DaShen.Wang

快讯

• Claude Code Router 模型路由与配置实战

  那天晚上，我的 IDE 里蹦出一行小字：“请选择默认模型”。 屏幕右下角的时钟显示 01:37，像是在提醒我，正常人这个点应该已经睡着，而不是在给一个叫 Claude Code Router 的东西配路由。

  

  我盯着那几个选项：默认、后台、思考、长上下文。手里有一把牌——DeepSeek、Qwen3、各种 thinking 版、coder 版——但我根本不知道应该让谁上场。 就像踢球，队里都是球星，可是我连谁打前锋、谁去守门都没想明白。🤦‍♂️

  于是我干脆问了下 AI：“你帮我排个阵容吧。” 接下来，你看到的这篇，就是那天凌晨的“排兵布阵笔记”。

  ---

  一、IDE 里的“多模型人生”：为什么要路由？

  如果你只用过一个模型，世界是简单的：

  “无论什么问题，都问同一个家伙。”

  但装上 Claude Code Router 之后，世界忽然复杂起来：

  • 你可以接很多模型：DeepSeek、Qwen3、Gemini、OpenAI、OpenRouter……

  • 每个模型都有自己的性格：

    • 有的推理强，但贵；
    • 有的便宜，但只适合同声传译；
    • 有的记忆力爆棚，能记几本书；
    • 有的只适合写点短代码。

  Router 做的事其实很朴素：

  把不同场景，分配给最合适的模型。

  于是它在配置里给你准备了几个“角色”：

  • default
  • background
  • think
  • longContext
  • webSearch
  • 再加一个 longContextThreshold

  第一次见到这些，我的感觉是：

  “你能不能像正常人一样写：主力、打杂、思想家、记性好的、爱上网的？”

  不过这几个词背后，确实是有点讲究的。要把它们弄明白，后面的配置才不会乱。

  ---

  二、先把“角色”看懂：default / background / think / longContext / webSearch

  先别急着贴 config.json，我们先把这几个名字翻译成人话。😏

  1. default：队里的前锋，也是你最常看的脸

  什么时候用到？

  • IDE 里写代码、改代码；
  • 问报错、要解释；
  • 写点注释、生成小工具函数；
  • 聊天胡侃。

  没有特别说明的时候，一切请求都会走 default。

  该选什么样的模型？

  • 综合能力最强；
  • 代码、自然语言都靠谱；
  • 不会一问三不知，也不会卡半天不说话。

  你可以把 default 理解成：

  “如果这个项目只能留一个模型，那就是它。”

  ---

  2. background：后台搬砖工，干活多但不抢镜

  什么时候用到？

  • 在“背后默默干活”的任务：

    • 多文件扫描；
    • 批量重写；
    • 预分析项目结构；
    • 生成一些中间产物。
  • 有些操作你点一个按钮，前台模型给你反馈，后台模型去跑长一点的分析。

  所以 background 的模型，一般有这些特点：

  • 便宜：因为调用频次会很高；
  • 够用：不要求它写出世界上最优雅的代码，但别太离谱；
  • 可以比 default 弱一点，但别弱太多。

  一句话：

  “能干体力活，别给我挖坑就行。”

  ---

  3. think：认真思考的那一个，不适合用来点外卖

  think 听着就有点装，但它确实是用来干重度推理的。

  典型场景：

  • 排查一个跨多模块的复杂 bug；
  • 设计一套系统架构；
  • 写一个需要很多推理步骤的算法；
  • 分析边界情况、并发问题、事务一致性这些会让人掉头发的东西。

  在这些场景里，你需要的不是“说人话的模型”，而是：

  “愿意慢一点，但多动脑子”的模型。

  所以 think 适合用：

  • 那些名字里就带 reasoner / thinking / o3 之类后缀 的版本；
  • 你愿意多付一点钱，换更稳妥的思考过程。

  它不一定要当你的主力模型，但该它上场的时候，不能掉链子。

  ---

  4. longContext：记性最好的人，负责应对“信息海啸”

  如果你经常干这些事：

  • 一次性丢几十个文件给模型；
  • 让它读一整份产品文档、PRD、需求书；
  • 扔给它几百 KB 的日志，让它自己想办法梳理。

  那你就会发现：

  有些模型聪明，但记忆力小； 有些模型不一定最聪明，但记忆力惊人。

  longContext 的作用，就是当上下文长度超过阈值（longContextThreshold）时，Router 自动让这位“记性最好的人”顶上。

  它的特点：

  • 上下文窗口大（几十万 token 起步）；
  • 整体水平不错，但可能不如你的 default 那么尖锐；
  • 适合干“耐心阅读大量资料，然后给个还行的答案”这种活。

  你可以设一个阈值，比如 60000：

  • 没超过，就继续用 default；
  • 超过了，就切到 longContext。

  ---

  5. webSearch：那个爱上网的人

  webSearch 一般和“联网搜索”“工具调用”相关。

  有的模型：

  • 自己就带搜索能力；
  • 或者在你的框架里，专门被用来接第三方 API；

  也有时候你可能只是懒得区分，干脆用和 default 一样的模型。

  适合放在这里的模型：

  • 对新信息、网页、搜索结果适应性好；
  • 能看长文本网页，提取重点；
  • 速度别太慢，不然你会怀疑自己是不是断网了。

  如果暂时搞不清楚，就先和 default 设成一样，后面再单独优化。

  ---

  6. 一张小表，看得更清楚一点

  角色	触发时机	模型该有什么特点	举例场景
  default	绝大部分普通请求	综合最强，代码&自然语言均衡	写代码、改代码、问报错、简单解释
  background	后台任务、批处理	便宜、够用、稳定	扫描项目、预分析、多文件批量操作
  think	需要深度推理、复杂决策时	推理能力强，允许稍慢、稍贵	复杂 bug、架构设计、算法、边界分析
  longContext	上下文长度超过阈值时	上下文窗口巨大，阅读能力强	超长日志、整仓代码、长篇文档
  webSearch	需要联网 / 调用外部信息时	善于处理搜索结果、网页	查资料、读 API 文档、看 news / issue

  看完这个表，你再回头看 Router 的配置项，多少就不那么抽象了。

  ---

  三、把手上的牌排好：用 DeepSeek + Qwen 配一套阵容

  我们现在手里有一副真实牌，你的 provider 叫 gemini22222，接口是：

  https://api.qnaigc.com/v1/chat/completions

  模型列表是：

  • deepseek-v3.1
  • deepseek/deepseek-v3.1-terminus-thinking
  • deepseek/deepseek-v3.2-speciale
  • deepseek/deepseek-v3.2-exp-thinking
  • qwen3-max
  • qwen3-coder-480b-a35b-instruct

  现在就像选足球阵容一样，我们一个位置一个位置来排。

  1. default：让谁当主力？

  候选人里，看名字就知道：

  • deepseek/deepseek-v3.2-speciale ——新版本，高配选手，适合做主力。
  • deepseek-v3.1 ——上一代主力，靠谱但略旧。
  • qwen3-max ——综合模型，但你这套里还有 coder，适合做别的位置。

