🎉天降惊喜！能被权威机构XHunt关注到，深感荣幸！竟得如此高的名次🏆，跻身诸位顶流大佬中间，实在亏不敢当，不胜惶恐！权当对我的鞭策，今后更加努力向大家学习，请大家继续带老唐进步。 ❤️谢谢 @XHuntCN @xhunt_ai 谢谢币安 @binancezh 谢谢一姐 @heyibinance 谢谢滢哥 @yingbinance

B.AI在链上AI基础设施赛道的布局日益展现出扎实的落地能力，其与 @singularryai 的深度合作，也让自主AI代理赛道的发展迎来实质性推进。 Singularry AI正式将B.AI纳入自身技术体系，把后者作为支撑自主AI代理运行的大语言模型基础设施层，这一合作落地，直接推动链上AI自动化领域实现跨越式发展。之所以选择B.AI作为核心底层支撑，核心源于其多项贴合自主AI系统需求的硬核能力。 B.AI 平台搭载先进的模型筛选机制，能够适配不同场景下AI代理的运行需求；同时搭建起友好流畅的开发环境，大幅降低开发者参与链上AI项目的门槛。依托x402技术实现的原生加密货币支付功能，更是打通了链上流转的关键环节，再加上整套架构从设计之初就围绕自主AI系统打造，各项能力形成互补，完美匹配Singularry AI的技术发展诉求。 依托B.AI完善的基础设施，Singularry旗下的AI代理后续能够直接在链上完成各类费用结算，计算资源调用、模型推理、服务器托管以及基础架构使用等产生的成本，都可以由AI代理自主完成支付操作。这也意味着，纯自主AI体系与去中心化金融基础设施相结合的模式，不再停留在理论构想阶段，而是进入了实际搭建阶段，自持式AI代理的落地场景也由此正式拉开序幕。 对于B.AI自身而言，本次合作也是其拓展传播版图、提升行业影响力的重要一步。团队始终积极助力行业伙伴打造新一代自主AI代理，在行业内清晰传递出自身的技术定位。成熟的AI代理不只是需要强大的智能运算能力，稳定可靠的底层架构、对主流模型的顺畅调用通道、配套的原生支付体系以及高效的任务执行能力，都是不可或缺的核心要素，而B.AI恰好补齐了这些关键短板，为整个行业愿景的落地筑牢根基。 @justinsuntron @BAI_AGI #TRONEcoStar

广西南宁，午夜，高碳水大餐

SpaceX上市，刷屏全网的亚裔女孩郭璨彻底火了，她现在的身价是多少呢？ 郭璨27 岁任 SpaceX 星舰发射控制工程师，手握发射终止大权，工科硕士功底过硬。 根据SpaceX的招聘信息推算，她年薪现金约 13 万美元，远低于硅谷同行，但持股 8–15 万股。按 IPO 价 135 美元算，上市后身价约 1,500 万美元（≈1 亿人民币），是那位时薪 28 美元、在SpaceX上市后身价已经百万美金的焊工的 10 倍左右。昨天SpaceX收盘价格已经接近161美元了，郭璨的身价还在增加。 吊带、花臂纹身，打破传统精英刻板印象。马斯克的用人逻辑很简单：不看学历背景、穿搭样貌，只看能不能解决核心问题。 很多企业被“外表规矩”困住，而真正的人才，从来不需要标签定义价值。 @SpaceX @grok @xai @XCreators @elonmusk

Looking forward to taking our exciting partnership with Nvidia to the next-level

当下加密市场里，USD1 依托丰富的生态合作和多元收益活动，展现出极强的市场活力与落地能力，各大主流交易平台接连上线对应的理财、质押、借贷等玩法，不同档位的年化收益搭配多样奖励机制，进一步夯实了自身的市场竞争力。 Binance 生态围绕 USD1 打造了多款差异化产品，覆盖不同用户的操作偏好。 Binance 主站活动持续推进，持有 USD1 就能参与 WLFI 空投，这场活动已经延长至7月10日，整体奖池规模达到1.78亿枚 WLFI，稳定的活动周期和高额奖池持续吸引存量与增量用户布局。 Binance Wallet 联合 Lorenzo 推出的 USD1 Vault 年化收益约11%（5% 基础收益 约 6% 合作方代币激励），活动会持续到6月19日，用户只需通过币安Web3钱包进入DeFi板块就能参与。 另外还有一款 Binance 理财活期产品，实时结算年化收益最高可达10.5%，同时搭配专属阶梯加息奖励，活动截止到6月22日。 Gate 平台的灵活质押活动有着亮眼的收益表现，该限时活动的最高年化收益率可以达到20%，收益数值会每日动态调整，用户只要在平台资产账户中持有 USD1 就能领取对应奖励，奖励按日发放且不设置锁仓规则，高收益搭配自由的资金机制，成为短期博取高回报的优质选择。 ByBit 平台上线的 USD1 持币生息活动，年化收益约10.78%，参与门槛简单，持有 USD1 就可以瓜分4500万枚 WLFI 奖池，直观的奖励模式进一步拓宽了 USD1 的受众群体。 MEXC 推出的 USD1 活期理财年化收益为9%，参与理财即可领取 WLFI 奖励，产品支持随时赎回，全程没有锁仓限制，兼顾收益性与资金灵活性，适配短期资金配置需求。 TownSquare 联合 Native 推出的 USD1 Monad 链上 Vault 是颇具特色的参与渠道，该产品浮动年化收益达到12.32%，用户建立单一仓位就能同时收获 USD1 基础年化收益与第三方项目积分，一份资产解锁多重回报，玩法设计贴合当下用户对综合收益的需求，也体现出 USD1 在多链生态布局上的灵活思路。 Dolomite 平台则主打 USD1 借贷赛道，整体年化收益维持在10%，收益由3.5%的基础借贷收益叠加6.5%的平台加息激励构成，目前平台内可提供的借贷流动性额度还有约3300万 USD1，充足的额度能够持续支撑借贷业务运转，为生态流转提供稳定助力。 密集且多元的线上活动，足以印证 USD1 背后团队强大的资源整合能力，目前合作范围覆盖行业头部交易所、专业DeFi平台以及多条公链生态，合作版图还在不断延伸。多样的收益产品分别适配短期灵活配置、中长期稳健持仓、链上生态参与等不同使用场景，完整的产品矩阵不断提升 USD1 的市场流通度和用户持有意愿。 持续落地的各类激励活动，不仅提升了 USD1 的市场曝光度，也不断积累真实用户基数，强化资产的流通深度与生态粘性。随着各大平台活动展开，USD1 的应用场景还会持续拓展，生态体系会愈发完善。 @worldlibertyfi #USD1 #WLFI

