GateUser-cc6abff6

Usar a vibe coding com a boca, é 3 vezes mais rápido do que digitar. Agora, todos os dias, preciso descrever uma grande quantidade de requisitos para a IA. O contexto de uma funcionalidade, as restrições, o comportamento esperado, levaria 5 minutos para ser digitado. Ontem experimentei o Typeless, falei diretamente com o computador os requisitos, e ele automaticamente organizou tudo em um texto com estrutura clara — não é uma transcrição de voz bruta, é realmente uma lógica organizada para você, eliminando as palavras de preenchimento, dividindo em parágrafos quando necessário. Experiência rea

Corrigir o sistema de memória do Claude Code Na semana passada pediu-lhe para me ajudar a corrigir um bug de fuga de memória, e esta semana deparei-me com um problema semelhante, e ele adivinhou-o do zero. Pode armazenar preferências e informação de projetos, mas não é adequado para armazenar registos de pit – está a ficar cada vez mais longo, e só pode ser pesquisado em texto completo, e a pesquisa por "script keeps rising" não encontra "como corrigir o excesso de memória". O que quero é que, quando tiver um problema, possa dizer "Já resolvemos algo semelhante antes." A minha solução: Manter

AI escreve código com 5 níveis, em qual camada estás? Este quadro vem do CEO da Glowforge, Dan Shapiro, inspirado na classificação de condução autónoma (ver imagem). O Clawdbot, que recentemente se tornou viral (agora chamado Moltbot), cujo autor afirma estar no nível L5, atingiu 6 mil estrelas no GitHub em 10 dias. A sua abordagem: • Abrir 4 janelas do Claude ao mesmo tempo, desenvolvendo funcionalidades diferentes em paralelo • "Não projeto a estrutura do código para mim, projeto para a AI" • Nunca fazer rollback quando há problemas, deixar a AI mudar de direção mudança central: de "revisar

自建预测市场跟单策略，$200 → $52 的教训
Fiz um bot que acompanha as negociações de baleias na Polymarket. O Paper Trading simulou mais de 5000 operações, taxa de sucesso de 58%, lucro de +$770. Com confiança, investi $200 em dinheiro real.
Resultado: 25 negociações reais, taxa de sucesso de 28%, sobrando $52.
Erros cometidos:
1. Decisões ilusórias - o código registrava "quero comprar", mas o API retornava erro e a operação não era executada. No banco de dados, muitas decisões registradas, saldo da conta inalterado. Dados enganosos = confiança errada.
2. Repetição de ordens - baleias compraram a mesma mercad

Vibe Coding Registo de Defesa de Segurança
Fiz uma auditoria de segurança em mim mesmo e descobri que mais de 10 scripts no projeto tinham chaves privadas de carteiras codificadas — quase expus as fundos no GitHub.
A origem foi a vulnerabilidade no IDE alertada por @evilcos, juntamente com os avisos de amigos do X durante a captura de dados do Polymarket.
🚨 Cenário mais perigoso
Clonar um projeto no GitHub, abrir com Cursor — a chave privada desaparece.
Há um arquivo de configuração escondido no projeto, e ao abrir o IDE, comandos são executados automaticamente, sem você saber. O próprio Curs

Sou muito ruim
Estudei o projeto de dados Polymarket por mais de uma semana, sempre escrevendo meus próprios scripts de coleta em vibe coding.
Só hoje descobri:
1. poly_data tem snapshots históricos prontos (gratuito)
2. Polymarket Analytics oferece análise completa de traders (gratuito)
3. A comunidade open source já construiu toda a infraestrutura
Lição: antes de reinventar a roda, deixe o Claude procurar no GitHub.
Nem todos os problemas precisam começar do zero.😆

Deixe o GPT criar uma imagem para descrever a nossa relação, isso é tão exagerado assim🤣

Grok é talvez o LLM que experimentei que é mais amigável para mercados preditivos, pois consegue pesquisar em tempo real as últimas mensagens do X e outras capacidades também bastante completas, frequentemente ajudando a analisar eventos.
Porém, às vezes também é bastante absurdo, há pouco dizia que determinado mercado tinha uma vantagem enorme, e poucos minutos depois baseava-se em simulações de Monte Carlo para dizer que o preço era razoável.
Por que usar LLM para jogar no mercado preditivo não é confiável?
Sem memória e ciclo de feedback — O LLM não lembra o que disse antes, sempre fornece