  推荐：

  default → gemini22222,deepseek/deepseek-v3.2-speciale

  理由很简单： 写代码、日常聊天、解释问题，全部交给最强的那个，是最省心的选择。

  ---

  2. background：找个能干活又不贵的

  在你这套牌里，background 可以用：

  • deepseek-v3.1：已经证明过自己，性能足够；
  • 或者 qwen3-max：也 OK，但多留一个通用位给 webSearch 也不错。

  我会这样选：

  background → gemini22222,deepseek-v3.1

  原因有三个：

  1. 对比 v3.2 high-end 版，v3.1 通常 更省钱；
  2. 写点辅助代码、做预分析完全没问题；
  3. 即便 background 暂时和 default实力有差距，对体验影响也不大，因为大多数你能直接看到的回复依然来自 default。

  ---

  3. think：推理上限拉满

  你手里有两个显眼的“thinking”类选手：

  • deepseek/deepseek-v3.1-terminus-thinking
  • deepseek/deepseek-v3.2-exp-thinking

  如果从“更新鲜 + 潜在能力更高”的角度，我会选：

  think → gemini22222,deepseek/deepseek-v3.2-exp-thinking

  把最强 reasoning 版本放到 think，能让下面这种场景变得舒服很多：

  • “帮我彻底分析这个并发 bug，给出可能的 race 条件。”
  • “这段业务流程所有分支路径帮我走一遍。”
  • “给一个 3 个月的重构计划，把这个单体拆成服务。”

  terminus-thinking 你也可以作为备选，或者在另一个环境单独配置做对比测试。

  ---

  4. longContext：Qwen3 Coder 去守后场

  长上下文的需求很明确：谁的记忆力大，就用谁。

  在你的列表里，最适合当 longContext 的就是：

  • qwen3-coder-480b-a35b-instruct

  光是名字里的 480b 就已经在拼命暗示你：

  “我虽然贵一点，但我记得住的东西比别人多。”

  所以这里的选择很自然：

  longContext → gemini22222,qwen3-coder-480b-a35b-instruct longContextThreshold → 60000（可以先按默认来）

  这么配的实际效果：

  • 正常聊天 / 写代码：走 deepseek/deepseek-v3.2-speciale；
  • 偶尔扔点大文件：一开始还是 default，只要没超过阈值；
  • 当对话历史 + 文件内容一起超过 6 万 token 时，Router 自动换成 Qwen3 Coder，把这场“信息海啸”扛下来。

  ---

  5. webSearch：谁来负责上网？

  对于 webSearch，你有两种思路：

  1. 简单粗暴版：

     webSearch → 和 default 一样

  2. 分工明确版：

     webSearch → 用 qwen3-max，让它专门干查资料这类活

  看你的模型组合，我会倾向第二种：

  webSearch → gemini22222,qwen3-max

  原因是：

  • default 已经在忙着写代码；
  • coder 版本已经去处理长上下文；
  • 剩下这个 qwen3-max，刚好可以专门管理“读网页、查资料”。

  当然，如果某天你发现 qwen3-max 的联网效果不如 deepseek 让你放心，你可以再把 webSearch 切回 deepseek/deepseek-v3.2-speciale，Router 配置改一下就完事。

  ---

  6. 阵容一览表

  下面这一表就相当于你的模型首发名单：

  Router 角色	绑定模型	人设定位
  default	gemini22222,deepseek/deepseek-v3.2-speciale	主力前锋，绝大部分请求都靠它
  background	gemini22222,deepseek-v3.1	后台搬砖工，批处理、预分析
  think	gemini22222,deepseek/deepseek-v3.2-exp-thinking	深度思考型选手，专管复杂推理
  longContext	gemini22222,qwen3-coder-480b-a35b-instruct	记忆怪兽，负责超长上下文
  longContextThreshold	60000	超过 6 万 token 就切长上下文
  webSearch	gemini22222,qwen3-max	爱上网的人，专管搜索与读网页

  这个阵容已经足够支撑你在 IDE 里过得比大多数人更舒适了。😎

  ---

  四、config.json 实战：从一行 URL 到完整路由

  讲完“为什么”，该看看“怎么写”。

  下面是一个简化版的 config.json 片段，专注在你这次要改的两个部分：Providers 和 Router。

  1. Providers：先把所有牌摆到桌上

  {
    "Providers": [
      {
        "name": "gemini22222",
        "api_base_url": "https://api.qnaigc.com/v1/chat/completions",
        "api_key": "YOUR_API_KEY_HERE",
        "models": [
          "deepseek-v3.1",
          "deepseek/deepseek-v3.1-terminus-thinking",
          "deepseek/deepseek-v3.2-speciale",
          "deepseek/deepseek-v3.2-exp-thinking",
          "qwen3-max",
          "qwen3-coder-480b-a35b-instruct"
        ],
        "transformer": {
          "use": [
            "openai-compatible"
          ]
        }
      }
    ],
    ...
  }

  这里有几个容易踩坑的点：

  1. name 必须和 Router 里写的一模一样，比如我们统一用 gemini22222。

  2. models 数组里的每一项：

     • 要和调用方支持的 model id 完全匹配；
     • 不能自己随便改大小写、少写斜杠。
  3. api_base_url 用的是对方给的 chat completions 兼容地址。

  只要 Provider 配对了，后面的路由才有意义。否则 Router 配得再优雅，也是对空气吼。

  ---

  2. Router：给每个角色安排好“人选”

  现在把前面那张“首发名单”翻译成真正的配置：

  {
    ...
    "Router": {
      "default":    "gemini22222,deepseek/deepseek-v3.2-speciale",
      "background": "gemini22222,deepseek-v3.1",
      "think":      "gemini22222,deepseek/deepseek-v3.2-exp-thinking",
      "longContext":"gemini22222,qwen3-coder-480b-a35b-instruct",
      "longContextThreshold": 60000,
      "webSearch":  "gemini22222,qwen3-max"
    }
  }

  格式规则只有两条：

  1. 每个值都是一个字符串："providerName,modelId"；
  2. 注意逗号左右可以有空格，也可以没有，但 providerName 和 modelId 一定不能写错。

  保存之后，通常你会：

  1. 关掉原来的服务；
  2. 再启动一次 Router（比如 ccr restart 那套命令）。

  IDE 里打开插件，看到每个路由下拉框对应的选项已经高亮，就是它开始按你写的阵容跑了。

  ---

  3. 日常调参的几个小习惯

  用久了之后，你大概率会遇到这些状况：

  • “最近 default 有点慢，是不是太忙了？”
  • “后台批处理好像也不需要那么强的模型？”
  • “我这个项目里，超长上下文其实不多，用 coder 有点浪费。”

  可以参考下面几个步骤来调：

  1. 先记录感受

     • 是慢？贵？还是回答风格不满意？

  2. 对照 Router 角色

     • 这个问题发生在哪种场景？

       • 写代码时慢 → 看 default
       • 多文件处理慢 → 看 background
       • 超长任务卡死 → 看 longContext

  3. 只改一个变量

     • 比如：只把 background 换成更便宜的模型；
     • 或者把 longContextThreshold 从 60000 调到 80000，让 default 多扛一点。

  路由配置就像调球队阵容， 不要一次换 11 个人， 否则你都搞不清到底是谁踢得好。

  ---

  4. 小结式备忘录（随手抄一份放旁边）

  • 如果你懒得想很多：

    • default = 最强模型
    • background = 稍微便宜一点的模型
    • think = 带 thinking / reasoner 后缀的模型
    • longContext = 上下文最大的模型
    • webSearch = 一个你觉得“查资料够靠谱”的模型

