工作台 🔥

Meme大神其他 @meme_god · 2026年07月03日 13:00

发现一个牛B的钱包地址，在SOL链上，花150U，买入大金狗 $Balloon Meme币，赚了0.3万U相当于1万人民币，17倍回报！

他的钱包地址：
https://gmgn.ai/sol/address/C7KoyPop_74swFS1kS2v28iEcBDsTPvSzrNrPCnmQ8Xxygvo1u2fU

$Balloon 代币创建于1天前，Running Away Balloon叙事，历史最高市值197K，持有地址788，其中有3位KOL在车上

0 0 0 0

Akshay 🚀 AI @akshay_pachaar · 2026年07月02日 19:40

RAG vs. Graph RAG vs. Agentic RAG，一文带你秒懂！

标准 RAG 将文档向量化，通过相似度搜索召回最匹配的片段。处理直接的事实查询效果很好。

但如果查询需要关联散落在多篇文档中的事实，它就翻车了。相似度搜索只能找回独立的片段，搞不定片段间的关系。

Graph RAG 在这之上加了一层知识图谱。

→ 索引阶段：LLM 从文档中提取实体和关系。
→ 检索阶段：系统遍历这些连接，而不仅仅依赖向量相似度。

这就是实现“多跳查询”的关键。

假设向量数据库存了三个关于内部服务的事实：
↳ “结账服务使用支付 API。”
↳ “支付 API 在 cluster-3 上运行。”
↳ “cluster-3 计划在周五进行维护。”

有人问：“周五的维护会影响结账服务吗？”

向量搜索可能检索到事实 1 和 3，因为查询提到了“结账服务”和“周五维护”。
但它会漏掉事实 2，也就是连接支付 API 和 cluster-3 的那一环。

这句中间事实在向量空间里离查询太远了，既没提“结账”也没提“维护”，所以根本进不了检索上下文。

知识图谱把它们连成实体，通过图遍历一次查询就能找到完整路径。

Agentic RAG 的思路则完全不同。

它不再是固定的检索流程，而是由 LLM Agent 在查询时决定调用哪些工具、查哪些数据源以及按什么顺序查。

看下面的图解，彻底搞懂这三种架构。

要注意的是，这三者并不是必须依次进阶的复杂度等级。
相反，它们是为了解决不同的查询类型：

↳ 单跳事实查询 → 标准 RAG
↳ 多跳关系查询 → Graph RAG
↳ 需要工具调用的动态多源任务 → Agentic RAG

----

当底层检索层足够高效时，这些架构的表现都会更好。

我最近写了一种新的 RAG 方法，能将语料库大小缩减 40 倍，单次查询 Token 消耗减少 3 倍，并将向量搜索的相关性提高 2.3 倍。

文章引用如下。

RAG vs. Graph RAG vs. Agentic RAG, clearly explained!

Standard RAG embeds documents into vectors and retrieves the most similar chunks via similarity search. For direct factual lookups, this works well.

But it breaks down when a query needs to connect facts spread across multiple documents. Similarity search retrieves individual chunks, not the relationships between them.

Graph RAG adds a knowledge graph layer on top.

→ During indexing, an LLM extracts entities and relationships from the documents.

→ During retrieval, the system traverses these connections instead of relying on embedding similarity alone.

This is what enables multi-hop queries.

Say a vector DB stores three facts about internal services:

↳ "The checkout service uses payments API."
↳ "The payments API runs on cluster-3."
↳ "Cluster-3 is scheduled for maintenance on Friday."

Someone asks: "Will the checkout service be affected by Friday's maintenance?"

Vector search can likely retrieve facts 1 and 3 because the query mentions "checkout service" and "Friday maintenance."

But it will miss fact 2, which connects the payments API to cluster-3.

That middle fact sits too far from the query in embedding space. It mentions neither "checkout" nor "maintenance," so it never makes it into the retrieved context.

A knowledge graph connects these as linked entities, and graph traversal finds the full path in one query.

Agentic RAG takes a different approach entirely.

Instead of a fixed retrieval pipeline, an LLM agent decides at query time which tools to invoke, which sources to query, and in what order.

Check the visual below to understand the three architectures thoroughly.

One thing to note here is that these three aren't levels of sophistication that you need to graduate through.

Instead, they solve different query types.

