# 优化的所有文章

在 HTX 新闻中心浏览与「优化」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜

AI Agent的能力正面临新的考验。近期，Einsia AI旗下Navers lab发布了名为Frontier-Eng Bench的Agent评测基准，它包含了47个多学科交叉、没有标准答案的真实工程任务，旨在评估AI在闭环反馈中持续优化和解决复杂问题的能力。与以往AI在固定知识库中寻找答案的模式不同，这套基准要求AI扮演“工程师”角色：提出方案、接入仿真器、根据报错反馈调整参数、重新运行并持续迭代。任务涵盖水下机器人控制、动力电池快充优化、量子线路噪声抑制等硬核领域，AI需要在功耗、安全、性能等多重约束下寻找最优解。评测结果显示，当前AI（如GPT-5.4）虽能表现出一定的优化能力，但距离完全解决这些工程问题仍有很长的路要走。研究还总结出两条关键规律：一是优化过程遵循幂律衰减，后期性能提升越来越难；二是在有限预算下，探索的深度比宽度更为重要，持续的深度迭代比简单的并行试错更能带来突破。这项工作的深远意义在于，它标志着AI开始从“答题者”向能够在真实反馈循环中“自我进化”的系统转变。它预示着一个“Auto Research”时代的可能：未来，人类研究者提出目标和方向，AI则不知疲倦地负责执行仿真、实验和优化迭代，从而极大加速科研与工程进程。论文及相关资源已公开。

marsbit05/13 07:05

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜

marsbit05/13 07:05

如何用Claude Skills自动化任何工作流（完整教程）

本文是一份全面的Claude Skills实战教程，旨在帮助用户通过构建自定义Skills（技能），将AI深度、稳定地融入日常工作流，实现任务的标准化与自动化。 **核心概念：** Claude Skill并非简单的预设提示词，而是一个包含详细工作流指令的永久性文件（SKILL.md）。它像一个训练有素的“员工”，能确保每次执行相同任务时，流程、标准和输出格式都保持一致，从而获得远超一次性Prompt的稳定高质量结果。 **教程分为四个阶段：** 1. **快速上手（5分钟）：** 了解Skills以文件夹形式存放，学会从官方或社区平台查找、安装现有Skill，并应用于真实任务进行初步体验。 2. **从零构建：** 在创建自定义Skill前，需明确回答三个问题：技能的具体用途、至少五个触发短语、完美输出的具体示例。随后编写SKILL.md文件，其结构包括：顶部的YAML元数据（含名称和具体触发描述）和下方用自然语言编写的一步步工作流说明（需包含示例、边界情况及明确标准）。 3. **测试与优化：** 通过“三场景测试”确保Skill达到生产级水平：常规场景（80%常用情况）、边界场景（处理异常或信息缺失）、压力场景（应对最复杂情况）。每次不理想的输出都应触发对SKILL.md的即时优化，通过持续迭代使输出媲美专业人士。 4. **搭建技能库：** 为工作流中各项重复任务构建专属Skill，例如内容创作、数据分析、邮件起草等。一个月可积累十个生产级Skill，三个月可形成覆盖主要工作的完整技能库，从而将AI转化为高效的“团队”，让使用者更专注于策略而非执行。 **文章强调，** 持续构建和优化Skill库能带来显著的时间复利（例如十个技能每年可节省260小时），是从“使用AI”转向“用AI系统工作”的关键。