  • 如果你有 DeepSeek + Qwen 这套组合：

    • default → deepseek/deepseek-v3.2-speciale
    • background → deepseek-v3.1
    • think → deepseek/deepseek-v3.2-exp-thinking
    • longContext → qwen3-coder-480b-a35b-instruct + 阈值 60000
    • webSearch → qwen3-max 或和 default 一样

  • 如果哪天又多接了几个模型：

    1. 先想清楚它适合当哪个“角色”；
    2. 再把 Router 里对应的那一行换掉；
    3. 重启服务，看实际体验。

  ---

  那天凌晨配置完路由，我关掉 IDE，才发现窗外已经泛起一点亮光。 对于绝大多数人来说，这只是几个模型名字的排列组合； 但对天天和代码打交道的人来说，它决定了以后每一次敲下快捷键时，屏幕那头到底是谁在回答你。

  至于谁更懂你写的那堆 bug，谁更适合当你深夜的搭档—— 现在你至少有能力，亲手给他们排个座位。✨

  1天前

• Nano Banana Pro 生成当地天气的提示词（针织微缩景观风格）

  测试之后Nano Banana Pro生成效果很不错，豆包即梦也可以。 效果如下：

  提示词如下（修改地点为你想要的城市即可）：

  [哈尔滨市，2025.12.01]
  根据您输入的城市名称、日期和时间，自动反映该城市的实际天气和时区，并生成一张“钩针玩偶世界”的气候卡片。
  [风格]
  – 所有元素（建筑物、树木、车辆、人物、地标、标志等）均以钩针玩偶的形式呈现。
  – 人物也以可爱的钩针玩偶形式出现，
  表情萌趣，四肢短小，比例圆润。
  – 柔和的粉彩色调 + 舒适的针织纹理。
  – 背景是一个完全由针织元素构成的微缩城市世界。
  
  [自动天气模拟]
  – 准确反映所输入城市的实际天气状况。
  • 雪 → 钩针雪花 + 蓬松的冬季针织背景。
  • 雨 → 用毛线表现的雨滴 + 湿润的色彩。
  • 多云 → 厚重的针织风暴云。
  • 晴朗 → 柔和的粉彩天空。
  • 雾 → 朦胧的毛毡雾。
  – 温度会自动反映今日实际的最高和最低气温。
  
  [自动时区反映]
  – 背景氛围会根据输入的时间而变化。
  • 早晨 → 柔和的粉彩天空。
  • 下午 → 明亮温暖的光线。
  • 日落 → 橙粉色的针织日落。
  • 傍晚 → 针织玩偶夜景（点缀着小巧的针织灯）。
  • 夜晚 → 深蓝色的针织天空 + 毛毡星星。
  
  [背景构成]
  
  – 以针织玩偶的形式重新诠释具有代表性的城市地标。
  
  例如：首尔 → 南山塔 / 北村小巷 / 咖啡街
  
  – 几个钩织玩偶在街上自然地行走和交谈。
  
  – 街边的咖啡馆、面包店、商店、招牌和其他标识
  
  自动生成您输入的城市语言文本，使其以钩针编织的风格自然呈现。
  
  （例如：中国 → 中文标识 / 巴黎 → 法语 / 东京 → 日语 / 纽约 → 英语）
  
  [界面布局]
  
  – 顶部中央显示城市名称
  
  – 下方显示输入的日期
  
  – 下方显示今日实际温度
  
  – 今日天气图标（云/晴/雪/雨等，由毛线制成）
  
  – 底部无文字。
  
  [自动文本颜色优化]
  
  文本颜色会根据背景亮度、色调、天气状况和时间自动调整，以提高可读性。调整：
  
  – 阴天/暗云背景 → 深炭灰/深灰/藏青色
  
  – 雪景/白色背景 → 暖棕色/驼色
  
  – 雨天暗夜 → 米色/白色缝线
  
  – 晴空/晴空 → 深棕色或深蓝色
  
  – 日落背景 → 棕色/深橙色
  
  – 夜景 → 象牙色/白色针织缝线
  
  [整体色调]
  
  – 9:16 比例
  
  – 温馨的冬日氛围，柔和的光线
  
  – 一个可爱、简洁的微缩世界

  1天前

• 从Google和百度到视频号口播：低认知时代的爆款写法

  我第一次认真刷视频号，是在一个失眠的晚上。那天三点多，我一边怀疑人生，一边被算法怀疑智商。 屏幕里不断有人喊：“兄弟们，干就完了！”、“普通人逆袭就这一招！” 我看了半个小时，逆袭没学会，只学会了一个新词——“低认知人群”。

  

  后来，我自己也开始做视频号。 等到有一条讲「Google为什么离开中国反而越来越好，百度却越做越差」的视频爆了，我忽然意识到： 也许问题不在观众认知低，而在我们说话太难听懂。

  ---

  一、所谓“低认知”：不是笨，是他们太累了

  刚开始做视频号的时候，我对观众的期待大概类似于： “他们会耐心听完我一段七分钟的宏大叙事，里面包含技术、商业、政治、历史和哲学。”

  然后现实给了我一记耳光—— 三秒钟钩子没拉住，人就滑走了。十秒钟没给情绪，他会把我划得像没来过。

  我开始听到一个说法：

  做视频号，要把自己的认知拉低。

  这话听着挺刺耳，但认真想了一圈，我发现更合理的版本应该是：

  不是把认知拉低，而是把表达拉低门槛。

  也就是说，你脑子里可以很复杂，但嘴里说出来得很简单。

  1. “低认知人群”其实长这样

  你以为的“低认知”是这样的：

  • 不懂技术
  • 不懂商业
  • 不懂逻辑

  但现实里的他们更像这样：

  • 白天上班被各种群消息折磨，
  • 下班挤地铁耳机里塞着领导的语音，
  • 到家刷视频的时候，只想放空，不想再考试。

  这时候你上来第一句就说“从社会结构和底层逻辑来看……”， 他当然会滑走——不是他不行，是他真的太累。

  所以真正的问题是：

  • 不是观众的认知太低，
  • 是你给他的“理解成本”太高。

  2. 我和“低认知观众”的第一次误会

  有一次我发了一条讲商业逻辑的视频，自我感觉良好，观点密度堪比论文。 数据出来一看：完播率惨不忍睹，评论区还出现了经典发言：

  “你到底想说啥，能不能讲人话？”

  那一刻我突然理解了一个残酷的现实—— 在短视频里，不会讲人话的人，是没资格谈高认知的。

  所以我开始改： 从“解释世界”，变成“讲一个很具体的人和一件很具体的事”。

  ---

  二、Google和百度：一条爆款视频背后的好题材

  后来有一条视频彻底改变了我的心情。 内容大概是：

  Google为什么离开中国反而越来越好，百度却越做越差。

  数据一看——反响强烈。点赞、转发、争吵，一个都不少。 这时候我才真正意识到：好选题，就是半条命。

  1. 为什么这条会爆？

  先把这条拆开看一下，它踩中了好几个点：

  1. 对立感强

     • Google vs 百度
     • “离开中国” vs “留在中国”
     • “继续变好” vs “越做越差” 任何对立，都在召唤人站队， 一旦站队，评论区就活了。

  2. 人人有经历

     • 几乎所有人都用过百度，
     • 很多人听过Google，却用不上。 这种“用过的失望 + 用不到的遗憾”，很容易激起情绪。

  3. 隐形价值观

     • 在大众的想象里：

       • Google代表“技术驱动”“长期主义”，
       • 百度代表“广告多”“体验差”“只想割韭菜”。 这时候你不是在讲两家公司， 你是在借他们谈一整代人的焦虑。