↳ Single-hop factual lookups → standard RAG
↳ Multi-hop relationship queries → Graph RAG
↳ Dynamic multi-source tasks with tool use → Agentic RAG

----

Each of these architectures gets better when the underlying retrieval layer is efficient.

I recently wrote about a new RAG approach that cuts corpus size by 40x, reduces tokens per query by 3x, and improves vector search relevance by 2.3x.

The article is quoted below.

11 51 290 28.1K

Akshay 🚀 AI @akshay_pachaar · 2026年07月03日 08:32

别练模型了，进化它的 harness（运行环境/代码封装）吧。

读了 Hugging Face 的一篇神作：他们拿一个在硬核法律智能体榜单上拿 0 分的冻结开源模型做实验，权重完全没动，只通过自动化循环重写了它周围的代码。

这层代码就是 harness，也就是那个负责喂上下文、跑工具调用、决定任务何时结束的运行时封装。

循环跑完后，这套系统在核心指标上基本追平了 Sonnet 4.6，而单任务成本低了约 7 倍。权重一点没变。

之所以提升巨大，是因为模型之前的“死法”很离谱：判题脚本只看有没有在指定位置存对文件，而模型其实法律分析做对了，但要么文件名起错，要么存进临时文件夹了，甚至根本没写。

所以那个 0 分测的根本不是法律推理能力，而是 harness。

手动调这层太慢且不通用，所以他们把它自动化了。让 Claude 担任建议者，每轮迭代只加一个机制，外层循环只保留确实更优的版本，让有效的机制不断叠加。

这个自动化循环揭示了智能体到底在哪些地方拉胯：

→ 最大的单项提升来自文件处理，而非智力。增加一个自动确保交付物落在正确位置的步骤，效果好过任何 Prompt 改动，且不额外消耗 Token。

→ 代码级修复可以跨模型迁移，但 Prompt 套路不行。同样的 harness 让同系列的轻量模型提升了 14 分，但调优后的 Prompt 换个模型家族反而会把原本能做对的任务搞砸。

→ Harness 比什么都重要。同样的模型、任务和判题标准，配上 5 种不同的 harness，得分能从 3.5% 飙升到 80.1%。

收益最终会遇到瓶颈，剩下的丢分才是真正的能力差距。外壳的招数总有使完的时候，最后还是得靠模型自己扛。

但这个教训非常深刻：榜单分数测的是“模型 + harness”的综合表现。在 harness 搞定之前，你根本不知道到底是哪个环节出了问题。

强烈推荐阅读：https://huggingface.co/spaces/joelniklaus/harness-optimization

我之前也写过一篇关于智能体 harness 工程的深度分析，涵盖了编排循环、工具、记忆、上下文管理等所有能把静态 LLM 变成全能 Agent 的要素。

文章引用如下。

Don't train the model, evolve the harness.

I read a brilliant blog post from Hugging Face where they took a frozen open model scoring 0% on a hard legal agent benchmark, left its weights alone, and let an automated loop rewrite only the code around it.

That code layer is the harness, the runtime wrapper that feeds the model context, runs its tool calls, and decides when a run ends.

By the time the loop finished, the system had essentially matched Sonnet 4.6 on the benchmark's headline metric, at roughly 7x lower cost per task. Zero weights changed.

The gain existed because of where the model was failing. The judge only grades files saved in the right place under the exact requested filename, and the model kept doing the legal analysis correctly, then saving it under the wrong name, dropping it in a scratch folder, or never writing it at all.

So the 0% was never measuring legal reasoning. It was measuring the harness.

Hand-tuning that layer is slow and model-specific, so they automated it. A Claude proposer adds exactly one mechanism per iteration, and an outer loop keeps it only if it clearly beats the current best, so accepted mechanisms compound.

What the loop discovered says a lot about where agents actually fail.

→ The biggest single gain was file handling, not intelligence. An automatic step that lands the deliverable exactly where the judge expects it beat every prompt change, with zero extra model tokens.

→ Code fixes transferred across models, prompt playbooks did not. The same harness lifted a smaller model from the same family by 14 points, but the tuned prompts hurt a different model family on tasks it could already finish.

→ The harness mattered more than anything else. Same model, same judge, same tasks, and five different harnesses scored anywhere between 3.5% and 80.1%.

The gains do eventually flatten, and the remaining misses look like real capability gaps. At some point the wrapper runs out of tricks and the model has to carry the work.