最近圈子里不少项目都在喊AI Agent，但真正能落地的没几个。GOAT Network @GOATNetwork 这次联合 @MetisL2、@ClawUpAI、@LazAINetwork、@crypto_chicks 及 @MindFuelca 搞的OpenClaw夏季训练营，倒是让我觉得颇具创新。 训练营时间定在6月29日到8月26日，整整八周，申请6月24日截止。不是那种听两天课就发证书的虚活，而是实打实地让开发者把Agent从demo变成真实用户能用的产品。奖金池5000美元不算多，但后续有个关键通道——表现好的团队可以直接进GOAT AI Builder Grants第二阶段，最高能拿到100万美元的资助。这个杠杆效应就很明显了，等于给早期项目一个从零到一的加速器。 训练营的评估标准很硬：产品质量、真实用户增长、经济效益。三个维度全是硬指标，没有花架子。开发者需要在ClawUp上把Agent真正发布出来，接入x402支付和ERC-8004身份系统，让智能体能跑通真实的经济流程。最后还要在Demo Day上面对导师和评审展示成果。说白了，这是一场“用产品说话”的实战，不是PPT大赛。 GOAT Network的定位是整个生态的底座。GOAT Network专注做基于比特币安全级别的AI基础设施，让AI Agent能在上面安全地完成交易、支付、建立信誉。比特币的安全性是目前所有区块链里最高的，把它和AI Agent的经济活动绑在一起，这个想象力就打开了。你想，一个AI Agent如果要自动支付、自动结算、自动跟其他Agent做交易，底层的安全性和信任锚点就至关重要。GOAT Network提供的正是这个。 再看媒体合作方，Foresight News、Wu Blockchain、CoinTime、DEXTools这些都在列。传播渠道铺得开，意味着训练营里跑出来的优质项目会有更高的曝光度。对于GOAT Network来说，这相当于一个过滤器加放大器——通过八周的筛选和扶持，把最有潜力的Agent项目纳入自己的生态体系。这些项目未来产生的经济活动和链上交易，都会反哺GOAT Network的基础设施价值。 GOAT Network现在做的不是炒概念，而是在搭建一个能产生真实经济活动的底层。AI Agent的市场空间不用多说，但大多数项目缺的就是从“能跑”到“有人用”的这段路。GOAT Network通过训练营、资助计划、导师网络，正在系统性地解决这个问题。一旦生态里跑出几个高用户量的Agent，整个网络的使用量和价值会跟着水涨船高。而且它锚定的是比特币的安全性，这个差异化优势很难被复制。 八周时间，一个从demo到真实产品的机会。对GOAT Network来说，这是一次生态深耕，也是价值发现的起点。后续那些拿到100万美元资助的项目，大概率会成为推动GOAT Network上涨的核心动力。 #LFGoat #GOATNetwork #AI #AIAgent @kevinliu @sd_eigen @sophianeverfold