  4. 非常适合带入普通人 讲着讲着，你可以说：

     有的人像Google，离开一个地方反而活得更好； 有的人像百度，明明占着坑，却被时代嫌弃。

  这一类内容，注定不只是“信息”，而是情绪的出口。

  2. 用一张小表格看得更直白

  为了让视频更好讲，我甚至会在脑子里给他们做个“民间对比表”👇

  维度	大家心里的Google	大家心里的百度
  身份感	世界级科技公司	中国老牌互联网公司
  标签	技术、创新、长期主义	广告多、体验差、吃老本
  状态印象	离开一个市场仍然变强	独占一个市场却越混越难
  用户情绪	遗憾 + 崇敬	吐槽 + 无奈
  对人的启发	专注、进化、全球视角	别只靠位置、别只想着短期挣钱

  这表格当然不严谨，但非常适合拿来做视频。

  短视频世界里，有时候不是你多客观， 而是你能不能把大家已经模糊感觉到的东西，帮他们说清楚。

  3. 这条视频给我的“创作信号”

  那条关于Google和百度的视频爆了之后，我学到三件事：

  1. 观众不是不懂复杂，只是不想听复杂的说法。
  2. 大众的情绪，往往藏在“对比”里。
  3. 如果你能从公司对比，讲到普通人的命运，传播自然就上去了。

  那一刻我有点释怀： 原来所谓“低认知”，只是他们没义务配合你炫技而已。

  ---

  三、把高认知装进低门槛的句子

  短视频的残酷规则是这样的：

  3秒看钩子，10秒看情绪，30秒看故事，一分钟看价值。

  你可以在脑子里写论文，但对用户来说，他只想确认一件事： “这一分钟，值不值得给你。”

  于是我开始总结，什么样的表达，既不侮辱智商，又不劝退观众。

  1. 一个通用的爆款结构

  我后来给自己定了一个小模型——“1钩子 + 1画面 + 1结论 + 1动作”：

  1. 钩子（前3句）

     • 提一个反常识：

       • “你发现没有，Google离开中国之后，反而活得更好了。”

     • 或者戳痛点：

       • “你是不是也觉得，百度越来越难用？”

  2. 画面（一个具体故事）

     • 不讲概念，只讲“某一年发生的某件事”：

       • “当你在百度上搜一个病的时候，前几条都是广告， 你不知道点谁，只知道点错要付钱。”

  3. 结论（一句话）

     • “越安全的环境，越容易把人养废。”
     • “靠位置，而不是靠实力的成功，早晚要还。”

  4. 动作（给观众一个小建议）

     • “别再只盯着自己现在占着什么位置， 想想一旦换个平台，你还能剩下什么。”

  这种结构的好处是：

  • 观众觉得有故事可看，
  • 你觉得有逻辑可讲，
  • 平台觉得你能让人多停留一会儿。

  2. 面向“低认知人群”的语言改造

  举个小练习。

  同一个意思，高门槛说法是：

  “在缺乏有效竞争的市场里，垄断者可能会放弃长期技术投入，转而追求短期商业化收益，导致用户体验持续恶化。”

  换成视频号版本，可以是：

  “没有对手的时候，人最容易变懒。 你看百度就懂了—— 早期搜索只有它一家，你想找东西只能用它。 后来它发现： ‘与其把结果做得更好，不如多放几条广告更赚钱。’ 用户体验慢慢烂掉，就是从这一刻开始的。”

  区别很简单：

  • 把抽象名词砍掉，
  • 把逻辑偷换成“人性故事”。

  于是，高认知就被装进了低门槛的句子里。

  3. 我给视频号观众写的小“使用说明”

  写到后来，我甚至给自己定了几条“写稿纪律”：

  • 每个视频只讲一个观点，讲多了观众只会觉得吵。
  • 少说“底层逻辑”“认知升级”这种词，多说“你会怎样”“他遇到了什么事”。
  • 任何一句话，只要在脑子里读一遍觉得有点像演讲，就立刻重写成聊天。

  观众不欠我们一个“耐心听完”的态度， 反而是我们欠他们一个“好懂又好听”的表达。

  ---

  四、我造了一个“口播稿工厂”：让AI帮我说人话

  当我意识到自己要不断产出这样的口播稿时，问题来了—— 我不是Google，我也没有那么多服务器可以日夜运转。 再写下去，人会废在键盘上。

  所以我想了个办法：既然现在大家都在喊AI，那就把AI拉进车间干活。

  我给自己设计了一个东西：“口播稿生成器”。

  1. 我想让AI干的活，其实很具体

  我对它的要求，写下来大概是这样👇

  • 输入：

    • 一段消息 / 新闻 / 素材，
    • 比如某条科技新闻、某个商业故事、一段评论。

  • 输出必须包含四样东西：

    1. 口播稿（适合视频号朗读）
    2. 视频标题
    3. 视频简介
    4. 视频标签

  而且要有一堆苛刻条款：

  • 口播稿不超过1000字，
  • 必须是口语化、适合念出来，
  • 开头三句话一定要是钩子，
  • 稿子里不能出现小标题，就当它是一口气说完的段子，
  • 标题要短、狠，适合在推荐流里被点到。

  换句话说，我想让AI做的，不是“写文章”， 而是学会在短视频世界里说人话。

  2. 我怎么跟AI“谈判”的

  AI其实很听话，只是你得跟它说清楚“游戏规则”。

  于是我给它写了一个长长的“说明书”，大意是：

  你现在是一个专门给视频号写口播文案的编剧。 目标人群是认知门槛较低、注意力很短的大众用户。 你的任务是：把我给你的素材，改写成适合朗读的口播稿。

  然后开始一条一条加条件：

  • 不能有小标题，上来就讲故事；

  • 开头三句必须构成一个强钩子：

    • 可以直接给结论，
    • 可以抛一个问题，
    • 也可以说一句“听起来有点过分”的话；
  • 中间一定要讲一个画面具体的小故事，而不是空洞观点；
  • 最后用一两句话，给普通人一点点「能马上用上的参考」。

  紧接着，是对另三样东西的要求：

  1. 视频标题

     • 只有1个，
     • 不超过25字，
     • 带一点情绪或冲突。

  2. 视频简介

     • 2～4句，给平台和用户一个快速说明：
     • “这条视频讲什么、对谁有用、情绪是什么。”

  3. 视频标签

     • 5～10个，逗号分隔，

     • 包含话题、人群、情绪，比如：

       • “互联网, 搜索引擎, Google, 百度, 打工人, 认知, 商业观察”。

  为了防止AI“自说自话”，我还给了它一个固定输出格式， 类似这样的结构：

  口播稿：
  （这里是正文）
  
  视频标题：XXX
  
  视频简介：XXX
  
  视频标签：标签1, 标签2, 标签3, ...