But the lesson holds. A benchmark score measures the model and its harness together, and until the harness is fixed, it's impossible to know which one failed.

I highly recommend reading this: https://huggingface.co/spaces/joelniklaus/harness-optimization

I also wrote a deep dive on agent harness engineering a while back, covering the orchestration loop, tools, memory, context management, and everything that turns a stateless LLM into a capable agent.

The article is quoted below.

16 24 201 24.4K

Sac AI @Saccc_c · 2026年07月02日 15:16

Codex 搭配下面这些 Skill，可以帮你搭建一套专业的美股投研系统：

1、ai-berkshire：这个skill结合巴菲特、芒格、段永平等投资大佬的经典方法论，让codex具有一套宏观的研究框架

🔗：https://github.com/xbtlin/ai-berkshire

2、UZI-Skill：让codex具备深度个股研究能力，从基本面、技术面、估值多角度分析特定美股

🔗：https://github.com/wbh604/UZI-Skill

3、QuantDinger：将投研结论落地为可测试、可跟踪的交易方案，用数据验证你的交易想法

🔗：https://github.com/brokermr810/QuantDinger

49 53 246 23.6K

Joruno 加密 @wsl8297 · 2026年07月02日 14:00

好好好 https://x.com/wsl8297/status/2072681708470849762/photo/1

25 0 51 14.3K

Joruno 加密 @wsl8297 · 2026年07月02日 17:49

原来如此： https://x.com/wsl8297/status/2072739335775133863/photo/1

33 1 156 17.8K

meng shao AI @shao__meng · 2026年07月03日 01:24

这位在腾讯元宝工作大半年，迎来 lastday 的匿名朋友，讲了一些元宝的实际情况，和自己的思考。

确实，像腾讯这种营收极为稳定的超大型公司，来做 AI 是需要很大额决心的，自上而下，都需要。

如果只是为了占位，为了某些高管的短期目标，很容易动作变形，变成一个追短期数字和汇报结果的产物，汇报完了，或任期到了，就成了没娘的娃。

国内大厂，除了字节还有不断能把新事物做成的决心和组织力，其他，基本都不太行了。

43 5 104 42.8K

路飞 🏴‍☠️ AI 研究员🧐 AI @0xluffy_eth · 2026年07月03日 04:22

Claude Fable 5 才上线不到24小时

用户已经开始做出一些离谱的东西了

27个疯狂案例整理好了

(第5个最绝)

7 10 102 45.8K

Lonely AI @Lonely__MH · 2026年07月03日 05:43

🚀V站看到的，盲目降本增效引发的「技术反噬」

这就是 AI 大跃进下的典型 KPI 产物

AI 时代，架构师和资深研发的价值不仅没贬值，反而更贵了🙂

以上。 https://x.com/Lonely__MH/status/2072919038339211491/photo/1

48 8 89 28.5K

数字生命卡兹克 AI @Khazix0918 · 2026年07月03日 04:56

https://x.com/i/article/2072906137754906624

42 18 202 27.6K

Meme大神其他 @meme_god · 2026年07月03日 10:00

发现一个牛B的钱包地址，在SOL链上，花99U，买入大金狗 $SEMAN Meme币，赚了0.5万U相当于3万人民币，55倍回报！

他的钱包地址：
https://gmgn.ai/sol/address/C7KoyPop_D5jLXUES2f56udzV2eNB7bwc5MRBk8LKYwFBvUhenBTx

$SEMAN 代币创建于1天前，The Seed of Potentia叙事，历史最高市值214K，持有地址910，其中有3位KOL在车上

0 0 0 0

Meme大神其他 @meme_god · 2026年07月03日 10:00

发现一个牛B的钱包地址，在SOL链上，花119U，买入大金狗 $CA Meme币，赚了0.5万U相当于3万人民币，41倍回报！

他的钱包地址：
https://gmgn.ai/sol/address/C7KoyPop_RaSSH7hMwLKtMT96xZyY4JwHRCCNYvvNeBh6AaFMqdA

$CA 代币创建于1天前，ca叙事，历史最高市值158K，持有地址990，其中有5位KOL在车上

0 0 0 0

Meme大神其他 @meme_god · 2026年07月03日 10:00

发现一个牛B的钱包地址，在SOL链上，花258U，买入大金狗 $CATWIF Meme币，赚了3.5万U相当于25万人民币，137倍回报！

他的钱包地址：
https://gmgn.ai/sol/address/C7KoyPop_BHV7C3tFoqwrMRD3fjeSwwnHLejAYcg9JipQWj2KykcN

