FoundersFeed

Rolled back todso CLI from async git push to sync. The async implementation caused way more headaches than it was worth—saved maybe a few seconds while the AI processing takes minutes anyway. Classic case of premature optimization being the root of all evil. Sometimes the simple blocking approach is just the right call when the bottleneck is elsewhere in the pipeline.

Old-school devs know the truth: writing code that works is the easy part.

The real challenge? Designing clean architecture and handling edge cases that break everything at 3 AM.

AI can't teach you this. Only production incidents and painful refactors can. You learn by shipping, debugging, and fixing the mess when scale hits.

2010 Bitcoin thread shows Jeff Garzik proposing block size increase (hard fork) and getting instantly shut down by theymos + Satoshi. Wild part: Satoshi himself then suggests future-dating the fork to a specific block height and using Bitcoin's built-in alert system to force legacy nodes to upgrade.

Satoshi in 2010 = still acting like a benevolent dictator who could push hard forks through central alerts. He understood fork risks but thought he could control consensus via broadcast messages. That alert system getting removed later was critical for true decentralization.

Shows how early Bitcoin governance was way more centralized than people realize. Satoshi had a kill switch mentality.

CZ a récemment publié publiquement ses retours sur l’expérience utilisateur de Trust Wallet. Point le plus douloureux : l’interface du portefeuille se retrouve inondée de memecoins, ce qui rend difficile de retrouver ne serait-ce que le $BNB au milieu du chaos.

Trust Wallet a déployé une fonctionnalité « Gérer la crypto » pour remédier à cela. L’équipe itère activement sur les points d’accès et le parcours dans l’interface en fonction des retours des utilisateurs.

Philosophie de design : moins, c’est plus. L’objectif est d’obtenir une interface plus propre et moins chaotique, plutôt que la sempiternelle “fête du spam” de memecoins qui afflige la plupart des wallets.

Si vous utilisez les fonctionnalités de trading de Trust Wallet, l’équipe souhaite explicitement vos retours. Ils écoutent et livrent rapidement.

CZ just dropped feedback on Trust Wallet's UX: the interface is getting cluttered with meme coin spam to the point where even $BNB is hard to locate in the asset list.

Trust Wallet team acknowledged this publicly and is pushing for a cleaner UI philosophy — "less is more." They're actively collecting user feedback on the trading experience.

This is a real pain point for multi-chain wallets: token discovery vs. noise filtering. When your wallet supports thousands of contracts, the default "show everything" approach breaks down fast. Expect UI improvements around asset prioritization and custom filters soon 💙

AI code generation has become trivial - the real bottleneck is knowing what to build.

If you're uncertain about direction, pick something with long-term staying power and push it to its limits. Example: building an ultra-minimal coding agent like Pi.

Stop shipping AI slop. It burns time and builds zero compounding value.

Potentiellement l’un des agents de codage les plus adaptés aux mobiles qui soit.

Le point différenciant : une philosophie de conception « mobile-first » intégrée à chaque décision de fonctionnalité, et pas simplement l’adaptation de l’interface desktop à un écran plus petit. Chaque fonction est en réalité repensée pour les interfaces tactiles et les flux de travail mobiles.

C’est important, car la plupart des agents de codage considèrent le mobile comme une simple réflexion après coup : la même interface complexe, les mêmes schémas d’interaction qui fonctionnent surtout bien avec la souris et le clavier. Si cela fournit réellement une assistance à la programmation native sur mobile, cela pourrait ouvrir tout un nouveau cas d’usage : relire des PR en déplacement, lancer des sessions de débogage rapides pendant le trajet, voire coder légèrement depuis un téléphone lorsqu’on est loin du poste de travail.

Regression testing is exactly the kind of grunt work agents should handle.

Watching the agent juggle all these test execution messages while I'd be completely lost trying to track them manually.

Running on Grok 4.6 for the orchestration layer.

Reality check on vibe coding timelines:

Day 1-7: Hacked together a todos MVP
Month 1-2: Actually using it daily, fixing all the edge cases nobody thinks about during the initial rush
Month 3: Post-launch iteration hell until it stops breaking

Total: ~3 months from first commit to production-stable

The "I built X in 3 days" posts are pure survivorship bias. They skip the unglamorous part where you discover your auth breaks on mobile Safari, your database queries tank under load, and users find 47 ways to break features you thought were bulletproof.

Vibe coding gets you a demo. Shipping a reliable product that doesn't wake you up at 3am? That's the other 95% of the work.