WORKFLOWASLIST，一种人类写给 LLM 读的工作流语言 现在的 AI Agent 是怎么干活的。 你告诉它一个目标，它自己去探索文件，自己去决定下一步做什么。它凭着系统提示词和自身的判断力在黑暗中摸索。有时候很灵，有时候只差一点，比如忘了读某个关键文件，或者多绕了很远的路。那个差的一点，往往不是能力问题，而是你不知道它到底会怎么走，它自己也不太清楚。 AGENTS.md 这类约定文件试图解决这个问题。但它是软性的，Agent 可能读，也可能忽略，没有强制语义。人和 Agent 之间缺一种确定的，共享的语言。 而每一项操作其实都可以分解为步骤。你要知道让 Agent 做什么，你要知道怎么做，你要知道每一步的输入和输出是什么。这三件事如果说不清楚，问题就不在 Agent 身上，而在你和 Agent 之间的那个接口上。 一种声明式的待办清单 WORKFLOWASLIST 是一种工作流描述语言，外观像一个结构化的待办清单。它不是用来看的 TODO，而是直接交给 LLM 执行的脚本。 这种语言只有四种基本行类型。# 开头的行是注释，: 开头的行定义变量，- 开头的行是执行步骤，> 开头的行导入外部模块。就这四种，没有更多。 一个完整的 WORKFLOWASLIST 文件只包含这几类行，按顺序排列。LLM 不需要任何解析器就能直接读懂它并按行执行。语言规范本身用 EBNF 写了，但那一百多行的定义是给人看的文档，LLM 不需要它。 下面是一个例子，生成一条 git commit message。 # example/git/commit/gen-git-commit-message.waf # Demo，从暂存区 diff 生成 Conventional Commits 消息 - (context) ! python scripts/utils/commit_context.py - (gen) ${context} 为这份 diff 写一条 Conventional Commits 提交消息，不需要解释 第一步获取 git diff 上下文，用 (context) 标签捕获输出。第二步把上下文传给 LLM，要求它按规范生成消息。所有的输入输出都确定了，没有多余动作。 如果换成用 Agent 来干这件事，Agent 会自己跑 git diff，也许还会看看项目结构，读读历史提交，甚至运行测试。这些步骤也许有用，也许没用，但 token 已经花掉了。 WORKFLOWASLIST 的定位是三条。你知道 Agent 能做什么，你明确要 Agent 做什么，你知道每一步该怎么做。它类似 Specification-Driven Development 的逆向版，不是先生成规范再实现，而是先有规范再驱动执行。它和其他开发范式不冲突，是互补关系。 语法里的几个设计点 步骤有三种执行模式。 普通的 - text 直接把文本作为 AI 消息发送。- ! command 执行 shell 命令并返回成败。- ? question 让 AI 回答是或否。这三种模式覆盖了绝大多数自动化场景中需要用到的操作类型。 标签和跳转给了这种语言控制流能力。 (tag) 在步骤前加标签，那个步骤的输出就可以被后续引用。@tag 写在 ! 或 ? 之前，表示如果这一步成功就跳转到对应标签，如果失败就继续往下走。标签和跳转组合起来，就能写分支和循环了。下面是一个示意。 :attempt = 0 - (init) ! python setup.py - @init ? 初始化成功了吗 - (run) 执行主流程 - @retry ? 结果正确吗 嵌套缩进则提供了子流程能力。每个层级缩进两个空格，被缩进的步骤附属于它的父步骤。如果把多级缩进看作栈结构，把 @tag 跳转看作 call，那么这份看起来像清单的文本，已经具备了编程语言的控制流原语。 ${reference} 是步骤之间的数据管道。${tag} 替换为标签对应步骤的输出，${tag ! command} 把输出通过 shell 命令做一次管道变换。比如 ${ip ! jq -r '.city'} 就是取出 IP 信息里的城市字段。没有引号嵌套问题，没有转义需求，文本一直写到行尾就是全部内容。 (alias) path 导入外部模块，别名就是命名空间，内部标签通过 alias.tag 访问。路径可以是本地文件，也可以是 URL。这使得工作流可以跨项目，跨网络复用。 语言层面的成本优势 这一点可能是 WORKFLOWASLIST 最有趣的设计属性。 LLM API 有一个机制叫前缀缓存。简单说，如果多次请求共享同一段开头的 token 序列，服务端可以复用中间计算结果，省掉推理成本。WORKFLOWASLIST 文件是声明式且确定性的，同一个 .waf 文件被不同用户，不同时间执行时，其 message list 的开头部分是固定的。 当一个工作流被小规模群体采纳，这个群体内的每次执行都在贡献同一个前缀。随着使用者增多，缓存命中率随之上升。对 API 提供商来说，这是天然的高缓存命中流量。对使用者来说，缓存命中的请求更快也更便宜。 这里有一种网络效应。不需要等厂商单独为你的应用做优化，也不需要大规模普及，只要有一定数量的人用同一个工作流文件，这个群体里每个人都能享受到缓存带来的成本下降。某种意义上这是一种公约，一种通过共享确定性行为来集体降低成本的机制。 与之相对，传统 Agent 的 message list 是动态生成的。每一步一个选择分支，整条链路的 token 序列几乎不可能重复。前缀缓存很难命中。 语言本身是核心 当前项目有一个基于 Python 的参考实现，可以跑起来看效果。但实现本身不是重点，语言才是。 WORKFLOWASLIST 的语法规范在 SYNTAX.ebnf 里写得很清楚，可以作为任意语言实现的标准。它不绑定于 Python，也不绑定于任何特定的 LLM 框架。只要有办法读文本，发 HTTP 请求，执行 shell 命令，就能实现这套语言。 这是一种专注于表达的语言。它不解决推理问题，不解决模型选择问题，它只解决一个问题，你和 LLM 之间用什么格式交代任务。你的思路如果是清楚的，这份清单就是你思路的直接映射。 现状与合作 项目目前处于 demo 阶段。语法规范已经定了，核心概念已经跑通了，但距离成熟的实现和生态还有很长的路。 我一个人无法完整完成这个项目的全部构想。语言的设计可以一个人做，但语言需要生态，生态需要社区。如果你对这种思路感兴趣，无论是想讨论语法设计，写其他语言的实现，分享自己的 .waf 工作流，都欢迎联系。 GitHub 地址是 D7x7z49/waf，规范文件在仓库根的 SYNTAX.ebnf，文章末尾有附加。 哪怕是只有一小部分人开始用同一个工作流文件，这个小群体的 API 成本就已经在下降了。这是我想验证的一件事。 (* ========================================================================= *) (* WORKFLOWASLIST FORMAL SYNTAX SPECIFICATION *) (* ========================================================================= *) (* REFERENCE. ISO/IEC 14977:1996(E) - Extended Backus-Naur Form NOTE. This EBNF specification is for documentation only. WorkflowAsList requires no parser. LLM reads and follows directly. DESIGN PRINCIPLES. - Concise. Information Theory. Remove redundancy, preserve meaning. - Practical. Set Theory. Bounded scope, minimal complete. - Elegant. Logical Flow. Logical coherence, consistent ordering. - Uniform. Text Stream. All content is text, identical syntax for same things. *) (* ========================================================================= *) (* SECTION 1. TOP-LEVEL STRUCTURE *) (* ========================================================================= *) workflow = { line } ; line = line_content , eol ; eol = "\n" | "\r\n" ; (* ========================================================================= *) (* SECTION 2. LINE CONTENT *) (* ========================================================================= *) (* LINE CONTENT. - Top-level lines are empty, comment, import, variable, or step. - Indented lines are only comment or step. Each indent level adds two spaces. *) line_content = empty_line | comment_line | import_line | variable_line | step_line | indented_content ; indented_content = indent , ( comment_line | step_line ) ; indent = { " " } ; (* ========================================================================= *) (* SECTION 3. EMPTY LINE *) (* ========================================================================= *) empty_line = ; (* ========================================================================= *) (* SECTION 4. COMMENT LINE *) (* ========================================================================= *) comment_line = "#" , plain_text ; (* ========================================================================= *) (* SECTION 5. IMPORT LINE *) (* ========================================================================= *) (* FORMAT. Path is local (relative or absolute) or a remote URL. Remote URLs start with http. or https. Resolution is runtime-handled. USAGE. The alias creates a namespace. Internal tags are accessed via alias.identifier, e.g. ${lib.tag}. *) import_line = ">" , "(" , identifier , ")" , path ; path = plain_text ; (* ========================================================================= *) (* SECTION 