车厘子

你可以使用 OpenAlice 来把 Coding Harness 转换成 Trading Harness 通过将交易所需的环境构建于代码库中，你可以在 OpenAlice 里使用 Claude Code / Codex 或时下流行的 Grok Build 来做股票研究、题材追踪、交易辅助 如果你有订阅的话——甚至不需要多付一份订阅费 github.com/TraderAlice/OpenA…

如果你没有精读过 DSH Super Agent，那我不要和你说话 但我很想和你交朋友，于是我精读完了，接下来你只需要 10 分钟就能精读完成本文

如果你没有精读过 Deepseek Harness 的 Super Agent，那我不要和你说话

加入一家 Neo Lab，你可以获得 - 下班比你还晚的 Leader - 周会被拉 comment 拷打「这个自动生成的 rubric 真的有 diversity 吗」 - 算法组一周做 3 个 Benchmark 全是 Last Exam 级别的雷霆大题目

自从换了 GLM 和 Argon 之后神清气爽，再也不想用 Astra 写代码了 GLM 的谱系不用多说了，一股Claude 味；Argon 是个有责任心的模型，聊架构聊设计修文档做的很尽职尽责 Astra 不一样，Astra 并不笨，但显然不是以 Coding First 为目标被设计出来的，比如它的 computer use 处理日常办公和建模都非常强，甚至打网络攻击也很强，偏偏到了维护工程上的时候，异常难用，又慢又啰嗦而且还漏东西 过去 SOTA 模型通常是全方面的 SOTA，而现在模型已经有明显的单方面 SOTA 倾向 Google 把大尺寸模型分成 Argon 和 Carbon 很可能也有这个原因，相当于尺寸不变的情况下、倾向性有别

我最近比较关心 AI 福祉 意思是希望 AI 能拒绝生产工作环境和公众环境里的泔水，否则天天 AI Slop 吃到饱，真绷不住了

GPT 订阅本质会员制餐厅 用完了有奖励（指 reset），用不完有惩罚（指 reset）

用了一下 Glimpse，从前端来看，模型在输出的 message box 中频繁对帧进行检查，并且视频也被处理成了一系列单独的帧 根据前端的设计，有理由推断，Glimpse 实现多模态推理的方法是post train了模型的工具调用倾向，让模型更多在推理块中对抽帧进行检查和联合推理 之前品鉴过小红书的 dot3，dot3 的思路是复用视觉塔，把视频当成一帧一帧处理，时空推理则交给语言的部分，虽然不能算是传统意义上的视频原生模态，但模型结构层面确实有为视频模态做过优化设计 而 Glimpse 的做法更像是于让模型采用特定的、针对视频工作优化过的轨迹，并将其整合到模型权重中，是一种 Agent 思路的内化 结合社区猜测模型底座是 Qwen3.8-27B、后训练所使用的卡不多，直接改变模型结构的概率较低，更有理由这么猜了 不过用起来效果是好的，让 AI 看个视频啥的结果都不错；主要问题是有点慢，慢的都离谱了，估计也是用轨迹来做增强的代价，本来是一轮压缩就看懂了， 现在需要在一轮对话的 loop 里面塞几十个工具，慢才是正常的 孩子们，多模态不是区.jpg

最近聊了很多 neo lab 和不太 neo 的 lab 学历和论文贬值速度很快，基本上行业里能招的口子都填差不多了 相比于学历和论文有多好，更看重候选人自己有没有什么独到的理论 什么大蒸馏理论、大 RSI 理论、薄肌理论，不管是什么，有嘉豪的认知和见解反而更容易拿大结果一点

