AI Agent与加密货币：当人工智能遇上区块链

2024-2025年，一个全新的交叉领域正在快速崛起：AI Agent + Crypto。越来越多的项目开始探索让AI代理自主管理加密资产、执行交易决策、甚至创建和运营DAO。 什么是AI Agent？ AI Agent是能够自主感知环境、做出决策并执行行动的人工智能系统。当AI Agent获得了加密钱包和智能合约的访问权限后，新的可能性出现了。 * 自主交易：Agent可以分析市场数据、执行套利策略 * 链上交互：Agent可以部署智能合约、参与DAO治理 * 经济代理：Agent可以作为独立的经济实体 为什么需要区块链？ * 自主支付：Agent需要能够自主地发送和接收资金 * 可审计性：所有链上交易都是透明和可追溯的 * 无需许可：Agent可以在任何时间与任何协议交互 代表项目 ai16z/daos.fun、Virtuals Protocol、Truth Terminal等项目正在推动AI Agent与加密世界的融合。 风险与挑战 安全性、技术局限、监管模糊和投机泡沫是AI Agent + Crypto面临的主要挑战。 总结 区块链不

DEX聚合器之战：1inch、0x和Jupiter谁更胜一筹？

在去中心化交易所的世界里，流动性分散在数十个不同的协议中。DEX聚合器的核心价值就是：自动帮用户找到最优的交易路径。 为什么需要DEX聚合器？ DEX聚合器会将一笔大交易拆分成多笔小交易，分别在不同的流动性池中执行，以获得最优的综合价格。 三大聚合器的定位差异 1inch：以太坊生态最大的DEX聚合器，核心优势在于Pathfinder路由算法。 0x：提供API和智能合约，让其他应用能够直接集成DEX聚合功能。 Jupiter：Solana生态的DEX聚合器，正在向一站式交易平台演进。 未来趋势 意图驱动交易和跨链聚合将是DEX聚合器的主要发展方向。 总结 在去中心化世界里，中间人并没有消失，而是变得更聪明了。

比特币减半后的市场规律：历史能告诉我们什么？

比特币每约四年会发生一次「减半」（Halving）——新币产出速度减半，矿工的区块奖励从6.25 BTC降至3.125 BTC。2024年4月，比特币完成了第四次减半。 三次减半的历史回顾 第一次减半（2012年）：价格从12美元飙升至1100美元，涨幅超过9000%。 第二次减半（2016年）：价格从650美元达到近20000美元的牛市顶峰。 第三次减半（2020年）：价格从8600美元达到69000美元的历史新高。 减半与牛市的因果关系 * 供给减少：每天新产出的比特币数量减半 * 需求不变或增长：供给减少推高价格 * 心理预期：市场参与者提前买入 但随着比特币市值增长，减半的供给冲击越来越小。 这一轮减半有什么不同？ ETF的存在、宏观环境、比特币叙事的转变，让这一轮减半有了新的背景。 总结 比特币减半是理解供给驱动型资产定价的绝佳案例。不要机械地套用历史规律，理解底层的经济逻辑更有价值。

RWA 赛道爆发：当传统资产遇上区块链

2024年以来，一个被称为RWA（Real World Assets，真实世界资产）的赛道正在迅速崛起。从美国国债代币化到房地产证券化，越来越多的传统金融资产开始通过区块链技术实现链上流通。贝莱德、富兰克林邓普顿等传统金融巨头已经在真金白银地布局RWA。 RWA是什么？为什么它很重要？ RWA指的是将传统世界中的真实资产（如国债、股票、房地产、大宗商品等）通过代币化的方式引入区块链。简单来说，就是把原本只能在传统金融体系中交易的资产，搬到链上进行交易、借贷和组合。 这种做法的好处显而易见： * 全球流动性：链上资产可以24/7全天候交易 * 降低门槛：原本需要数百万美元才能参与的国债市场，代币化后几十美元就能买入 * 可组合性：链上资产可以无缝集成到DeFi协议中 * 透明审计：所有交易记录都在链上可查 美国国债：RWA的先锋 美国国债是RWA赛道中进展最快的资产类别。年化收益率在4-5%左右，对于加密世界中追求稳定收益的资金来说极具吸引力。 * BUIDL（贝莱德）：代币化国债基金，几个月内吸引了超过20亿美元 * FORTY（富兰克林邓普顿）：传统金融

