@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 github.com/sou350121 en - @MathsTrading
Watch patiently, then trade.
- Tweets 2,342
- Following 475
- Followers 1,612
- Likes 1,480
Pinned Tweet
更新一下自已的介紹.
TradingView 5 年策略作者｜專注「公平回測、真實有效」
社區 5,000+ followers, tradingview以華人來說不錯.
大量被tradingview社區認可的公開有效strategy.
零未來函數、零回測作弊.
最多認可的strategy 有2.6K boost.
會一直分享 代碼、工具和交易觀察
1
7
1,149
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。
2
1
207
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。
3
2
179
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/openai-r…
1
4
176
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
2
228
「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/d41586-0…
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/s00146-024-0…
1
4
156
🔹 「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/infere…
1
104
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。
236
cursor 發佈了最新的功能 Grind
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-best-p…
2
1
163
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」
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 message → 提交 → 推送 → 开 PR；
或者反复说「帮我 review 一下这段代码，有没有 bug、性能问题、有没有更好的写法」。
单次不复杂，但高频、重复，非常消耗注意力。
Slash Commands 本质上就是：把你经常对 AI 说的一整段话，变成一个一键命令。
在 .claude/commands/ 目录下放一个 Markdown 文件，文件名就是命令名，内容就是提示词。
以后不需要再解释一堆背景，直接 /review、/commit-push-pr，Claude 就知道该干什么。
更爽的是，这些命令不是“玩具级”的。
你可以把一整套工程化流程写进去：
比如 commit message 规范、PR 描述结构、测试失败怎么处理、重构原则是什么，全部固化下来。
久而久之，你不是在「用 AI 写代码」，而是在用 AI 执行你的开发 SOP。
还有一个我觉得被低估的点：参数化命令。
用 $ARGUMENTS，你可以做搜索、查文档、针对某个模块操作的命令。
比如 /doc React hooks，Claude 自动在项目文档 + 官方文档里帮你查、总结、给示例。
这类命令一旦做顺了，基本就是你的私人 CLI + AI 助手。
Slash Commands 和 Subagents 也很好区分：
前者是「省掉重复输入的快捷方式」，
后者是「需要独立上下文、并行执行的复杂任务」。
不要纠结谁更高级，用对场景就行。
我最认可的一点是：这些命令可以直接提交到 Git。
.claude/commands/、CLAUDE.md、权限配置，全都版本化、团队共享。
个人的效率习惯，会慢慢变成团队的工程资产。
一句话总结就是：
如果你发现自己经常在对 Claude 说同样的话，那这件事就值得被做成一个 Slash Command。
单次可能只省几秒，但每天用几十次，效率差距会被无限放大。
3
1
140
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）
2
158
VisionOS 的工作已整理好, 都開源到github.🙌
歡迎交流
#vibecoding #Robotics
硬件vibe项目: 用之前做的VisionOS实现了摄像头手势控制灵巧手🤖🖐️
摄像头追踪手部 21 个关键点 → 计算手指弯曲度 → 实时驱动灵巧手
硬件vibe项目的核心是：你是 AI 的眼睛和手。AI 写代码很快，但不知道现实世界发生了什么。
我体会到困难点和技巧如下👇
1
2
155
硬件vibe项目: 用之前做的VisionOS实现了摄像头手势控制灵巧手🤖🖐️
摄像头追踪手部 21 个关键点 → 计算手指弯曲度 → 实时驱动灵巧手
硬件vibe项目的核心是：你是 AI 的眼睛和手。AI 写代码很快，但不知道现实世界发生了什么。
我体会到困难点和技巧如下👇
2
2
471