✍️ AI 改写 🎯 Meme 猎手 🏆 Meme大神 🖼️ 梗图
2618 展示 > 赞 >
排序:
Neo Kim AI @systemdesignone · 2026年07月19日 12:07
想成为 AI Agent 顶尖玩家?这 10 篇必读基础论文建议收藏:
If you want to become top-tier with AI agents, read these 10 foundational papers (save them):
2 26 30.9K
鸟哥 | 蓝鸟会🕊️ 加密 @NFTCPS · 2026年07月19日 06:51
在闲鱼上买二手 Mac 最怕啥?怕被翻新机、被激活锁坑一把。

这个 MacCheck 全本地跑,序列号都不上传,硬件、电池、屏幕、键盘一顿测,还能查 MDM 和激活锁,最后导出 PDF 报告甩给卖家看,验机这事儿总算不用玄学了。

🔗 https://github.com/andyhuo520/MacCheck https://x.com/NFTCPS/status/2078734461056024852
图片
25 24 31.8K
余温 AI @gkxspace · 2026年07月19日 12:39
没什么技术背景、但天天在用 AI 的,真的很值得看看这个《深入理解 AI Agent》

今天一天居然涨了 2k star,我自己翻了一下,也让 AI 去学了一遍,写得是真好

平时我们用 AI 会有很多疑问:
为什么上下文一长就变笨、为什么工具调用老翻车、为什么有的 Agent 好用有的像人工智障

这本书讲的就是这层底下的东西,而且是从工程应用的角度讲,每章还配着能跑的实验代码

可以把 Github 链接丢给 Codex 让 AI 带着你学一遍,这个真的很值得学一学!
图片
17 60 26.7K
Dr. Moyu|摸鱼局长 加密 @Jason23818126 · 2026年07月19日 12:06
没必要把几千只美股逐一研究,先看懂这 18 只主流 ETF,已经能搭出一套基础配置框架

它们覆盖了美国核心、成长科技、海外市场、债券黄金,但其中不少定位相近,买得多未必更分散

像 $VOO、$SPY、$IVV 同时持有,底层逻辑已经很接近
再叠加 $QQQ、$VUG、$VGT、$XLK,成长和科技的权重往往会越加越高

所以我把这 18 只 ETF 梳理了一遍,看看哪些可以互补,哪些没必要重复买

美国核心部分,$VOO、$IVV、$SPY、$SPLG 都是配置美国大型公司的常见入口
它们之间有费率、规模和流动性上的差别,但长期配置时,通常选一只就够

如果希望覆盖范围再广一点,连中小盘公司也纳入,$VTI 会是另一种思路
它更像是把整个美国股市一起装进组合里

成长科技这一栏,$QQQ、$QQQM、$VUG、$SCHG 都偏向大型成长股
$VGT、$XLK 则把科技行业的比重拉得更高

这一类产品适合用来增加组合的弹性,但仓位叠得太多,回撤时的感受也会更明显
买之前先看一眼已有持仓,往往比多找一只热门代码更重要

海外市场部分,$VXUS 适合不想拆分地区配置的情况
如果对市场分布有自己的想法,也可以用 $VEA 和 $VWO 分别覆盖发达市场与新兴市场

债券黄金放在组合里,更多是为了减少资产只跟随股票市场波动的情况
$BND、$AGG 是常见的债券选择,$SGOV 偏短期资金管理,$GLDM 则提供黄金价格的配置入口

如果只是想先把组合搭起来,可以从几个简单思路开始看

- 省心型
$VTI + $VXUS
美国全市场加海外市场,结构比较直接

- 偏成长型
$VOO + $QQQM + $VXUS
以美国大盘为基础,加入成长风格,组合波动也会相应提高

- 均衡型
$VOO + $VXUS + $BND + 少量 $GLDM
股票之外加入债券和黄金,让资产来源更丰富一些

具体比例还是要结合持有周期、现金流和波动承受能力
图里有 18 只 ETF,先选一只核心的,再根据自己的需求补充,通常也更容易长期拿住

仅作投资知识分享,不构成投资建议
图片
81 28 20.7K
Akshay 🚀 AI @akshay_pachaar · 2026年07月19日 12:30
给 AI 工程师的 8 种 RAG 架构:

