Markedet ble igjen presset ned av AI-aksjer, og Broadcom falt 11 %+ i dag, noe som ikke bare trakk ned Nasdaq, men også krypto. Nå er krypto ganske likt en nattpot; når den stiger, stiger den ikke, og når den faller, faller den. La oss ta en kort titt på årsakene til Broadcoms nedgang: Broadcoms aksjekurs falt etter å ha offentliggjort en «dobbelt-over-forventet» resultatrapport for inntekter og overskudd, en markedsreaksjon hovedsakelig på grunn av strukturelle bekymringer og resonans på handelsnivå. Inntekter: Registrerte faktisk 18,02 milliarder dollar, bedre enn markedets forventninger på 17,50 milliarder dollar, og oppnådde ikke bare høy vekst år-til-år, men overgikk også Wall Streets konsensusestimater. Inntjening per aksje (EPS, non-GAAP): Faktisk $1,95, også over forventningene på $1,87. Selv om selskapets fundamentale forhold fortsatt er stabile og inntektene i AI-virksomheten har økt betydelig, har ledelsens veiledning om at «økningen i andelen AI-maskinvare vil trekke ned den totale bruttofortjenestemarginen på kort sikt» blitt drivkraften for markedsprofitt. Personlig mener jeg at essensen av denne tilbakegangen er markedets korreksjon av høye verdsettelser (som dreper verdier) og den rasjonelle avkastningen på altfor optimistiske forventninger for AI-sektoren over lang tid, noe som er det samme som å bli kritisert av markedet etter publiseringen av Nvidias resultater. Broadcom har steget kraftig i løpet av året, og er nå ved slutten av året, og institusjonelle fond har en tendens til å låse inn overskudd på grunn av press fra resultatvurdering, noe som ytterligere forverrer salgspresset. For å oppsummere er Broadcoms inntjeningsresultater innenfor et normalt og sunt nivå. De nåværende aksjekurssvingningene er mer basert på økonomiske og emosjonelle justeringer enn på forverring av selskapets kjerne-konkurranseevne. Markedet balanserer forventningene mellom høy AI-vekst og fortjenestemarginer, og denne tilbakegangen er en nødvendig prosess for å fordøye den tidligere oververdsettelsen.

a16z-krypto går inn i Asia og velger Sør-Korea som sitt første stopp. Årsaken er åpenbar, Sør-Korea har det største purremarkedet.

【Vibe Coding Del 2】Jeg brukte AI for å oppgradere og publisere "US Stock Dashboard" til skyen, og hele prosessen tok bare tre trinn I forrige artikkel kjørte vi en enkel «US stock tracking board» på en lokal datamaskin via Google Antigravity og noen få prompter. Men som en Vibe-koder som ønsker ekstrem effektivitet, hvordan kan jeg tåle at det kun kjører på datamaskinen min? Jeg skal publisere det på nettet og gjøre det om til en frittstående app som jeg kan se på telefonen når som helst. I dag skal vi dele den andre artikkelen i Vibe Coding, hvordan man kan styre AI til å iterere funksjoner, rette "heavenly book"-feil, og endelig oppnå gratis skydistribusjon. La oss ta en titt på resultatene mine først: klikk for å få tilgang til Stock Dashboard (Merk: Siden det er en gratis server, kan det ta titalls sekunder å våkne for første innlasting) Fase 1: Hev kravene som en produktleder I bunn og grunn handler Vibe Coding ikke om å skrive kode, men om å tydelig beskrive logikk. 1. Rens informasjonsflyten: skille mellom «nyheter» og «kunngjøringer» Dataene som ble samlet opp i første utgave, inkluderte både Wall Street Journals analyse og den kjedelige SEC 8-K-innleveringen. Jeg vil skille dem. Min prompt: "Vennligst endre koden for å dele flyten i to kategorier: 'offisielle kunngjøringer' og 'medienyheter'. Regler: Hvis utgiveren er PR Newswire, Business Wire, eller overskriften inkluderer 8-K, 10-Q, klassifiseres det som en kunngjøring; Andre klassifiseres som nyheter. Tab fanene på grensesnittet for å vise dem separat. ” Gjennomføring av AI: AI introduserer automatisk nøkkelordfiltreringslogikk. Nå vil jeg lese finansrapporten og klikke direkte på kolonnen «Kunngjøring», og jeg vil se markedsnyhetene klikke på kolonnen «Nyheter», noe som dobler effektiviteten. 