已手搓成功，感兴趣的可以阅读搞一个

千亿帝国 Palantir 为什么长期给新员工发表演书？ 身价百亿、前 Scale AI 创始人兼现任 Meta 首席 AI 官、muse负责人的 Alexandr，给出深度拆解： 不是教你搞诈骗，而是在复杂的企业级市场里，用顶级剧团的气场把好产品的价值放大十倍， 这也几乎讲透了企业级商业最残酷的一句大实话： 在大客户的世界里，观感往往比现实更真实，因为现实通常太丑陋、太痛苦了，几乎没人真有勇气去面对现实。 很多做技术和产品的人，总迷信好产品自己会说话， 觉得只要数据过硬、代码优雅，真相自己就会浮出水面。 但 Alexandr 在视频里聊起他在 Dropbox 的惨痛经历： 当年他们在 Dropbox 辛辛苦苦做出了好软件，每次刚一上线，竞争对手两天后就宣布也上线了同样的功能， 他们过了很久才恍然大悟：对方根本连代码都还没写，但他们极其擅长把观感先讲出去，把客户的预期死死占住。 等他后来创办估值接近 140 亿美元的 Scale AI、直面军方和政府大客户时，他才彻底看懂这个游戏的底层规则。 在政企和大公司的现实世界里，数据驱动的理想主义极度罕见。 现实的混乱和落后让人无法直视， 大家宁愿相信自己活在其中的那层体面观感， 如果你只顾着在后台改善现实，却不去前台塑造观感， 你的好产品就会被对手那些包装得天花乱坠的烂产品当场碾压。 这也是为什么千亿巨头 Palantir 会把自己做成一家剧团加软件公司的混合体， 甚至长期给每一个刚入职的新员工发一本专业的演员表演指南。 他们的超能力，不是代码比别人快多少， 而是他们极度擅长让客户从心底里确信：如果没有 Palantir，自己的生意就会差上整整一个数量级。 做企业产品和销售，改善现实和塑造观感，两件事同样都是你的本职工作。 你不是要去打败客观现实， 而是要学会用更好的观感，去压过市场上那些粗制滥造的烂观感。 说白了，交付真实的产品价值是你的底线， 但学会把价值翻译成不可动摇的信任与安全感， 才是决定你能否在商业牌桌上赢走大客户的胜负手。

You can basically work with agents to write markdown skills and put it on a cron job and do almost every useful type of knowledge work now

📱 想要一个美国号码，但又不想花钱？ 今天把 Twilio 免费获取美国号码 的完整流程整理了一遍。 从注册 → 验证 → 选择号码 → 配置短信，到实际怎么使用，全部一步一步写清楚。 很多人卡在注册和号码选择这一步，其实流程没有想象中复杂。 这篇直接照着做就行👇

我将我 5 月份到 8 月份的 AI Native 实践写下来。特别围绕让 AIGC 进入自己整个日常工作流程，从写代码走向全面信息吞吐和业务交付。

YouTube搬运还在手动下载、扒字幕、一句句翻译？那你已经慢人一步了。 开源工具Y2A-Auto，丢个YouTube链接进去，下载、AI识别和翻译字幕、压制字幕、生成中文标题简介标签，再自动投稿到A站或B站，整个过程不用你管。 更狠的是，它能盯住指定频道，一出新视频就自动搬。 怕翻车？它自带字幕质检和人工审核。支持Docker一键部署。 🔗 github.com/fqscfqj/Y2A-Auto

