A real cyborg vibe coder | Study @ChainFeedsxyz | ex Research @ChainNewscom, @MyToken, @IBM | Holding and accumulating BTC since 2011.
Singapore
Joined July 2007
- Tweets7.5K
- Following3.3K
- Followers45.5K
- Likes16.8K
Zhixiong Pan retweeted
AI × Web3 School 正式开放报名 🔥
这是一个免费的线上共学营 + Hackathon，面向想系统进入 AI × Web3 方向的 builder。
我们会围绕 AI Agent、链上支付、Agent Wallet、安全执行、隐私与可验证协作等方向，帮助参与者从学习、讨论、组队，一路推进到 Demo / MVP。
如果你想系统进入 AI × Web3 这个交叉方向，并在一个月内完成一次从学习到实践的完整过程，欢迎报名参加。
🧵
Zhixiong Pan retweeted
现代游戏真正可怕的，不是难，而是太会给反馈。
以前像《只狼》《艾尔登法环》这种游戏，是靠“难”把人留下来。你打不过，不服，再来一把。它是在拦你。
但《宝可梦世界 / Pokopia》这种游戏，已经是另一套逻辑了。它不拦你，它哄你。
群里有人一句话说得特别准：“这游戏的正向反馈太足了。”“啥也不干都能有奖励。”“两三天前种的花丛，中间没玩，打开游戏就来了新的宝可梦。”“总有事情做。” 甚至已经开始有人说它“逐渐帕鲁化”。
这几句话拼起来，其实已经把现代游戏最狠的设计讲透了。
建造给你即时反馈，自动化把反馈变成持续产出，离线时间也能在你回来时兑现成结果，新宝可梦和世界变化再继续勾你“上线看一眼”。
它不是靠一个大高潮留你，而是靠无数个“小小的不亏”留你。
以前游戏是用挫败感拴住你。
现在很多游戏，是用“别让你扑空”拴住你。
前者你知道自己在受苦，后者你甚至会觉得自己被照顾得很好。
问题是，这到底算设计进步，还是只是把上瘾这件事做得更体面了？
#gaming #gamedev #indiegame #indiedev #Pokopia #游戏 #遊戯 #游戏开发
Zhixiong Pan retweeted
GCC 2026 年度中英文报告《公共物品之路 The Path of Public Goods》电子版正式发布 ✨
官网同步完成全新升级：gccofficial.org
两年前，GCC 还只是一个关于“数字公地”的设想。
在无数建设者与伙伴们的支持与帮助下，这份愿景慢慢成为现实。
今天，我们将这两年的实践与思考整理成册，献给所有陪伴、投入与共同建设它的人。
🔗报告阅读：gccofficial.org/blog
在这份报告中，你可以读到：
- 公共物品的定义与我们的使命
- GCC 的历史与关键节点
- GCC 的捐赠案例与数据
- 基金结构与支持方向
- ETH City & 高校 & 机票专项年度报告
- 我们的治理与资助流程
两年时间。
GCC 支持了 45+ 个项目，
与 100+ 位建设者同行，
完成 100+ 次直接捐赠与配捐，
累计捐赠超过 $1,150K。
覆盖 中国 $533K/ 其他亚洲 $301K / 欧洲 $229K / 北美 $71K / 拉美 $19K +
它不仅是一份成果记录。
也是一次对“数字公地”的再思考。
正如 Vitalik Buterin 所言：
我们能去构建什么，
那些即便由世界各地的逐利者尝试 9999 次，
也不会自然出现的东西？
公共物品不只存在于协议与代码之中，，也发生在真实城市、社区、人与人之间。
感谢这一路来一直同行的你。
这是一份阶段性的记录，也是GCC继续前行的起点。
欢迎阅读、转发，也欢迎更多朋友一起参与建设公共物品。
加入GCC，和公共物品一起生长🌱
#PublicGoods #Web3 #GCC #OpenSource #Privacy
Zhixiong Pan retweeted
New podcast on AI (full episode). Links below.
A Motorcycle for the Mind
0:00 If you want to learn, do
2:13 Vibe coding is the new product management
6:49 Training models is the new coding
10:13 Is traditional software engineering dead?
13:07 There is no demand for average
14:12 The hottest new programming language is English
18:36 AI is adapting to us faster than we are adapting to it
22:56 No entrepreneur is worried about AI taking their job
26:46 The goal is not to have a job
29:49 AIs are not alive
32:55 AI fails the only true test of intelligence
36:49 Early adopters of AI have an enormous edge
39:37 AI meets you exactly where you are
43:02 Always leverage the best intelligence
44:37 If you can't define it, you can't program it
49:37 The solution to AI anxiety is action
Zhixiong Pan retweeted
They crashed. They fell. They exploded on the pad.
Then they got back up. Faster, wiser, stronger.
