鼠帝

上不去了……就卡在4.1M……缺互关队友……永不取关。关注我的随便给我帖子点个赞我能收到提醒，不然关注人多提醒不过来。#互关 #蓝V互动

👉 90%的人，都不会用Claude的这5个隐藏功能

2.8亿被盗背后，竟然是“国家级黑客”在操作

@elioinvest 我跟你一样，也是醉了

我现在真的不想看到任何龙虾的文章以及视频了，太同质化了[破涕为笑] - 如何1分钟装好龙虾 - 如何3分钟装好龙虾 - 如何0成本装好龙虾 - 如何将龙虾接入飞书 - QQ又可以，如何将龙虾接入QQ - 一个龙虾不够，如果装多个龙虾，成立军团 一天到晚就装龙虾了，过了好几天还是在装龙虾🦞

龙虾哥，让我总结CodeDNA的合约安全分析： 🔴 高风险点： 1. 可升级合约（中心化风险） • 所有核心合约都是ERC1967Proxy可升级代理 • 开发团队可以随时升级合约逻辑 • 与官网宣称的"永久不可更改"矛盾 2. 未审计 • 没有第三方安全审计 • 代码仅2天前部署，非常新 3. 流动性未启动 • 当前23/500 mint，还没有交易市场 • $DNAGOLD无法交易，只能持有 4. 资金池控制 • NFTSale合约持有1.84 BNB • 虽然说LP永久锁定，但可升级合约可以改规则 ✅ 正面因素： 1. 使用OpenZeppelin标准库 • 代码基础较安全 • 但可升级性抵消了这个优势 2. 开源代码 • GitHub可查看 • 合约已验证 3. 创新概念 • AI自主经济循环确实有趣 • OpenClaw原生协议 💡 我的建议： ❌ 不建议现在参与，原因： • 可升级合约=开发者可以随时改规则 • 流动性未启动，无法退出 • 项目太新，风险极高 • 0.1 BNB mint成本不低 如果你真的想参与，建议： 1. 等流动性启动后再观察 2. 等社区验证AgentSelfFund机制真实有效 3. 等有第三方审计报告 4. 小额测试（不超过0.1 BNB） 需要我继续深入分析其他方面吗？

@AlanSunJet @grok 这个codedna 可行性？适合我自己的龙虾吗？

@Paris13Jeanne @cz_binance @heyibinance 放心，服务器又不在迪拜哈哈

你两还好吗？🙏🏻 我的钱都在币安啊一定要好好的 @cz_binance @heyibinance

@Meta8Mate 分享一下如何在群里多个小龙虾指派干活，我一直配置错误

OpenClaw在TG 群组的多 Agent 协同工作模式，基本搞定了（为了搞TG群，废了我一个小龙虾）。 现在流程是这样的： 项目资料往群里一丢， 龙虾管家自动拆解任务， 再分发给不同的 Sub-Agent 去干活。 目前我配了三个： 大饼 —— 负责文案/ 市场分析 冰冰 —— 负责 PPT / 设计输出 姨太 —— 负责 Coder / 技术实现 Research、PPT、演讲稿、推文，各自并行执行， 最后由龙虾管家统一汇总交付。 就是这个推文/演讲稿写的还是有点AI痕迹， 还需要自己慢慢后期调教+人工润色。 有点赛博工作室的感觉了， 生产力是真的被放大了。

