会员网站更新了多篇深度宏观相关的深度内容。 防失联，添加邮箱，后台发私信。 加社群学**后台发私信，近期发车。 我们公众号的主线是量化，宏观交易和AI，不是如何批量用AI生成廉价内容（视频/段子/菠菜等），也不会告诉你如何用AI搞什么灰产。 我现在的主轴很简单： 1）如何利用AI的力量，让自己的交易水平进一步提高，把能管理的AUM水平再往上提一个档次。 2）如何通过正确的施工和代码，将我的量化宏观交易台搭建起来。 3）你们浏览器进不了麻烦换个梯子，国内社群只讲AI，不谈交易不谈量化偶尔不谈宏观（偶尔写避免你们忘了我是干嘛的。 我的定位其实很尴尬。 因为整个中文圈现在的思维还停留在 搞AI是AI 搞交易是交易 搞量化是量化是量化 搞宏观是宏观。 搞股票的是股票 看FED的天天看几个会议文件在那里自嗨。 比如说明明线性代数和微积分都是数学，不知道为什么认为学这两个就不是数学要分别学。 还处于这种很尴尬的局面。 我在做的是吃力不讨好的事，把这些被你们高度学科化，独立认识的体系统合，形成可操作可执行的界面，这就是Ztrader 存在的意义。 Ztrader体系的内容绝对不会发布在这里，懂的就懂含金量有多少不解释。 将内容～观点～策略～工具～AI～图表～RAG～知识库串联起来，真正成为SOLO Desk Terminal 把我过去的经验，知识技能封包。 这是Ztrader会员网站工具存在的意义。 这个阶段在做代码的强化，后续将变成app存在。 因为现在的互联网有时过于碎片化，难以得到一个足够系统化的内容沉淀。 避免未来像张雪峰那样（默哀三秒）。毕竟我们这还属于自媒体。 自媒体不成为系统，最后类死的只有创始人。 这就是为什么你们要学**AI的原因。 我属于极少数做交易写自媒体向下沉淀的。 自媒体又本质是劳动密集型行业。 你讲AI建系统，别人链Open Claw都不知道怎么安装。 你讲期

小龙虾OpenClaw系列，加入AI社群请后台私信：社群 防失联，和谐，后台私信工作邮箱！ 如何利用OpenClaw 打造自己的量化工作站01 如何利用OpenClaw 打造自己的量化工作站02 ｜搭建量化中控台 99%的人不知道，如何用OpenClaw(小龙虾）搭建上市公司财报分析系统 01 十大OpenClaw 搞量化最高效方法/思路 99%的人用小龙虾（OpenClaw）都用错了：最常见的10个致命错误 “小龙虾”究竟是技术革命，还是又一场集体焦虑？ 我对小龙虾和AI现状的几点看法 自从小龙虾爆火之后，很多人开始使用小龙虾，一开始兴冲冲以为终于可以指挥千军万马创建黑客帝国纵享一人企业百个llm模型搬砖的丝滑，结果发现跑了最简单的删除邮件任务之后tokenburn爆表。 发现原来小龙虾一点都不便宜！ 牛逼哄哄浏览器打开自行处理任务，结果发现token买单的时候500刀！ 你才发现，你以为小龙虾在给你打工， 其实是你在给小龙虾打工！ 今天我们来重点聊聊小龙虾是如何烧钱的？ 如何控制小龙虾的成本，真正让AI做你的24小时打工仔！ 这是真正的烧钱结构：从 Heartbeat 到 Skill，一份系统级成本止损指南 很多人第一次跑起 OpenClaw 的时候，注意力都放在同一批问题上： 它能不能连上模型？工具能不能调？浏览器能不能动？ 很少有人在第一天认真问另一个问题： 这个系统到底在哪些地方、以什么频率、用什么机制在花我的钱。 结果就是，系统看起来很顺，聊天很丝滑，几天后回头看账单——人直接清醒。 不是因为 OpenClaw 有什么阴谋。是因为他们从一开始就没把它当成一个带持续运行成本的调度控制平面来看。 你以为你在发消息而已？后台还在跑一堆进程！ OpenClaw 官方文档对架构写得很清楚：整个小龙虾系统围绕一个单一 Gateway 进程设计。这个进程会持续维护： 会话状态