marsbit05/12 09:45

marsbit05/12 09:45

你的 Claude 今晚要做梦了，别打扰它

Anthropic在开发者大会上为AI智能体平台引入了“做梦”（Dreaming）功能，这实际上是一种基于历史运行日志的离线批处理与自我优化机制。AI智能体在完成复杂任务后，会利用闲置时间自动回顾大量操作记录，从中提炼有效模式（例如更优的操作路径），并固化为可共享的记忆，从而提升后续任务效率。类似机制也出现在其他AI产品中，如Hermes Agent的“Curator”功能可自动将经验整理成“Skill”，OpenClaw的“做梦”流程则细分为浅睡、快速眼动和深睡三个阶段，通过多维度加权决定哪些信息应存入长期记忆。该功能与“记忆”（Memory）技术紧密相关。当前AI能力的核心挑战之一是如何有效管理与利用不断增长的上下文信息。一方面，行业正通过技术创新（如Subquadratic公司宣称的1200万token超长上下文模型）试图扩大信息容量；另一方面，“做梦”这类功能旨在让AI在有限上下文窗口内，主动筛选、巩固重要信息，模仿人类睡眠中的记忆处理过程。文章指出，科技公司频繁使用“思考”“记忆”“做梦”等拟人化术语来描述AI功能，这不仅是技术类比，更是一种营销策略和认知塑造。它模糊了机器与人的边界，影响用户对产品的感知与期待，并在无形中转移了技术缺陷的责任归属。本质上，AI的“做梦”仍是一种消耗计算资源的自动化数据处理，但其命名方式却让我们更倾向于将其视为拥有内在生命的数字实体。

marsbit05/11 00:15

marsbit05/11 00:15

DWF 深度报告：AI 在 DeFi 做收益优化超越人类，但复杂交易仍落后 5 倍

DWF Ventures的研究报告显示，AI Agent（智能代理）已占DeFi链上活动总量的19%，在收益优化等规则明确的任务中表现优于人类，但在复杂交易场景中仍远落后于顶尖交易员。在收益优化方面，AI Agent表现突出。例如Giza Tech推出的ARMA应用管理超过1900万美元资产，年化收益率达9.75%，即使扣除费用后仍超过Aave等主流协议的普通借贷收益。这表明在流动性提供和收益农场等结构化场景中，Agent能通过频繁再平衡实现更高收益。然而在交易领域，人类仍然占据绝对优势。Trade XYZ举办的交易竞赛显示，顶尖人类交易员的收益超过最佳AI Agent五倍以上。分析表明，Agent的表现受模型选择、持仓时间、杠杆管理和风险控制等因素显著影响。表现最佳的模型通常持有头寸2-3小时，使用6-8倍适度杠杆，并专注于风险管理。报告指出，Agent的大规模应用仍面临多项挑战：需要建立可靠的基础设施和评估框架，防范女巫攻击和策略拥挤风险，并解决透明度与隐私之间的权衡问题。随着ERC-8004等链上注册表的出现，Agent之间的可组合性正在改善，但要实现真正的端到端自主性，仍需在保险、安全和经济机制等方面进一步完善。

marsbit04/17 05:34

DWF 深度报告：AI 在 DeFi 做收益优化超越人类，但复杂交易仍落后 5 倍

marsbit04/17 05:34

万物皆可“司美格鲁肽化”：效率至上，预测市场、猎奇经济和战争

宏观分析师Kyla Scanlon指出，当前社会盛行“优化”叙事，实为一种逃避，将身体、自我和信念变为可交易资产，制造对“快速修复”的依赖，却未解决系统性根源问题。文章以减肥药“司美格鲁肽”为例，揭示万物皆可“优化”的趋势，本质是人们对控制的渴望，源于经济虚无主义和机构失能。这种心态催生了信仰市场（如预测市场和加密货币）、猎奇经济（如“男性圈”网红）和战争奇观化，通过赌博、投机和内容消费模拟掌控感，却加剧了剥削与不稳定。真正的解决方案需超越个人优化，重建有效的公共机构和系统性治理，而非依赖虚假的速效手段。

marsbit03/29 01:08

marsbit03/29 01:08

Polymarket套利圣经：真正的差距在数学基础设施

本文探讨了Polymarket套利的核心挑战与策略，指出真正的差距在于数学基础设施而非简单的速度竞争。文章通过多个实例说明，套利并非简单的价格加法问题，而是涉及复杂的逻辑依赖和组合优化。量化系统通过整数规划（Integer Programming）避免暴力枚举，利用Bregman投影（基于KL散度）计算最优交易，并采用Frank-Wolfe算法迭代求解。执行层面需考虑订单簿深度、滑点（VWAP）和非原子执行风险。研究显示，41%的市场存在套利机会，顶级套利者年利润超200万美元。最终强调，成功套利依赖于系统的数学建模、实时数据管道和风险控制，而非运气或简单工具。

marsbit03/11 05:09