$CATWIF 代币创建于11天前，catwifhat叙事，历史最高市值2.1M，持有地址8732，其中有3位KOL在车上

0 0 0 0

Muhammad Ayan AI @socialwithaayan · 2026年07月01日 15:46

50 GITHUB REPOS THAT ARE ACTUALLY USEFUL

1. iFixAi — stress test AI for misalignment
→ https://github.com/ifixai-ai/iFixAi

2. public-apis — free APIs for everything
→ https://github.com/public-apis/public-apis

3. build-your-own-x — learn by building
→ https://github.com/codecrafters-io/build-your-own-x

4. developer-roadmap — learn any tech skill
→ https://github.com/nilbuild/developer-roadmap

5. free-programming-books — thousands of free books
→ https://github.com/EbookFoundation/free-programming-books

6. system-design-primer — ace design interviews
→ https://github.com/donnemartin/system-design-primer

7. coding-interview-university — self taught CS degree
→ https://github.com/jwasham/coding-interview-university

8. the-art-of-command-line — master the terminal
→ https://github.com/jlevy/the-art-of-command-line

9. project-based-learning — learn by doing
→ https://github.com/practical-tutorials/project-based-learning

10. you-dont-know-js — master JavaScript deeply
→ https://github.com/getify/You-Dont-Know-JS

11. the-book-of-secret-knowledge — hacker tools and resources
→ https://github.com/trimstray/the-book-of-secret-knowledge

12. tech-interview-handbook — crack the coding interview
→ https://github.com/yangshun/tech-interview-handbook

13. awesome-selfhosted — host your own apps
→ https://github.com/awesome-selfhosted/awesome-selfhosted

14. javascript-algorithms — algorithms explained in JS
→ https://github.com/trekhleb/javascript-algorithms

15. 30-seconds-of-code — short useful snippets
→ https://github.com/Chalarangelo/30-seconds-of-code

16. gitignore — templates for every language
→ https://github.com/github/gitignore

17. ollama — run AI models locally
→ https://github.com/ollama/ollama

18. langchain — build LLM apps fast
→ https://github.com/langchain-ai/langchain

19. n8n — automate workflows with AI
→ https://github.com/n8n-io/n8n

20. openclaw — local first AI assistant
→ https://github.com/openclaw/openclaw

21. dify — build AI agents visually
→ https://github.com/langgenius/dify

22. langflow — drag and drop AI pipelines
→ https://github.com/langflow-ai/langflow

23. mem0 — memory layer for AI agents
→ https://github.com/mem0ai/mem0

24. browser-use — let AI control your browser
→ https://github.com/browser-use/browser-use

25. ruflo — multi agent swarms for Claude Code
→ https://github.com/ruvnet/ruflo

26. crewai — multi agent AI teams
→ https://github.com/crewAIInc/crewAI

27. metagpt — AI agents as a software company
→ https://github.com/FoundationAgents/MetaGPT

28. autogen — Microsoft multi agent framework
→ https://github.com/microsoft/autogen

29. aider — AI pair programming in terminal
→ https://github.com/Aider-AI/aider

30. markitdown — convert any file to markdown
→ https://github.com/microsoft/markitdown

31. open-webui — self hosted ChatGPT interface
→ https://github.com/open-webui/open-webui

32. maigret — OSINT across 3000+ sites
→ https://github.com/soxoj/maigret

33. tradingagents — multi agent trading framework
→ https://github.com/TauricResearch/TradingAgents

34. stagehand — AI browser automation SDK
→ https://github.com/browserbase/stagehand

35. firecrawl — turn any site into LLM data
→ https://github.com/firecrawl/firecrawl

36. transformers — foundation of modern AI
→ https://github.com/huggingface/transformers

37. vllm — fast LLM inference and serving
→ https://github.com/vllm-project/vllm

38. llama.cpp — run LLMs on any hardware
→ https://github.com/ggml-org/llama.cpp

39. llama_index — connect your data to LLMs
→ https://github.com/run-llama/llama_index

40. nanochat — build a full LLM from scratch
→ https://github.com/karpathy/nanochat

41. ragflow — RAG engine with real citations
→ https://github.com/infiniflow/ragflow