2. Legg minner på apper: Samlinger Et av utfordringene med forrige versjon av nettsiden var «oppdater og glem», og jeg trengte en favoritt for å samle viktige nyheter. Min prompt: "Legg til en innsamlingsfunksjon. Legg til en '⭐ Lagre'-knapp ved siden av hver nyhet. Når du har klikket, lagre nyhetsoverskriften og lenke til din lokale bookmarks.csv-fil. Legg til listen 'Mine favoritter' i sidepanelet for å lese denne CSV-filen. ” Gjennomføring av AI: Etter noen sekunder oppdateres koden. Kanban-kortet mitt har hatt et "minne" siden da, og dataene som samles inn etter omstart av datamaskinen eksisterer fortsatt. Fase 2: "Feilretting" som en kommandør Mens jeg utviklet samlingsfunksjonen, støtte jeg på en feil i Vibe Codeing. En stor rød tekst dukket opp på skjermen: StreamlitDuplicateElementKey: Det finnes flere elementer med samme nøkkel... Hvis det var før, kunne jeg kanskje bare slått den av og gitt opp. Men for nå trenger jeg bare å lese den bokstavelige betydningen av feilen: «Det finnes en duplikatnøkkel». Selvfølgelig er den enklere måten å kopiere og lime inn feilmeldingen i Gemini og spørre AI-en og la AI-en velge hvordan den skal fikse det. Problemanalyse: Det viste seg at det var en nyhetsartikkel som nevnte både NVDA- og MSFT-aksjer. Når programmet gjengir kortene til disse to aksjene, genererer det nøyaktig samme ID (Key) for favorittknappen for denne nyheten. Systemet vet ikke hvilken bruker har bestilt, så det krasjer. Min prompt: "Feilvisningsknappen-ID er duplisert. Endre kodelogikken: Når du genererer nøkkelen til favorittknappen, ikke bare bruk nyhetslenken, men legg også til tickeren for å sikre at hver knapp-ID er unik. ” Utfall: AI-en modifiserte en kodelinje for å endre ID-genereringslogikken fra lenke til ticker_link. Feilen forsvinner og programmet kjører perfekt. Den tredje fasen: hele nettverket blir sluppet fri! Tutorial for utplassering på barnepikenivå Nå skal vi publisere dette programmet som kjører på den lokale datamaskinen til Internett. Vi bruker den gyldne kombinasjonen av GitHub (lagringskode) + Streamlit Cloud (kjør kode). Hele prosessen er gratis og krever ingen serverkunnskap. 1. Pakk koffertene: Sjekk de 4 kjernedokumentene I prosjektmappen må du sørge for at du har følgende 4 filer (hvis ikke, lag en ny txt-fil manuelt og gi den nytt navn): stock_dashboard.py (din hovedkode) requirements.txt (Avgjørende!) Her er en sjekkliste som forteller skyserveren hvilken programvare som skal installeres) Hvis du ikke har det i mappen din, lag en ny txt og kopier følgende innhold for å lagre: yfinans gnews finvizfinance Pandaer watchdog watchlist.csv (Din første liste over aksjer du følger, bare fyll ut en linje med NVDA i den) bookmarks.csv (Din opprinnelige favoritt, lag en ny tom fil, fyll inn overskriften Tidsstempel, ticker, kategori, tittel, URL, kilde) 2. Last opp koden til GitHub GitHub er som en programmerers webstasjon. Registrer deg og logg inn Klikk på "+" øverst til høyre > "Nytt arkiv". Repository-navn: Fyll inn hva du vil, for eksempel my-stock-app. Velg Offentlig og ikke kryss av for andre initialiseringsalternativer. Klikk på Opprett repository. På siden som hopper, klikk på lenketeksten «lasting av en eksisterende fil». Dra med alle de 4 dokumentene som er forberedt ovenfor. Klikk på den grønne knappen nederst Forplikt endringer. 3. Distribuer til Streamlit Cloud med ett klikk Dette er det siste steget! Åpne den Klikk på "Sign in with GitHub" og autoriser. Klikk på den iøynefallende blå knappen «Ny app». Fyll ut skjemaet: Repository: Klikk på nedtrekksmenyen for å velge min-stock-appen du nettopp har opprettet. Hovedfilsti: Fyll ut stock_dashboard.py. Klikk på Deploy! nederst til høyre. 4. Være vitne til miraklet En animasjon av «baking a cake» vises på skjermen. Vent i omtrent 2 minutter, så vil nettleseren din automatisk oppdatere for å vise det amerikanske lagerkortet ditt! sammendrag For å oppsummere, vi skrev ikke en eneste linje Python-kode for hånd i det hele tatt, bare ved å snakke med AI-en: Avklarte krav (automatisk skraping, amerikanske lagre, tidssonekonvertering). Itererte funksjoner (kategoriske kunngjøringer, lokale samlinger). Fikset feil (påpekte logisk konflikt). Fullførte utrullingen (med bruk av GitHub og Streamlit Cloud). Neste forhåndsvisning: Selv om den nåværende appen kan brukes, kan «favoritter»-dataene gå tapt etter omstart fordi det ikke lagres i sanntid fordi det er en gratis skytjeneste. I neste artikkel vil vi utfordre den avanserte formen: «Å utstyre KI med en 'sky-hjerne': Hvordan koble den amerikanske aksjen til Google Sheets for å oppnå permanent datasynkronisering? 》