兄弟们薅完.com域名别浪费啊，接入Cloudflare实现无限邮箱，.com结尾的邮箱可比其他杂七杂八的邮箱权重高。打开Cloudflare的邮件路由。

墙内外的赚钱信息差！！！！ 第六期： 1、我堂弟在国外yahoo、mercari、poshmark等二手平台，买大牌饰品，因为重量轻、体积小，运到国内花2000，但挂到咸鱼，由于品牌溢价，能卖5000左右！！一单利润3000。干了半年提宝马五系！ 2、小红书上有个账号，专门把reuters、bloomberg、wried这些国外的热门期刊和资讯，翻译成中文，转手拿到小红书上卖98，三个月卖了两万多份！ 3、国内的"数字人直播"教程，本质上是把国外的HeyGen、D-ID等工具的官方文档和案例，改成中文实操版。然后去找想做短视频的老板卖数字人教程，定价2988，无本万利！ 4、有人每天蹲守X和Reddit上的热门创业话题，把干货帖子整理成“冷门搞钱思路”，发到知识星球收费，订阅者大几百。 5、国内很多AI绘画教程账号，其实就是把国外的Midjourney提示词案例库翻译搬运过来，配上中文操作截图，一份卖99，三个月卖不到一万单来找我！ 6、Dan Koe的Newsletter、X长文、YouTube脚本，有人系统整理成“个人品牌方法论"知识库，包装成付费社群卖给想做IP的人。 7、小红书上的“AI写作技巧“博主，很多是从国外AI工具社区（如ChatGPT Prompt Engineering） 扒来的提示词，包装成自己的课程。 墙内外的信息差真的太多了！！！ 你只需要做个中介，把某个平台的内容，包装一下，发到其他平台，就能赚盆满钵满！！！！

很好奇 怎么把985研究生校花调教成这样的？

斯坦福大学 2026 秋季新课 CME 295: Transformers & Large Language Models 已开课（第二讲公开） @stanfordnlp 这门课程由双胞胎兄弟 @afshinea @shervinea 主讲，9 讲走完 LLM 全部版图：从 Transformer 架构、注意力变体、RoPE，到 LoRA 微调、RLHF/GRPO 训练，再到 Flash Attention 推理优化、MCP 与 AI Agent、扩散语言模型。 第二讲共 138 页讲义，在第一讲“Transformer 基础”之上，回答一个核心问题：从原始 Transformer 到 GPT 这类现代大模型，中间发生了什么。全讲按五条主线展开：模型家族 → 缩放定律 → 专家路由 → 架构优化 → 解码与提示词策略。 讲义在这：cme295.stanford.edu/slides/f… 模型家族：对 Transformer 做减法 Encoder-only（BERT）：双向注意力编码语义，靠 MLM + NSP 预训练，必须微调才能用，不适合生成。 Decoder-only（GPT）：因果注意力自回归生成下一个 token。现代 LLM 几乎全是这一形态（GPT、DeepSeek、Qwen、GLM、Kimi…）。 Scaling Laws：为什么要大 Kaplan 2020：更大模型 + 更多数据 → 性能可预测提升，且大模型更省样本。 Chinchilla 2022：固定算力下最优比例约为 20 token / 参数——从堆参数转向堆数据。 LLM 定义：给 token 序列分配概率，量级为参数 10B+、数据数千亿 token、大量 GPU。 MoE：参数大、计算省 用多个专家 FFN 替换单个 FFN，门控逐 token 只激活 top-k 个专家。 难点是 routing collapse（总选同一专家），用辅助负载均衡损失解决。 趋势：共享专家 + 细粒度专家。现状：前沿开源模型总参数 0.5T–1T、专家数百个，但每 token 只激活约 6–8 个。 架构优化：四条正交演进线 位置：编码绝对 → 相对 → RoPE，重点是 RoPE 旋转 q/k，内积只依赖相对距离，是当前默认 注意力：稠密 → SWA，重点是滑动窗口只看近邻，类 CNN 感受野，多层堆叠扩大范围 KV 头：MHA → MQA → GQA，重点是组内共享 K/V，给 KV cache 瘦身，当今主流 归一化：Post-Norm+LayerNorm → Pre-Norm+RMSNorm，重点是深网络训练更稳、计算更简，现代标配 解码策略 贪心：取最高概率，局部最优 ≠ 全局最优；Beam search：保留 k 条路径，贵且仍缺创造力。 采样：top-k（前 k 个）或 top-p（累计概率达 p 的自适应集合）；温度 T 调节分布尖平，低 T 事实性、高 T 多样性。 即便 T=0 也难完全确定（浮点并行的非结合性）。 Guided decoding：每步屏蔽不合法 token，保证 JSON 等格式有效。 上下文与提示 量级：上下文 O(1M)、输出 O(100k) 且边界正在消失。换算：1 页 ≈ 500 token，10 万 token ≈ 一本书。 Context rot：窗口更长 ≠ 用得更好，长输入会拖累性能。 提示三范式，性能与成本同升：few-shot ICL（给示范）→ Chain-of-Thought（先推理后作答）→ Self-consistency（多路径推理投票）。