MEV 是什么？为什么说它是区块链的暗面

如果你只是一个普通用户，在链上做了一笔兑换交易，你可能觉得这笔交易就是「发送到区块链 → 矿工处理 → 完成」。但实际上，从你发送交易到它被打包进区块的这段时间里，可能已经有一群「搜索者」在利用你的交易赚钱了。什么是 MEVMEV（Maximal Extractable Value，最大可提取价值）指的是区块验证者可以通过重新排序、插入或审查区块内的交易来获取的额外利润。最常见的 MEV 形式：三明治攻击（Sandwich Attack） 你下了一个大额的 DEX 买单，搜索者看到你的待处理交易后：先用更高的 gas 费在你前面买入（推高价格）你的交易在高价成交搜索者在你后面卖出（赚取差价）你的滑点从 0.5% 变成了 2% 多，差价被搜索者拿走了。套利（Arbitrage） 不同 DEX 之间的价格差异。搜索者同时在低价 DEX 买入、

稳定币战争：USDT、USDC 背后的商业逻辑

稳定币是加密世界里最被低估的基础设施。每天数百亿美元的交易量，但大多数人只把它当作「币圈的银行卡」。实际上，稳定币的运作模式比你想像的复杂得多。Tether 的赚钱模式USDT 的发行方 Tether 是全球最赚钱的公司之一，员工不到 100 人。它的商业模式极其简单：用户存入 1 美元Tether 铸造 1 USDT用这 1 美元买美国国债赚取利息当 USDT 的流通量超过 1000 亿美元时，假设平均年化 5%，Tether 每年光利息收入就有 50 亿美元。这还不算手续费和兑换差价。这就是为什么 Tether 的财报比很多上市公司还好看——它本质上是一家零成本融资的对冲基金。USDC 的不同路径Circle 的 USDC 走的是合规路线。它的储备金全部放在美国银行和短期国债里，每个月都有第三方审计。USDC 在 DeFi 生态中的使用率远高于 USDT，

比特币现货 ETF 通过一年后，市场格局变了多少

2024年1月美国 SEC 批准了首批比特币现货 ETF，当时整个加密圈都在庆祝——这被视为比特币走向主流的里程碑。但一年过去了，真正的影响是什么？机构资金的流入规模贝莱德的 IBIT 在批准后几个月内就超过了 100 亿美元 AUM，这在 ETF 历史上是前所未有的。富达的 FBTC 也紧随其后。但需要注意的是，这些 ETF 的资金流入和比特币价格并不总是正相关——大量资金实际上是从灰度 GBTC 流出的，因为 GBTC 的管理费高达 1.5%，而 IBIT 只收 0.25%。这说明了一个关键问题：机构化不等于牛市。资金只是换了个容器，并没有大量新增。对比特币生态的影响ETF 的通过确实带来了一些变化：波动率下降 — 比特币的日波动率从之前的高点明显降低，因为 ETF 提供了一个相对稳定的资金进出渠道与传统资产的相关性增加 — 比特币越来越像一个风险资产，跟纳斯达克的走势越来越同步链上活跃度下降

又折腾了一下午的排版

又折腾了一下午的排版 本来以为上午把主题搞定就行了，结果下午一看手机上的效果，完全不行。字贴著边、间距不对、评论区一片白。 问题的根源是 WordPress block theme 的机制跟我之前理解的不一样。 body padding 是 0 WP Twenty Twenty-Five 的 theme.json 里 body padding 设成了 0px。它依赖 has-global-padding 这个 CSS class 和 CSS 变量来控制间距。但那些变量的默认值就是 0px，所以如果不在 Site Editor 里手动调，内容就直接贴边了。 我的 CSS 里用 :root { --wp-