(含用法详解)

1) Naive RAG (基础 RAG)
- 纯粹基于查询 embedding 和存储 embedding 之间的向量相似度进行检索。
- 最适合语义匹配就能搞定的简单事实类查询。

2) Multimodal RAG (多模态 RAG)
- 通过跨模态嵌入和检索,处理多种数据类型(文本、图片、音频等)。
- 适合跨模态任务,比如同时用文本和图片上下文来回答问题。

3) HyDE (假设文档嵌入)
- 针对查询与文档语义不相似的情况。
- 在检索前先根据问题生成一份“假设性答案文档”。
- 用这份生成文档的 embedding 去找更相关的真实文档。

4) Corrective RAG (纠偏 RAG)
- 通过与可信源(如网页搜索)对比来验证检索结果。
- 确保信息准确且不过时,在交给 LLM 之前先过滤或修正内容。

5) Graph RAG (图 RAG)
- 将检索内容转为知识图谱,捕捉实体间的关系。
- 通过提供结构化上下文和原始文本,增强 LLM 的推理能力。

6) Hybrid RAG (混合 RAG)
- 在同一个 pipeline 中结合向量检索和图检索。
- 当任务同时需要非结构化文本和结构化关系数据时非常管用。

7) Adaptive RAG (自适应 RAG)
- 动态判断查询是需要直接检索,还是需要多步推理链。
- 将复杂问题拆解成子查询,以提升覆盖率和准确性。

8) Agentic RAG (智能体 RAG)
- 利用具备规划、推理(ReAct、CoT)和记忆能力的 AI Agent 来协调多源检索。
- 适合需要工具调用、外部 API 或组合多种 RAG 技术的复杂工作流。

这里的大多数架构都涉及检索时的决策逻辑。但它们都是跑在已有的索引之上的。

如果索引阶段切出来的 chunk 很乱,那所有架构都会受影响。优化索引是独立于这 8 种架构之外的另一个课题。

我写了一篇关于优化索引单元的文章。该技术:

- 语料库体积缩小 40 倍。
- 单次查询 token 消耗降低 3 倍。
- 向量搜索相关性提升 2.3 倍。

而且完全不需要改动检索算法、重排序(reranker)或 embedding 模型。

点击下方引用的文章阅读全文。
8 RAG architectures for AI Engineers:

(explained with usage)

1) Naive RAG
- Retrieves documents purely based on vector similarity between the query embedding and stored embeddings.
- Works best for simple, fact-based queries where direct semantic matching suffices.

2) Multimodal RAG
- Handles multiple data types (text, images, audio, etc.) by embedding and retrieving across modalities.
- Ideal for cross-modal retrieval tasks like answering a text query with both text and image context.

3) HyDE (Hypothetical Document Embeddings)
- Queries are not semantically similar to documents.
- This technique generates a hypothetical answer document from the query before retrieval.
- Uses this generated document’s embedding to find more relevant real documents.

4) Corrective RAG
- Validates retrieved results by comparing them against trusted sources (e.g., web search).
- Ensures up-to-date and accurate information, filtering or correcting retrieved content before passing to the LLM.

5) Graph RAG
- Converts retrieved content into a knowledge graph to capture relationships and entities.
- Enhances reasoning by providing structured context alongside raw text to the LLM.

6) Hybrid RAG
- Combines dense vector retrieval with graph-based retrieval in a single pipeline.
- Useful when the task requires both unstructured text and structured relational data for richer answers.