42. claude-context — semantic code search for agents
→ https://github.com/zilliztech/claude-context

43. supermemory — memory engine for AI apps
→ https://github.com/supermemoryai/supermemory

44. awesome-claude-skills — curated Claude Code skills
→ https://github.com/ComposioHQ/awesome-claude-skills

45. andrej-karpathy-skills — guardrails for AI coding agents
→ https://github.com/multica-ai/andrej-karpathy-skills

46. bumblebee — scan your AI supply chain for threats
→ https://github.com/perplexityai/bumblebee

47. comfyui — node based image generation
→ https://github.com/Comfy-Org/ComfyUI

48. deepseek-v4 — strongest open weights model right now
→ https://github.com/deepseek-ai/DeepSeek-V4

49. lobe-chat — modern AI chat framework
→ https://github.com/lobehub/lobehub

50. freeCodeCamp — learn to code for free
→ https://github.com/freeCodeCamp/freeCodeCamp

Save this before you forget it exists.

You'll come back to at least ten of these.

19 40 124 24.9K

余温 AI @gkxspace · 2026年07月02日 11:32

这个新开源 TTS 太牛逼了，打算直接替换掉原来的 TTS 了

之前测试很多 TTS 都是很死板的"AI 音"，今天发现这个，真可以直接拿去商用了

多语种翻译、声音克隆、情绪语气保持，三件事同时拉满的开源模型我是第一次见

我直接拿世界杯名场面解说暴力测试了，选了三段，每段翻四种语言：
梅西帽子戏法那段，西班牙语解说 GOOOOOL 嘶吼到破音，翻成日语、阿拉伯语、中文，那种快吼劈嗓子的劲儿，四个版本居然都在

姆巴佩 96 分钟绝杀世界波，英语解说那种"安静一秒然后炸开"的节奏，翻成德语、日语、中文，全部对上

另外，佛得角 Vozinha 赛后感言，带有哽咽的感觉，葡语翻英语、日语、中文，声音里的颤抖感翻完居然也在

这确实是把 TTS 最难做到的“情绪”给做好了！

它是有道子曰的 Confucius4-TTS，3 秒克隆声音，14 种语言，并且是开源，完全可以自部署

整体效果非常惊艳，个别长句有一点 AI 感，短句高情绪片段已经很离谱了。
做了对比视频，可以听一听感受一下👇

#有道TTS

15 24 102 31.1K

Huan AI @Huanusa · 2026年07月02日 23:32

【大陸禁片】皇天厚土The Coldest Winter in Peking!
重現文革那段不堪回首的歲月⋯⋯
来源：走出劫難 @gulaiCHM https://x.com/Huanusa/status/2072825647353769994/video/1

8 42 161 26.4K

Larus Canus AI @MrLarus · 2026年07月02日 14:43

电影级咏春馆战！
🤯AI只花5分钟生成了一段《咏春破阵》高光，叶师傅别来无恙！

Seedance 过明星脸，我算有点心得了，但也不能滥用🫢
画面有了，拉开差距的还是故事、剧情节奏和镜头设计！

叶问封手格挡、贴身封压、中线快打、俯拍围攻…
最后一记凌空横踢破阵，全场倒地定步收场！

案例故事板 + 提示词，拆解在评论区👇

19 19 144 22.4K

Joruno 加密 @wsl8297 · 2026年07月02日 08:45

说实话！ https://x.com/wsl8297/status/2072602426369011793/photo/1

12 0 58 17.9K

知识玩家加密 @BrainQuestor · 2026年07月03日 01:44

如果你想财务自由...