想系统搞懂 RL + LLM 训练，可以看看 UCLA 这门公开课《大语言模型的强化学习》。 课程不只是讲公式，而是从强化学习基础一路讲到 LLM 对齐训练： ① MDP、策略梯度、A3C、PPO 等核心算法 ② NLP、语言模型、RNN 等 LLM 前置知识 ③ RLHF：数据收集 → 奖励模型 → 微调 ④ 可验证奖励强化学习与安全对齐 ⑤ 配套 Jupyter 代码、作业、视频和课件 理论和实践都有，适合想把 RL 到 LLM 训练这条线真正串起来的人。 🔗ernestryu.com/courses/RL-LLM…

SDLC → ADLC Software development is shifting from human handoffs to agent-driven execution. ① Capture intent ② Design with agents ③ Build with context + skills ④ Continuous evals ⑤ Review gates ⑥ Production signals The shift: AI is reshaping how software gets built. #AI

前xAI联合创始人的深度好文: <数学是终结了，还是仅仅毕业了？> 克里斯蒂安·塞格迪 (前xAI联合创始人) 2026年10月3日 毕业 青少年时期，我在匈牙利最负盛名的学校就读数学特长班。我们每周有八小时的数学课，还有专门的辅导课来备战国内和国际竞赛。我甚至在巴拉顿湖畔参加的一个为期一周的夏令营里遇到了我的前妻，我们在那里唯一的任务就是钻研国际数学奥林匹克竞赛的题目。我的青春岁月几乎都投入到了解题之中。 高中期末考试结束后的头两个小时是我人生中最自由的时光。我们整整复习了一周，涵盖了五门科目的大量知识点，最后一门考试结束后，我如释重负：终于结束了！然而，随之而来的是一阵空虚。我突然意识到：以后再也没有比赛了。倒不是说我特别喜欢比赛，而是它已经成为我生活不可或缺的一部分。我们非常认真地对待比赛，并且由衷地敬佩那些取得好成绩的人。在匈牙利全国比赛中进入前十名就足以获得真正的认可，更不用说入选国际数学奥林匹克国家队了。我从未接近过国家队，但融入到围绕着国家队的群体中，却是我生命中最重要的一部分。 两个小时后，一种悲伤的空虚感袭来。没有了比赛，没有了备战，没有了刺激。没有人再指导我，也没有人再关心我。多年来，我第一次失去了训练的目标，没有了训练，我不知道自己是谁。这种感觉糟透了，仿佛失去了生命中至关重要的一部分。我难过了好几天。 丛林 想象一片无边无际、未知的荒野：丛林、沙漠、嶙峋的山脉、宽阔到足以吞噬村庄的河流。现在想象一下，你用一生去探索这片荒野。这，大致就是纯粹数学研究的感受。让我来解释一下这个比喻。 这里的地形险峻却又壮丽，有点像达连地堑，但探索起来更加困难。新手几天之内就会迷路，染上疟疾死在丛林里，或者被野生动物吃掉。探险家的工作主要有三方面。首先，他们绘制地形图，这有助于他们快速找到最美的地方，并探索合适的区域。其次，他们寻找自然资源，因为探险需要资金。他们本身并不在意经济回报，但他们必须找到支付旅费的方法。第三，他们发明和制造各种工具来帮助他们完成探险。 