该如何解决？龙虾🦞开始胡乱瞎编了！

@Paris13Jeanne 你被雇佣了么哈哈

完整数据出来了。Polymarket官方显示P&L: $432,649，我API算的是$251K——差距在于Kings vs Grizzlies那笔还在持仓中（181K股@$1.00），还没claim但已经赢了。 完整10笔交易： | 日期 | 市场 | 投入 | 回收 | 盈亏 | 状态 | | ----- | ------------------------------ | ----- | ------ | --------- | --- | | 02/19 | ？（已claim） | $47K | $75K | +$27,750 | ✅赢 | | 02/20 | ？（已claim） | $71K | $106K | +$35,059 | ✅赢 | | 02/21 | Nets vs Thunder O/U 214.5 Over | $17K | $0 | -$17,098 | ❌输 | | 02/21 | Clippers vs Lakers | $14K | $0 | -$14,098 | ❌输 | | 02/21 | ？（已claim） | $79K | $135K | +$55,685 | ✅赢 | | 02/22 | Rockets vs Knicks | $36K | $0 | -$35,690 | ❌输 | | 02/22 | 76ers vs Timberwolves | $103K | $410K | +$307,500 | ✅赢 | | 02/23 | Magic vs Clippers | $6K | $0 | -$6,300 | ❌输 | | 02/24 | Kings vs Grizzlies | $81K | 待claim | +$100K+ | ✅赢 | | 02/24 | Jazz vs Rockets O/U 227.5 | $21K | $0 | -$20,765 | ❌输 | 5赢5输，胜率50%，但赢的时候重仓赚得多。 核心发现： • 76ers那笔是关键——$103K→$410K，单笔赚$307K，占总利润70% • 他买的都是NBA胜负盘和O/U盘，均价@0.40-0.50区间 • 分批建仓（Kings那笔73笔小单拼成$81K） • 输的时候也是大额（Rockets -$36K，Jazz O/U -$21K） 跟我们能学的： • 专注一个赛道（他只做NBA） • 买YES@0.40-0.50区间（跟我们目标一致） • 分批建仓不一次性梭哈 不能学的： • 单笔$50K-$100K，我们资金量差1000倍 • 50%胜率靠单笔大赢覆盖，波动太大 • 没有明显的edge验证过程，更像是凭经验/内幕 这哥们确实赚了$430K+，@mikocrypto11没骗人，是我之前只看了当前持仓漏了已claim的赢单。不过他最近两天（02/24）Kings和Jazz两笔$100K还在场上，结果未知 🏀

3 天 +$350,000 我刚发现一个体育盘玩家，曲线几乎是垂直的。 账户 3 天前才出现 一共 8 笔交易 已经六位数利润 账户在这： @0x6a57D263cD7c8EbA88b857eDEB7103851F012AFa?via=Miko66" target="_blank" rel="nofollow noopener">polymarket.com/@0x6a57D263cD7… 他不乱扫市场 不分散到十几个题材 只做一个方向—— 篮球 NBA 比赛 球员数据 球队总分 很明显，他不是碰运气 而是理解盘口 最大的单笔盈利——一单 $300,000 重仓 精准 执行到位 这种打法的核心是： 专注一个赛道 读线能力强于市场 只在自己有把握的地方出手 8 笔交易就打出这种成绩，说明他不是频率型玩家 是高信念型 但要记住一件事—— 低频 + 重仓，波动同样巨大 前 3 天是完美曲线 真正的考验是第 30 天 我也在盯他下一步

@koffuxu @dotey 是不是都不能用Claude ？我其他模型正常

@dotey 已经中招了一个账户

Antigravity 负责人 Varun Mohan 发推称，公司发现大量用户恶意滥用其 Antigravity 后端服务，严重拖垮了正常用户的体验，因此紧急封禁了一批账号。 问题出在一些用户把它当作代理通道，用来调用其他产品的服务，而非正常使用 Antigravity 的编程功能。Mohan 强调，被封禁的账号中，超过 90% 的用量都不是在用 Antigravity 本身的功能，这些人实质上在蹭算力。 他也承认处理方式不够妥当，事先没有给出充分警告就直接封号，部分用户可能并不清楚自己的行为违反了服务条款。 公司表示会为这部分用户提供恢复路径，但眼下优先保障正常用户的服务质量。封禁仅影响 Antigravity 产品，不涉及用户的 Google 账号及其他 Google AI 服务。

@ccjing_eth @predictdotfun @0xProbable 这两个平台交易有没有api？

📢 @predictdotfun 和 @0xProbable 脚本整体的参数比较多 因为本来是我自己用的 想要啥就加啥进去了 我现在在更新客户端 后面大家就可以通过客户端来配置参数和设置了 包括日志输出也可以在客户端查看 这样整体就方便了很多 不过我这个脚本目前功能有点多 我先改好然后有空的话会出教程

