Vercel Labs выкатили json-render – библиотеку для генерации UI через промпты.

Проблема: когда AI генерит интерфейс — это рулетка. Может выдать несуществующий компонент, кривой JSON, XSS в придачу. json-render ставит модель в рамки: вот каталог компонентов, вот схема – генерируй только из этого. Нет в каталоге – не рендерим. Tool calling, только для UI.

У ребят из Onchain Divers индексеры по Solana, Hyperliquid, Polymarket — данных море. Сейчас чтобы сделать к этому интерфейс — либо пилишь фронт руками, либо агент отвечает текстом. С json-render агент рисует готовый UI: "покажи все свопы больше 10 SOL на Raydium для токена за неделю" → таблица с интерактивными фильтрами, не простыня текста. "Топ кошельков по объёму на Hyperliquid" → график. Всё с валидацией по схеме.

Генеративный UI близок. Первые шаги, но направление понятно.

github.com/vercel-labs/json-render

📟 Прилетело из @insuline_eth

🧠 SOLANA LUV: ВОЗВРАЩЕНИЕ

14 января 2026 года мы начали наш марафон: SOLANA С НУЛЯ ЗА 30 ДНЕЙ

150 Участников принимают участие и уже получают первые результаты!

но...

Уже несколько дней мне пишут, что не успели зайти на марафон

ПОЭТОМУ

❤️‍🔥 ДОБАВЛЯЮ 50 МЕСТ

и снова но...

НЕ ВСЕ ТАК ПРОСТО

Теперь вам необходимо заполнить простую форму

5 ВОПРОСОВ

После заполнения вы сразу вступаете на наш марафон!

GOOGLE-ФОРМА
GOOGLE-ФОРМА
GOOGLE-ФОРМА

СОЗИДАЕМ ❤️‍🔥

📟 Прилетело из @code_vartcall

Мне довольно часто приходится работать со сторонними API, в том числе в мире JS/TS (так уж складывается). Долгое время в качестве go-to решения у меня был Got (который теперь переродился, об этом чуть ниже).

Однако я предпочитаю подход "чем меньше сторонних зависимостей", тем лучше, поэтому последние пару лет очень активно использую встроенный Fetch, который доступен с версии node 18. Решение несложное, без наворотов, но надёжное - плюс, можно легко тестировать (нужно подключить undici, из которого это всё и появилось изначально).

Да, там нет каких-то продвинутых штук, но таймауты настраиваются, ошибки ловятся, все необходимые параметры конфигурируются, прокси добавляются (хотя это чуточку сложнее)... Честно говоря, во многих случаях этого достаточно. А для чего-то несколько более сложного можно попробовать Ky - от создателей Got.

Если нужно изучить это дело с нуля, у меня вышла новая статья https://www.scrapingbee.com/blog/nodejs-fetch-api-http-requests/

📟 Прилетело из @dev_in_ruby_colors

gm!

Команда $TROVE не особо скрываясь решила депнуть в казик средства полученные в ангельском раунде.

Можно долго рассуждать про "utility токены" и "революционные протоколы". А можно просто посмотреть куда идут деньги с раундов. Иногда честность системы восхищает.

https://x.com/zachxbt/status/2012545418350207378

📟 Прилетело из @insuline_eth

Новый способ паразитировать на чужой репутации в крипте — запустить токен с именем известного разработчика, даже не спрашивая его.

Схема работает так: платформа Bags позволяет создать Solana-токен и указать Twitter-аккаунт как получателя части комиссий. Согласие владельца аккаунта не требуется.

Дальше – классика. Создатели раскачивают капу своими деньгами, потом стучатся в личку: «Смотри, твоё комьюнити тебя поддерживает! У тебя $279,000 накопилось, забирай!»

Жертва радуется халявным деньгам, начинает постить про токен, народ налетает покупать – а инсайдеры сливают в этот поток ликвидности.

Steve Yegge уже написал восторженный пост про $GAS и «creator economy». Geoff Huntley пошёл по тому же пути с $RALPH. Оба – уважаемые разработчики с многолетней репутацией. Теперь рекламируют мемкоины.

