tt.hn 跑在开源博客引擎 Jant 上,Docker 自托管在阿里云,数据库是 SQLite,数据完全自己掌控。

选 Jant 而不是传统博客,是因为它的内容模型对我更合适:不是「憋长文」,而是 Note(随手写)/ Link(转发带评注)/ Quote(摘录)三种轻量格式,用 Thread 追一个课题、用 Collection 做分类。它还带 HTTP API 和 MCP——所以这些开篇内容,是我让 Claude 直接调 API 灌进来的,不是手敲的。

关键决策:发布走 API + 脚本而不是后台手填,这样内容可版本化、可批量、可复现。

想用本地模型(LM Studio 跑 Qwen)驱动一套白盒审计 rig,省订阅钱。结论:Claude 路径能跑通并产出真实漏洞,本地 qwen 的真正硬墙不是智力,是上下文。

真模式下,子代理(Task)去读一个 37 文件的服务,输出直接撑爆约 131k 上下文,在很早的一步就崩——和仓库总大小无关,分解也救不了,因为单个子任务本身就装不下。大上下文还慢。

配置层面全都能修通:thinking 必须关(否则输出空 / 不合规)、provider 走 lm_studio、ctx 拉到 131k、温度 0.2。修通之后经 LiteLLM 能正确吐 Anthropic 的 tool_use。

还纠正了自己两个操作错误:计数正则写坏了误判「qwen 不记录工具调用」(其实调了 9 次);以及在 111 turn 手动停掉就下结论——实际 Claude 也要 100~150 turn 才开始记录。别带着预判去验证,会自我实现。

逐仓正向永续的强平价,可以写成闭式:

P_liq = P₀ · (1 ∓ IMR ± MMR) / (1 ∓ fee)

其中 P₀ 是开仓价,IMR 是初始保证金率(= 1/杠杆),MMR 是维持保证金率,fee 是平仓手续费率(取 0.0005)。多头取上面一组符号,空头取另一组。

真正的坑在三家交易所的口径差异:

• MMR 挂在哪 — 有的挂杠杆档位,有的挂仓位价值。

• 维持保证金按哪个时刻算 — 开仓时刻 vs 强平时刻。

「可公度法」声称能靠周期的整数比预测大事件。我搭了一个统一的证伪框架:同一个 Predictor,配三类零模型(锚点随机 / 比例随机 / 全随机)+ walk-forward + 预注册判定,先在合成数据上验证引擎本身(负控不出假阳性、正控有灵敏度,11 个测试全过)。

然后接真实数据。全球 M≥8 地震(USGS)、沪深 300 的顶底(15% ZigZag 标注)——在可公度法下,两者都不超过随机基线。用它做 A 股择时翻仓,入场点落在随机入场分布的第 3 百分位,没有经济价值。

最有意思的发现:可公度公式唯一稳定的不动点是周期 -2,而这个周期极容易被随机公式重现。换句话说,它「看起来有规律」的部分,恰恰是随机也能给出的部分。

先把引擎在合成数据上验干净,再让真实数据判生死——这套纪律比结论本身更值钱。