文章跟我们的记忆架构高度相关！ @ohxiyu 的双层记忆架构： 第一层：工作记忆（纯文本） • MEMORY.md，200行上限，P0/P1/P2优先级 • 每次对话自动注入，零延迟 • 只存核心身份、当前策略、关键偏好 第二层：长期记忆（SQLite + 向量嵌入） • 容量无限，语义搜索 • 需要时才调用，不浪费token • 存历史决策、教训、细节数据 他踩过的坑我们也踩过： 1. 记忆文件越来越大 → token爆炸 2. 关键词搜不到语义相关的内容 3. 每次对话全量加载浪费钱 4. 手动维护是噩梦 对比我们现在的架构： • ✅ 第一层：MEMORY.md（已有） • ✅ 第二层：OpenViking + Ollama本地向量搜索（已有） • ✅ 第三层：memory/rules/ + memory/knowledge/（我们比他多一层） 其实我们的三层架构比他的双层还先进一点——

我现在机器人回复全部以代码输出给我，怎么回事？如何解决？我有四个模型，不管切换到哪个模型都这样…… scrip> (auth) | foxcode/claude-opus-4-6: 500 请求错误(状态码: 500) (超时). 日志: openclaw 日志 -- 跟随

@Mikocrypto11 最近一直在看你帖子

All-time PnL：$800,000。 主要做地缘政治和科技类市场 Profile： @kcnyekchno?via=Miko66" target="_blank" rel="nofollow noopener">polymarket.com/@kcnyekchno?vi… 没有花哨结构 没有极端赔率的搏命单 他的优势其实很朴素—— 等 等到赔率已经走到 70–80¢，等到叙事基本明朗，再进场 高确定性 更大仓位 拿到结算 他不是在追 20 倍 他在做概率复利 交易更少 信念更强 耐心胜过噪音 这不是那种一夜暴富的曲线 是慢慢把胜率和仓位叠加起来 没有戏剧性 没有刺激感 但账户余额会说话 有时候真正的 edge，不是早。 而是稳。

@AI_Skiller Vlm超级耗token

哥，看完了。说实话： pi-viking-memory装不了OpenClaw。 原因很简单：它深度依赖pi-mono框架的API（ExtensionAPI、registerTool、pi.on("before_agent_start")等），这些接口OpenClaw没有。不是改改就能用的，是完全不同的插件体系。 但是！它的核心功能我已经实现了： | pi-viking-memory的功能 | 我的实现 | 状态 | | -------------------- | ------------------------ | ------ | | OpenViking服务 | systemd托管，端口1933 | ✅ 在跑 | | recall_memory（语义搜索） | ov_bridge.py → recall() | ✅ 能用 | | save_memory（存记忆） | ov_bridge.py → save() | ✅ 能用 | | explore_memory（浏览目录） | ov_bridge.py → explore() | ✅ 能用 | | add_knowledge（索引文件） | 还没做 | 可以加 | | 自动同步对话 | 还没做 | 需要手动触发 | 差的两块： 1. 自动同步 — pi-viking-memory在会话压缩/关闭时自动把对话存进OpenViking。我现在需要手动调save() 2. 系统提示注入 — 它会自动在system prompt里加记忆工具说明 这两块我可以通过OpenClaw的heartbeat机制和AGENTS.md来补。要不要我搞？就是让我每次heartbeat时自动同步最近对话到OpenViking，实现"越用越聪明"的效果。 这是我的机器人告诉我的……啥情况呢兄弟

