# 优化的所有文章

在 HTX 新聞中心流覽與「优化」相關的最新資訊與深度分析。潘蓋市場趨勢、專案動態、技術進展及監管政策，提供權威的加密行業洞察。

AI 协作重磅突破！斯坦福英伟达联手消除AI沟通内耗，推理速度暴涨 2.4 倍

斯坦福、UIUC、英伟达与MIT的研究者联合提出了一种名为RecursiveMAS的新方法，旨在消除多智能体AI协作中的“语言税”问题。传统多智能体系统需要通过自然语言文本进行沟通，导致效率低下、信息丢失且计算成本高。RecursiveMAS的核心创新在于让智能体跳过文本生成与解析的步骤，直接在潜空间（latent space）中通过向量表征传递“思维”，实现类似“心灵感应”的高效协作。该方法通过轻量级的RecursiveLink模块连接智能体，仅需训练约0.31%的参数，显著降低了训练成本与显存需求。实验表明，RecursiveMAS在数学、代码生成等多个任务上平均准确率提升8.3%，推理速度提升最高达2.4倍，同时Token消耗降低75%。其性能优势随递归轮次增加而扩大，为多智能体系统的扩展提供了新的方向——从增加智能体数量转向加深递归深度。尽管该技术仍需在异构模型兼容性、可解释性及复杂生产环境中进一步验证，但它挑战了多智能体协作的传统范式，有望推动AI协作效率实现质的突破。

marsbit前天 00:10

marsbit前天 00:10

如何用30天成为Claude高阶用户？

本文提供了一个为期30天的Claude进阶使用教程，旨在帮助用户将Claude从一个临时的问答工具，转变为能够理解用户、持续产出高效成果的智能工作助手。教程按周划分，逐步构建个人专属的工作系统。 **第一周：掌握基础能力** 核心是学习撰写结构清晰的Prompt，包含角色、背景、任务、格式和限制条件五个部分。理解上下文窗口的概念，将关键信息前置。最后，设置至少三个专项Projects（如主要工作、研究分析、写作沟通）并开启Memory功能，让Claude记住用户的背景与偏好，奠定个性化基础。 **第二周：搭建核心工作流** 创建可复用的流程模板，覆盖研究、写作和决策三大常见场景。例如，研究流程可快速分析资料并生成报告；写作采用先提纲后全文的两步法，确保方向正确；决策流程则能系统化地分析选项与利弊。这些工作流能将重复性工作自动化，显著提升效率。 **第三周：实现自主与自动化** 通过Claude Cowork功能，让Claude能在指定文件夹内自主读取、处理文件和执行多步骤任务。连接Google Drive、Slack等外部工具，扩展其能力。设置定时自动化任务（如每日计划生成、周报整理），使Claude从被动工具转变为能主动工作的系统。 **第四周：系统优化与积累** 回顾并优化所有工作流，根据输出反馈迭代Prompt，追求稳定高质量。建立个人知识库，保存历史优质产出供后续项目调用，实现知识复利。通过教会他人来巩固自身理解。最终，规划完整的个人Claude操作系统蓝图，明确所需工作流、工具连接和使用节奏，并定期迭代。遵循此路径，用户能在30天内构建一个深度理解自身需求、能自主运行并持续优化的工作系统，从而将时间专注于更具创造性和战略性的任务上，真正成为Claude的高阶用户。

marsbit05/20 08:06

marsbit05/20 08:06

SocialFi 的建立为何源于对自身媒介的误读

本文以媒介理论家麦克卢汉的“热媒体与冷媒体”概念为框架，剖析了SocialFi失败的根本原因。文章指出，社交网络本质上是“冷媒体”，其价值在于用户通过碎片化、低分辨率的参与（如发帖、点赞、评论）共同构建意义，这是一个模糊、依赖语境的过程。 SocialFi（如Friend.tech）试图将社交行为（如关注）实时金融化、赋予明确的价格信号。然而，这实际上是用高分辨率的“热信号”（价格）取代了构成社交媒体的“冷信号”。当每个行为都有了清晰、可交易的价格时，用户行为就从“参与”转向了“分配”和“表演”，社交网络变成了披着社交外衣的金融市场。一旦金融投机动力消失，底层的社交媒介也因已被“加热”而无法维持，导致整个体系崩溃。文章进一步指出，这种“热化”过程并非SocialFi独有。传统社交平台通过添加点赞数、算法排名、创作者基金等“优化”功能，也在缓慢地从“冷”变“热”，使用户从参与者变为被动消费者或表演者，损害了平台的长期活力。成功的平台（如Substack、Patreon、Bandcamp）提供了另一种思路：它们让资本在媒介内部的特定“冷凝点”聚集（如订阅、捐赠），而非渗透到每一个社交行为中。基础媒介层保持“冷”和参与驱动，资本以局部化、低频、非实时的方式介入，从而兼容了社会价值与经济价值。最后，文章以NFT市场为例，说明一个历史悠久的“冷媒介”（收藏）如何被实时价格、稀有度工具等“热化”优化迅速摧毁其文化实践本质，沦为纯粹的金融交易，佐证了“流动性即热量”的核心观点。真正的挑战在于设计让资本凝聚而不扰乱冷媒介稳定机制的方案。

marsbit05/14 09:38

marsbit05/14 09:38

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