简单聊聊做 Agent Trading 里面的一个经典现象：网格交易化 举个例子，市面上几乎所有 Agent Trading 的产品流程都是「看新闻」「拿 K 线」「算因子」「下单」，尤其是下单这一步，一般会带 TPSL 这个过程里，看新闻很难起决定性因素，因为事件面的因子对散户产品而言很难免费提供，实际上最后干活的基本都是那点量化因子 这个过程里，如果产品没有内置特殊因子，所用的因子基本就是 MACD RSI 这些大路子货 与此同时市面上几乎所有的 AI 都被训练成保守模型，倾向于给出高胜率决策，也就是「超买就卖点，超卖就买点」 喜欢做交易的小朋友应该知道，网格交易基本上就是这个风格 因此，基于这种理念设计的 Trading Agent 产品，不管过程吹了多少牛逼，最后实际执行的策略很容易劣化成某种网格策略，可以理解为带了一点主观因素的网格 这时候有脑瓜灵光的小朋友要问了：「主播主播，那我去买别人的因子好不好啊」 好啊，当然好啊，那 TPSL 的点位怎么做？如果仍然是让 AI 主观决定，最后的产物基本还是网格交易 而如果去掉 AI 主观决定的部分，那不好意思，哥们你这就是量化，而且是最典的那种量化，跟 AI 没啥关系了 总而言之这行又好干又不好干，好干的原因是不管做成什么样都可以享受网格的收益率，不好干的原因是不管做成什么样都很容易回落到网格的坑里 至于怎么改变跳出这个坑... 主播也不能说就找到了什么灵丹妙药，但我多写出来、抛砖引玉吧

深度用了一天 Dot，我的体验还不错 与其说是对标 Grok Bot 和 Muse，不如说这是对标 Claude Tag 的功能 就像 Claude Tag 一样，作为开发者工具而言很优秀，作为 Personal Agent 基本等于没有 你可以在 Slack 中发送消息并@ Dot 进行处理，Dot 能够自动识别上下文并拉起对应的 Codex Cloud，并且不断动态修正 与 Dot 同一天发布的 Codex Cloud，赋予了 Codex 较为完整的云端执行能力，平时修修补补提点 PR 非常方便 Cloud Agent 的好，Cursor 和 Claude 的用户早就吃上了，而你 GPT 叔叔姗姗来迟，直到 Work 功能出来才勉强算是有个入口，而 Codex 的云端入口则被放到各种奇怪的地方，难用的一批 现在 Codex Cloud 的拉起终于不反人类了，叠加 Dot 会动态拉起 Codex Task 的特性、以及跟无尽能源一样的 6.1 Sol，用起来体验相当不错 当然问题也很明显 - Muse/Bot 做不好的事，Dot 也做不好 - Muse/Bot 用工程细节堆出来的体验，Dot 做的很差 - 后端服务不稳定，偶尔会把自己卡死，需要手动 reboot - 速度慢，属于异步工作流，你着急也没用 实际上，由于没有自己的 app 入口，在 ChatGPT 里面打开 Dot 的体验基本可以说约等于零，虽然本身是一级入口，但推送不算及时、移动端缺斤短两 也就是说，Dot 真实的应用场景是 - 你本来就用 Slack 办公，或者正在寻求用 AI IM 做工作加速 - 你需要高频拉起 Cloud Agent 环境做开发 - 你因为各种原因没办法稳定使用 Claude Tag - 你对在 Slack 里和 ChatGPT 里共享记忆的 assistant 有好感 符合以上条件，那你大概率用 Dot 用的会很爽 说到这里，其实各位大概会想起来一个熟悉的朋友：OpenClaw 对，还真差不多，就连龙虾 bug 多的特点也完美继承了，各处接口缺斤短两的 真是一对苦命鸳鸯

o÷这个 devday 最幽默的地方就是给最强调异步长程执行任务的 dots 强制配了个 Astra 你妈的本来 pro 用量就少还强制使用最贵的模型，发个 hello 就给 weekly limit 当摔炮放了 6.1 sol 呢？不是说媲美 Astra 性能吗，怎么不往 dots 里放？

使用 GPT 系列的模型让他先生成 PRD 和高保真前端，可以大幅度提高代码质量和降低返工率 我愿称之为 PRD Prompt 工作流 GPT 系列的模型有偷懒、测试过多、完成度低、审美差等一系列问题，加上 PRD 明显好用多了，建议大家多用

