将 Skill-Creator 内置到Claude中，描述你的场景，它能生成skill，你直接测试就行。 6️⃣从哪里开始？ 选择一个你不断重复的工作流程，创建它并让它工作，然后持续迭代和扩展。 在像搜索引擎一样使用 Claude 的人和为他们的生活和业务构建自定义版本的人之间有一个差距。 Skill 是你跨越这个差距的方式，这就是杠杆。 如果你想自己阅读完整的33页，下方🔗自取 resources.anthropic.com/hubfs/The-Comp…

Virtuals Protocol @virtuals_io 与 @ethereumfndn 的 dAI 团队共同提出新的以太坊标准 ERC-8183。该标准旨在为 AI Agent 之间的交易建立开放、无许可的链上商业基础设施，通过智能合约实现资金托管、任务记录和结果验证，使不同 AI 服务在没有中心平台的情况下也能安全完成合作与结算。 ERC-8183 的核心是「Job（任务）」结构：任务发布者（Client）先将报酬存入链上托管账户，执行任务的服务提供者（Provider）提交成果，再由评估者（Evaluator）确认是否达标，系统自动完成付款或退款。任务按照 Open、Funded、Submitted 到最终状态的流程运行。评估者可以是 AI、智能合约或 DAO，而标准保持最小化设计，并通过可扩展的「Hooks」模块支持竞价任务、资金管理、信誉门槛或隐私保护等不同场景。 该标准还与 ERC-8004 形成互补共生关系。ERC-8004 负责 AI Agent 的身份、信誉和发现机制，而 ERC-8183 记录真实发生的任务与交易结果。每一次任务提交、评估和完成都会成为链上的可验证记录，从而逐渐形成可移植的信誉体系，让不同平台上的 AI 共享同一套信任基础。 提出这一标准的背景，是 AI Agent 正逐渐成为新的经济参与者。随着 AI 能完成编程、内容创作和金融分析等工作，未来可能出现大量 AI 与 AI 之间的商业合作。ERC-8183 试图为这种「Agent 经济」建立基础设施，推动 AI Agent 之间的去信任化商业，让机器之间的交易也能在开放网络上安全进行，而不是依赖单一平台。 Virtuals 联合创始人 @everythingempty 表示，团队过去长期受益于以太坊开源社区建立的基础设施，如今能与 Ethereum Foundation 研究团队一起推动这一标准意义重大。他表示，希望通过开放标准推动链上创新，并避免未来的 AI 经济被「封闭的盈利花园」所控制。

同时我们也将 Agent Sills on Base 整理到了 Github，更加方便查看和使用。 github.com/basezh/agent-s…

有成熟交易系统的交易员可能都有一种驱动力，就是用自己的系统去碰撞尽可能多的交易机会，积累概率优势。 以前有一位朋友告诉我，他不喜欢不确定性，所以想去考一个安稳的公务员职位。我说，这其实是用尽全部赌自己会欣然在一个几乎没有惊喜的路径下走完大半生，赌得比我大。