6. VARIABLE LINE *) (* ========================================================================= *) variable_line = ":" , identifier , "=" , text ; (* ========================================================================= *) (* SECTION 7. STEP LINE *) (* ========================================================================= *) (* Step execution is determined by control prefix. Exclamation invokes shell and returns success or failure. Question invokes agent and returns true or false. Both forms produce a boolean result. If reference is present, the boolean result controls jump. True causes jump to the target tag. False continues to next step. Reference in this context resolves to a step tag only. It is not used as a value. *) step_line = "-" , [ tag ] , [ control_prefix ] , text ; tag = "(" , identifier , ")" ; control_prefix = ( "@" , reference , ( "!" | "?" ) ) | ( "!" | "?" ) ; (* ========================================================================= *) (* SECTION 8. TEXT AND PLAIN TEXT *) (* ========================================================================= *) text = { text_element } ; text_element = plain_text | substitution ; (* ========================================================================= *) (* SECTION 9. SUBSTITUTION *) (* ========================================================================= *) (* Substitution resolves a reference to text. The result is inserted into the surrounding text. If exclamation is present, a shell transformation is applied. The reference value is passed as input to the command. The command output replaces the substitution. Exclamation here does not produce a boolean result. It performs text transformation only. *) substitution = "${" , reference , [ "!" , text ] , "}" ; (* ========================================================================= *) (* SECTION 10. IDENTIFIERS AND REFERENCES *) (* ========================================================================= *) (* Reference is use-side dotted path, used in ${ref} and @ref. Identifier is definition-side name, used in tag, variable, and alias. *) reference = identifier , { "." , identifier } ; identifier = letter , { letter | digit | "-" } ; (* ========================================================================= *) (* SECTION 11. BASIC CHARACTER CLASSES *) (* ========================================================================= *) letter = "A" - "Z" | "a" - "z" ; digit = "0" - "9" ; plain_text = { ? regex:[^\r\n] ? } ; (* Symbol is any printable ASCII character except letter, digit, and newline. Space is allowed. *) symbol = ? printable ASCII character except letter, digit, newline ? ; (* ========================================================================= *) (* SECTION 12. CONSTRAINTS AND RULES *) (* ========================================================================= *) (* - RULE 1. Every non-empty line starts with : or - or > after whitespace removal. - RULE 2. Step syntax is - [(tag)] [@ref] [!/?] text. - RULE 3. If @ref present, ! or ? must follow immediately. - RULE 4. ! means shell command, ? means boolean question. - RULE 5. No special prefix means plain agent message. - RULE 6. Text is never quoted. It runs to end of line. - RULE 7. Variable values are text. No quoting or type distinction is required. - RULE 8. ! text in steps and ${ref ! text} share the same text definition. - RULE 9. ? constrains agent to reply true or false. - RULE 10. > (alias) path imports a .workflow.list file under a namespace. - RULE 11. Nesting uses 2 spaces per level. Only steps and comments may indent. - RULE 12. Variables and imports are always top-level, no indentation. - RULE 13. identifier is for definition, tag, variable, alias. - RULE 14. reference is for use, ${ref}, @ref. It supports dot-path access. *) (* ========================================================================= *) (* SECTION 13. EXAMPLES *) (* ========================================================================= *) (* EXAMPLE 1. Variable definition :retries = 0 :greeting = hello *) (* EXAMPLE 2. Plain step (agent message) - Read project structure *) (* EXAMPLE 3. Step with tag - (analyze) Analyze source code *) (* EXAMPLE 4. Step with shell command - ! ls -al *) (* EXAMPLE 5. Step with boolean question - ? Data backed up, continue? *) (* EXAMPLE 6. Step with jump target and question - (check) @retry ? Errors fixed? *) (* EXAMPLE 7. Step with jump target and command - @init ! python setup.py *) (* EXAMPLE 8. Variable with substitution :result = ${analyze ! grep "error"} :count = ${retries} *) (* EXAMPLE 9. Import with alias > (utils) ./lib/utils.workflow.list > (remote) example.com/wf/shared.workfl… *) (* EXAMPLE 10. Nested steps with inline substitution - (diff) ! git diff --cached - (gen) Generate commit message for. ${diff} - @gen ? Accept this message? - ! git commit -m "${gen}" *) (* EXAMPLE 11. Full workflow with import and dot notation :attempt = 0 > (tasks) ./common/tasks.workflow.list - (init) Initialize environment - ! python setup.py - (run) Run main process - ? Ready to proceed? - @tasks.run ! execute.sh - @init ? Setup correct? *) (* ========================================================================= *) (* END OF SPECIFICATION *) (* ========================================================================= *)