Breakthroughs don't come from one perfect run, they come from the freedom to fail 100 times.
Introducing Echo-2, distributed RL that boosts AI research throughput by 10x.
Zhixiong Pan retweeted
写得真好：“软件工程的成本结构正在发生不可逆的改变：实现细节的边际成本正在趋近于零。
当生成代码变得如此廉价且庞大，我们对代码的关注点将被迫从「逻辑的优雅性」转移到「验证的完备性」上。
未来的软件交付物或许不再是那些人类难以维护的代码行，而是驱动这一切的 Prompt 策略以及定义边界的测试集。”
Anthropic 消耗 2 万美元（Claude Opus 4.6），就指挥 Agent 团队构建出能编译 Linux 内核的 Rust 编译器，这标志着 AI 编程已突破辅助工具的范畴，具备了以极低成本替代资深团队构建复杂系统的能力。
若由人类团队从零实现此类工程，周期通常以年计算，这个实验直接为 Coding Agent 确立了处理高复杂度、强耦合任务的全新能力基准。
然而，这种工程奇迹并非仅靠模型本身的编程能力，其核心在于将「写代码」这一动作包裹在了一套严密的自动化测试与 CI/CD 体系之中。
为了让这套体系有效运转，实验引入了 GCC 作为「预言机（Oracle）」，通过比对标准输出定位错误，将开放式的创造难题转化为了封闭式的验证任务。
配合这种外部验证，选用 Rust 则构成了内部约束，利用其严格的类型系统在编译阶段拦截错误，弥补了模型生成代码的不稳定性。
正是基于这种「外部比对+内部约束」的双重保障，LLM 才能调动其预训练阶段吸收的海量编译器知识，站在全人类智慧的肩膀上完成重构。
这不仅展示了能力，更揭示了软件工程的成本结构正在发生不可逆的改变：实现细节的边际成本正在趋近于零。
当生成代码变得如此廉价且庞大，我们对代码的关注点将被迫从「逻辑的优雅性」转移到「验证的完备性」上。
未来的软件交付物或许不再是那些人类难以维护的代码行，而是驱动这一切的 Prompt 策略以及定义边界的测试集。
也许有一天，衡量软件开发工程量的单位将不再是传统的「人月」，而是「Token 消耗量」与「Prompt 复杂度」。
更多观点👇
newshacker.me/story?id=46903…
Zhixiong Pan retweeted
🎧E24: 和 Kurt Pan 聊聊比特币可证明密码学
📜什么是可证明？密码学如何从艺术走向科学？
🎬借《黑客帝国》与《信条》，理解模拟范式、随机预言与分叉引理
⚖️P vs NP：终极数学假设如何划定 AI 与比特币的边界？
👇从一本硬核的小册子入门，跟上比特币密码学的前沿研究！
1satpod.org/episodes/E24
Zhixiong Pan retweeted
Web3从前：
-Uni随便交互一部iphone
- ARB撸毛几万刀空投
-BNB大户launchpool每次都分几万刀
-meme龙一几个B市值
-Defi挖矿100000%APR
-一级拿了额度解锁千倍起
Web3现在：
-推特又给发了1k u工资
-币安Alpha一次任务几百u
-快讯：xx meme突破50m
-稳定币理财10%冲
-加密VC：我是怎么亏掉数千万刀的
Zhixiong Pan retweeted
强烈推荐群友Vibe Code的各种信息聚合工具，专注于「Web3 + AI + 美股」🧰
1️⃣ 新闻资讯类
- AI 研究报告中文翻译 @nake13：randomarea.com/
- Defi资讯 @yllll_yl：publish.obsidian.md/defillam…
- Alpha频道 @0xcryptowizard：t.me/groupdigest
- 币圈新闻汇总 @0xSUN： t.me/CryptoMarketAggregator
- 巨蟹的X信息聚合插件： chromewebstore.google.com/de…
- web3高质量信息聚合 @crypto20c_：blockecho.one
2️⃣ 数据类
- 法币&加密货币汇率转换器 @wolfyxbt：wolfyxbt.github.io/ValuesCor…，
币安现货看板：binance-spot.vercel.app，
币安 Alpha 看板：jjboard.app/alpha
- 黄金vs比特币数据看板 @0xOliviaPp：btc-vs-gold.lovable.app，
$BTC 抄底逃顶指标：btcdash-h668bzcr.manus.space