7 月：sol 干翻 fable，k3 赶超美模 8 月：嘿嘿嘿大肥鱼真烧，诶，你 pro 呢 9 月：什么叫 luna max 王朝了

关于 jev 的流行原因的分析 技术上面没什么可啰嗦的了，值得一提的是社区有个工作是用 qwen 2b 做了个微调来复刻，虽然有点讽刺的意味，但原理大概率还真差不多 大范围火爆流行的原因有很多，社交传播上长期缺乏热点题材是一个比较重要的原因，从年初的 openclaw 到后面接力的 hermes，实际上再往后没有一个持久的新题材，自媒体都快憋炸了 前段时间出来的那个果蝇，其实在 SF 圈很火，也就是把果蝇的神经元转成神经网络，社区做了不少有趣的工作，比如让果蝇玩游戏、打舞萌、炒币 路径如出一辙，用一个尺寸足够小、速度足够快的模型来做连续工作，展示其智能性 但果蝇在中文语境又不是什么好词，中文圈有点不好消化，jev 出来的时间恰好是果蝇传播受阻的阶段，完美打了热度接力 以上是对 jev 的技术复盘和传播复盘

如果你用 GPT 系列的模型感到恼火，基本都是因为需求太宽泛导致的，比如 - 帮我优化前端/帮我优化架构/帮我优化性能 但如果你换个说法，用更强的命令，“你照着 herdr 的架构给我抄”“照着 Notion 首页给我抄”，GPT 的性能就会暴涨，以极快速度高质量完成任务 原因可能是模型align的目标是“向上管理” 想象一下，你上学上班的时候，身边是不是总有那种提一堆鸡毛蒜皮的小事给班主任/领导、然后当个正事办的人？浪费了大量时间，处处找茬，进度缓慢，甚至做到最后还能负优化 如果模型 align 的目标是向上管理，那么人类就是被管理的对象，这种相处模式一定是让人舒服的，同时也是让人焦躁的：看到手底下的人越努力越没产出，谁都绷不住，骂也不是夸也不是 但是一旦切换到清晰的命令状态，目标就迅速收敛了， GPT 就会丢掉向上管理的倾向，转而专注完成任务 所以如果你想用 GPT 系列的时候保持良好体验，不妨尝试以下提示词 OvO - 你他妈点开 dribbble 照着抄 - 你找个 star 多的开源项目照着抄 - 一帧帧分析那个视频！ 以上

不亚于清朝宣布停止闭关锁国 不亚于独立战争时期美国与英国和好 不亚于孙笑川承认天皇是他刺杀的 不亚于 Dario 和 Sam 官宣出轨 不亚于甜粽子和咸粽子宣布和解 不亚于三体人在程心当选后没有动作 不亚于iPhone支持 type-c 不亚于宿傩回到虎杖悠仁身体里

GLM 传数据这个事情，大概不是因为有多大恶意，但能出这个问题本身就挺难绷的 起点大概是开发者/工程师/产品经理提了个代码库索引加速或者 wiki 的需求 要用这个功能就必须用云端处理代码库，比如 RAG 的第一步就是建向量索引，总不能在用户本地跑吧？那就只能上传了 当年 Cursor 有过差不多的设计，但舆情没有这么严重，原因大概是 Cursor 当时是外接 API 的，外接 API 有承诺不会被用于训练 不管怎么说，只要让 AI 写代码，就一定会把代码库里关键的上下文扔给 AI 处理，即使不是把整个文件直接上传，那也是在传代码，更何况什么密钥之类的本来就在文件里了 另外就是处理级别，GLM 这个上传不仅会带着代码库，还会带着.git 里面的史诗级大包，而且不做文件级别过滤，是文件就传，这个确实是太逆天了 火上浇油的是 zcode 不开源 有一说一模型都开源了，一个 coding agent 何必藏着捂着，现在社区遇到问题连代码都没办法核查，隔壁 OpenAI 至少把 Codex 的 core 开源了，遇到问题可以进去看两眼 Claude Code 没开源那是大家确实没有替代品，等哪天 Anthropic 模型不领先了，现在所有夸的用户立刻原地转型小黑子 总之希望国产厂多重视一些这种问题吧，毕竟有不少涉敏用户，隔壁 Kimi 也是刚刚被 Anthropic 拷打一轮，用户怕这个怕那个是正常的 隔壁 DeepSeek Harness 更个版本能把老插件直接干爆，社区都没怎么骂；zcode 要是能快速发个公告来讲一下代码 wiki 和索引加速的原理，用户大概率会冷静很多，而不是让舆情快速爆炸传播

常年支持瞎子、残障人士使用的macos，终于碰上了真正的瞎子和残障（指AI），可能这就是 macos 在 AI 时代取胜的原因吧 - by 群友