7) Adaptive RAG
- Dynamically decides if a query requires a simple direct retrieval or a multi-step reasoning chain.
- Breaks complex queries into smaller sub-queries for better coverage and accuracy.

8) Agentic RAG
- Uses AI agents with planning, reasoning (ReAct, CoT), and memory to orchestrate retrieval from multiple sources.
- Best suited for complex workflows that require tool use, external APIs, or combining multiple RAG techniques.

Most architectures here involve some form of retrieval-time decision. But they all run on top of whatever was already indexed.

If that indexing step outputs messy chunks, every architecture inherits them. Improving it is a separate problem from the 8 above.

I wrote about a better unit for the indexing step. The technique:

- cuts corpus size by 40x.
- reduces tokens per query by 3x.
- improves vector search relevance by 2.3x.

And it doesn't alter the retrieval algorithm, the reranker, or the embedding model.

Read it in the article quoted below.
图片
33 57 25.9K
GitHub Projects Community AI @GithubProjects · 2026年07月19日 06:37
Castor 让你能直接从终端将网页视频投屏到电视,满血画质且完美避开镜像投屏的延迟和掉帧。

- 使用带 stealth 脚本的无头 Chrome 从网页提取视频流
- 实时转码投屏,支持自动生成字幕
- 直接输入视频链接或 IMDB/TMDB ID 即可秒投
- 原生二进制运行,macOS 支持 Homebrew 安装
Castor lets you cast web video from your terminal directly to your TV at full quality, bypassing screen mirroring and its lag or resolution drops.

- Extracts video streams from web pages using headless Chrome with stealth scripts
- Transcodes and casts in real time, including auto-generated subtitles
- Accepts direct stream URLs or IMDB/TMDB IDs for instant casting
- Runs as a native binary with Homebrew support on macOS
图片
5 48 26.0K
Sac AI @Saccc_c · 2026年07月19日 05:38
Kimi K3可能是最懂视频剪辑的模型,能够精准满足自媒体人的各种需求

下面是我在描述清楚需求后,用一条goal命令跑出来的世界杯决赛前瞻视频

素材、旁白、配乐全部自己搞定,一次出的版本就已经有那么点味道了
(提示词传送至评论区) https://x.com/Saccc_c/status/2078716210573885548
26 11 31.2K
币安Binance华语 加密 @binancezh · 2026年07月19日 09:51
荒岛风暴逼近,快选择一个 bStocks 逃生工具🪂

⚡ bStocks 探索计划|Day 3 航行篇

是三倍半导体的 SOXLB快艇 🆚 还是全栈AI的 NBISB飞船?

带 #bStocks探索计划 RT 并评论 A 或 B 即可参与。

连续参与三日,解锁你的 bStocks 探索结局卡 🎫 每日评论区抽取 5 位,各得 30U。 https://x.com/binancezh/status/2078779781144064363
图片
331 206 21.0K
鸟哥 | 蓝鸟会🕊️ 加密 @NFTCPS · 2026年07月19日 10:42
一个可以交易全球水电账单的网站,很多人KYC的地址账单都是从这里搞的,不要用于违法项目!

https://1poa.org/ https://x.com/NFTCPS/status/2078792603307503703
图片
41 44 26.2K
Huan AI @Huanusa · 2026年07月19日 01:33
高铁票价持续上调,部分线路的涨幅已超出不少普通人的承受范围。

与此同时,长途大巴通过精简运营、压低票价,重新吸引了大量预算有限的乘客。

低价大巴再次走红,既是市场的自发调节,也暴露出交通速度与普惠出行之间的矛盾。 https://x.com/Huanusa/status/2078654303913332796
70 13 21.5K
火山哥🕊️ 加密 @huoshan007 · 2026年07月19日 07:26
兄弟们闲鱼日赚500的全操作视频来了!!!

今天哥就把完整操作视频直接发出来给大家看!!!