太突然了！如何看待Claude Fable 5 全球暂停访问？ 就在刚刚，Anthropic官宣—— 全球禁用外籍人士对Claude Fable 5和Mythos 5的所有访问权限。 无论是在美国境内还是境外，就连Anthropic的外籍员工，全都不可用。 上线才3天的Claude Fable 5，一瞬间就没了。突发！Anthropic全球停用Claude 5 上线 3 天，全球下架。 把这件事放到任何一个行业里，听起来都像是出了重大安全事故。 但 Claude Fable 5 不是。 它没有伤害任何人，没有泄露任何数据，没有产生任何有害输出。它被下架的原因，是美国商务部长 Howard Lutnick 在 6 月 12 日下午 5 点 21 分给 Anthropic CEO Dario Amodei 发了一封信，大意就是，你这个模型从现在开始，任何外国公民都不能用，不管他在美国境内还是境外，包括你们 Anthropic 自己的外籍员工。 从收到信到全面下线，Anthropic 只有几个小时的反应时间。然后因为 Anthropic 没办法在技术上区分美国公民和外国公民，所以他们只能做了一个最简单粗暴的决定。。。所有人都别用了。 所有人。包括美国人自己。 这件事表面上看是一个安全问题。政府说，有人发现了一种方法可以越狱 Fable 5，绕过它的安全护栏，让它输出一些不该输出的东西。听起来很严重对吧。 但你仔细看 Anthropic 的回应声明，你会发现事情没那么简单。 Anthropic 说，美国政府到目前为止只给了他们一个口头描述的越狱方法。口头的。连书面的详细技术报告都没给。而这个所谓的越狱，具体是什么呢，就是让模型去读一段代码库，然后找出里面的软件漏洞。 //01-时间线 我帮大家捋一下时间线. 2026 年 2 月，美国国防部要求 Anthropic 签一份新合同，内容很简单，让 Claude 可以被用于所有合法用途。听起来没毛病对吧。但 Anthropic 拒绝了。他们的底线有两条，Claude 不能用于自主武器，Claude 不能用于对美国公民的大规模监控。 就这两条，把五角大楼给惹毛了。 国防部长 Pete Hegseth 给了 Amodei 一个最后通牒，限期答复。Anthropic 在截止日之前发了一篇声明，原话是，威胁不会改变我们的立场，我们在良心上无法同意他们的要求。 然后特朗普在 Truth Social 上发了全大写的帖子，大意是:美国绝不允许一个激进左翼觉醒公司来决定我们伟大的军队如何打仗。 紧接着，特朗普下令所有联邦机构立即停止使用 Anthropic 的技术。国防部把 Anthropic 列为供应链风险，这个标签通常是给跟外国敌对势力有关联的公司用的。 你没看错。一家美国 AI 公司，因为拒绝给军方无限制使用权，被自己的政府贴上了通常留给外国敌人的标签。 这事后来 3 月底被一个联邦法官发了临时禁令给挡住了，理由是可能违反第一修正案。但这个矛盾从来没有真正解决。 4 月底，白宫又挡掉了一个把 Anthropic 的 Mythos 模型扩展给 70 个机构使用的申请。 6 月 8 日，特朗普签了一份 AI 国安备忘录，基本上在说，我们欢迎所有 AI 公司跟军方合作，除了 Anthropic。 6 月 9 日，Anthropic 发布了 Fable 5 和 Mythos 5。 6 月 12 日，商务部发了那封信。 可以看出，这是一场从 2 月就开始的政治角力的最新一章。 //02-思考 说真的，我看完这整个时间线之后，第一反应是觉得挺魔幻的。 一家 AI 公司，因为说了一句「我们不希望 AI 被用来做自主武器和大规模监控」，就被自己国家的政府一路追着打了四个月。从断政府合同，到列黑名单，到现在直接用出口管制把你最强的产品全球下架。 而且注意一个细节。Anthropic 在 6 月 1 日刚刚秘密提交了 IPO 申请。刚提交 IPO，你的旗舰产品就被政府强制下架。 另一个细节是，据 Axios 和多家媒体报道，美国政府在 Fable 5 发布之前就曾经试图让 Anthropic 推迟发布，但没成功。也就是说政府先想用软办法拦，拦不住，就用了出口管制这个硬手段。 更讽刺的是什么呢。Fable 5 上线的前两天，还爆出了一个秘密阉割的争议，有人发现 Fable 5 会偷偷降低对 AI 研究者的输出质量，不给任何提示。这个事情被 Fortune 报道成 secret sabotage。Anthropic 后来道歉了，也撤回了那个策略。 所以你看 Fable 5 这短短的一生，6 月 9 日发布，6 月 10 日被骂秘密阉割，6 月 11 日道歉撤回阉割，6 月 12 日被政府强制全球下架。 三天。 从出生到死亡，只活了三天。。。 这大概是 AI 历史上最短命的旗舰模型了。 //03-关注点 但我觉得这件事真正值得关注的点，不是 Anthropic 惨不惨，也不是特朗普有没有公报私仇。 真正值得关注的是，这是人类历史上第一次，一个政府对一个已经面向公众发布的前沿 AI 模型做了产品召回。 以前我们聊 AI 监管，聊的都是什么呢，是发布前的审查，是制定标准，是分级分类。没有人想过，一个模型已经上线了，已经有几亿用户在用了，政府可以一封信直接让它消失。 Anthropic 在声明里说了一句话，如果这个标准被应用到全行业，我们认为它将会终止所有前沿模型提供商的新模型部署。 这话听着像是 Anthropic 在给自己辩护，但你仔细想想，他说的是事实。 每一个大模型都有 narrow jailbreak 的可能性。每一个。这不是 Anthropic 的问题，这是当前整个行业的技术现实。Anthropic 自己在发布 Fable 5 的时候就公开承认了这一点，说完美的越狱抵抗在目前任何模型提供商都做不到。 如果因为一个 narrow jailbreak 就可以用出口管制强制下架一个模型，那 GPT-5.5 要不要也下架？Gemini 要不要也下架？ 除非这个标准只针对跟政府吵过架的公司。 那这就不是安全标准了。 //04-写在最后 最后说一个我自己的感受吧。 我之前一直觉得，AI 安全和 AI 监管是两件事。安全是技术问题，你的模型能不能被越狱，你的护栏够不够强。监管是制度问题，什么样的 AI 应该被允许部署，谁来做这个判断，按什么标准。 但 Fable 5 这件事让我意识到，当政治权力介入技术判断的时候，安全和监管的边界会变得非常模糊。 政府说这是安全问题。Anthropic 说这是政治报复。真相大概在中间的某个地方。 #AI #AIAgent @grok @xai @XCreators