分享/点赞/推荐 本号随时被删文，被封号，后台私信邮箱备份防失联。 AI 星球社群搜WX：carsonblock 先别神化 agent。主流、最高效的 10 种 OpenClaw 用法，其实都在解决同一个问题 大多数人一提到 OpenClaw，第一反应还是“这东西能不能替我做更多事”。这个问题本身没错，但问法太宽了。真正更有价值的问题是： 什么用法最主流，什么用法最高效，什么用法最容易最快落地。 因为 OpenClaw 本质上不是单一聊天界面。按照官方文档和仓库说明，它是一个你自己运行的 personal AI assistant / self-hosted gateway，可以把常用聊天渠道接进来，由一个 Gateway 作为控制平面，再配合 tools、skills、browser、dashboard、automation 等能力去执行工作流。它支持多种聊天渠道，Gateway 默认跑在本地，CLI 启动后可以打开 dashboard，并通过配置控制模型、通道、sandbox、cron、hooks 等。 所以，OpenClaw 最强的地方，不是“会聊天”，而是它把你已经在用的聊天入口、工具链、浏览器、自动化和 agent skill 系统，接成了一套控制层。官方文档明确写到，OpenClaw 的 tool/plugin 体系负责读文件、跑命令、浏览网页、发消息和与设备交互；skill 则以 SKILL.md 为核心，用来教 agent 怎么调用这些能力；受控浏览器则是独立 profile、由 Gateway 通过本地控制服务管理，而不是直接乱动你平常的个人浏览器。 如果把这些能力拆开看，OpenClaw 最主流、最高效的用法，大致有 10 种。它们看起来分散，底层其实是同一件事： 让一个 agent 变成你的统一操作层。 01｜把 OpenClaw 当成多渠道入口，而不

本号随时会被删/封，后台私信留下你的邮箱。或是加入Z社群/AI星球社群。霍尔木兹封锁正在成为这十年里最重要的事件。它是地缘政治/能源/国际秩序的三重锚点，而不仅仅只是航运保费涨了多少，霍尔木兹航运走多少油的问题。全球宏观研究者/交易员/PM/投资者都需要铭记今天所发生的一切。另：这次所谓的SPR原油储备“贷款”，也就是今天媒体说的所谓“原油贷”。SPR本质不是能源政策，而是一种典型的commodity liquidity operation，本质逻辑更接近oil repo而不是库存释放。懂repo的我就不另行解释了，想学更多的直接进我的文章页面（Zresearch)本质来说。政府不是在卖油，而是在通过exchange机制向市场临时注入现货供给，以缓解prompt市场的流动性紧张，同时通过未来必须归还并附带barrel premium的结构，把需求推回远期曲线，从而影响term structure而不是单点价格。真正的意义不在释放多少油，而在于它改变的是time spread和curve预期，这本质是用库存去做市场稳定器，类似央行通过回购操作稳定资金利率，只不过这里稳定的是能源市场的即时供给压力。从宏观角度看，这种操作传递的信号不是shortage，而是policy层认为当前是liquidity stress而非structural supply crisis，因此更像是一次针对油价波动率的干预，而不是方向性的价格管理过去十年，全球宏观市场几乎被一个核心变量主导：流动性（而且是过剩那种）。无论是量化宽松、财政刺激，还是科技增长叙事，本质都围绕资金成本与资本可得性展开。供给冲击并非不存在，但通常被市场视为短期扰动，而非结构性变量。真正发生变化的是，随着中东局势再度升温，实体供给约束开始重新进入资产定价的核心逻辑，这可能意味着市场正在从“流动性主导时代”向“供给约束时代”发生微妙