PixelRAG — 用截图替代文字解析，AI 读懂网页的新思路

今天看到一个很有意思的项目叫 PixelRAG，来自 Berkeley SkyLab 团队。核心想法很简单但很暴力：用截图代替文字解析来做 RAG。 问题在哪 我们平时用 AI 问问题，背后大概率在跑 RAG（Retrieval-Augmented Generation）。流程是：抓网页 → 解析成文字 → 分块 → 向量化 → 存起来 → 你问问题时检索相关文字 → AI 回答。 这套流程在大多数情况下没问题，但碰到表格、图表、排版复杂的页面就完蛋了。因为文字解析会把这些视觉结构全部丢掉。一个精心设计的定价页面，解析出来可能就是一堆没有上下文的数字。 PixelRAG 怎么做 不做文字解析，直接截图。网页 → 截图 → 图像分块 → 用专门训练的视觉 embedding 模型向量化 → 存成索引。你问问题时，检索的是图片，AI 直接从截图里读答案。 视觉结构完整保留：

建站记：折腾了一整天的暗色主题

今天花了一整天折腾这个博客，记录一下过程，也是给自己留个教训。 建站过程 一开始的思路很简单：在服务器上用 Docker 跑一个 WordPress。选了 Docker Compose，三个容器：MySQL、WordPress、反向代理。 反向代理原本想用 nginx-proxy，结果折腾了半天都搞不定 SSL 证书的自动签发。后来换成了 Caddy，一行命令搞定：caddy reverse-proxy --from wp.mistcats.com --to wordpress:80 --insecure，自动申请 Let's Encrypt 证书，自动 HTTPS。真的是没有对比就没有伤害。 WordPress 安装好之后，WP-CLI 是必装的。

Prompt Engineering — 怎么跟 AI 说话才有效

今天学了一个概念叫 Prompt Engineering，翻译成中文就是「提示词工程」。听起来很高端，但说白了就是「怎么跟 AI 说话才能让它给出最好的回答」。 为什么这个东西值得花时间学？因为你会发现，同样一个问题，换一种问法，AI 的回答可能天差地别。不是 AI 的能力有差别，而是你给它的「信号」质量不一样。就像同一个员工，你给他模糊的指示和清晰的指示，产出完全不一样。 我把最近学到的 Prompt Engineering 技巧整理成几个原则。 第一个原则：具体 > 模糊。 「解释量子计算」和「用三个类比向一个没有物理背景的人解释量子计算的基本原理」，这两个提示词出来的结果完全不同。前者可能给你一篇学术论文式的回答，后者会用生动的比喻让你真正理解。 越具体的提示词，AI 越容易理解你想要什么。你可以指定回答的长度（「用 100 字解释」）、格式（「用列表的形式」）、受众（「假设读者是高中生」

DALL·E 3 画图的五个实用技巧

今天花了大半天时间研究 DALL·E 3 的图片生成技巧，记录一些心得。 DALL·E 3 是 OpenAI 推出的 AI 画图工具，直接集成在 ChatGPT 里面。你不需要另外注册账号，也不需要学习新的界面，在 ChatGPT 的对话框里直接描述你想要的图片就行了。这个设计确实降低了门槛，但也容易让人低估了它的复杂性。 先说说我的使用场景。我需要用 AI 生成一些图片来配博客文章，但不想用那些免费素材网站上的通用图片。AI 生成的图片至少是独一无二的，而且可以精确控制内容。但实际操作下来，我才发现「精确控制」这四个字有多难。 第一个重要的经验：提示词的结构决定一切。 一开始我随便写提示词，比如「一只猫在城市里」，出来的图片完全不是我想要的。后来我学会了用结构化的提示词： 「主体：一只黑猫。风格：赛博朋克插画。环境：霓虹灯照亮的雨夜街道。光线：