学会了马上就能日入455+,真实案例摆在那,女高中生都能稳稳赚,你还等什么?💰💰

冲就完事儿了兄弟们!!!🔥🚀 https://x.com/huoshan007/status/2078743139083292766
39 17 27.4K
娜美知识库 其他 @fhwofjow51260 · 2026年07月19日 12:23
图片
5 19 23.1K
Geek Lite AI @QingQ77 · 2026年07月18日 22:59
我不敢想象下一秒会发生什么 https://x.com/QingQ77/status/2078615727737827594
27 1 46.0K
周览资源 其他 @grgerwcwetwet · 2026年07月18日 12:37
7年闲鱼实战老炮,一次性掏空全部家底!

这份攻略手把手拆解闲鱼从0到1全链路:账号冷启动、爆款标题公式、高点击图片法则、免费流量获取技巧、高效成交话术、售后防坑指南
避开99%新手都会踩的坑,想少走弯路、快速出单的,建议直接码住反复看!

闲鱼运营全套资料包:
https://pan.quark.cn/s/6a7a3db85b8e https://x.com/grgerwcwetwet/status/2078459106911027662
37 77 20.1K
Fang 其他 @FLMdongtianfudi · 2026年07月19日 10:29
黄仁勋2011年在斯坦福的这场演讲,一小时内直击商业本质,比两年的MBA课程更能教会你商业知识。 https://x.com/FLMdongtianfudi/status/2078789388813902030
16 52 21.3K
Jason AI @EvanWritesX · 2026年07月19日 01:46
有这样一个女朋友

哪里还有心思踢球嘛 https://x.com/EvanWritesX/status/2078657600309354711
图片图片
101 1 79.9K
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Robinhood链上,花142U,买入大金狗 $worth Meme币,赚了1.7万U相当于12万人民币,119倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xaee989fda15dfa276bebf116b81d26ba233235ce

$worth 代币创建于8天前,one life, its worth 叙事,历史最高市值2.6M,持有地址1431,其中有18位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Robinhood链上,花441U,买入大金狗 $NINEHOOD Meme币,赚了4.0万U相当于28万人民币,91倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xb12cb395fdeaf359a18d71e168ec24a87fa88107

$NINEHOOD 代币创建于4天前,NINEHOOD叙事,历史最高市值373K,持有地址4125,其中有3位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Robinhood链上,花360U,买入大金狗 $meow Meme币,赚了2.2万U相当于15万人民币,61倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x866bf0111a97110d2afdfde622f55b3b30911a78

$meow 代币创建于7天前,meow叙事,历史最高市值5.1M,持有地址3264,其中有47位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 16:01
发现一个牛B的钱包地址,在Robinhood链上,花357U,买入大金狗 $FLETCH Meme币,赚了1.8万U相当于12万人民币,49倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xaec6575e1d0e5f066feff68f68764c455a312037

$FLETCH 代币创建于5天前,Fletch Finance叙事,历史最高市值1.9M,持有地址1372,其中有7位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Robinhood链上,花326U,买入大金狗 $IF Meme币,赚了2.1万U相当于15万人民币,66倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x5638484ba2d2f1d1d35020572b0aa439a9869192

$IF 代币创建于8天前,What If叙事,历史最高市值2.3M,持有地址943,其中有12位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 04:01
发现一个牛B的钱包地址,在Robinhood链上,花469U,买入大金狗 $WISHBONE Meme币,赚了5.7万U相当于41万人民币,122倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x2f25b929f03fe2869e752f1910e5445f8b5778da

$WISHBONE 代币创建于10天前,WISHBONE叙事,历史最高市值12.3M,持有地址3348,其中有25位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Robinhood链上,花659U,买入大金狗 $YOLO Meme币,赚了9.2万U相当于66万人民币,140倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xfefd188448947c97e52774cd30d1cece5f201f17