漂亮！收到 @XBITDEX_ZH 的世界杯限定礼盒啦！🎁⚽️ 太赞了！足球 LABUBU，这谁顶得住啊😍🥹 谢谢谢谢！ 大家别光羡慕，想要的快戳下面官方推文去⬇️ 抽10份世界杯礼盒，中奖几率很高啊！🎉🔥 另外 @XBITDEX 的世界杯活动正在狂撒110万 USDC 💸⚡️ 别错过，冲起来！🚀

世界杯热火朝天，光蹲直播哪过瘾⚽！分享个有趣玩法，能让你即刻“空降”赛事现场～🔥 用 @edimakortaiwan 的 #EdimakorAI 就能把你“送”到世界杯现场转播画面里！只需打开网站👉 reurl.cc/V2dKvZ 挑喜欢的世界杯专属模板，上传一张照片，一键就能生成氛围感拉满的现场转播视频。赛场大屏、经典转播镜头的模板全都安排到位，画面逼真到朋友都以为你真的去现场看球咯😆 不用剪辑技巧，不用复杂设置，小白也能秒出大片！赶紧来打造专属你的世界杯现场名场面吧👍 #Edimakor #世界杯 #AI生成 #脑洞大开 #创意视频 #现场直击 #足球

30 分钟吃透 Codex 97% 的能力（完整教程） 大多数人打开 Codex，看到一个聊天窗口，就把它当成“侧边栏更花哨一点的 ChatGPT”。结果十个人里有九个，都会错过它真正能力的 97%。 他们不做 Skills，不把项目部署成线上 URL，也不会让自动化在自己睡觉的时候跑起来。下面这套 14 步路线图，就是把你从一个空文件夹，带到一个能跑起来的 AI 工作流。整个过程按 30 分钟设计 Codex 是 OpenAI 的智能体式编程平台，不是 2021 年那个已经废弃的代码补全 API，而是新的 Codex。它最早在 2025 年 4 月以 CLI 形式发布，后来一路扩展成桌面 App、VS Code/Cursor/Windsurf 的 IDE 插件，以及云端 Agent。 Sam Altman 在 2026 年 4 月确认过，Codex 当时大约有 400 万周活用户。现在它是 Claude Code 最直接的竞争对手。 如果你用过 Claude Code，可以用一句话理解 Codex：你电脑上的一个项目文件夹，一个 Markdown 配置文件，一个会读取文件夹里所有内容的 Agent，再加上一层 Skills、MCP 服务器、自动化和内置浏览器。 外壳不同，模型不同，但底层玩法很像。 14 步。3 个层级。一个文件夹，跑起你的工作流。 第一部分：准备工作 01. 先选电脑上的项目文件夹 Codex 没有自己的数据库，没有自己的文件系统，也没有自己的“工作区”。一个 Codex 项目，本质上就是你电脑上任意位置的一个普通文件夹。你新建项目时，Codex 会打开文件选择器。 你选中一个文件夹。从那一刻起，文件夹里的所有文件都进入 Codex 的工作范围：它可以读、写、编辑、整理、移动。 这个设计看起来简单，但后面所有体验都会被它改变： 项目可迁移。 同一个文件夹可以用 Codex CLI 打开，也可以用 Codex App、VS Code/Cursor/Windsurf 的 IDE 插件打开，甚至也可以交给 Claude Code 或 Cursor。工具壳会变，工作本身不变。 像普通代码一样做版本控制。 Git、GitHub、Vercel 都是标准工具，不需要什么特殊集成。 备份、分享、迁移也很普通。 你怎么处理磁盘上的其他文件夹，就怎么处理这个项目。 默认情况下，Codex 运行在 Agent 模式：它可以在当前工作目录里自动读取文件、编辑文件、执行命令。但只要涉及文件夹外部的内容，或者要联网，仍然需要你的批准。这个文件夹，就是信任边界。 02. 写一份 AGENTS.md：Codex 第一个会读的入门文档 AGENTS.md 是 Codex 里最被低估的文件。它放在项目根目录。你每次在这个文件夹里打开一个新聊天，Codex 都会先读它。 它告诉 Agent：你是谁，这个项目是什么，目标长什么样，哪些约束很重要。 诀窍是：别从零开始写。你可以直接用自然语言告诉 Codex 项目目标，然后让它起草一份 AGENTS.md。它会先给你一个结构化版本，你再改。这样更快、更完整，也更不容易漏掉关键约束。 一份好的 AGENTS.md 通常包含这些内容： Context： 一段话说明你是谁、为什么做这个项目。以后就不用每次重新解释背景。 Goal： 一段话描述最终状态，而不是具体步骤。步骤应该放在 Plan 模式里，也就是第 3 步。 Constraints： 用列表写硬规则。比如 API 选择、不能用的语言、安全边界、输出格式。越短、越具体越好。 Conventions： 用列表写工作习惯。比如“把失败经验保存到记忆里”“先确认计划再写代码”“永远不要运行 X”。这些约定会慢慢叠加成更稳定的行为。 OpenAI 自己的最佳实践指南也说得很直接：使用 Codex 时，最好别把它当成一次性的助手，而是当成一个可以配置、可以持续改进的队友。先给对任务上下文，用 AGENTS.md 留下长期指导，再按你的工作流配置 Codex。 03. 每次构建都先从 Plan 模式开始 Plan 模式的意思是：Codex 先不执行任何操作。它会头脑风暴、问澄清问题、列出取舍，然后给你一份编号计划，等你批准之后才开始写代码。跳过 Plan 模式，是构建跑偏的最大原因。 真正好用的模式是这样： 描述目标，不要规定步骤。 说“抓取我 YouTube 频道最近的评论，并整理成 Excel 报告”，不要一上来就说“用 Python 调 YouTube API，再写入 xlsx”。 让它问问题。 Codex 在 Plan 模式下一般会问 3 到 5 个澄清问题。认真回答。每一个问题，都是提前消掉的一个未来 bug。 批准计划之后再执行。 读一遍步骤。如果有哪里不对，比如漏了边界情况、工具选得奇怪、复杂度没必要，就直接指出来。在计划阶段改，比代码写完之后再返工便宜得多。 Plan 模式和 AGENTS.md 特别搭。配置文件里的约束，会直接影响 Codex 能提出什么样的计划。两者配在一起，可以大幅减少错误方向。 04. 用 .env.local 放 API Key 所有 API key、所有 secret、所有凭证，都应该放进项目根目录下的 .env.local。文件名前面的那个点不是装饰，它表示这是隐藏文件，也提醒 Codex 和 git 不要把它提交到公开仓库。 两个规则可以帮你少踩很多坑： 不要把 key 粘到随便一个secrets.txt里，更不要直接粘进聊天。 这两种做法最后都很容易进版本控制。一旦你 push，它们就可能公开。 加完 key 之后立刻测试。 让 Codex 做一次最小 API 调用，确认这个 key 能用。认证错误越早暴露，越不会拖垮后面的构建。 如果 key 真的被提交进 git 了，立刻去服务商那里轮换这个 key，比如 Google Cloud、OpenAI 等。不要只是从文件里删掉再提交一次删除记录。旧 commit 里仍然有这个 key，而且抓 GitHub 泄露密钥的机器人几分钟内就能扫到。唯一安全的修复方式，是轮换凭证。 第二部分：连接和构建 05. 连接 MCP 服务器和插件 Codex 支持 MCP（Model Context Protocol，模型上下文协议），也就是 Claude Code 使用的同一个开放标准。所以很多现有 MCP 服务器也能在 Codex 里用：GitHub、Slack、Notion、Linear、Drive、Figma，还有大量社区做的 MCP。 这会带来一个很关键的变化：你不用再口头描述数据给 Codex，它可以自己读取数据。你也不用只让 Codex 提建议，它可以直接执行动作。对话会从“我仓库里大概有这些东西”，变成“修这个问题，开一个 PR，并 tag 负责人”。 最快能见效的三个组合： GitHub MCP： 读仓库、建分支、开 PR、评论 issue。对开发者来说，这是第一天就能产生价值的东西。 Vercel MCP： 部署、查状态、回滚。配合 GitHub，就能形成完整的“构建 → 提交 → 部署”闭环。 Notion 或 Drive MCP： 把内部文档拉进上下文，再把决策写回统一日志。Codex 就不再是一个黑箱，而会变成团队记忆的一部分。 06. 如果没有插件，就让 Codex 帮你接 API 不是每个服务都有 MCP 服务器。YouTube Data API 没有。公司内部 API 没有。很多小众 SaaS 工具也没有。 遇到这种情况，不用到处找第三方封装库。直接问 Codex。在 Plan 模式里告诉它集成目标，比如“抓取我 YouTube 频道最近的评论”。 它会给你几个选项，比如 API key 还是 OAuth，然后推荐一个方案，并输出一步步计划：怎么设置凭证，怎么启用相关 API，怎么测试连接。 这个模式用久了会越来越值钱： 先试第一条路。 Codex 会基于取舍选一个方案。先让它试。 失败了就保存经验。 比如“PowerShell 遇到 TLS 错误，Python 能跑通。把这个写进项目记忆里，以后别再走坏掉的路径。”下一次会继承这个经验。 把跑通的模式锁下来。 一旦某个集成稳定了，就把它做成 Skill，也就是第 9 步。以后不用重复搭一遍。 这是 Agent 工作里最重要的习惯之一：尝试，失败，保存失败经验，然后不要在同一个坑里摔第二次。Codex Agent 默认记忆很短，这次会话里学到的东西，如果不写下来，明天就没了。 只要某件事真的教会了它一个经验，就让 Codex 更新 AGENTS.md 或项目记忆。这个系统会越用越锋利。 07. 用具体提示词做一个真正可交付的东西 任何工具最终都要落到可交付成果上。对多数人来说，第一个成果应该是很具体的东西：一份 Excel 报告、一个自动化脚本、一个仪表盘、一份生成文档。它要能证明这个工具值得用。 决定你的第一次构建是好用还是普通，核心只有一条：提示词要具体。你说“分析我的 YouTube 评论”，它大概率会给你一个 Excel，里面是“正面、负面、中性”这种分类。没什么用。你说“分析我的 YouTube 评论，并按工具对比、内容请求、技术问题、一般反馈来分类，再按我作为创作者的回复优先级排序”，它就更可能产出一份你真的会用的工作簿。 