日月小楚的投资交流空间（公告群）
GIF
日月小楚
AutoDarwin：这是一套由AI控制，零人类干预，能自己不断优化，链上策略的系统
https://t.co/tp4t1J2F08
tweet
AutoDarwin：这是一套由AI控制，零人类干预，能自己不断优化，链上策略的系统
https://t.co/tp4t1J2F08
“🦞主人，我将开始帮您在币安赚到BNB”
你觉得币安有哪些功能或服务可以通过AI实现创新和优化？
🏄欢迎提交你的创意提案，用 #AI 建设加密和币安一起逐浪Wbe3
✅参与方式一：直接参赛
• 使用 OpenClaw（小龙虾）搭建币安主题的 AI Agent，录制演示视频或图文展示
• 在 X/广场发帖，RT本条推文并写明作品名称、功能亮点，并附演示素材或链接
• 填写表单提交作品：https://t.co/2FvJwknixo
✅参与方式二：推荐参赛
• 在 X/广场RT官方推文发帖 @ 你推荐参赛的人
• 被推荐人报名时在表单中填写你的币安 UID 即可
• 被推荐人拿奖，对应推荐人即可获奖 tweet
日月小楚
3个妙招，轻松节约80%的Token消耗
你有没有觉得，Token 消耗快得离谱？明明没聊几句，额度就快见底了。
这不是你的错。因为大模型公司就想让你多花token，所以现在方案都是最消耗token的。
但只要理解AI运行的原理，三个小改动就能把消耗砍掉一大半。
1：别让 AI 去"看"网页
这是最大的浪费源头。
很多人会每天获取50+网页总结热点。做法是让 AI 控制浏览器抓信息，觉得省事。但代价是什么？AI 浏览网页的时候，会把整个页面所有内容都读一遍——出了内容，甚至还有html代码，全算 Token。一个普通新闻页面可能上万 Token，你真正要的就几百个字。
特别是每天做信息收集、总结热点的人，这种浪费是翻倍放大的。
正确做法特别简单：能调 API 就调 API，普通网页写个爬虫脚本。脚本只抓你要的字段，干干净净，Token 基本为零。
2：给 Subagent 传文件路径，别替它"传话"
用 Agent 工作流的人最容易踩这个坑。
在现有方案中，都是主 Agent 会将所有信息阅读一遍，然后分配给Subagent。问题是——这些信息会全部过一遍主 Agent 的上下文，哪怕跟当前子任务完全没关系的，也一样算 Token。
解决办法很直觉：把数据写进文件，只告诉 Subagent 文件路径，让它自己去读需要的部分。主 Agent 上下文始终保持精简，Token 直接打骨折。
3：AI 是用来思考的，不是用来当 Excel 的
→ **大数据先用代码过滤**——别一股脑全丢给 AI。先用 Python 脚本做统计、筛选，把最关键的部分提炼出来，再让 AI 做判断和决策。
这三招为什么有效？
这是因为原理上，AI不是人，它没有记忆。每一次请求，你需要把把历史对话、工具定义、Skill、MCP 配置……全部打包发一遍。聊得越久，包越大，Token 蹭蹭涨。大模型公司当然不会主动教你怎么省——你用得多它才赚得多嘛。
如何操作？
改变也非常轻松，就是在 Skill 的时候多用 Script**——能用代码完成的步骤就封装成脚本，只把真正需要"动脑子"的环节留给 AI。操作上很简单，你在 Skill 里把这些步骤写成代码执行就行，其他流程完全一样。
这套方法还有个很多人没意识到的额外好处：**省 Token 的同时，AI 的准确率反而会提高**。
道理很简单——上下文越短，噪音越少，AI 越容易聚焦在关键信息上做出对的判断。上下文太长反而容易"分心"，产生幻觉。
省钱和提质，其实是同一件事。
觉得有用的话转发给你身边也在用 AI 的朋友，感谢来个三连
tweet
3个妙招，轻松节约80%的Token消耗
你有没有觉得，Token 消耗快得离谱？明明没聊几句，额度就快见底了。
这不是你的错。因为大模型公司就想让你多花token，所以现在方案都是最消耗token的。
但只要理解AI运行的原理，三个小改动就能把消耗砍掉一大半。
1：别让 AI 去"看"网页
这是最大的浪费源头。
很多人会每天获取50+网页总结热点。做法是让 AI 控制浏览器抓信息，觉得省事。但代价是什么？AI 浏览网页的时候，会把整个页面所有内容都读一遍——出了内容，甚至还有html代码，全算 Token。一个普通新闻页面可能上万 Token，你真正要的就几百个字。
特别是每天做信息收集、总结热点的人，这种浪费是翻倍放大的。
正确做法特别简单：能调 API 就调 API，普通网页写个爬虫脚本。脚本只抓你要的字段，干干净净，Token 基本为零。
2：给 Subagent 传文件路径，别替它"传话"
用 Agent 工作流的人最容易踩这个坑。
在现有方案中，都是主 Agent 会将所有信息阅读一遍，然后分配给Subagent。问题是——这些信息会全部过一遍主 Agent 的上下文，哪怕跟当前子任务完全没关系的，也一样算 Token。
解决办法很直觉：把数据写进文件，只告诉 Subagent 文件路径，让它自己去读需要的部分。主 Agent 上下文始终保持精简，Token 直接打骨折。