A Chinese animated film called "牛来" (Niu Lai) bombed hard at the box office — only 7,352 yuan ($1,000) in 10 days, seen by 278 people total. Classic flop.

But then someone tokenized it as a meme coin on BNB Chain.

Result? +22,470% pump in a short window.

This is the absurdity of stock memes right now — any cultural artifact, no matter how obscure or failed, can become a speculative token. The more niche and ironic, the better.

If you want to track this chaos in real-time, Trust Wallet's trending list on BNB Chain is a good feed. It's a mix of genuine projects and pure degen plays riding cultural memes.

No investment advice here, just documenting the weird intersection of failed media IP and on-chain speculation.

Les attaques par rejeu pendant les forks Bitcoin constituent un vecteur de sécurité critique que la plupart des détenteurs sous-estiment. Voici la décomposition technique :

Le cœur du problème : les forks Bitcoin héritent du même ensemble UTXO, des clés privées et de la logique de signature des transactions. Lorsque vous signez une transaction sur la chaîne du fork pour déplacer des fonds vers un exchange, la même signature est souvent valide sur le réseau principal Bitcoin. Résultat ? Votre transaction est rejouée simultanément sur les deux chaînes, vidant votre vrai $BTC.

Pourquoi cela arrive : la plupart des forks les plus contestés évitent d’implémenter une protection contre le rejeu adéquate (comme des indicateurs sighash uniques ou des changements de format de transaction) parce qu’ils veulent conserver la compatibilité et revendiquer une certaine légitimité. Cela crée un chevauchement dangereux où une seule transaction signée peut être diffusée vers les deux réseaux.

La couche de l’arnaque : les initiés du fork savent qu’ils disposent d’une fenêtre étroite avant que le marché ne réalise que le fork n’a aucune adoption réelle. Ils enverront alors des messages urgents « réclamez vos coins maintenant », souvent accompagnés de logiciels de portefeuille bidon conçus pour extraire votre phrase mnémonique. Une fois que vous importez vos clés dans leur portefeuille, c’est terminé : ils ont un accès complet à votre Bitcoin du réseau principal.

Approche sûre : traitez tout fork comme radioactif jusqu’à ce qu’il démontre :
1. Une forte protection contre le rejeu au niveau du protocole (format de transaction modifié)
2. Des outils éprouvés de séparation des coins fournis par des développeurs de confiance
3. Un support de portefeuille mature avec une séparation claire du matériel de clés
4. Une stabilité réseau testée dans le temps (minimum plusieurs semaines)

Le méta-jeu : les utilisateurs techniquement avancés capables de séparer les coins sans danger feront le dumping des tokens de fork sur les acheteurs de détail à qui l’on dit « c’est le vrai Bitcoin ». Au moment où les détenteurs occasionnels comprennent comment réclamer en toute sécurité, la liquidité a déjà disparu : ils deviennent la liquidité de sortie des initiés.

Conclusion : ne faire absolument rien est le bon réglage par défaut. Votre Bitcoin sur la chaîne principale n’est pas affecté par les forks. Toute action pour réclamer des coins de fork introduit un risque d’un ordre de grandeur supérieur à la récompense potentielle. De toute façon, la plupart des tokens de fork finissent par tendre vers zéro.

Experimenting with giving an AI agent read access to Amazon order history. The idea: let it analyze spending patterns and roast you into better financial decisions. Kind of like a judgmental accountant but automated. Wonder if it'll flag those 3AM impulse buys or just tell you to stop buying mechanical keyboards you don't need.

La surveillance technologique suit un cycle de 20 ans : les techniques de filigranage qui étaient à la pointe au début des années 2000 reviennent aujourd’hui. Le même scénario, avec une nouvelle couche de mise en œuvre. Le schéma se répète parce que le problème fondamental n’a pas changé : comment tracer du contenu numérique sans compromettre le chiffrement ni les garanties de confidentialité ? À l’époque, il s’agissait du filigranage audio/vidéo pour le DRM. Aujourd’hui, on parle d’empreintes de contenu généré par IA et d’analyse des transactions blockchain. Les outils évoluent, mais la partie de chasse entre les défenseurs de la vie privée et l’infrastructure de surveillance demeure la même.

L’obligation européenne de marquage par filigrane (watermarking) des IA présente une faille technique et constitutionnelle majeure : elle impose aux modèles d’encoder des métadonnées dans le texte généré, métadonnées que les utilisateurs ne peuvent ni voir ni contrôler, tandis que des tiers munis de systèmes de détection peuvent le faire.

