这周手上事情不少：链上数据、内容发布、持仓复盘，还有 Meta Muse 的初体验。按块记一下，分享我的 AI 用法。

链上数据

Dune 大善人发了测试额度，不用白不用，我就拿它拉了一轮链上数据。比起自己手写查询逻辑，交给 AI 写 SQL，效率高了好几倍。用下来也有问题：Codex 有点过度设计，Google Antigravity 又设计能力不足。Cursor 出的 Grok 4.6、4.7，黑话多得一批。

现在的分工是这样：智力更高的 Codex 做需求拆解和任务划分，Antigravity 里的 Gemini 3.8 Flash 负责具体执行，最后在 Cursor 里做多模型交替 review，看交付有没有漏项。

Jev 与内容

上周发了 深入解读 Jev 模型：是什么以及怎么用，全网差不多上万浏览，算是我大半年来数据最好的一篇。回头看，一是踩中了热点，二是做了一轮 SEO：去 Google Search Console 和 Bing 后台看哪些关键词匹配上了文章，再针对性优化。新产品、新概念出来，用户搜得最多的就是「是什么」和「怎么用」。这对后面选题有参考价值。

做 Jev 演示时，我发现体感延迟和官方宣称的不一样。这个问题我在做 PageGrok 时也遇到过。真实延迟分三四段：用户到我们的服务器，服务器到模型 API 供应商，供应商再到模型服务，然后原路返回。模型自己的计算只占一小部分。服务器和供应商不在一个地方，甚至跨洲，延迟就平白多出一截。服务端反复做判断，也会拖慢。

PageGrok 一开始挺快，后来加了账号验证和频率限制，服务器和数据库之间来回好几趟，延迟一度到十几秒。优化之后压到两秒以内，不算极限，但比之前好很多。我还想过用 Cerebras 替换推理后端，它响应确实快，但 TTFT 还是取决于整体架构。最后还是沿用原来的 OpenRouter。

另一个演示是 AskJev，用 Jev 做「中午吃什么」这类人生选择题。Jev 本身是判别模型，有点像以前用大转盘决定午饭，我把它改成了聊天框。上线第一天两千多访问，今天看后台六千来次调用，花了不到一块钱人民币。确实省，但智力也确实一般，毕竟模型容量摆在那里。

博客发布

个人博客这边，我让 Codex 重新整理了标签分类，并把发布流程改成了一条指令。老流程是：改 draft: false，终端跑一遍 Hugo，再开 VS Code 提交，最后同步到 Git。窗口来回切，阻塞很严重。

现在用 pubpost 一键发布上线。同样的，newpost 后面接任意英文句子，就能生成对应的 markdown 路径。在这之前，我得自己保证文件名没空格、没特殊符号，非常烦人。格式类的重复劳动交给工具，流程不卡，心理负担也小，我认为这是 AI 很有意义的用法。

渠道分发

X 和 B 站的编辑器都不兼容 Markdown。知乎、公众号还有工具能转富文本，这两个只能另想办法。好在现在有 Skill，可以让大模型来干这种枯燥的排版活。来回几轮后，我给 X 和 B 站各准备了一个文章发布 Skill，比手工粘贴 Markdown 省事一大截。偷懒才是生产力。

链上分析

链上分析这个方向，我大半年前就有想法。一是数据公开，所有链上数据对用户都是透明的；二是和我数据挖掘的老本行重合。当时卡在数据源上，AI 也还写不好 SQL。今年不一样了，各大平台接了 MCP，文档也齐，模型能直接读懂。

真正落地时还是有几件事要注意。首先得有整体概念和时间积累，不然对 AI 写出来的 SQL 没把握。Text-to-SQL 的能力我倒不怀疑，自己 review 过几份，Codex 和 Antigravity 都不会犯时间选错这种低级错误。新问题是，以前写数会挨个核对数据源，AI 提效之后，人没这么多时间核对了。模型也会说自己验证过，但我的掌控感在消失。我的办法是强迫自己写对应的科普文，站在小白的视角想：现在的数据能不能回答这些问题，回答不了缺什么。

还有版本蔓延问题。Codex 习惯先写个小脚本，这是好习惯，但它会在后续版本里反复提及前一版。我会直接让它删掉旧版本数据，统一口径。活本身不难：拉数据、看胜率、找巨鲸，再根据高胜率地址的交易窗口，判断跟单有没有利可图。从结论看，大部分是左侧交易，跟单的利润可能还不如早期就投入。