为了更清楚地说明这个比喻：终身教授可以自由探索任何他们感兴趣的领域，但学术界仍然会根据他们的贡献来评判他们。最受认可的往往是那些历经艰辛攀登高峰，并在山顶绘制出粗略地图的人。人们最钦佩的不仅是最终的成果（地图），更是其背后英勇无畏的努力。如果这座山峰险峻到之前的探险者都未能登顶，那么你将会真正受到人们的敬仰。兰兰兹计划正是这样一项成就。找到一条连接两个遥远地区、使人们能够在其间通行的河流，同样具有极高的价值。 工具固然重要，但它们不像惊世之作那样具有非凡的成就。如果你创造了一种被广泛使用的新工具，例如矩阵的伪逆或3-SAT问题的NP完全性，你固然会声名鹊起，但你获得的赞誉远不及征服一块看似无用、许多人尝试攀登却都失败的巨石的人。事实上，在你用它攀登一块前所未至的巨石之前，没有人会相信你的工具真的有用。 最后，当你发现有价值的矿藏时，你会赢得一些尊重：这确实能造福普通人，也就是那些非探险家。如果你发现椭圆曲线可以用于密码学，大多数数论学家可能并不在意，但他们会在申请科研经费时提及此事。如果他们的“资助者”认为附近可能存在更多矿藏，这无疑会有助于他们获得探险经费。然而，探险家（数学家）们最关心的还是美丽的景色、探索的刺激，以及最重要的是，征服一块难以攀登的岩石所带来的同行的敬仰。这些岩石（猜想）本身通常并不那么有趣，但它们可以作为测试新攀岩工具的试验场。不过，偶尔也会有岩石被浓雾笼罩，而更罕见的是，它竟然是一座雄伟的山峰。从山顶，你可以眺望更远的地方，探索更有趣的地形。归根结底，这就是人们留下的原因：不是为了地图或金钱，而是为了那难得的时刻——一块无人问津的石头突然变成了一座山，整个地形在你脚下豁然开朗。 飞机 每一次革命，起初都像玩具。莱特兄弟的首次飞行持续了十二秒，飞行距离甚至不及一架巨型喷气式客机的翼展。人工智能如今在数学领域所处的阶段，大致也与之类似。直到今年，我们的飞机还极其简陋：飞行距离只有几百米，飞行高度也只有几米。它们的价格仍然高得离谱，而且用途也十分有限。但它们进步神速，在过去的几个月里，它们的航程和可靠性已经足以飞抵达连地峡而不坠毁。我们甚至在几块从未有人攀登过的岩石上成功着陆（我们解决了一些猜想）。这些飞机仍然非常原始，飞行时间不到半小时，速度和高度都很低，而这些飞行的成本远远超过了探险家们当年亲手打造的工具。 航空公司非常自豪地在一些大岩石上插上了旗帜，全然不顾探险家们正忙着攀登，而且已经接近顶峰。他们认为这是科技进步的伟大象征，并期待探险家们会因为探索丛林深处的速度大大提升而感到兴奋。然而，探险家们却很不高兴：“请不要在我们的岩石上插旗。这会阻止其他探险家尝试攀登。而且，我们已经爬过其中一些了。说实话，这些岩石并不怎么有趣。我们爬这些岩石是为了磨练和测试我们攀登真正高山所需的工具，而你们的飞机飞不到那么高的地方。不过，你们能不能送我们几架飞机作为礼物？我们想测试一下，看看它们有什么用途。” 当然，探险家们很沮丧。这一切来得太突然了，早期的飞机看起来又原始又没用。他们当中有些人试飞后，就在丛林边缘坠毁了，场面十分滑稽。谁能想到这些飞机竟然能“突然”在岩石上插旗呢？真是可笑，对吧？ 但认为飞机无法到达真正的山顶（解决最棘手的问题）或绘制大范围区域的大致地图（构建理论）的观点是一种静态思维谬误。与几个月后，更不用说几年后相比，今天的飞机还很原始。 