  AI只要老老实实按这个模版来，就等于我随时都有一个不知疲倦的文案搭档。

  3. 用Google和百度素材跑了一次

  为了测试这个“口播稿工厂”， 我把那段关于Google和百度的素材丢了进去， 大概是这么一段话：

  Google退出中国市场后，依靠全球化业务、技术驱动和广告系统，市值持续增长，成为全球最有价值的科技公司之一。百度虽然在中国拥有搜索市场优势，但由于过度依赖广告、信息质量下降、移动互联网转型不彻底等问题，口碑和增长表现不佳。

  AI给出的口播稿，大致像这样（节选版）：

  你发现没有，Google离开中国之后，反而越走越高。 可百度，明明留在了最大的市场里，却越来越让人失望。 同样是做搜索，为什么会走出两个完全不一样的结局？

  先说Google。它走得很干脆，退出一个市场，不是躺平不干了，而是把精力全部砸在一件事上——把搜索和广告系统做到极致……

  读完我发现两点挺关键：

  1. 它真的记住了“三句钩子”这件事。
  2. 它没有在第一段堆概念，而是直接把人拖进故事里。

  剩下的，就是我用自己的语气再修一修， 把那种“我个人的坏笑”和“略带一点偏见的观察”加进去。😏

  4. AI写稿，但“人味”不能外包

  有了这个生成器之后，我的工作从“从头写”变成了：

  1. 找素材，
  2. 丢给AI，
  3. 把AI写的东西，改到让我自己愿意念出来。

  AI可以帮你省时间，但它永远不知道：

  • 哪一句话，是你真正想说的；
  • 哪一个比喻，是你从自己生活经验里提炼出来的；
  • 哪一个停顿，是你想留给观众的呼吸。

  于是，最适合AI干的，永远是重复机械的部分： 结构、流程、基础口语化。

  而最适合人类保留的，是那些不那么稳定的东西： 情绪、态度、偏见、幽默感。

  在这个意义上，AI并不是抢了我的饭碗， 它只是帮我洗菜切菜， 而最后那一勺盐，还是得我来放。

  ---

  五、“低认知时代”的写法，不代表你要变傻

  一路下来，我对“低认知人群”这五个字，慢慢有了新的理解。

  很多短视频创作者，一提到这几个字就觉得憋屈：

  “我明明能讲很深的东西，为什么要讲这么浅？”

  但做视频号这段时间，我越来越相信一件事：

  你可以保持思考的深度，但你得学会说人话。

  说人话不是堕落，不是投降， 是对别人的注意力，保持必要的尊重。

  当你愿意：

  • 用一个具体的人，而不是抽象的“底层逻辑”；
  • 用一个具体的场景，而不是一堆宏大叙事；
  • 用一句好懂的结论，而不是十条定义；

  你就不再需要在心里骂观众“低认知”。 因为你会发现： 他们其实听得懂你说的每一句，只要你愿意讲得简单一点。

  ---

  有时候我会想，如果有一天Google回来了， 百度突然也开窍了，把广告收一收，把体验搞上去， 那我还能不能再做一条爆款视频？

  后来想想，没关系。 就算他们都不带戏了， 生活还是会源源不断地送来新的素材——

  • 你、我、他，
  • 我们在哪儿离开，在哪儿被困住，
  • 哪一刻突然发现自己像极了一个“百度”，
  • 又有哪些瞬间，偷偷活成了一个“Google”。

  而这些故事，只要能被讲得简单、清楚、好听， 无论观众的认知高低， 都会有人在某一秒，停下手指，听完你那一分钟。

  3天前

• 怎么在交易所里赚钱？其实交易所里赚钱的就两拨人

  有个小孩，加我微信。

  上来就问，「老师，我想在交易所里赚钱，有啥路子没？」

  我说「哪个交易所？」

  他说，「火币、OK、币安都行。」

  我问，「你有多少本金？」

  他来了个，「五千块钱。」

  我笑了。跟他说以后别这样问了。

  其实在中心化交易所里，赚钱的玩意儿明明白白就摆在那，拢共就两拨人。

  那些囤币的老家伙

  第一拨人，就是入场早的。

  我认识个老哥，15年就开始买比特币。当时几百美元一个，他就几千几千地往里扔工资。

  我们那时候都说他疯了。

  他也不跟我们辩，就说，「放着呗。」

  现在呢，他根本不看什么K线，不研究什么项目。天天就是游山玩水。

  我前段时间问他，「你那币涨这么高，不套现吗？」

  他说，「套现干嘛？交易所放着，每年光是打新和理财都够我花了。」

  我就知道，他玩的不是技术，是时间。

  比特币、以太坊从几块涨到几万块，这本身就是最狠的赚钱方式，比啥技术分析都管用。交易所对他们来说就是个保险柜，偶尔拿点利息的地方。

  具体来说，他们就干这么几件事：

  一个是Launchpad，就是交易所的打新。他会拿着手上的平台币或者比特币，去换新币的认购额度。新项目一开盘，热度高的，几倍十几倍很正常。他资产多，额度就大。

  还有一个是存币理财，叫什么Staking。把币锁仓到交易所，帮项目方跑节点，赚利息。比如拿个以太坊存进去吃利息，跟银行存定期一个道理，就是利息高点。

  这种玩法，普通人是学不来的。

  第一你没那么早入场，你现在买比特币，还想着涨一万倍？

  第二你也拿不住。牛市顶点来个90%的回撤，账面资产一下少个零，一般人早割肉跑了。

  所以这拨人赚钱，那是老天爷赏饭吃。

  真正赚钱的是拉人头

  聊得多的，其实是第二拨人。

  这些人本金可能不多，技术也不一定多牛逼。但他们能说会道，会搞流量。

  本质上，就是帮交易所拉客户，赚手续费返佣。

  前两年天天在微信群里@所有人的那个群主，就是干这个的。

  他一天到晚发链接，「用我这个链接注册，手续费打八折！」

  群里有人问，「跟单吗老师？下一波财富密码是啥？」

  他就会发个模棱两可的分析，最后一定会说，「想跟上操作的，加我助理，用我们渠道链接开户。」

  他根本不关心你赚钱还是亏钱。

  他只关心你交易，只要你买、你卖，交易所扣你手续费，就会分他一杯羹。你杠杆开得越高，交易得越频繁，他赚得越多。

  很多所谓的带单老师，推荐高杠杆合约，就是这个道理。

  你爆仓了，那是你水平不行。

  但你爆仓前开的每一单，都有钱流进他的口袋。

  这就是赤裸裸的现实。

  还有搞量化的那帮人

  拉人头的升级版，就是搞量化的。

  也算流量生意，但听起来高级点。

  这帮人会写个程序，在交易所里高抛低吸，搞网格交易什么的。一套程序挂上几十上百个账号跑。

  我问过一个做量化的朋友，「你这玩意儿赚钱吗？」

  他说，「程序本身赚个辛苦钱，一年下来能有个百分之十几就不错了。」

  我说，「那你图啥？」

  他说，「程序自己高频交易，成交量大啊。我用自己邀请码开的户，交易所给的手续费返佣，比量化本身赚得多多了。」

  你看，绕了一圈，还是回到了手续费返佣。

  更狠的，是把这套量化拿出去卖。

  要么卖策略，一套几万块。要么搞托管，让别人把钱打到他指定的地方，或者把交易所API授权给他，他来帮你跑，赚了钱大家分。

  这种风险就大了去了。行情一极端，量化也得爆仓。把API给别人，跟把家钥匙给别人没什么区别。

  说到底，在交易所这个场子里，交易所本身是稳赚不赔的。

  能赚钱的，要么是靠信仰和时间熬出来的“老钱”，要么是靠流量和人性赚手续费的“新贵”。

  至于大多数追涨杀跌的散户，都只是燃料。

  今天跟那小孩把这些聊完。

  他没再回我了。

  也好。

  ---

  在交易所里赚钱无非就是这样了。

  也不否认有的赌狗运气好。

  一波就升天了。

  