另外，我有点受够了 Codex 在处理数据的时候反复提及 SHA256，这其实就是个版本管理问题，它却瞎几把搞。计划下周再弄一个 Claude 账号，方案设计这类工作交给 Claude。Codex 还是更适合执行，同时要控制它过度思考、过度防御的毛病。

交付上还有不少细节：在 Telegram 做监控同步，补实体标签、钱包行为和交易质量。这里暴露出数据问题。取数逻辑我没有严格 review，因为我自己也不清楚这些表原来是干什么的、质量如何、有没有换过版本，基本是盲跑。下一步打算补一些数据开发的 Skill，数据开发讲究的就是血缘、质量、版本管理和资产管理。

Dune 这边我也在推数据质量检查，让模型出血缘报告。但报告太多，根本审不过来，只能让另一个模型来审。宣传类的口径文稿我坚持自己审，一来加强对项目的掌控，二来顺手去掉 AI 味。

订阅改版

TrakToken 的文章用 Resend 做了一次订阅改版。想验证一个产品有没有市场，可以直接放 waitlist 或邮箱订阅。一个人都不留，那基本就是伪需求。我这边的转化差不多是千分之二，需求不算强，但能沉淀一批核心用户。Resend 做客户维系，强烈推荐。

持仓调仓

资产配置是我感兴趣、也在舒适区的事。做数据挖掘那几年，练出了一些数据敏感性。这块我主要用 Antigravity 里的 Gemini 3.8 Flash，我叫它哈吉米，做量化测算非常顺手。它够聪明，不像前几代傻乎乎的；够快，脚本写得不错，算得也快；说人话，对比之下 GPT 就是黑话大师，看得人浑身不适；还够简单，你说啥它就做啥，不像别的模型堆一堆防御性代码。报告写完，我再让 Codex 审一遍，基本没有大差错。

具体做法是先从趋势动能看持仓，让模型出报告，告诉我哪些该继续持有、哪些该卖。模型一开始只看了最近一年，我让它拉长到五六年；之前只看收益率、看夏普，我让它加上卡玛比率和年线位置。为了控制风险，还做了行业去重，配比按波动率倒数分配。用 AI 做财经分析感兴趣的朋友，可以关注我的知识星球「我用 AI 来培养财商」。

另外还让它画了甘特图和资金流转图，梳理最近两个月哪些资金该从哪个标的挪到哪个标的，主要看大方向，非常方便。

在这个基础上，我让它扩到 A 股、H 股，扩大选股范围，再做回测，算预期年化收益和最大回撤。这里出了一个问题：模型用了后视镜数据，自己没发现。如果你没有这方面经验，大概率也发现不了，只会觉得回测数据非常好看。正确做法是滚动回测，模型只能用当时切片上的数据做判断。观察窗口也是一样，选什么窗口就看到什么结果，这里有幸存者偏差。

我还让模型按 ETF 动量筛热门行业板块，再从板块里选个股，最后回到持仓配置。做完会发现，收益并不比参考标的（比如纳斯达克）高多少。但我们的目标其实是优化夏普，在风险较小的情况下能上杠杆。杠杆要花很多时间算：花在哪、付多少利息、合理区间是多少、能接受多大回撤。这部分是 AI 帮我最大的地方，以前自己一行行抠代码，或者网上抄代码、调包，非常费劲。但坑还是一样的，我的办法仍然是把它写成内容梳理一遍，就知道哪里有问题。这些内容会放到我的量化网站 QuantFull 上。

Muse 初看

最后是 Meta 的 Muse。粗略体验了一下，我认为想象力不算大，现在媒体吹得再热，看好的不看好的都有，还是三个月后见分晓。

Muse 目前只在美国开放，我试了三种注册方式，最后成功了：

  1. Gemini Pro 的 Spark 模式，失败。
  2. 让 Grokbot 自己操作虚拟机，IP 虽然在华盛顿，但进了等待队列。
  3. 在 Browser Use Cloud 注册账号，启动一台云浏览器，按正常流程走，成功拿下。

第一次注册可以用我的邀请码 YA9VVA，能免费拿到额度奖励。

其他

这几天刷推特，看到数字生命卡兹克说，他三年前发的微信文章，每篇阅读量也就几十几百，我突然就释然了。这个赛道容得下第二个、第三个卡兹克。他靠的是持续更新，前期接地气，后期工业化，这点值得做内容的人学习。

参考资料

关于作者