当然，仅仅为了磨练攀岩工具而攀岩，这种做法终将失去意义。这些工具或许在今天仍然至关重要，但这种情况不会持续太久：私人飞机将会无处不在，任何负担得起的人都会包机降落在任何岩石上，甚至是山峰上。 另一方面，在随机的岩石上插旗目前只不过是一种技术演示或公关手段。这种做法很快就会过时，但航空公司仍会继续利用这片地形来测试和改进他们的飞机，就像数学家们过去利用岩石来磨砺他们的工具一样。 一旦飞机变得便宜，我们也会发明卫星。我们会绘制整个地形的矿藏和其他宝贵资源地图，然后进行开采。这会很混乱也很脏乱，今天的探险家们会对这种做法破坏他们美丽的丛林感到无比震惊。他们会怀念过去的美好时光。他们会说，这不再是探险，而是一项商业活动，大型企业正在破坏他们曾经如此热衷探索的地区。他们说得没错，但这不会改变什么，大型公司仍会在那里发现难以想象的财富。 当然，攀岩不会过时。许多新的、更休闲的探险者甚至可能会加入：包机飞往自己心仪的岩壁，在工具店购买合适的工具（而不是自己手工打磨），然后和朋友们一起攀登。体能稍逊的人会乘飞机去寻找更加雄伟的山峰，或者从远高于任何山峰的飞机上俯瞰整个山脉。昔日的那种氛围和刺激将一去不复返。数学将比昔日英雄探险时代更加辉煌、实用，同时也更加平凡。 你要去哪里？ 不要低估人工智能的未来。那些声称人工智能无法进行推测、无法进行理论构建、也无法解释的怀疑论者，描述的不过是去年春天的模型。几个月后，他们的说法将不再适用。证据已经摆在眼前，明眼人皆可看清。如今，任何“它做不到X”的说法都难以长久，任何以此论断为立足点的人都如同在沙滩上筑巢。 并非所有数学家都持怀疑态度。一些人早在人们意识到这一点之前就预见到了，还有一些人很早就接受了这一趋势，包括我的兄弟巴拉兹、我的朋友贾里德·杜克·利希特曼、迈克尔·R·道格拉斯以及其他许多人。数学家们以饱满的热情和客观的态度从事研究工作。正因如此，他们对那些为了公关宣传而插上的旗号感到愤怒：他们的标准很高，但思想并非封闭。同样的标准也将使他们成为对人工智能未来发展最严格、最权威的评判者。一个重视实际成果而非营销的群体，将会欣然接受任何能够带来真正成果的事物。 学术界不会迅速改变。大学、期刊和终身教职委员会在未来几年内都不会有太大变化。但它们所奖励的东西将会发生根本性的转变。数学界一直以精英主义为傲，对那些能够攀登他人无法企及高峰的探索者们怀有深深的敬意。这种特殊的英雄主义将不再那么重要，其他技能将变得更加重要：选择值得探索的领域、指挥机队以及向世界解释他们的发现。对于体系中的许多人来说，这会感觉像是降级，有些人会奋起反抗。其他领域也经历过类似的变革并幸存了下来。没有什么会真正消亡。改变的是真正重要的事物以及谁会因为什么而受到尊重。 许多数学家都会有我高中毕业、竞技生涯结束后那种感觉：迷茫，以及突然失去目标。那些曾经的竞争、那些老旧的衡量标准和来之不易的工具，都将不再具有它们原本的意义。这种悲伤是真实的，我不会否认。但这不会持续太久。数学即将毕业。它将发展成为一个成熟的产业，成为所有科学技术进步的真正基石，成为其他所有领域赖以生存的基础，而不是学术界一个安静的角落。孤胆攀登者的时代即将落幕，绘制整个大陆地图的时代即将开启。至于我，我已经迫不及待地想乘坐超音速飞机，俯瞰那些绵延的山脉了。