还有一些朋友虽然没有写alpha相关的网站，但是也做了不少有意思的工具，值得关注：@penny777 @lilyanna_btc @supermao @coolish @victor_wu
咱们web3人的动手能力永远是 Top 1 的。
还有什么好用的自研工具？ 👇
Zhixiong Pan retweeted
openai 花一亿美金收购一家创办一年、只有 4 人的医疗数据公司，
有我们的“ai 落地”有什么启示？
抛砖引玉一下，这家 torch 只做了一件事：医疗数据的整理和整合。
而 2026 年必须爆发的“ai 应用”缺的就是这一块，就是 context engineering 的解决方案。只有帮用户解决 context 问题，才能弥补 llm 能力远超落地的“llm 落地鸿沟”。
同理，2026 年，我们个人想让 ai 落地，关键也是 context engineering，是如何把自己的数据、信息、资料、经验、知识、洞察，变成结构、体系、系统，和当前足够强大的 llm 结合起来。
2026，ai 落地的关键，可能不在于 “agent”，而在于 context engineering。
---
我再复读一遍：ai，让个人知识管理再次伟大！让学习系统再次伟大！🤣
Zhixiong Pan retweeted
可以理解的是，国内很多人（主要是我父母这辈）被补品骗怕了，宁愿不吃也不想吃错。
但我们，以及我们的下一代就不会了，有条件的可以给自己的小朋友，从小开始，根据基因定制化合理的饮食，和针对基因的补剂了。🧬
我不敢想几十年后的 AI 时代的未来人，翻看历史，惊讶到：这个时代的人成长过程中，所有吃的食物和补剂都竟然没按照自己的需求个性化定制！
🌟PS：神鱼老师在群里说的精华，如何科学操作 Bio hacking的方法论之一：
“N=1实验方法论
列出潜在干预措施 → AI辅助证据评估 → 确定可测量指标 → 实施并监测 → 评估效果与风险 → 持续迭代优化”
【实测】把 DNA 当作开源项目：用 Claude Code 解锁颗粒度至「基因级」的健康助手
近期与 @bitfish @supermao @0xOliviaPp （在微基因 CEO @chengangcs 的专业建议下）进行了多种测试，尝试将消费级基因数据直接「喂」给 Coding Agent，验证 LLM 在个性化健康领域的边界。
在对比 Claude Code 和 OpenAI Codex 后，我个人感觉 Claude Code 明显更强，似乎大量基因组学知识已直接内化于模型权重中，直觉极佳。
虽然 Codex （GPT-5.2） 也能谨慎地解决问题，但倾向于「联网检索验证知识库 -> 调用计算工具 -> 输出结论」的确定性路径。也有小伙伴测试了 Gemini 等其他模型，好像效果也不错。
其实整个流程很简单👇
1️⃣ 数据获取：
- 来源：微基因等基因检测平台。
- 成本：基础版 <¥1000（足以覆盖核心位点），全基因测序 ≈¥3000。用基础版起步即可。
- 处理：下载核心数据 (txt)，通常仅几十 MB。或者也可以下载扩展数据，甚至是全基因数据。
2️⃣ 环境部署：
- 使用 Claude Code （或 Codex 等） 访问存放基因数据的文件夹。
- 直接通过自然语言交互进行数据挖掘。
3️⃣ Prompt 策略与场景：
> [风险分层]：这是我的基因数据，请你根据文件夹中的基因数据，告诉我最重要的10个健康风险是啥，按优先级排序。
> [祖源分析]：请你根据这份基因数据推测我的祖源。
> [精准营养]：针对代谢弱点（如甲基化循环、咖啡因代谢），推荐具体的补剂清单（如活性叶酸）及避坑指南。
> [药物反应]：分析我对特定药物成分的代谢基因型，评估潜在副作用。
💡 越具体的问题，AI 的推理价值越高。
过去我们依赖通用的统计学建议，而当 Coding Agent 能够低成本地索引个人的「生命源代码」时，健康管理将从模糊的「经验医学」真正跨入「精准计算」的时代。
这套 数据 + 智能体 的组合，就是未来每个人的标配。
Zhixiong Pan retweeted
我觉得这才是一个正常的、符合商业逻辑的产品。作为社交产品，最终目标都应该是促进并奖励高质量内容，以此实现真正的长期可持续发展。
在这个基础上，平台应当压制那些天然容易引起讨论、但实际毫无意义的信息：
1. 优秀案例：小红书
(a) 算法导向具有明显的纯主观意识，即平台有意识地进行引导和控制
(b) 尽管存在争议内容，但这更多是由于中国庞大的用户体量导致的
2. 反面教材：微博
(a) 微博似乎放任自己变成“粪坑”，其阅读量数据已经失去了公信力
(b) 由于纯粹纵容用户，导致商业价值极低，形成了典型的“劣币驱逐良币”