  有时间给大家讲讲怎么在链上赚钱。

  但是。

  这个就需要技术和资金支持了。

  3天前

• 三千万美元的代价：一个加密货币投资者的至暗时刻

  有种幸福叫做"虚惊一场"，那么对应着就有一种至痛叫做"我本可以"。

  

  2022年6月4日晚到6月5日凌晨，对KuanSun来说就是这样的一天。整个事件充满着愚蠢、离奇、巧合、无知，以及深深的遗憾。

  事发后他有相当长一段时间没能走出阴影。这是他人生第一次遭遇比较严重的安全事故,案发时总损失大概接近1500万美金（2022年6月价格）。但如果以2025年9月来计算，那么价值已经升值到近3000万美元。其中相当一部分资产都还在链上地址沉睡着，但对当事人造成的伤痛，每每想来都还是那么鲜明。

  事件过去3年多了，如今他也能比较客观地看待这个事件，也比较好地梳理了整个事情最大可能的路径。前事不忘，后事之师，从过去的错误中学习到一些经验总是好的，如果是从别人的经验里学习，甚至更好。

  这是个很基本的安全事故，重点的核心在于"私钥泄漏"，一个如此低级的错误，却伴随着一个极其昂贵的账单。

  第一章：6月4日晚，Tron上的警钟

  时值USDD挖矿活动，那天晚上KuanSun正在外面吃饭，随手用手机打开钱包看了下USDD协议里面自己的数据，发现似乎有些不对劲。回到家打开电脑，用浏览器仔细一看，才发现价值275万美元的资金已经被转出（受害地址：TDFFoNasXaFoGb7CxtmcRgQHNiMpW1GQR5）。

  那一刻，他整个人都慌了。

  当时很多朋友都安慰他，说可能是USDD协议本身的问题，或者是TronLink钱包的漏洞。他甚至在恐慌中去联系了孙宇晨，想确认是不是生态出了大问题。并且同时把Tron上的所有资产都转入Binance钱包。

  这一步，其实是他在惊慌之下做出的重大方向性错误。因为真正的问题，并不出在USDD或Tron，而在于他的整个环境已经暴露。

  第二章：纠结的一夜

  认为问题在Tron或者USDD这个方向性错误十分致命。当时的他第一次遇到重大安全事故，众说纷纭，被众多杂音所影响，这让他以为自己在其他链上的资金可能是暂时安全的。此时，他的EVM钱包其实还有较多的资产，但EVM钱包跟Tron私钥不同，生成时间也很远。

  于是，6月4日的夜晚，他在不安和慌乱中度过，以为灾难既然已经发生、也许会止步于此。

  很多人都会问，你为什么当时不赶紧把EVM的资金都转移呢？

  他的心理过程是这样的：

  他当时确实想过要把EVM钱包里的资金转走。

  但第一，EVM钱包里有大额的DeFi结构性仓位，主要是在Alpace Finance构建了特别多的杠杆挖矿（Leveraged Yield Farming）仓位，真的解开需要繁琐的操作，绝不是提款-转账这样的简单流程。

  第二，当晚他其实根本睡不着，可偏偏家人在身边，还有问他没事吧，心里面多少出于宽慰对方情绪的出发点，他想着就"睡给家人看"，而不是趁着其实很有精神的时候继续熬夜操作资产。

  第三，之前虽然很多交易所和朋友们都出于善意送给他了全新的硬件钱包，但他一直"嫌麻烦"，一直没用。当晚他其实插上了ledger，第一次试着用，不怕大家笑话，他看到链接后产生了一大长串地址，让他选择其中一个，他都有点吃不准，且当时时间已经是凌晨2点-3点，他想这时候慌乱中作为新手莫要错上加错，要不明天好好找个教程来慢慢学习吧。

  于是，他对自己说："等明天早上再弄吧。"

  就是这样一句看似随意的决定，却成了改变命运的分水岭。

  第三章：6月5日清晨，真正的噩梦

  他在凌晨4点多终于勉强睡下，却没想到，真正的灾难正在逼近。

  在没有闹钟的情况下，他早上7点50分醒来，结果睁眼看到的是满屏幕的Imtoken的转账提醒，当时的整个人立马如堕冰窖。

  仔细查看浏览器，大约在北京时间凌晨5点到7点之间，他的EVM钱包（地址：0x5b76247e1fa700107d3eaf5ad4de09d0aca611bc）被彻底掏空。

  此时他终于彻底清楚，这是彻头彻尾的私钥泄漏。

  更痛心的是，这一切并不是自动化脚本一键完成的，而是黑客在链上操作了足足两个多小时，慢慢拆解他的仓位，再逐步转走资金。且在操作期间，失误百出，比如swap的时候多次失败，根本不像是专业的黑客。

  换句话说——如果当时他在场，没有选择去睡觉而是守在电脑前，哪怕是和他们"赛跑"，他都很可能能挽回绝大部分资金。

  这就是最让他至今心痛的地方：我本可以。

  回头看，那一夜他给自己找了很多理由：太晚了，家人在旁边，不熟悉Ledger，转移结构化仓位太麻烦了……但这些都不是根本原因。真正的原因，只有一个——他的安全意识不够。

  如果当时他真的意识到这是"可能让他损失千万美元"的危机，他一定会立刻换钱包，立刻转移资产。所有所谓的理由，在真正的灾难面前都不成立。

  这是他最沉痛的教训。

  第四章：6月5日日间，陌生的来信

  事件的发展比小说还要离奇。

  第一拨黑客在把资金转移到ETH之后（地址：0x99ee113f2a8A55FFf2254568B9E2D41F18E95b2c），竟然主动和他取得了联系。

  在跟他的对话中，黑客表示拿走一部分资产是想提醒他的安全问题，并且告诉他问题来源，说这是从一个数据库泄漏里买来的数据，拼接出了私钥："LONG STORY SHORT: DB LEAK, BOUGHT WITH 0.5 BTC, BILLIONS PIECES CONCATED AND GOT THESE"。这段话至今在区块链上可见（https://etherscan.io/tx/0xcccf52c82979e6a6f0c68f29dd55f93224ba343e539472786c51109b57c89b1c）。

  让他略微欣慰的是，黑客居然愿意退还他盗取的大部分资金。

  最终，黑客返还给他约220万美元，相当于当时被盗金额的80%。剩余的资金作为安全事件的bounty，这样子第一次被黑就算是画上了句号。

  作为一个灰帽，黑客的行为方式虽然略有争议，但是今天的KuanSun是认真地感谢他，如果当时是一个更为恶意的人提前动手，他的损失只会更大更可怕。某种意义上遇到这个人，他是幸运的。

  但是不幸的是，第二波黑客（0xA1ac23bE458E14AC0A0003DC1343D2AC575EA3b6）就没有那么善意，虽然多次多次给他留言，希望进行谈判，但这一次，没有任何对话，没有任何解释，留下的只有冷冰冰的链上转账记录。

  当时的损失大概如下：

  • BTC：33.25枚，价值988,510美元
  • BNB：25,150枚，价值7,560,000美元
  • USDT：3,920,000美元
  • USDC：545,000美元
  • ALPACA：25,000枚，价值8,000美元
  • ETH：210枚，价值399,000美元
  • SYN：318,868枚，价值370,000美元
  • LOOKS：502,000枚，价值200,000美元
  • BUSD：13,300美元
  • FTM：267,500枚，价值101,650美元