上海人工智能实验室有免费的DeepseekFlash 科研导向 比官网API智商还高 每天签到领五亿token 入口:discovery.intern-ai.org.cn/

30 岁，每天用 AI，觉得 Agent 太强了，路在哪？ 看见知乎这条，戳中的是同一种焦虑：不是怕被替代，是怕“再等等”。 我的答案很土： 别空想，挑一个你熟的行业场景，做一个能上线的小东西。 做完你就知道，哪部分被替代了，哪部分才是你的钱。 但是光焦虑，光想是没用的，要执行起来，只要你做了，就超越了绝大部分人。 14 年码农的判断👇

麻省理工那本火出圈的深度学习教材，居然有完整免费中文版，这事你知道吗？ 《深入理解深度学习》从基础一路铺到神经网络、CNN、Transformer、扩散模型、强化学习这些核心内容，而且每章都配了 PPT + Python 练习代码，拿来系统自学相当合适。 关键在于：原版免费公开，中文版也有人完整翻译整理好了。 原书地址：udlbook.github.io/udlbook/ 中文地址：github.com/exacity/deeplearn…

Alexandr Wang 说了一句让技术流创始人集体沉默的话。 “做技术的人习惯了数据说话，觉得东西更好、数字更漂亮，客户总会识货” 他直接点破：大公司不是这么运转的，政府更不是。 在那些客户眼里，感知比现实更真实。 真实的业务现状太难看了，没几个人愿意直面。 大家要的不是真相，是一套能让自己在系统里安全生存的叙事。 所以更好的产品照样被踢出局。 买方根本没在评测产品，谁掌控了感知，单子给谁。 他甚至点名 Palantir：表面是软件公司，底色是个剧团。新员工入职，真的会发一本戏剧表演书，发了整整好多年。 做企业级市场，改写现实只是一半的工作； 塑造一套客户愿意相信的说法，是另一半。 技术人最容易栽在这道坎上： 你的东西确实碾压竞品，但坐在对面签字盖章的人，自始至终连看都没看屏幕一眼。

刚看完 @Meta 首席AI官，muse负责人 @alexandr_wang 在 SPC 闭门访谈里聊竞争的这 3 分半钟，我心里真的挺触动的， →商业世界里最大的陷阱，就是过于理智地看待竞争， →为什么 Palantir 和 Scale 能从死人堆里杀出来？ 看完这段视频你才会明白：真正的赢家，从第一天起就盲目相信自己做的是上帝送给世界的礼物。 做产品、写代码或者自己折腾项目的兄弟， 应该都懂那种折磨人的感觉： 你刚萌生一个觉得挺酷的想法， 一抬头，发现市面上早就有一堆人甚至大厂在做类似的东西了。 这时候人特别容易犯多疑症，脑子里全是他们比我有钱、技术比我强，我可能一开局就落后了，越想越不敢动手。 当年他在 YC 刚开始做 Scale 时， 亚马逊的 Mechanical Turk 早就人尽皆知， 周围到处都是竞争对手。 主持人问他：你当时真的不害怕吗？ 他说了一段我回味了很久的话， 他说要活下来， 其实需要一种听起来甚至有点讨人厌的品质， 叫气势很冲的非理性自信。 他讲了个现场的小插曲特别生动： 有一次他和 Palantir 的核心高管一起去见政府客户， 那个高管当着所有人的面极其狂妄地对客户说： 你们今天没选 Palantir 也没关系， 但你们以后一定会后悔的， 要是从一开始就选我们， 你们会开心得多， 因为没人能做出比我们更好的软件， 不过没关系，你们以后迟早会回头找我们的。 理性旁观者听完可能会觉得这人是不是疯了， 甚至觉得这套话术嚣张得让人不适。 但 Alexandr 说，这其实正是 Palantir 能赢的核心配方： 他们从骨子里就盲目相信自己做出来的软件是上帝给地球最好的礼物，没有任何人能做出哪怕接近的东西。 这种看似毫无依据的狂妄，最终变成了一个正向强化的自我实现循环。 这段话之所以让我印象深刻， 是因为我们这些受过良好理性教育、习惯凡事权衡利弊的大厂牛马和开发老哥们，往往最缺的就是这种近乎野蛮的心态。 理性会不断列出你打不过别人的 100 个客观理由， 但商业竞争从来不是在纸面上比参数。 你要真想杀出重围，就必须在第一天就盲目相信自己能招到比别人更好的人、能做出更锋利的产品决策、愿意在别人不愿在意的细节上多走一步。 他说自己从小打数学竞赛和编程竞赛，被虐过无数次，最后总结出来的解法反而极度纯粹： 六个月前他问一个 18 岁的 YC 创始人怎么看待周围一堆竞品，那个年轻姑娘连想都没想就回了一句： 竞争有什么好想的，放马过来，做得比他们更好就行了。 这句话听起来像没过脑子的冲动， 但在创业这件事上，可能真的就是唯一的解药。 很多时候困住我们的根本不是门外的对手，而是我们自己脑子里那些过于理性的自我怀疑。 既然上了牌桌，与其每天盯着别人有多强自己吓自己， 不如气势冲一点，就信自己能把东西做得更好。 大家在做项目或工作时，遇到强得离谱的竞争对手，第一反应是容易被劝退自我内耗，还是也会有一股放马过来比比看的心气呢？ 我以前创业的时候经常被大厂入局的消息吓得失眠， 后来发现他们大部门推个功能要半年，只要自己动作够快、敢死磕细节，其实真没什么好怕的。