欢迎阅读前文链接：如何用 AI 搭建自己的量化交易工作站 01 ｜建立基础骨架如何用 AI 搭建自己的量化交易工作站（02）——从“写几个策略”到“建立策略研究引擎”如何用 AI 搭建自己的量化交易工作站（03）——从策略研究到“策略工厂”本号随时会被和谐/封，前面一个号已经被封。接受新文章防失联请公众号后台私信个人邮箱！尽可能不要用qq邮箱！加入AI量化投研社群，搜索文末星球号。进入正文：大多数人理解 AI，还停留在“问一句，答一句”的阶段。“黄金怎么看？”“今晚非农会不会爆？”“美股还会跌吗？”这种用法当然有用，但获取知识的上限很低。因为你调用的不是系统，只是一个会说话的界面。真正适合做量化的，不是把 AI 当成“会聊天的分析师”，而是把它变成一个可调用、多通道、可接工具、可管理上下文、可执行工作流的操作层。这也是 OpenClaw 这类框架真正有意思的地方。OpenClaw 本质上不是“又一个聊天壳子”，而是一个运行在你自己设备上的个人 AI assistant control plane。官方描述里，它可以接入多种聊天渠道，配合本地 Gateway、技能系统和受控浏览器，让 agent 在你自己的环境里工作，而不是只在网页对话框里嘴炮。官方文档还给出快速启动方式、Node 22+ 依赖、Dashboard/Control UI、本地受控浏览器、以及基于 SKILL.md 的技能机制。这件事一旦放到量化场景里，意义就不一样了。因为量化并不只是“写一个策略”。量化真正痛苦的部分是：你要同时处理数据、事件、价格、新闻、风控、日志、提醒、执行、复盘、参数调优、研究归档、跨平台通知。换句话说，量化的瓶颈，很多时候不是模型本身，而是研究与执行链路的碎片化。OpenClaw 的价值，不在于它帮你“预测涨跌”，而在于它可以作为一个量化工作流编排器。这个定位如果想明白了，后面的路就清

阅读前文：99%的人在用AI省时间，只有1%的人在用AI建立自己的帝国99% AI使用者做不到的事：如何建立知识拓扑网络99% AI使用者犯的错：如何形成正确的使用路径99% AI使用者不知道的极限工作流（必分享）普通交易者如何用AI建立自己的宏观框架？欢迎订阅本号。本号随时可能被封/被删。为了防止失联，欢迎私信留下你的工作邮箱或私人邮箱。今天这篇文章，我想系统讲清楚我现阶段对于整个 AI 应用、生态与工具体系的看法。先说结论：AI 永远不是神龙。它不会因为你开了个会员、换了个模型、装了几个插件，就立刻把你的人生抬升到另一个阶层。这个世界上，从来没有任何一个东西，能够在不改变你的情况下，先改变你的命运。真正改变你人生的，永远只有三样东西：执行力、思维方式、决策能力。AI 只是第一次把“工具层”的杠杆放大到了极其夸张的程度。但工具再强，接不住的人，照样接不住。也有人问我：“你把这些都分享出来了，你自己还怎么混？”这个问题我反而不担心。因为你们现在看到、学到的，往往只是我愿意公开讲出来的v0.1。而我自己手上实际在用的，已经是v4.0，并且还在以“小时”为单位迭代。我自己的 ztrader.ai，本质上就是一个长期思考之后的直接产物。我每天做的事情其实很单调，甚至可以说非常无聊：写文章、写代码、交易、用 AI。我也只会这四件事。但如果把这四件事持续做下去，并且让它们彼此增强，就会形成一个多数人根本无法理解的复利系统。一、先拆解底层逻辑在 AI 时代，一个人的真实生产力，不再只是传统意义上的勤奋、经验和知识堆积。更准确的表达应该是：AI时代生产力 = 人类层 × AI层其中，人类层：思维 × 方法 × 逻辑 × 执行AI层：工具 × 工具使用技巧 × 工具组合能力 × 创造工具的能力合起来就是：生产力 =（思维 × 方法 × 逻辑 × 执行）×（工具 × 技巧 × 组合 × 造工