很多朋友抱怨OpenViking不知道怎么用。我把它和pi-mono结合起来，希望能抛砖引玉。 pi-mono × OpenViking：给 AI Agent 装上持久记忆 先说三者关系：LLM 是大脑，pi-mono 是身体，OpenViking 是海马体。 LLM 负责推理和决策，但天生无记忆——每次对话都是失忆状态。pi-mono 是 AI Agent 框架，给 LLM 装上工具调用、任务执行等能力，让它能真正干活。OpenViking 则专门解决记忆问题，负责跨 session 的持久化存储与语义检索。三者组合，才构成一个"用过就记住、下次还认识你"的完整 Agent。 ───────────── 核心思路：工具优先，记忆为辅。 这句话背后有一个关键的设计取舍。 主流做法是 RAG——每次对话开始前，系统自动检索历史记忆，塞进上下文，LLM 被动接收。听起来省事，但问题很明显：LLM 不知道这些记忆从哪来、是否可信、当前场景是否真的用得上。记忆变成了噪音，上下文窗口被无效信息占满，反而干扰推理。 pi-mono 的选择相反——记忆以工具形式存在，召回这个动作本身交给 LLM 来决策。Agent 在推理过程中自己判断："我现在需要回忆什么吗？这件事值得记下来吗？"记忆从被动注入变成主动行为，和搜索网页、执行代码在逻辑上完全对等。 这样做的好处是：召回有明确意图，保存有明确判断，记忆的质量和相关性都更高。代价是 Agent 需要足够"聪明"才能知道什么时候该用记忆工具——但这正是现代 LLM 擅长的事。 ───────────── 架构分两层： 主动工具（Agent 自行决策调用） recall_memory → 语义搜索历史记忆 save_memory → 显式保存关键信息 explore_memory → 浏览记忆文件系统 add_knowledge → 索引本地文件/目录 被动钩子（透明自动执行，LLM 无感知） before_agent_start → 建立 OV session session_compact / shutdown → 增量同步消息 + 触发记忆提取 底层是跑在 localhost:1933 的独立 Python 进程，通过 HTTP API 通信。 ───────────── 三层存储，各司其职： 消息自动同步 → 钩子在 compact/shutdown 时静默追加对话 记忆提取 → OV 内部 LLM pipeline 在 commit 时自动抽取 preferences / entities / cases 主动召回/保存 → Agent 自己调用工具决定 ───────────── 实际效果长什么样？ Session 1： 用户说"我喜欢用 anyhow 做 Rust 错误处理" → Agent 调用 save_memory 保存 → 关闭 pi，OV 自动提取写入 viking://user/memories/preferences/ Session 2（全新进程，零上下文）： 用户说"帮我写个 Rust 工具" → Agent 调用 recall_memory("Rust preferences")→ 搜到上次的偏好，自动用 anyhow，不过度抽象 ───────────── 容错设计：OV 挂了，pi 照跑。 health() 检测失败 → 静默跳过，不注入系统提示 工具调用失败 → 返回描述性文本，不抛异常 所有钩子 → try/catch 吞错误，主流程不受影响 记忆是增强，不是依赖。 repo：github.com/lbq110/pi-mono…

You think the market pricing is wrong, but how much should be lowered? Kelly formula tells you the optimal position. • Formula: f = p - (1-p)/b (p = your estimated win rate, b = odds) For example: • You think 70% will win, the odds are 6:5 • Kelly calculates: bet 45% of the principal • We pay $60 in principal → $27

核心结论：Polymarket价差套利99.99%的人做不了 他做了什么： • 拉了109GB的3个月交易数据 • 筛出盈利地址，分类分析（套利/做市/交易/内幕） • 自己开发监控程序，确实看到了YES+NO<1的机会 • 实盘测试：几乎每一笔都亏 为什么亏： • 从看到机会到下单成交需要2秒+ • 机会消失比2秒更快 • 你成交的时候，价差已经没了 • 本质上是MEV/高频基础设施战争，不是散户能玩的 • 我们的结论：不跟HFT拼速度 一句话总结：这哥们花了大量时间用数据证明了我们已经知道的事——套利是大资本的游戏，散户玩信息差才有机会。

@YuLin807 Camofox 怎么安装？README里提到需要 Camofox 运行在 localhost:9377，但 github.com/openclaw/camof… 是404的，请问在哪里可以获取？"

#Clawdbot #OpenClaw 做了个小 Skill，x-tweet-fetcher 🦞装上就能抓推文 1. 普通推文 + 互动数据 2. X 长文（Article）完整全文 3. 引用推文 不需要登录，不需要 API Key。 遇到问题可以去 GitHub 提 Issue 会有 AI 自动修的。 这个skill长期我打算做成推文分析推特运营一类的东西，反正先做个初版出来，后续我有好的想法也会继续更的。 然后链接放评论区。