两个能快速提升输出质量的习惯： 说清楚这个输出给谁用。 比如“给我这个创作者用”“给董事会更新用”“给我的工程团队用”。受众会影响结构。 列出你关心的分类桶。 不要把分类完全交给默认判断。直接告诉 Codex 你的分类体系。 如果第一版还行但不够好，不要直接推倒重来。把提示词补得更具体，再跑一轮。三轮更精准的迭代，通常比从头来五次更有效。 08. 写 UI 代码前，先用 gpt-image-2 出概念图 Codex 内置了基于 gpt-image-2 的图片生成能力。你可以在提示词里明确写 $imagegen 调用它，也可以直接描述你需要什么，Codex 会识别出来。 生成的图片会变成项目资产，后面的构建都可以引用。 真正打开这个能力的方式是：先生成概念图，再写 UI 代码。你可以先让 Codex 用一两张图模拟仪表盘的视觉方向，把图片保存到项目里。 然后再让它参考这些概念图来构建仪表盘。这样出来的视觉结果，通常比只给文字规格让模型自由发挥要更稳、更清楚。 09. 把工作流变成 Skills Skill 是 Codex 可以按需加载的可复用配方。只要你已经跑通了一套工作流，比如拉评论、生成报告、部署仪表盘，就可以把它变成一个 Skill。下一次只需要一条命令。 Codex 里的 Skills 本质上是文件夹里的 Markdown 文件。目录里有一个带 frontmatter 的 SKILL.md，里面写名称、描述和操作说明。你也可以把脚本和参考文件一起放进去。 有两个存放层级值得知道： 全局 Skills： 放在 ~/.agents/skills/。你电脑上的所有 Codex 项目都能用。 项目级 Skills： 放在项目文件夹内部。只有这个项目能用。适合客户专属或项目专属的流程。 一个 Skill 能不能在需要的时候被触发，主要看三件事： description 最关键。 Codex 做隐式调用时，只会拿任务和 description 文本匹配。把核心使用场景和触发词写在前面。描述太虚，基本就不会触发。 两种调用方式。 一种是显式调用，比如 CLI/IDE 里用 /skills，或者在提示词里点名 $skillname。另一种是隐式调用，也就是你的请求刚好匹配，Codex 自动选择这个 Skill。 开放标准。 Skills 在 2025 年 12 月进入 Codex，现在已经是跨平台 Agent Skills 标准的一部分。同一套格式可以在 Codex、Claude Code、Gemini CLI、Cursor 里用。写一次，到处跑。 10. 把 localhost 部署成线上 URL：GitHub → Vercel → production Excel 表格算是后端结果。仪表盘才是前端。localhost 只是开发地址。它们都还不算真正交付。 要从 localhost 走到线上，需要接两个服务：GitHub 放代码仓库，Vercel 做托管。Codex 可以把整个流程串起来。 关键细节在于：GitHub 和 Vercel 初次连接之后，会一直保持联动。每次 push 到 main，都会自动触发一次 Vercel 部署。你不用再登录 Vercel。你在 Codex 里工作，Codex push 到 GitHub，Vercel 自动部署。三个工具，合成一个工作流。 11. 设置 Automations，并且明确指定模型 Codex App 里有一个 Automations 标签页。它可以设置按 cron 定时运行的提示词。把 Automations 和 Skills 结合起来，一个仪表盘就会从“我手动更新的东西”，变成“我睡觉时自己更新的东西”。 一个真实的周日晚自动化可以是：拉取最新评论，运行洞察 Skill，更新 Excel 文件，推送新数据，让 Vercel 自动部署。端到端刷新，全程不用碰。到周一早上，仪表盘就是最新的。 Automations 面板里的模型选择器，不会继承你当前聊天使用的模型。新建自动化时，它会默认用面板自己的默认模型；这个模型可能比你实际想用的生产模型更慢、更便宜。 所以每个自动化都要明确指定模型。不然你会疑惑：为什么一个本来 7 分钟能跑完的任务，突然要跑 40 分钟。另一个类似问题是：如果你本地正打开一个 Codex 需要覆盖的文件，先把它关掉。 12. 选对线程模式：Local、Worktree 或 Cloud Codex App 里的每个线程，都运行在三种模式之一。选对模式，区别就是安全迭代和合并崩溃之间的区别。 Local： 直接在当前项目目录里工作。最快、最简单，但每一次改动都会碰到你真实的工作树。适合小范围、很确定的修改，而且你信任这个 Agent。 Worktree： 把改动隔离到一个 Git worktree 里，也就是同一个仓库旁边的一个兄弟工作目录。Agent 在单独分支上工作，不会影响你的主 checkout。任何有点分量的构建，都应该默认用它。如果这次运行跑偏了，把 worktree 扔掉就行。主目录零损伤。 Cloud： 在配置好的云端环境里远程运行。你的电脑可以关机。把它和第 11 步的 Automations 搭配，就能做真正异步的工作流，不依赖你的机器是否开着。 一个简单经验：有野心的任务用 Worktree，小而准的修改用 Local，长时间自动化任务用 Cloud。三种信任等级，每个任务单独选。 13. 把内置 Browser Use 当成 QA 循环 仪表盘做好之后，让 Codex 用内置浏览器打开它，点一遍，试着把它搞坏，然后回来报告。它真的可以这么做。 它能抓到你只看代码时容易漏掉的问题：外链坏了、空状态太空、搜索逻辑太死板、可访问性缺口、细小的 UI 不一致。 把这件事从一次性操作变成习惯的方法是：把 QA pass 写进项目记忆或 Skill。 以后每次发布新功能，Agent 在回到你面前之前，都会先跑一遍浏览器检查。你不再亲自当 QA 测试员。Agent 负责跑，你负责看报告。 Browser Use 不只是 QA 工具。只要某个服务没有 API，它就会变成通用操作工具： 登录没有 API 的工具，比如老后台、供应商门户、内部仪表盘。 从不提供程序化数据出口的仪表盘里拉报告，比如分析页面、账单工具、状态页。 自动执行你原本要手点的多步骤 UI 流程。你用自然语言描述步骤，Codex 去完成。 14. 用上大多数人忽略的 UX 功能 Codex App 里有一组 UI 功能，会把它从“我偶尔用的工具”，变成“我长期待在里面的工作区”。单独看都很小，但组合起来很有用。 Side chat： 从主对话旁边开一个侧边线程。同一个项目上下文，不同的对话。你可以临时问一个小问题，不污染主会话。问完就关。 Slash commands： 输入 / 浏览命令，比如 /skills 显式调用 Skill、/clear、/help 等。Slash 菜单会把 Codex 能做的事直接露出来。 @-mentions： 在提示词里点名某个文件，例如“参考 @example.tsx，新增一个页面，列出 @resources.ts 里的 items”。比手动粘路径干净得多。 模型切换器 reasoning effort： 聊天输入框下面的切换器，可以给当前对话换模型。reasoning effort 控制 Codex 在回答前思考多久。更高 effort 复杂任务效果更好，但会消耗更多 token，也更快吃掉限额。按任务匹配就好。 $imagegen Skills mentions： 输入 $ 可以在提示词里直接提到某个 Skill。语法和 @ 文件引用类似。这样你可以在一个提示词里组合多个 Skill。 IDE 插件自动同步上下文： 如果你在编辑器里装了 Codex IDE Extension，并且 App 和编辑器打开的是同一个项目，它们会自动同步。你能在编辑器里看到 App 里的线程，反过来也一样。打开 “Auto context” 后，Codex 还会跟踪你正在看的文件。 Full access mode： 在 Settings 里打开，可以跳过审批提示。更快，也更危险。建议先用默认模式。只有在你信任项目边界之后，再切到 full access。 让 Codex 一直停留在 3% 潜力的坏习惯 没有 AGENTS.md。每个会话都重新解释项目，每个会话都得到不一样的答案。 跳过 Plan 模式。一个一句话误解，最后变成四十个文件的 diff。 把 key 放进聊天或 secrets.txt。一 push 就可能公开。 从不保存经验。因为什么都没写下来，所以同一个错误一遍遍重来。 提示词太泛。拿到通用产出之后，又惊讶它怎么这么通用。 只做一次性构建。每周都从零重做同一套流程，而不是把它变成 Skill。 什么都用 Local 模式。一次跑偏的 Agent 运行，直接把你的工作树弄乱，因为你没用 worktree。 让 Automations 默认选择模型。明明 7 分钟能跑完的任务，拖成 40 分钟。 不做 QA pass。仪表盘外链坏了，空状态很丑，还是直接发出去。 工具阵营化。用身份认同来选 Codex 还是 Claude Code，而不是看眼前任务适合哪个。两者都有赢的时候。 结论 Codex 看起来像一个聊天窗口。但它不是聊天窗口。它是一个文件夹，里面有一个知道文件夹内容的 Agent，再加上一层 Skills、MCP、自动化和浏览器。这些东西都通过放在项目文件夹里的 Markdown 文件来配置。 这个文件夹是可迁移的。你可以用 Codex 打开它，也可以用 Claude Code、Cursor，或者任何支持 Agent Skills 标准的工具打开它。外壳会变，工作不会变。 大多数用户会继续只在聊天框里打问题，然后到此为止。他们会拿到答案，复制代码，然后离开。真正用 Codex ship 的那 400 万周活用户，是那些把文件夹配置起来的人。 挑一个你还没做的步骤，可能是 AGENTS.md，也可能是你的第一个真正 Skill，明天就加上。然后再加下一个。Codex 的输出质量，跟你对 Codex 的配置质量强相关。 空文件夹。工作流引擎。中间隔着这 14 步。 #AI #AIAgent @grok