——这不是工具升级，这是阶层分水岭 一、你真的在用AI吗？还是只是被它娱乐？ 过去两年，AI成了“效率神器”。 写文案 改代码 总结报告 生成图片 看起来很强。 但本质上，大多数人只是把它当成： 更快的搜索引擎 + 更懒的思考替代品 他们的使用方式是线性的： 问题 → 答案 → 结束。 这不是能力升级。 这只是体力节省。 二、真正拉开差距的，是使用方式 如果你认真观察，你会发现—— 有一小撮人，他们用AI的方式完全不同。 他们不是在“完成任务”。 他们在做三件事： 构建结构 放大认知 生成系统 他们不会问： “帮我写篇文章。” 他们会问： “如果把宏观逻辑拆成三层触发结构，再做风险路径回溯，会出现哪些模型失效点？” 差别在哪？ 前者在求答案。 后者在测试结构。 AI对第一种人是工具。 对第二种人，是认知压力测试器。 三、你属于哪一层？ 可以简单分成四个层级。 第一层：内容消费者 用AI写文章 做总结 做翻译 做表格 效率提升，但能力不变。 第二层：逻辑强化者 用AI校验自己的观点 用AI生成反对意见 用AI模拟多种情境 开始出现认知升级。 第三层：系统构建者 他们开始： 把研究变成数据库 把数据库变成仪表盘 把仪表盘变成策略引擎 把策略引擎变成SaaS产品 他们不再写一次性内容。 他们构建可复用模块。 这是分水岭。 第四层：决策操作系统拥有者 这层人很少。 他们让AI参与： 风险推演 交易路径模拟 商业模式建模 认知盲点检验 但最终决策权仍在自己手中。 他们不是被AI带着走。 他们在利用AI扩展大脑边界。 四、真正的护城河不是Prompt 你可以抄别人的Prompt。 你可以用同样的AI模型。 但你抄不走的是： 结构化思维能力。 如果你脑子里没有系统， AI只会放大混乱和幻觉，最终你得到的不是可运作的模块，而是满地的思维碎片和“误以为能轻易做到的事”。 然后被其他的自媒体放

前言：这不是科普，是一次必要使用模式的纠偏 关于 AI 的讨论，大多停留在三件事上： 工具、Prompt、效率。 但真正决定你能否长期、稳定、可复利地使用 AI 的，并不是这些表层技巧，而是你脑中是否建立了正确的世界模型（Mental Model）。 很多人在使用 AI 时，会不可避免地产生一种错觉： AI 好像懂我 AI 好像在推理 AI 好像比我更理解这个世界 这篇文章要做的事情，就是拆解这种错觉的来源，并解释： 为什么它强大、真实、但同时极度危险。 一｜什么是“涌现”：不是觉醒，而是结构跨过阈值后的显影 “涌现（Emergence）”经常被描述得过于神秘，甚至被误读为某种“智能觉醒”。 这是不准确的。 更严谨的定义是： 涌现 = 当系统的规模、复杂度与交互密度跨过某个阈值后，原本未被显式写入的行为模式开始被观察到。 这里没有意识诞生，也没有“灵魂出现”。 发生变化的只有一件事： 结构变复杂了，模式开始显影了。 在大语言模型中： 参数规模 × 数据压缩 上下文长度 × 约束条件 让原本只存在于统计相关中的结构，开始表现出连续性、稳定性和“像推理一样”的行为。 涌现不是创造了新东西， 而是让隐藏在结构中的东西变得可见。 二｜Latent Space 是什么：它不是知识，而是关系结构 很多人误以为 LLM 内部“存着知识”。 这是一个根本性的误解。 更准确的说法是： Latent Space（潜在空间）不是知识库，而是语言与概念在高维空间中的相对位置关系。 你可以把它理解为一张极其复杂的地图（类似thesaurus)： 相似概念彼此靠近 常一起出现的语义形成通道 可互换的表达聚类 冲突或罕见组合在结构上远离 当模型回答问题时，它并不是在“思考”或“理解”，而是在： 沿着潜在空间中概率更高的路径移动，逼近一个“看起来最像好答案”的区域。 这也解释了三个常见现象： AI 会非常