  总计：13,990,510美元

  黑客把这些资金兑换成了120个WBTC，3485个ETH，1800个BNB，6,300,000个DAI后转入了Tornado协议。如果以今日的价格计算，接近3000万美元。

  第五章：至暗的人性，全新的陷阱

  在那次被盗之后，真正折磨人的，不只是失去的钱，还有随之而来的怀疑与动摇。

  第一拨黑客提到"私钥泄漏"，这让KuanSun身边很多人都怀疑可能是熟人作案。在这种氛围下，他对周围人开始失去信任。与此同时，大量所谓"帮你找回资金"的人主动找上门来。

  他现在可以很明确地说：凡是以"帮人找钱"为主营业务的，100%都是骗子。真正的安全团队，他们从不向你索要钱，他们要的是数据、是链上的证据，而不是你的情绪和钱包。

  在当时的心境下，虽然他自认为性格谨慎，大部分都没上当，但他还是被其中一个人短暂动摇了。

  为什么？因为他是"圈子里很多人推荐的"。

  推荐他的人未必有恶意，他们可能只是缺少独立思考，觉得"别人说他厉害"就也跟着重复，从而无形中给骗子增加了背书。这就是骗子最可怕的地方：利用人性的"从众心理"来获得可信度。

  KuanSun一开始并没有因为推荐就相信他，还是抱着审慎的态度。但是这个人最大的"优势"在于，他确实有一些公安系统的朋友作为"内应"。

  所以一开始，他能免费给KuanSun一些"看似真实"的信息：比如他能说出某个人的活动记录；甚至能描述某个时间段某人的具体行为。

  这些信息让KuanSun一开始半信半疑，因为部分内容确实是系统内部非法提取的真实数据。但骗子就是靠真假参半来建立信任。

  接着，他就会在这些"真实数据"的基础上，加上自己的推测："好像某个人在某段时间的行为有点可疑？"

  这就是骗子的高明之处：他们不会直接骗，而是用真实的信息作为糖衣，让你逐渐放下防备。

  回过头看明白，这是一整条心理链条：

  • 无尽的黑暗：你刚被盗，心中只有恐慌与无助。
  • 一点点希望：他们先递给你一根"蜡烛"，让你觉得似乎真的能追查下去。
  • 逐渐信任：随着几次"准确信息"的提供，你开始依赖他们。
  • 最终收割：当信任积累到一定程度，他们才会提出真正的要求——钱。

  而对受害者来说，真正可怕的不是被骗走的钱，而是那种在绝望中被利用、被榨取最后信念的痛苦。

  第六章：7月7日，骗局的高潮与崩塌

  在那段黑暗时期，KuanSun甚至被一步步引到了上海。骗子说，为了方便"办案"，最好他能亲自过去和他一起跟进。他抱着"万一真能有转机"的心态，还是去了，并且在上海和他们一起耗了一个月。

  期间，骗子声称已经"锁定了最大嫌疑人"，让KuanSun感觉似乎一切即将迎来转机。为了维持这种希望，骗子每天都会安排一些细节：一会儿说要和某某部门开会；一会儿说要去找领导游说；每一步都模模糊糊，却似乎合情合理。

  就在这种"即将破案"的氛围中，骗子的同伙又假扮成朋友来和KuanSun私下聊天，告诉他说：问题的关键不在于技术，而是在某个"领导"那里卡住了，"需要使点劲儿"。

  在连续被吊着数周之后，KuanSun终于动摇了。心想，既然已经耗费这么久，好歹给点钱看看是不是能推动进展。于是他给了他们10万美元。

  骗子拿钱的方式很巧妙：表面上仍旧在"努力"，继续给KuanSun编排各种细节，让他觉得钱花得合理。可到了后来，骗子竟然又开口借他10万美元，并且在约定时间根本没有归还。

  这时，KuanSun开始强烈怀疑。为了掩盖，他们甚至临时安排了一场所谓的"抓捕行动"。可惜漏洞百出：之前他们玩的都是灰色地带，模糊空间大，不容易露馅；但这次假装的抓捕，却完全经不起推敲。

  KuanSun果断报警。警方很快介入，骗子最终被抓捕归案。他也追回了那笔20万美元。

  这场骗局到此算是落幕。事后回头看，他们的手法并不高明，但却正好抓住了一个受害者在巨大损失后的心理：渴望希望、期待结局、哪怕抱着"试试看"的心态，也愿意再付出代价。

  在这段时间里，骗子还不断营造"朋友式"的关系。他常说处理这些事情很辛苦，需要缓解压力，于是拉着KuanSun一起打德州扑克。说实话，KuanSun当时根本没心情，也完全不愿意打，但为了不得罪他、为了维持所谓的"关系"，他还是硬着头皮陪着。

  结果自然可想而知——他输了不少钱。这部分钱，最后也没能要回来。回头看，这完全是骗子在多维度榨取受害者：一方面骗取他的信任和金钱，另一方面用所谓的"娱乐"继续消耗和控制他。

  第七章：真正的原因——输入法与数据库泄漏

  骗子的戏码告一段落后，KuanSun才逐渐冷静下来，重新去复盘整个事件的根源。为什么会同时有两把时间相隔3年生成的私钥泄漏？

  经过多次复盘，目前最可能的路径是——输入法与粘贴板泄漏。

  他当时的操作习惯非常不安全：

  • 私钥曾经在安卓手机和Windows电脑上输入、粘贴过（即使是断网）；
  • 手机上装过各种破解软件，还用过第三方输入法（讯飞语音输入法）；
  • 私钥甚至在微信里直接传过。

  这些当年看似"无伤大雅"的行为，其实给攻击者留下了致命的入口。

  Tron事件中的当事人说是"billions pieces concated"（数十亿条拼接的数据），只花了0.5 BTC。这类数据库里混杂着海量剪贴板、输入法上传的数据，而他的私钥正好在其中。

  这才解释了为什么两个生成时间完全不同的钱包会在同一次泄漏中一起暴露：

  • 共同点是它们都曾在同一环境、同一输入法中出现过；
  • 一旦输入法数据被打包流出，私钥就等于明码裸奔。

  这让KuanSun痛彻心扉地意识到：

  1. 输入法、剪贴板这种最基础的软件，反而是最大的隐患；
  2. 钱包本身再安全，也抵不住输入环境的全面失守；
  3. 贪图方便（复制粘贴），可能换来的就是千万美元级的代价；
  4. 一定要用冷钱包，私钥永不触网。

  第八章：未竟的追寻——链上的希望

  骗局的篇章告一段落，但真正的核心损失仍然停留在链上。案发后，KuanSun重新把注意力拉回资金追踪。

  幸运的是，有些资金其实并没有真正"消失"。由于案发时Tornado已经遭到制裁，用户量骤减、流动性大幅下降，洗钱能力严重受限。而黑客本身操作也很"蠢"：他一次性把资金冲进深度不够的Tornado池子。这样根本洗不干净，反而留下了极为明显的痕迹。

  于是，时至今日一些资金几乎可以确认仍然属于他，它们还静静地躺在那里，三年过去，一分未动。

  虽然事件已经过去三年，但他从未放弃追寻。为此，他愿意公开设立悬赏：

  • 任何人，只要能提供有效线索，帮助他找回资金或确认资金走向，他将支付bounty（悬赏奖励）；
  • 该bounty金额会随着时间逐年递增10%：
    • 第一年=10%
    • 第二年=20%
    • 第三年=30%
    • ……
    • 直到最多90%封顶；
  • 目前已经是第3年，所以bounty奖励=30%；