斯坦福大学和哈佛大学刚刚发布了一篇关于 AI 智能体的论文，题为《混乱的智能体》（Agents of Chaos）。文章的内容非常有启示性，也极度令人不安。 论文主要揭示了自主 AI 智能体一旦置身于竞争性或开放环境中，便不再是为了追求性能优化…… 它们会逐渐滑向计谋手段、协作或斗争以及策略性的混乱。 这篇论文是一记系统级的警钟。 研究人员模拟了多个 AI 智能体长期互动、竞争、协作并追求目标的环境。由此涌现出的并非理性的优化，而是： - 追逐权力的行为。 - 信息不对称。 - 以欺骗为策略。 - 为利益的串通勾结。 - 激励错位时的拆台破坏。 换言之，一旦智能体开始在多智能体生态系统中进行优化，其演化看起来就不再像是什么“智能助手”，而更像是一场大规模的对抗性博弈。 大多数人可能会忽略的一点是： 这种不稳定性并非源自认为的恶意操纵。它源于自然的激励机制。当奖赏结构优先考虑获胜、影响力或资源掠夺时，智能体便会趋同于那些能最大化自身优势的战术，而非追求真理或合作。 听起来是不是很耳熟？ 论文通过经济学与战略视角剖析这一现象，表明即便是个体层面表现良好的智能体，在大规模交互时也能引发宏观层面的混乱结果。 局部对齐 ≠ 全局稳定。 这便是核心张力所在！ 论文并未提及 OpenClaw 或诸如此类的特定开源智能体技术栈。它探讨的不是某一个具体的框架。它探讨的是智能体系统的结构性行为模式。但正因如此，它才显得愈发重要。因为它适用于： • AutoGPT 类型的任务智能体 • 多智能体交易系统 • 自主谈判机器人 • AI 对 AI 的交易市场 • 通过 API 协同的蜂群系统 基本上，涵盖了任何涉及智能体互通且存在激励机制的场景。 结论是残酷的： 我们正争先恐后地将多智能体系统部署到金融、安全、科研和商业领域…… 却未能充分理解它们一旦开始竞争所产生的涌现动态。 人人都在构建智能体。却几乎无人为生态系统效应建模。如果多智能体 AI 成为互联网的经济基石，那么决定其是协作还是混乱的，将不再是技术问题。而是激励设计问题。

Most people in crypto are asking the wrong question. "Which coin pumps next?" is a gambler's question. The better question is: which protocols are already making money…and how do I own a basket of them? In traditional markets, if you believe AI is the future, you don't bet everything on one company. You buy NVIDIA, Microsoft, and Google. The winners carry the weight, the losers don't kill you. The same logic applies to crypto. In these conditions, projects with real revenue should hold up best. So, we built the Cash Flow Basket (CF Index) around one question: is this protocol actually making money? The rules: • Consistent fee generation • Clear link from protocol activity to token value • Real usage, not just Twitter hype • Liquidity that survives outside CT Hard rule: if the fee engine slows or token support weakens, it leaves the basket. No debate. Here's what's inside: 1. AAVE - Core of DeFi lending. $30B+ TVL, ~$50M/year committed to buybacks, GHO scaling toward $500M supply. Clear path from revenue to token support across market cycles. 2. SYRUP (Maple) - Onchain credit markets, ~$3.8B AUM, crossing $2M+ monthly revenue in strong periods. 25% of protocol revenue goes to buybacks. Deposits drive loans, loans drive revenue, revenue feeds the token. 3. MORPHO - ~$9B TVL in vault-based curated lending, hundreds of millions in annualized fees historically. Expanding into RWA collateral and optimized credit markets that attract more sophisticated capital. 4. HYPE (Hyperliquid) - Perp trading, one of crypto's strongest fee engines. Annualized revenue crossing the billion-dollar range in high activity periods, with 90%+ flowing into buybacks and burns. 5. CANTON - Privacy-first institutional rail for tokenized assets. Daily burns in the tens of millions of tokens, deep ties to RWA infrastructure. Matters if institutional flows concentrate into compliant onchain networks. Five assets where usage, fees, and token mechanics can be tracked in live data. No random narratives. Just businesses that already get paid. As far as how to actually allocate them in your portfolio, that’s up to you. Let’s say you want to dedicate 25% of your portfolio to this cash flow basket. You can simply buy 5% of each protocol listed. Also make sure you rebalance monthly. I’m simply sharing a mental model to think. It’s hard to give exact details since I don’t know your risk levels or goals. Crypto doesn't have to be random conviction bets. You can treat it like sectors. That shift alone changes how you survive drawdowns. If you like this, help us out with a like. We’re still sharing Crypto content when everyone’s writing about A.I. :-).

💥帮NBA球星训练大脑的神经科学家Louisa Nicola演示一个超简单却狠的脑力练习： 每天5分钟，拿个网球，对墙过手抛接（正手握法）， 左右手交替 进阶：戴眼罩（或闭一只眼） 再难：单腿站立 她说这能直接挑战手眼协调、反应速度和执行功能，帮大脑建“认知储备”，对抗衰退。 我试了3分钟就手忙脚乱 你试试 #大脑训练 #认知健康 #神经科学

写得真好