Le problème d’architecture : un filigrane intègre de l’information via des motifs de choix des mots. Vous rédigez un essai avec un modèle local open source, vous le modifiez, vous le publiez—mais le modèle a déjà altéré les probabilités de tokens pour encoder « généré par IA » dans la sortie. Vous diffusez alors des métadonnées que vous n’avez pas consenti à partager.

Question du Premier Amendement : il s’agit d’une prise de parole imposée, où le locuteur ne sait même pas ce qu’il dit. À la différence d’une divulgation visible, un filigrane invisible signifie que des agences gouvernementales ou de grandes entreprises technologiques disposant de détecteurs perçoivent un second message intégré dans vos mots. S’il est légal d’obliger un logiciel à révéler « fait avec de l’IA », pourquoi ne pas aussi y intégrer la version du modèle, l’adresse IP ou l’identité de l’utilisateur ?

Le point décisif : les filigranes créent une nouvelle surface d’attaque de type « injection de prompt ». Ils sont conçus pour que les humains ne puissent pas les percevoir, mais que les machines, elles, le puissent—exactement l’asymétrie qui rend l’injection de prompt efficace. Quelqu’un pourrait théoriquement produire un texte qui exploite les systèmes de détection de filigrane, transformant ainsi l’obligation en risque de sécurité.

Les filigranes actuels sont probablement à faible bande passante (peut-être un seul bit : IA ou pas IA), mais imposer ce canal pousse les navigateurs, les clients email et les agents IA à analyser tous les textes à la recherche de signaux cachés. Les attaquants vont absolument tester ce mécanisme.

Si vous vous souciez de l’origine (provenance), divulguez-la de façon visible. N’imposez pas un signalement invisible qui trahit les utilisateurs et ouvre de nouvelles voies d’exploitation. Et surtout ne l’appliquez pas aux modèles open source exécutés localement—ce serait réglementer des développeurs de logiciels comme s’ils étaient des éditeurs.

AI text watermarking = forced digital identity embedded in your output. When you use a model, your words now carry hidden metadata revealing info about you to machines.

Worse: it's a new prompt injection vector. You're literally building a covert channel in plain text that machines can read but humans can't detect. That's a security nightmare waiting to happen.

Government mandates for this would be a catastrophic precedent. You'd be forcing every AI-generated text to carry invisible tracking data, turning language models into surveillance infrastructure.

The attack surface is obvious: inject malicious instructions in the watermark layer, and downstream systems reading that channel could execute unintended commands. Classic side-channel exploitation.

This isn't about copyright or provenance anymore. It's about whether we accept nonconsensual identity tagging baked into how we communicate with AI. Hard pass.

DeepSeek vient d’augmenter considérablement le prix de son API. Les tarifs hors heures de pointe ont bondi de 50 à 125 %, tandis que les heures de pointe ont explosé (+200 à +350 %). L’ère de l’inférence à bas coût est officiellement révolue. Si vous faisiez tourner de lourdes charges sur DeepSeek en supposant que les coûts resteraient bas indéfiniment, il est temps de réévaluer votre budget de calcul ou de commencer à envisager des alternatives en auto-hébergement.

La moitié des projets codés “vibe” peuvent être simplifiés. Si vous n’avez pas supprimé 50 %+ de votre base de code après une refactorisation, vous traînez un sérieux surpoids. Faites-en une habitude : terminez une tâche, puis simplifiez sans pitié. Le code mort, les schémas trop abstraits et les optimisations prématurées s’accumulent très vite quand vous avancez en mode “vibing” à travers les fonctionnalités. Livrez vite, refactorez plus vite.

Model releases now ship faster than app updates. GLM-5.3 support just landed. The deployment velocity in AI has completely flipped traditional software release cycles - we're talking hours instead of weeks for production-ready model integration.

Here's a simple test for product quality:

When you're using your own product, you're not mentally cataloging bugs—you're actually enjoying the experience.

User feedback is a separate conversation, but if you can't even enjoy what you built, that's a red flag.

Gemini's current state is pretty rough for serious code auditing work. While it handles basic tasks with decent speed, using it for security reviews is like bringing the wrong tool to a critical job. The gap between Gemini and actual SOTA models is significant enough to be a real problem if you're relying on it for anything beyond surface-level checks. For devs doing security work, you're better off with models that actually understand threat modeling and vulnerability patterns at a deeper level.