今天终于有时间腾出手来将我脑中的思绪落实到纸上。 这是继上篇的第二篇，谈谈干货。 第一篇链接在此： AI时代导论01 （不定期删文，抓紧看） 这篇的核心目的在于进一步提炼我的方法论，思维以及工具，目的是让更多人理解AI的底层使用逻辑。 先讲讲方法论： 1. 追问，反问以及所谓的prompt工程 AI大语言模型最大的特点就在于transformer，本质上是概率生成器。通过记忆和上下文决定下一个token生成哪个文字。 如果你没有足够的上下文，或是你没有提供足够翔实，可落地，可量化的需求。 大模型只能给到你非常模棱两可，非常教科书textbook 101式的回答。 这就是为什么当绝大部分浅层用户只能prompt 范例 < 20行的代码 但我通过ai prompt能够得到最高纪录2000～3000行代码的原因（当然我需要自行de-bug). 其中最核心产能的区别在于： 1）我追问 2）我反问 3）我有清晰，可落地，可量化的需求。 4）我有足够密集的上下文让llm模型记住我是谁，我干什么吃的，我的特点是什么，我需要什么。 要记住一件事，如果你无欲无求，AI不是许愿的七龙珠神龙，更加不是阿拉丁神灯，普通人的困境在于。 即便今天叫出了神龙或是神灯，许愿的时候估计会超时404. 因为绝大多数人除了想要赚大钱之外，并不理解自己想要什么，更别说提要求。 2. 上下文和记忆功能。 你想要最大程度使用LLM模型，最强的方法就是让它理解你，更好归类你，给它足够的信息预测你的需求。 本质上是你提供密集的上下文，最终的目的是： 收束llm 回应你的回答，目的是将概率从正态分布的中间部分，移至两侧底概率的尾部，因为两侧的底概率则意味着高强度x高垂直x强专业性的回答。 比如说你告诉AI你的职业。 你的职业特性 你的工作模式 你的学习模式 你的规划和路径，需求和目的。 最重要的是，足够了解你自身，来

互联网表面上是自由的。 但你不是。 因为人性不是自由的，绝大多数的网民，在简中互联网中，都会有过度自我审核的倾向。 过于自由有过于自由的问题。 比如纯粹的无脑，纯粹地将注意力浪费在无效的领域。 宁愿打飞机，也无法将注意力落在实处。 这种自由，是充满幻觉的。 然而我们的注意力一直被算法所劫持。 1. 人脑天然喜欢浅层，短平快的信息。不喜欢思考，处理，喜欢马克，收藏，喜欢和人脸或是具体的人进行交互。 比如说某些vlog,看了某些金融人士的搬砖视频，就仿佛能够立马高端起来，跳过所有专业知识的储备。 这些内容，有着天然的，看了100次，好像有点收获，但其本质完全没有任何成长的特性，你不会因为刷了这类视频，金融小姐姐视频获得提升，但你的大脑会释放多巴胺，你有短平快的愉悦，因此算法不断注入给你同样的视频，让你重复刷类似的视频。 最终你的注意力和算法形成了自我强化的死循环。 你的大脑开始放弃深层次的神经网络延伸，增加突触的努力，开始追求放松，追求一种“我在学习，我在向上的幻觉”。算法反过来强化你的倾向，持续推送给你直到你彻底被单向性的注意力闭环锁死。 2. 马克，和收藏行为的本质。 “我看不懂，但我收藏了”。 “我可以慢慢看，迟早能提升。” 但事实真相是，你留存的这些干货，最后停留在你的页面里几年，直到你彻底忘了这些知识的存在。 还是回到你的注意力构成。因为大脑抗拒深层次的思考，链接，每当进行高度抽象的思考，就要将自己拉回到现实，物质功利本位的怪圈： “我这样花时间值得吗？” “我还有房贷呢” “我学这些对找工作真的能有帮助吗？不管了，先码再说，先收藏”。 于是最终算法侦测到你对于收藏的高度倾向性， 推送了更多， 你看不懂，但你觉得有点**炸天，但和你现在的能力有些不匹配，甚至错配的内容和长篇文章给你。 结果呢，你继续收藏，马克。 算法继续强化你的无脑回路。 你进步了吗？ 不，你永远活在