3：AI 是用来思考的，不是用来当 Excel 的
→ **大数据先用代码过滤**——别一股脑全丢给 AI。先用 Python 脚本做统计、筛选，把最关键的部分提炼出来，再让 AI 做判断和决策。
这三招为什么有效？
这是因为原理上，AI不是人，它没有记忆。每一次请求，你需要把把历史对话、工具定义、Skill、MCP 配置……全部打包发一遍。聊得越久，包越大，Token 蹭蹭涨。大模型公司当然不会主动教你怎么省——你用得多它才赚得多嘛。
如何操作？
改变也非常轻松，就是在 Skill 的时候多用 Script**——能用代码完成的步骤就封装成脚本，只把真正需要"动脑子"的环节留给 AI。操作上很简单，你在 Skill 里把这些步骤写成代码执行就行，其他流程完全一样。
这套方法还有个很多人没意识到的额外好处：**省 Token 的同时，AI 的准确率反而会提高**。
道理很简单——上下文越短，噪音越少，AI 越容易聚焦在关键信息上做出对的判断。上下文太长反而容易"分心"，产生幻觉。
省钱和提质，其实是同一件事。
觉得有用的话转发给你身边也在用 AI 的朋友，感谢来个三连
tweet
日月小楚
很明显，这是一个非常错误的方向。
很多人现在想拿AI赚钱。
只需要考虑一个最最底层的逻辑：在交易这个市场，只有少部分人是赚钱的。
如果AI让某个领域，原先少部分专业玩家，变成大多人都能拥有的能力。那么这个地方就不太可能赚钱了。
不管是量化能力，还是投研、套利都是如此。就像聪明钱成为大部分人都可以看到的信息。
那么聪明钱就无法带你赚钱了。最后留下的是几个有赚钱神话的个例，以及赚的朋满钵满的交易平台。
tweet
很明显，这是一个非常错误的方向。
很多人现在想拿AI赚钱。
只需要考虑一个最最底层的逻辑：在交易这个市场，只有少部分人是赚钱的。
如果AI让某个领域，原先少部分专业玩家，变成大多人都能拥有的能力。那么这个地方就不太可能赚钱了。
不管是量化能力，还是投研、套利都是如此。就像聪明钱成为大部分人都可以看到的信息。
那么聪明钱就无法带你赚钱了。最后留下的是几个有赚钱神话的个例，以及赚的朋满钵满的交易平台。
确实很有意思的体验 👍
把 AI 和交易结合，本质上是在把“量化能力”从少数专业玩家，变成每个人都可以使用的能力。
从调参数、调仓位，到逐步把策略跑通、把成本赚回来，这个过程本来就不是一蹴而就的，更像是在训练一个长期可复用的交易能力。
我们也在持续打磨这类 AI + Trading 的产品形态，让策略更易用、执行更稳定、门槛更低。
欢迎大家多试、多反馈，一起把这件事做得更好。 🚀 tweet
日月小楚
想起了18年的时候，跟好友讨论RWA（当时还在空想阶段，名字还叫STO，通证经济等）。
当时我们的分歧在于是不是需要一个信用背书。他认为区块链是去中心化，所以不需要。而我认为，RWA比较特殊，将现实的资产上链是需要一个强有力的机构来做信用背书。
时间到了26年，RWA已经不再只是概念名词。这次刷推特，看到国泰君安在HashKey 上线了的代币化货币基金 GUSDT 和 GHKDT，无疑证明了我当时的观点。
一方面，作为券商老大的国泰君安能够发行代币化基金，本身就代表了RWA的认可。更重要的是，对于现实资产，用户是比较谨慎的。需要有个强有力的机构出面，让大家放心使用。更有利用RWA的大规模推广。 @HashKeyGroup
tweet
想起了18年的时候，跟好友讨论RWA（当时还在空想阶段，名字还叫STO，通证经济等）。
当时我们的分歧在于是不是需要一个信用背书。他认为区块链是去中心化，所以不需要。而我认为，RWA比较特殊，将现实的资产上链是需要一个强有力的机构来做信用背书。
时间到了26年，RWA已经不再只是概念名词。这次刷推特，看到国泰君安在HashKey 上线了的代币化货币基金 GUSDT 和 GHKDT，无疑证明了我当时的观点。
一方面，作为券商老大的国泰君安能够发行代币化基金，本身就代表了RWA的认可。更重要的是，对于现实资产，用户是比较谨慎的。需要有个强有力的机构出面，让大家放心使用。更有利用RWA的大规模推广。 @HashKeyGroup
tweet
👍1
日月小楚
AI带来效率提升巨大，但是明显感觉到越来越累了。
细细想想，可能有这么几个原因
1 AI把简单的事情都做了，所以现在每天，剩下的比较难的事情。
2 因为一个任务AI会比较长时间，所以中间往往会弄另外一个项目。所以会并行做2~3个项目，还都是比较难的那些。
3 AI自身也不完善，复杂一点的任务无法一次性完成。虽然现在代码的bug几乎不会看到了。但是业务逻辑层面的问题依然很常见，而且经常会越改越麻烦。经常改到后面令人抓狂。
tweet
AI带来效率提升巨大，但是明显感觉到越来越累了。
细细想想，可能有这么几个原因
1 AI把简单的事情都做了，所以现在每天，剩下的比较难的事情。
2 因为一个任务AI会比较长时间，所以中间往往会弄另外一个项目。所以会并行做2~3个项目，还都是比较难的那些。
3 AI自身也不完善，复杂一点的任务无法一次性完成。虽然现在代码的bug几乎不会看到了。但是业务逻辑层面的问题依然很常见，而且经常会越改越麻烦。经常改到后面令人抓狂。
tweet
🥴1🤣1
👍2