$YOLO 代币创建于1天前,YOLO叙事,历史最高市值4.2M,持有地址970,其中有6位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 04:01
发现一个牛B的钱包地址,在Robinhood链上,花368U,买入大金狗 $RWA Meme币,赚了3.3万U相当于23万人民币,88倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xc197d6f3f03fc8e2a9784fac9c399f8e4f33b369

$RWA 代币创建于3天前,Real World Asses叙事,历史最高市值4.5M,持有地址2972,其中有39位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 04:01
发现一个牛B的钱包地址,在Robinhood链上,花1.5千U,买入大金狗 $WALLET Meme币,赚了6.3万U相当于45万人民币,41倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x4806aab45cd0ca6f114fbe7aab21419790e2927c

$WALLET 代币创建于9天前,Robinhood Wallet叙事,历史最高市值9.9M,持有地址4222,其中有50位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Robinhood链上,花468U,买入大金狗 $Givest Meme币,赚了2.4万U相当于17万人民币,51倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xd813771d3938e7acd0175bcf938cd6bb071d72ff

$Givest 代币创建于3天前,Givest叙事,历史最高市值2.2M,持有地址1514,其中有19位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Robinhood链上,花356U,买入大金狗 $SUSHICAT Meme币,赚了1.9万U相当于13万人民币,53倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x150952108f28dcaf4e4542090e67cd2696563944

$SUSHICAT 代币创建于1天前,Sushi Cat叙事,历史最高市值1.2M,持有地址5772,其中有24位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 04:01
发现一个牛B的钱包地址,在Robinhood链上,花62U,买入大金狗 $PONS Meme币,赚了13.0万U相当于93万人民币,2096倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x6099ff02f63c69162175249c2700c84c0a94dafa

$PONS 代币创建于3天前,Pons叙事,历史最高市值21.9M,持有地址7087,其中有56位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Base链上,花3.5千U,买入大金狗 $ABS Meme币,赚了76.5万U相当于550万人民币,221倍回报!

他的钱包地址:
https://gmgn.ai/base/address/C7KoyPop_0x725f9dd09d0a942f4a2a1bc78d24ac253dcd19a3

$ABS 代币创建于1天前,Always Base Selling叙事,历史最高市值13.5M,持有地址169,其中有3位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月19日 07:01
发现一个牛B的钱包地址,在Base链上,花70U,买入大金狗 $PAMPU Meme币,赚了2.4万U相当于17万人民币,336倍回报!

他的钱包地址:
https://gmgn.ai/base/address/C7KoyPop_0x42716e51285a9fafde6ae836bfd8f7f8cc88c7ea

$PAMPU 代币创建于1天前,The Base Cat叙事,历史最高市值2.3M,持有地址1542,其中有8位KOL在车上
0 0 0
0 时间范围 点赞 > 分类 排序
历史账号
默认展示全部账号;可展开上方账号区多选,或用「分类」下拉按类筛选,选好后点右上「更新所选」开始拉取历史爆文。
(本页面独立,需手动更新才会爬取,不浪费 API)
⚙️ 设置
更新于 2026-07-19 21:30 UTC
📡 监控账号
🕐 抓取参数
小时
小时
💰 价格展示代币
🐊 Meme大神
扫描SOL/BSC/Robinhood热门代币,自动发现金狗钱包,入库到爆文列表「其他」分类
加载状态中...
小时
U
U
人民币(严格超过)
个钱包
条/链
📱 自媒体 API 设置
Threads
币安广场
微信公众号
推特数据 API(twitterapi.io,会员默认数据源)
爬取推文/账号的主力数据源 · 注册:twitterapi.io ↗
🤖 AI 大模型 API(改写/翻译,会员默认 uau.cc)
用于推文 AI 改写功能(兼容 OpenAI 接口格式)· 注册:uau.cc ↗
夸克网盘 Cookie(用于转存)
用于一键转存推文中的夸克分享链接到你的网盘
✍️ AI改写提示词
🔐 修改账号密码