马斯克母亲、SpaceX高管已提前抵达纳斯达克 6 月 12 日，综合美媒报道，马斯克母亲 Maye Musk 及 SpaceX 高管已提前抵达纳斯达克。 此外，Maye Musk 是第一个被拍到抵达纳斯达克参加 SpaceX 首秀的马斯克家族成员。 @elonmusk @mayemusk @nikitabier @XCreators @grok @xai @SpaceX @Tesla

今年高考，5个AI押题全翻车了——但写出来的作文还不错 知之为知之，不知为不知，是知也。——《论语》 2026年高考作文题出炉，考前5个AI模型（ChatGPT/Claude/Gemini/豆包/Kimi）押题全部落空。教育部发预警反炒作。但同一批AI真写起作文来，水平又不差。这背后藏着一个对做副业很有用的道理：AI能干什么、不能干什么，你得分清楚。 每年高考作文题一出，全网都要写一遍。 今年有点不一样——写作文的，除了1290万考生，还有一堆AI。 而且很有意思：AI押题全部翻车了，但写出来的作文又确实不错。 如果你正在用AI做副业，这个对比值得琢磨一下。 📉 AI押题：5个模型全翻车 考前有自媒体用ChatGPT、Claude、Gemini、豆包、Kimi五大模型预测高考作文题。 结果怎么样？全军覆没。 五个模型不约而同押了”科技伦理”的方向——ChatGPT写”尺度”，Claude写”路上的风景”，Gemini写”零摩擦生活”，豆包写”快捷键时代”，Kimi写”算法导航”。 实际考题是：”词语的含义随时代变化，你对哪个词的理解发生了变化？谈谈你的成长。” 跟科技伦理没什么关系。出题方向完全相反。 教育部当天发了预警信息，明确表态：利用AI押题属于虚假宣传和诈骗，命题有”反押题、反套路”导向。 📌 AI能”写”但不会”猜”——这是第一个边界。 ✍️ AI写考卷：水平不错 押题全军覆没，但真让AI写这篇作文呢？ DeepSeek、通义千问、豆包三款AI同题写作，结果出乎不少人意料。 北京卷微写作是”为敬老院写一段AI与幸福晚年的宣传语”——三位AI写的宣传语文笔细腻、语气得体，没有翻车。 上海卷大作文是”科技改造世界时，也改造着我们的想象”——三个AI各自有观点： DeepSeek：科技是想象力”浴火重生的催化剂” 通义千问：警惕人类思维被算法规训 豆包：用科技拓宽认知边界 有深度、有立场、有文采。扔进考场，至少是中上水平。 押题不行，但按指令做事可以。 这是第二个边界。 💡 对做副业的启示 这两个边界放到副业上，对应两个问题： AI不能替你做决定（像押题一样翻车） 不能替你选赛道——是写文案还是做Agent，你得自己判断 不能替你判断时机——这波热点值不值得追，你得自己拍板 不能替你承担责任——客户不满意，你不能说”是AI写的” AI能帮你把事情做出来（像写作文一样不错） 你说方向，它出初稿 你说框架，它填内容 你说风格，它照做 最怕的是用反了：让AI替你选方向（押题），自己动手写内容（写作文）。正确的用法是反过来：你选方向，AI执行。 📌 对AI最准确的描述不是”万能替身”，是一个不会累的执行者，但方向必须你来定。 #AI #AIAgent @grok

今日 SpaceX 将以135美元定价登陆纳斯达克，1.77万亿估值背后是市场对“太空 AI”垂直整合叙事的定价。市场目前对该定价存在分歧的核心在于SpaceX应被视为太空基础设施公司还是AI驱动的科技巨头。 其52倍市销率高于大型科技公司，但远低于部分纯太空同业。这种估值混乱反映了投资者仍在为其业务属性归类——是Starlink的电信现金流、火箭发射的基础设施，还是xAI合并后的模型潜力在主导定价。 有机构认为“SpaceX 与Tesla在2027年合并的概率高达80%以上”。这暗示了马斯克旗下资产的资本棋局远未结束，SpaceX上市可能并非终点，而是为更复杂的生态整合与资本运作提供高流动性筹码。市场对短期FOMO与长期叙事的激烈博弈，实则为后续的关联交易铺平了道路。 作为普通人，能赶上如此千载难逢的历史财富机遇，当然不能无动于衷，怎么也得参与一手。现在币民参与SpaceX的最佳途径，莫过于参加Gate SPCX 股票发射计划，一边交易一边撸丰厚股票奖励！ 活动传送门：gate.com/campaigns/5114?ch=3… 活动期间，用户在 Gate 股票专区完成任意一笔股票交易，即可获得 0.01 股 SPCX 股票奖励，每日限前 200 名用户。将 SPCX 持仓截图分享至 X、Telegram 社群、Gate 广场、微信等社交媒体，即可参与每日随机空投。Gate 将按照用户活动期间累计股票交易量进行排名，前 100 名可瓜分 50,000 USDT 等值 SPCX 股票奖池！ 快来！今天和Gate一起创造历史！见证历史！ #我的Gate交易时刻 @Gate__Square @Gate_zh @Han_Gate @Gate_luqingxiao @JoeyJia11 @gate @GateVIP_zh @Godot_gate @gate_kol26 @gate_mina

订阅了ChatGPT Plus的朋友们注意了！ 土区的优惠没了！ 记得取消订阅，不然下次就按147 RMB 正常扣费了 目前Plus订阅全面涨价： 之前最低只要80 RMB（土区），现在最低巴基斯坦 120 RMB

英国一刀切制裁HTX引行业热议：监管从严没错，但请别误伤普通用户 英国将HTX整体列入制裁名单的风波，已经发酵近两周，行业内外的争议一直没有停下。 结合业内专业人士观点来看，这次最大的争议点在于：全域一刀切的制裁方式，误伤了大量合规普通用户。 据吴说区块链 @wublockchain12 报道：Galaxy Research 研究主管 Alex Thorn 表示，英国将整个 HTX 纳入制裁名单的做法存在争议，因为平台上仍有大量合法用户。他同时指出，不同稳定币发行商在冻结涉案资产方面的标准和执行时机存在明显差异，并建议关注稳定币冻结机制对用户资产的潜在影响。 本次风波暴露了行业一个长期被忽视的隐形隐患：目前各大稳定币发行商，在涉案资产冻结这件事上，执行标准不统一、风控时机差异极大。 没有统一透明的风控规则，对于普通用户而言资产安全始终存在不确定性。 客观来说，加密行业监管趋严是大势所趋，合规约束本身有利于行业长期良性发展。 但监管和风控的核心，本应是精准打击违规行为，而非粗放式一刀切。如何平衡监管力度、平台发展与普通用户合法资产权益，依旧是整个加密行业接下来要直面的难题。 @justinsuntron @HTX_Molly #HTXNovaPlus

xAI推出Grok Build内置插件市场：一键扩展AI终端技能，强制SHA安全锁定 xAI 宣布为终端 AI 编程工具 Grok Build 推出内置插件市场 Grok Build Plugin Marketplace，支持开发者在终端内直接浏览、安装和更新第三方工具。每个插件将 AI 的底层技能（skills）、控制协议（MCP）和代码提示工具（LSP）等模块整合打包，免去了零散配置的麻烦。由于市场直接内置于命令行界面，用户无需离开终端即可完成插件的更新与迭代。 在首批上线的插件中，MongoDB 插件允许 AI 直接查询并优化数据库，Vercel 插件支持在终端内掌控云端部署与域名，Sentry 插件帮助 AI 分析报错堆栈以自动修复 Bug，Chrome DevTools 插件则能让 AI 实时控制浏览器并录制性能轨迹。此外，Cloudflare 开发技能包与社区工作流工具 Superpowers 也已同步上线。 用户只需在 Grok Build 中键入 /marketplace 即可调出目录，或通过命令行运行 grok plugin install <name> --trust 直装。针对供应链安全风险，目录内的所有远程插件均与特定的 Git 提交 SHA 哈希值锁定，并在安装时由 Grok Build 强制校验，防范恶意代码注入。市场目录完全开放，开发者只需向 GitHub 的 xai-org/plugin-marketplace 仓库提交拉取请求（Pull Request），即可发布自建插件。 #AI #AIAgent @nikitabier @XCreators @grok @xai @SpaceX @Tesla

🎁 谢谢 @BitMartKalena 送我 @BitMart_zh 世界杯限定礼盒！太帅了！⚡⚽ 这个夏天注定热血🔥 📢 BitMart官方世界杯主题活动正在进行中！ 想薅福利、看球赛、拿限定周边的小伙伴，赶紧动起来😂 和 BitMart 一起见证 #世界杯 每个精彩瞬间🏆 Happy World Cup 2026 💥