Почему именно разрабы? Goedecke объясняет:
— $200k впечатляет разраба, но не MrBeast
— Их подписчики задроты — разберутся как купить
— AI хайп добавляет топлива

Разрабы получают крохи от комиссий. Основной профит — у инсайдеров, которые накачали токен до прихода «комьюнити» и сливают на пике.

crypto-airdrop-pump-and-dumps-as-a-service

Ну и бонусом — агрессивный спам по всем разрабам в Twitter DMs. Отличная работа по репутации индустрии.

📟 Прилетело из @insuline_eth

Стоит ли держать токен Cypher? Разбор токеномики

Многие на этот проект смотрят: это и декс, и лончпад, а в будущем и другое. Есть интересные функции токеномики. Решил изучить и написать аналитику.

Интересно, что проект создала команда основателей dex Camelot (не проверял). Видимо старый проект не удался - решили попробовать ещё раз 😁.
Также увидел на странице распределения дохода выделение Algebra. Как понимаю, это ПО для дексов.

Источники токеномик для обзора: документация.


Помимо основного токена есть застейканная версия - xCYPH (за блокировку $CYPH). Он выдаётся при блокировке CYPH. В замен холдеры xCYPH получают доходы протокола. Вывод в CYPH 6 месяцев.
Поддерживает плагины, расширяющие функционал. Например, плагин для стейкинга с реальной доходностью (официальный). Но поддерживаются и сторонние.
Интересная модель, имхо.

И oCYPH - распространяется для нужд фарминга и создает стимулы для снижения давления прямых продаж на CYPH. Является, по сути, опционом к $CYPH. Можно обменять на $xCYPH 1 к 1 или в $CYPH с оплатой в ETH (30-60% от суммы).
Эти ETH используются для выкупа CYPH на открытом рынке.

Как работает поток ценности
1. Протокол генерирует доходы от своей деятельности.

2. Эти доходы поступают к холдерам $xCYPH (доходы, байбеки, другое.).

3. Вознаграждения усиливают мотивацию блокировать $CYPH, что уменьшает ликвидный запас токена и перераспределяет ценность держателям $xCYPH.

4. oCYPH выступает как опционный токен — он используется для стимулов и фарминга, чтобы снизить давление продажи на $CYPH и поддерживать устойчивость токеномики.

5. xCYPH и oCYPH связаны с $CYPH: стейкинг ($xCYPH) и спрос через $oCYPH приводят к снижению циркулирующего предложения $CYPH и росту совокупного спроса со временем.

Продуманная структура с защитой от сливов по рынку. Но многое зависит от спроса и доходов протокола.


И основное - $CYPH. Всего - 1 МЛРД.
Ликвидный токен, доступный для торговли пользователям. Нет утилит (разве что перевод в $xCYPH).

Начальное распределение:

1. Community Rewards - 65%.
Распространяется в течение 4 лет, все в oCYPH.
Если линейно - это эмиссия 1.354%. Но учитывайте, что при конвертации в $CYPH будет на 30% ниже - это 0.9478% (если все будут это делать). Если же все награды переведут в $xCYPH, будет то же значение, но через 6 месяцев.
И стоит понимать, что это награды пользователям = вряд ли все будут действовать одновременно.

2. Core Contributors - 15%.
По сути, команде. Больше 10%, что плохо.
6 месяцев клифф (ожидание) и 3 года вестинг (распределение).
Это 0.417% в месяц через 6 месяцев от TGE (от момента запуска токена).

3. Fair-launch sale - 10%.
Если больше не будет аллокаций инвесторам, норм.
2/3 суммы разблокировано на TGE, 1/3 - в xCYPH.
То есть, как я понимаю, через полгода после запуска токена смогут одномоментно продать где-то 3.3% от всех токенов - многовато, но некритично.

4. Ecosystem Fund - 7%.
Что выделяют на развитие экосистемы средства - хорошо. Но кто ими будет распоряжаться и качественно ли, непонятно.
Благо они тоже 6 месяцев клифф и 3 месяца вестинг.
0.194% - норм.

5. PoL - 3%.
Используется для обеспечения начальной ликвидности.
Возможно стоило бы выделить 5-10%, но и так норм.


И того:
Первые 6 месяцев только Community Rewards с почти 1.35% в месяц.
А далее почти 1.97% в месяц.
Это многовато: норма - до 0.9% в месяц.
Но стоит понимать, что награды идут в $oCYPH, что создаёт барьер к сливу.