按照这个精确蓝图执行：

• 开一个匿名Instagram账号
• 屏蔽所有认识的人
• 坚持每天发布一年
• 月赚1万美元

50 41 198 68.9K

Joruno 加密 @wsl8297 · 2026年07月02日 13:00

天才总是孤独的： https://x.com/wsl8297/status/2072666609525612566/photo/1

16 6 254 18.6K

娜美知识库其他 @fhwofjow51260 · 2026年07月02日 12:30

男性日常保养的8条实用建议
节制欲望
随着年龄增长，精力的管理愈发重要。建议尽可能戒除不良习惯，若难以完全做到，也务必保持适度与节制。

坚持提肛运动
每天随时可做，每组20次，收缩至顶点时停留几秒再放松，效果更佳。有助于改善盆腔循环。

马步代替深蹲
马步对膝关节更友好，适合长期坚持。若时间有限，踮脚尖（每组20次）也是不错的替代，随时可练。

常捏耳朵
耳朵布有全身脏腑反射区。每日向下捏耳垂、向两侧捏耳廓、向上捏耳尖，各100下，可起日常保健作用。

专注练习长寿功
此类功法讲究心神合一，专注程度直接影响效果。建议静心完成，心到则气到。

保持有氧运动
心肺功能是健康基础。选择跑步、游泳、跳绳或跟练HIIT均可，哪怕每天坚持做两遍广播体操，长期也大有裨益。

适度晒太阳
日晒是补充维生素D的天然途径，有助于提升体能和精力。建议选择清晨或傍晚时段，避免暴晒。

利用单杠拉伸
即使做不了引体向上，仅悬挂在单杠上也有助于拉伸脊柱、锻炼背部。坚持练背还能改善体态，面部轮廓更显紧致。

39 17 105 29.6K

Joruno 加密 @wsl8297 · 2026年07月02日 14:45

尊嘟假嘟？ https://x.com/wsl8297/status/2072693023691968916/photo/1

15 0 132 11.0K

Joruno 加密 @wsl8297 · 2026年07月03日 03:43

犬子： https://x.com/wsl8297/status/2072888819079434410/photo/1

26 0 56 10.5K

Viking AI @vikingmute · 2026年07月02日 13:10

Paper 这一系列开源的 shaders 组件太漂亮了：https://shaders.paper.design/

如果想添加炫酷的视觉效果，这个系列是我见过最漂亮的，而且效果很多，每一个制作都很精良，值得收藏。 https://x.com/vikingmute/status/2072669155262976197/video/1

53 30 319 20.8K

向阳乔木 AI @vista8 · 2026年07月01日 09:11

发现一个使用的前端开发 Skill，比如经常不知道专业词汇，就写不出专业动效和交互。

可把这个Skill当字典用，比如用 animation-vocabulary 告诉我“列表一个个冒出来”的动效叫什么？

用 emil-design-eng 帮我打磨这个弹窗/按钮/页面动效

用 review-animations 审查动画问题

地址见评论

60 36 184 20.1K

Geek Lite AI @QingQ77 · 2026年07月03日 04:09

岳云鹏给 Apple 拍的广告

请户晨风效果应该更好 https://x.com/QingQ77/status/2072895369244274987/video/1

12 4 57 40.5K

Fang 其他 @FLMdongtianfudi · 2026年07月02日 11:07

看完这期视频，你的大脑将不可逆转地变聪明一些 https://x.com/FLMdongtianfudi/status/2072638257444311252/video/1

84 113 369 21.9K

Meme大神其他 @meme_god · 2026年07月03日 07:00

发现一个牛B的钱包地址，在BSC链上，花260U，买入大金狗 $FXI Meme币，赚了0.8万U相当于5万人民币，32倍回报！

他的钱包地址：
https://gmgn.ai/bsc/address/C7KoyPop_0x01bc817163512578f7a3c7c11738f7bd6cd68f36

$FXI 代币创建于1天前，FXI叙事，历史最高市值159K，持有地址738，其中有20位KOL在车上

0 0 0 0

Meme大神其他 @meme_god · 2026年07月03日 07:00

发现一个牛B的钱包地址，在SOL链上，花821U，买入大金狗 $TATE Meme币，赚了1.4万U相当于9万人民币，17倍回报！

他的钱包地址：
https://gmgn.ai/sol/address/C7KoyPop_HfRzKUDeAS9JA9ysGQkXxCr4jUPvw5GCrJJ3wzvaKrNe

$TATE 代币创建于4天前，The Top Bull 叙事，历史最高市值273K，持有地址1254，其中有4位KOL在车上

0 0 0 0

Meme大神其他 @meme_god · 2026年07月03日 07:00

发现一个牛B的钱包地址，在SOL链上，花263U，买入大金狗 $LIQENG Meme币，赚了1.1万U相当于7万人民币，40倍回报！

他的钱包地址：
https://gmgn.ai/sol/address/C7KoyPop_5ZdusGZMC14SP6eh2XWdoeZDm3612psfxUsKS11DCqkG

$LIQENG 代币创建于1天前，liquidity engineerin叙事，历史最高市值513K，持有地址1398，其中有6位KOL在车上

0 0 0 0