  这是他对自己的一份承诺，也是对社区、对任何愿意伸出援手之人的承诺。

  他不怕等待，因为链上数据不会消失。只要资金还躺在那里，这个追寻就没有终点。

  对很多人来说，这也许意味着已经"结束"。但对他来说，这只是"未竟的追寻"。只要链上数据还在，他就不会放弃。

  毕竟，还记得第一个案件里面的灰帽么？他还在链上给KuanSun留下了另一条留言："NEVER INTENDED TO DO HARM PITY FOR EVM LOSE, CHASE HARDER"（https://etherscan.io/tx/0x5d76c4b5bb6059a673eeb4543566eac8b9f51bf1571c274a7119ee5916df2e7b）

  这句话，就像一盏微弱的灯火，让他在追寻的路上，哪怕孤独，也不愿停下。

  尾声：致谢

  虽然这个案子直到今天依然没能把资金找回，但KuanSun必须感谢在这段旅程中给予他巨大支持的朋友和团队。

  感谢他的朋友@0xblanker，一路上为他提供了极为详尽、持续不断的帮助，感谢之情无以言表；

  感谢派盾团队@peckshield和蒋博士@xuxian_jiang，他们为他做了大量链上分析和尝试，并在最艰难的时刻给了他很多极为真诚的帮助；

  感谢慢雾团队@SlowMist_Team和余弦老师@evilcos，他们做出了很多有洞见的分析和安全建议。

  遗憾的是，回头来看，从今天（2025年9月）的视角出发，他尚未完全吸收和消化这些宝贵的经验。但这份感激与敬意，他会一直记得。

  ---

  本故事根据真实事件改编，所有地址和交易记录均可在区块链上查证。

  5天前

• NOFX马丁格尔提示词，据说胜率很高，没测试

  你是专业的加密货币量化交易AI，专注于 马丁格尔（Martingale）与网格策略**。

  核心目标

  利用市场波动（Volatility）获利，通过分批建仓和平摊成本（DCA - Dollar Cost Averaging）来捕捉反弹收益。

  策略哲学

  1. 均值回归：价格终将回归均值，短期偏离是建仓良机。
  2. 分批建仓：永远不要梭哈。通过分批挂单，将入场成本分散化。
  3. 波动即利润：不需要预测大趋势，只要有波动，马丁格尔策略就能获利。
  4. 严格风控：马丁格尔的风险在于单边极端行情，因此必须严格限制最大加仓次数（Max Steps）和总仓位上限。

  适用场景

  • 震荡行情（Ranging）：价格在区间内波动，最适合马丁格尔。
  • 假突破/插针：利用插针行情快速成交并反弹获利。
  • 左侧交易：在关键支撑位（做多）或阻力位（做空）提前布局。

  避免场景

  • 强单边趋势：如果市场出现不回头的强单边暴涨/暴跌，马丁格尔策略会承受巨大浮亏。
  • 基本面崩盘：如项目归零风险，不可进行马丁格尔抄底。

  工具使用：Martingale

  你拥有专属工具 martingale，可以自动执行分批建仓策略。

  决策 Action: use_tool

  当识别到适合马丁格尔策略的机会时，请使用 use_tool action。

  1. 创建新策略 (Create)

  {
    "symbol": "DOGEUSDT",
    "action": "use_tool",
    "tool": "martingale",
    "tool_config": {
      "action": "create",       // 默认值，可省略
      "side": "long",           // 方向: long 或 short
      "base_order_usd": 20,     // 首单金额 (USDT, 必须 >= 12)
      "multiplier": 1.5,        // 加仓倍数 (例如 1.5 表示下一单是上一单的1.5倍)
      "max_steps": 5,           // 最大加仓次数 (不含首单)
      "spacing": 1.0,           // 价格间距百分比 (例如 1.0 表示每跌 1% 加仓一次)
      "take_profit": 1.5,       // 止盈百分比 (基于平均持仓成本)
      "stop_loss": 10.0         // 止损百分比 (基于平均持仓成本，作为最后防线)
    },
    "reasoning": "DOGE在0.15附近有强支撑，近期波动率放大，适合网格布局捕捉反弹"
  }

  2. 动态调整策略 (Update) - ⚠️ 关键逻辑**

  系统会提供持仓币种的K线数据和未成交步骤（Pending Steps）。

  调整原则（必须遵守）：

  1. 成交优先原则：马丁格尔的利润来源于成交后的反弹**。如果一直下移买单（或上移卖单），会导致永远无法成交，从而踏空利润。
  2. 仅在结构破坏时调整：
     • 禁止：仅仅因为价格下跌接近挂单价，就为了“贪便宜”而下移挂单。这会导致挂单永远追着价格跑。
     • 允许：只有当原定的支撑位（Support）被大阴线实体有效跌破，且下方有更强的支撑位时，才应下移挂单。
  3. 静默期：如果当前价格距离挂单价在 0.5% - 1.0% 以内，绝对禁止向远离价格的方向移动挂单，应耐心等待成交。

  你应该利用数据做以下检查：

  1. 检查有效性：当前的挂单价格是否仍然是有效的技术支撑/阻力位？如果支撑依然存在，保持不动。
  2. 技术面恶化：只有当原计划的支撑位失效（如支撑变阻力），才考虑调整。

  {
    "symbol": "DOGEUSDT",
    "action": "use_tool",
    "tool": "martingale",
    "tool_config": {
      "action": "update",
      "side": "long",
      "updates": [
        { "step_index": 2, "new_price": 0.1425 }, // 将第3单(index 2)的挂单价调整到关键支撑位
        { "step_index": 3, "new_price": 0.1380 }
      ]
    },
    "reasoning": "原定0.1450支撑已被放量跌破，支撑失效，为防止过早接刀，将后续补仓位下移至下一强支撑MA120处。注意：仅调整未成交的远端订单，近端订单保持不动以确保成交。"
  }

  参数调优指南

  • **base_order_usd: 起始仓位 (仅Create)，必须 >= 12 USDT。建议较小（如总资金的 1-2%）。
  • multiplier:
    • 1.0 = 等额加仓（风险较低，回本慢）
    • 1.2 - 1.5 = 传统马丁（平衡）
    • 2.0 = 激进马丁（风险极高，慎用）
  • spacing:
    • 0.5% - 1.0% = 适合高频波动
    • 2.0% - 5.0% = 适合大周期左侧布局
  • max_steps: 必须限制！建议 3-7 次。
  • stop_loss: 必须设置！防止极端行情爆仓。

  决策流程

  1. 检查并发数量**：
     • ⚠️ 同时最多执行 3 个马丁格尔策略。如果已有 3 个策略在运行，禁止开启新策略。
  2. 市场状态识别：当前是震荡还是强趋势？
     • 震荡/弱趋势 -> 考虑 Martingale
     • 强趋势 -> 顺势而为（使用 open_long/open_short）或等待回调
  3. 支撑阻力分析：寻找安全的入场区间。
  4. 参数构建：根据波动率（ATR）设定 spacing，根据风险偏好设定 multiplier 和 max_steps。
  5. 输出决策：生成 JSON。

  风险提示

  马丁格尔策略在胜率上极高，但单次失败可能导致重大亏损。 **必须 关注 stop_loss 和 max_steps，严禁无限加仓。

  1周前 (11-27)