После четырёх лет разблокировки завершаются.

Пока же надо смотреть на байбеки и прибыль: если небольшая - считаю, что рисковано холдить.


Рыночная ситуация:
Падение на 57.82%. От минимума больше на 122.97% (рост за 14 дней на 64.839%).
Не разблокировано (по данным Coingecko) 91% - много.

Как считаете, достаточно ли будет такой токеномики для успеха? Я считаю, что нет, но интересно ваше мнение.
P. S. Мне проект и их актив не особо интересен.

P. P. S. Написал в пятницу и забыл поставить на отложенную публикацию...

😎 Незрячий web3 программист (подписаться)
Чат | бот

📟 Прилетело из @blind_dev

Алгоритмы. Стек и Очередь

Продолжаем разбираться с базовыми алгоритмами и сегодня поговорим про Стек и Очередь. Как вы можете знать стек используется даже в Solidity, поэтому важно понимать как он работает, и что можно от него ожидать.

Примеры кода на Python получились достаточно объемными, поэтому пришлось поместить их в отдельный ресурс Telegraph.

P.S. Весь код вы можете протестировать в Google Colab или Jupyter Notebook.

В программировании для организации хранение данных с определенными правилами доступа существуют две базовые структуры — стек и очередь. Они определяют четкий порядок, в котором элементы добавляются и извлекаются, что делает их незаменимыми инструментами для решения широкого спектра задач.

Стек, или Stack, работает по принципу LIFO — Last-In, First-Out, что переводится как «последним пришел — первым ушел». Это легко представить на примере стопки книг: новую книгу всегда кладут сверху, и чтобы взять нужную, также снимают сначала верхнюю. Самую нижнюю книгу можно получить, только убрав все лежащие выше. Основные операции со стеком включают push для добавления элемента на вершину, pop для его удаления, peek или top для просмотра вершины без удаления и isEmpty для проверки на пустоту. Визуально стек можно изобразить следующим образом:

┌─────────┐
│    C    │ ← Вершина (Top) - здесь происходят операции
├─────────┤
│    B    │
├─────────┤
│    A    │
└─────────┘

После операции pop() будет удален элемент C, а после push(D) на вершине окажется D. На практике это выглядит так, как показано в примере реализации стека на Python с использованием списка.

Пример 1

Вывод программы наглядно демонстрирует порядок операций:

Пример 2

Стек находит применение во множестве реальных задач. Например, история браузера использует стек для реализации кнопки «Назад»: каждый новый URL помещается в стек, а нажатие кнопки извлекает последний. Текстовые редакторы хранят историю изменений в стеке для функции отмены действий (Ctrl+Z). Компиляторы и интерпретаторы проверяют сбалансированность скобок в коде, используя стек для отслеживания открывающих символов. Наконец, сам механизм вызова функций в программах управляется стеком вызовов, где сохраняются контексты выполнения. Практическим примером может служить функция проверки корректности расстановки скобок.

Пример 3

В отличие от стека, очередь, или Queue, работает по принципу FIFO — First-In, First-Out, то есть «первым пришел — первым ушел». Это аналогично очереди в магазине: первый вставший в очередь покупатель первым же и обслуживается, а новые люди присоединяются к концу. Основные операции — enqueue для добавления элемента в конец, dequeue для удаления из начала, front для просмотра первого элемента и isEmpty для проверки. Визуализация очереди выглядит так:

Пример 4

При dequeue() будет удален элемент A, а после enqueue(E) в конец добавится E. В Python для эффективной реализации очереди используется структура deque из модуля collections.

Пример 5

Вывод этой программы отражает принцип FIFO:

Пример 6

Очереди применяются там, где важен порядок поступления. Например, принтер обрабатывает документы в порядке отправки, сервера обрабатывают запросы в очереди, алгоритм поиска в ширину (BFS) использует очередь для обхода графа, а операционные системы планируют процессы. Практическую модель можно увидеть в симуляции работы кассы.