真正具有长期价值的社交产品都应该有意识地通过人工或算法，让“良币”去驱逐“劣币”。平台不需要担心赶跑太多劣币，因为这些内容本身就没有价值，无论存在多少，对平台的贡献都很低。相反，劣币的存在会让优秀的创作者（良币）离开。因此，平台的主动性至关重要。
我很期待 Twitter 在引入 AI 后的改变。凭借过去半年积累的大量数据采样和分析，AI 应该能很快识别并处理这些问题。我也很期待它接下来的变化。
Zhixiong Pan retweeted
“味道没有国界，记忆就是它的护照。”
我把潘老师这篇充满生活随感的文字喂给 我精心设计的prompt，它不仅精准捕捉了原文的温情，更用古典风格的逻辑给出金句。
如果我只是像操作自动贩卖机一样，扔给它一句“帮我润色一下”，我永远得不到这样有着黄金质感的句子，只会得到一段平庸的摘要。
1. 拒绝做“投币者”
大多数人使用 AI 的方式，像是在操作一台自动贩卖机：
投入一个指令（“给我写一篇……”），等待一个罐头产品。
我曾经也是如此。后来切换到了“冶炼”模式。
我不给它成品指令，而是抛给它思想的碎片、模糊的灵感。我们开始对话，开始拉锯。它给出初稿，我进行修正；它再次尝试，我再次打磨。
2. 让 Prompt 自我进化
一旦诞生了像“龙虾片”这样高质量的文本，我会立即要求 AI 进行逆向工程：
> “分析刚才的修改，提取出是哪一条隐形指令促成了这次成功？把这条规则反哺回系统提示词（System Prompt）中。”
>
于是，Prompt 不再是一行死板的代码，它变成了一个活的有机体。
我喂给它的每一篇优质文章，每一次针对性的修改，都化作了它的养分。它在不断地新陈代谢，自我进化。
3. 认知的复利
过去，我们总是担心长对话会挤占上下文窗口，导致 AI 产生幻觉。
这种心态将“对话”视为一种消耗品，用一点少一点。
但在新的模式下，每一次提问，都是一次储蓄。
你的每一次纠正、每一次追问、每一次对高质量结果的萃取，都在沉淀为系统的智慧。你不再是单纯地消耗 Token，你是在积累认知的复利。
这就是 AI 时代学习的本质：
以顶级大模型为基座，用苏格拉底式的提问去打磨它，再用打磨出的金砂去重铸你的工具。
最终，你构建的不再是一个简单的工具箱，而是一个真正属于你的、不断生长的第二大脑。
我们往往容易对身边太过熟悉的食物，产生一种「它原本就属于这里」的错觉。
若不是因为最近的一次偶然，我可能这辈子都不会去研究「龙虾片」的身世。
事情起因是最近吃啪啪通（Papatonk）的炸虾片，发现血糖升得还挺快，毕竟主要原料是木薯粉。
后来发现啪啪通是印尼品牌，我以前也买过印尼产的龙虾片（那种需要自己油炸膨化的），这才意识到，难道炸虾片是印尼特产？
好奇之下，我用 ChatGPT 帮我考据了下。炸虾片最早的起源大概是印尼，甚至可能追溯到九到十世纪的爪哇岛。不过马来西亚认为他们也是起源地。
我小时候经常吃「鸽牌」龙虾片（可能是当时唯一能买到的品牌），我妈会买来煎，当作一种零食。印象里，还没下锅的生片呈半透明状，颜色还挺好看，但我从来没想过这种食物源自哪里。
类似的，小时候常吃的牛轧糖和麦丽素，我也一度以为是上海特产，但其实它们都起源于更远的地方。
这种「身世误解」不仅限于食物。
去年重制的日本动画《真・武士传 YAIBA》，我小时候看的台译版《九龙珠》，剧情中有两个古神作为背景：风神和雷神。
我问 ChatGPT，这是否参考了中国古代神话？但得到的答案让我意识到自己还是狭隘了。即便是我们熟知的风雷神形象，源头也可能最早来自印度教或佛教，是一路演变融合而来的。
放在这样漫长的演变链条里，若还只纠结「谁传给了谁」，未免低估了文化流动的复杂性。
或许食物和文化一样，本就是流动的。过分纠结「正宗」反而无趣。那些漂洋过海、经过本土化改良留下的风味，往往才是最迷人的「混血」。
至于它到底来自爪哇岛还是上海弄堂，其实没那么重要。只要味道好，又能唤起那份熟悉的记忆，就足够了。
Zhixiong Pan retweeted
真正震撼的，不是“预测对了几次趋势”，
而是他跨越了 multiple paradigms，却始终没有被任何一个范式困住。
他经历的是：
PC → graphics → mobile → cloud → AI → agentic compute
每一轮叙事都在重写“什么是核心资源”。
但 NVIDIA 没有反复押注某个 应用形态，
而是持续下注一个更底层的问题：
Where does intelligence bottleneck, and how do you compound it?
很多公司“穿越周期”的方式是 换故事。
但真正的穿越，是在每个周期里都更接近同一个不变量。
不是 GPU。
不是 AI。
而是：如何让 intelligence 在现实世界中被放大、被验证、被复利。