TradingView 的 Pine Script 生态，终于有人整理成了一份真正能当导航站用的开源清单了 awesome-pinescript，1.9K Stars，MIT 开源，一份专门收集 Pine Script 指标、策略、工具和自动交易资源的仓库。 以前学 Pine 脚本，最烦的是东拼西凑：官方文档一套、社区脚本一套、指标合集一套、自动下单又是一套。 它不一样，从 2020 年维护到现在，把官方资源、社区、指标、策略、库、自动下单、开发工具、学习资料分门别类全收进去，每个还带一句话说明。 核心能力： 1️⃣ 官方资料：Pine Script v4 / v5 / v6 文档、语言参考、更新日志都整理好了 2️⃣ 指标合集：趋势、成交量、Market Profile、相关性、VIX、周期分析等大量公开指标 3️⃣ Screener：板块异动、超买超卖、批量股票扫描、TradingView Screener 工具都有 4️⃣ 策略模板：MACD、均线交叉、止盈止损、Portfolio Backtesting 等现成策略可以直接研究 5️⃣ 自动交易：整理了 Python、JavaScript、Webhook、Telegram、交易机器人等执行方案 6️⃣ 开发资源：Libraries、代码工具、Style Guide、Best Practices 和学习教程都集中在一起 它最值钱的是自动下单那一栏——大部分人卡在指标画出来了，但怎么接实盘这一步，这里把 Python / JS / PHP / Chrome 各种开源桥接方案都给你列好了。 找指标、找策略、找 Screener、找自动下单方案，先来这里翻一遍，能省不少时间。 做 TradingView、Pine Script、量化策略或者自动交易的，这个建议直接收藏。 github.com/pAulseperformance…

小路带你看大厂系统架构-- Cloudflare K2 Cloudflare K2 是一个无服务器的事件流服务，你把事件（比如页面浏览、交易完成）发到一个流里，它按顺序存成日志，多个消费者可以各自按自己的节奏来读，哪怕消费端宕机很久也不会丢数据。它的底层直接用 R2 对象存储来存日志，所以容量很大、保存很久、成本也低，适合大批量的数据流转和多方分发，不适合要求低延迟或逐条重试的场景。 在 AWS 生态中，它在功能上对应 Amazon Kinesis，但在架构实现上更像“Kinesis + S3 存储分离”的结合体。 Edge不跑 Kafka，Cloudflare K2 把持久日志建在 R2 上。 它彻底抛弃了 Kinesis 的 Shard（分片）概念，实现无运维扩容与零 Egress 费用。 对象存储不能追加，就先在内存攒批，再整段写成 segment。严格递增的 offset 靠 R2 的原子操作分配，不需要协调服务，复制和共识交给存储层，机器短命也不怕。 代价是延迟：p99 生产延迟约 1 秒，按批消费，没有消息级重试。公测中，单流最高 30MB/s。 blog.cloudflare.com/cloudfla…