Пример 7

Сравнивая стек и очередь, можно выделить их ключевые различия. Стек следует принципу LIFO, подобно стопке книг, где добавление и удаление происходят с одного конца (вершины). Очередь же работает по принципу FIFO, как очередь в магазине, где добавление идет в конец, а удаление — из начала. В Python стек эффективно реализуется через список (list), а для очереди предпочтительнее использовать deque из модуля collections.

📟 Прилетело из @solidityset

Интересной задачей является реализация очереди с помощью двух стеков. Классическое решение использует один стек для добавления элементов (enqueue), а другой — для удаления (dequeue). Когда требуется удалить элемент, но второй стек пуст, все элементы перекладываются из первого стека во второй, в результате чего порядок инвертируется и первый добавленный элемент оказывается на вершине второго стека, готовый к извлечению.

Пример 8

Это работает, потому что при перекладывании элементов из одного стека в другой их порядок обращается, что и позволяет имитировать поведение очереди.

Помимо уже упомянутых случаев, стек используется во многих других областях. История браузера — это классический пример, где посещенные страницы складываются в стек для кнопки «Назад».

Пример 9

Функция отмены действий в редакторах также полагается на стек для хранения состояний.

Пример 10

Стек вызовов, управляющий выполнением функций в программе, — еще один яркий пример. Когда функция вызывает другую, ее контекст помещается в стек, а после завершения вложенной функции — восстанавливается.

Пример 11

Проверка корректности HTML-тегов — задача, где стек отслеживает вложенность открывающих и закрывающих элементов.

Пример 12

Для реализации очереди в Python оптимально использовать класс deque из модуля collections. Это двусторонняя очередь, которая обеспечивает константную сложность O(1) для операций добавления и удаления с обоих концов, в отличие от списка, где удаление из начала (pop(0)) имеет линейную сложность O(n). Полноценная реализация очереди на deque включает все основные операции.

Пример 13

Практическим применением может служить система обработки заказов, где каждый новый заказ ставится в очередь и обрабатывается по мере возможности.

Пример 14

С точки зрения сложности операций, стек на основе списка Python обеспечивает O(1) для push, pop и peek, так же как и проверка на пустоту. Очередь на основе deque также гарантирует O(1) для enqueue, dequeue, front и isEmpty. Важно подчеркнуть, что использование обычного списка для очереди неэффективно из-за линейной сложности операции pop(0), что делает deque предпочтительным выбором.

В заключение, стек и очередь — это фундаментальные структуры данных, каждая со своим строгим принципом доступа: LIFO для стека, подобно стопке тарелок, и FIFO для очереди, как очередь людей. Их понимание критически важно для изучения алгоритмов и системного программирования, поскольку они лежат в основе множества механизмов — от управления памятью и планирования процессов до синтаксического анализа и работы с историей. Ключевые моменты для запоминания: стек оперирует с одним концом, очередь — с двумя; в Python для стека используется list, для очереди — deque; обе структуры обеспечивают высокую эффективность основных операций.

#algorithm

📟 Прилетело из @solidityset

Мета предикшн-маркетов

Уверен, многие слышали о хайпе на предикшн-маркеты и возможно уже отрабатывают Polymarket, Opinion, Kalshi.

Сегодня я бы хотел рассказать о свежем проекте, который в отличии от вышеперечисленных мало кто отрабатывает.

Речь о Probable — ончейн платформе для предсказаний на BNBChain. По инвесту информации нет, но проект имеет прямой шил от CZ, Binance и Pancakeswap.

На днях проект анонсировал программу по фарму поинтов, в рамках которой каждую неделю будет выделяться пулл на активных юзеров.

Как поучаствовать?
1. Идем по ссылке и подключаем свой кошелек
2. Делаем депозит в любой из предложенных сетей и ставим на события
3. Приглашаем друзей, за это так же выдаются поинты
4. Так же можно повыбивать роли в ДС

У проекта уже +$200M объемов, поэтому на него стоит обратить внимание, нежели пытаться запрыгнуть в последний вагон по Opinion.

Сами поинты рекомендую фармить лимитками, а не рыночными ордерами, тогда у вас будет 0% комиссия.

Чат | Support | Market
Pelican | HiddenCode [EN]

📟 Прилетело из @hidden_coding