SIA 西亚

@APRO Oracle I didn’t notice APRO because something failed. I noticed it because nothing did, even when conditions were imperfect. That may sound unremarkable, but anyone who has spent enough time around production systems knows how rare that actually is. Most infrastructure looks fine when inputs are clean and traffic is predictable. The real test begins on ordinary days, when data sources disagree slightly, when latency creeps in, when edge cases pile up quietly instead of all at once. APRO entered my awareness during a period like that, while tracing minor discrepancies across applications that were technically functioning as designed. The code was sound. The logic was correct. Yet confidence was slipping. Over the years, I’ve learned that this kind of discomfort usually points upstream, to the assumptions being made about external data. Oracles are where those assumptions solidify, and too often they’re treated as neutral pipes rather than active systems with failure modes of their own. What made APRO interesting wasn’t a bold promise, but the sense that it had been built with those uncomfortable days in mind.
One of the clearest signals of that mindset is how APRO handles the split between off-chain and on-chain processes. Instead of trying to blur the boundary or declare one side superior, it assigns responsibility deliberately. Off-chain components focus on sourcing, aggregating, and comparing data, where flexibility is necessary and assumptions must remain revisable. On-chain logic handles enforcement, auditability, and finality, where determinism and transparency matter more than speed. This isn’t a novel concept, but it’s one that is often undermined by overconfidence. I’ve seen systems push too much logic on-chain in the name of decentralization, only to collapse under cost and latency. I’ve also seen off-chain-heavy designs quietly centralize trust in ways that only became apparent after something went wrong. APRO doesn’t try to escape this tension. It manages it explicitly, treating the boundary as a place where discipline matters more than ideology.
That same pragmatism shows up in APRO’s support for both data push and data pull delivery models. In theory, continuous feeds sound ideal. In practice, they can become expensive noise, overwhelming systems that don’t actually need constant updates. On-demand data retrieval is efficient until it introduces latency at exactly the wrong moment. Real applications tend to move between these extremes depending on volatility, user behavior, and internal state. APRO doesn’t assume a single correct approach. It allows systems to receive updates proactively when timing is critical, and to request data selectively when efficiency matters more. This flexibility reduces the need for brittle workarounds and custom logic layered on top of infrastructure that wasn’t designed to adapt. It’s a small design choice on paper, but one that reflects an understanding of how systems evolve after deployment, not just how they look during initial integration.
The two-layer network design is where APRO’s thinking becomes more visible. One layer exists to assess data quality: evaluating source reliability, measuring consistency across inputs, and flagging anomalies that deserve attention. The second layer determines when data is sufficiently reliable to be committed on-chain. This separation matters because uncertainty is not a binary condition. Data often arrives with varying degrees of confidence, and forcing an immediate yes-or-no decision can amplify risk rather than reduce it. Earlier oracle systems frequently collapsed these distinctions, treating every discrepancy as either fatal or irrelevant. When that approach breaks, it tends to do so suddenly and expensively. APRO allows uncertainty to exist temporarily, to be observed and contextualized before it becomes authoritative. That alone changes the system’s failure profile, turning abrupt cascades into slower, more observable degradation that teams can actually respond to.
AI-assisted verification fits into this structure in a way that feels intentionally conservative. Rather than positioning AI as an arbiter of truth, APRO uses it to surface patterns that might otherwise go unnoticed. Timing irregularities, subtle divergence between sources, or correlations that don’t align with historical behavior are highlighted as signals, not decisions. These signals feed into deterministic, auditable processes that still govern outcomes. I’ve watched systems lean too heavily on opaque machine-learning models, only to find themselves unable to explain why a particular result occurred when something went wrong. That opacity erodes trust faster than almost anything else. APRO avoids that trap by keeping AI in a supporting role. It improves situational awareness without diluting accountability, which is critical in systems that claim to be decentralized rather than merely automated.
Verifiable randomness is another element that rarely draws attention but quietly strengthens the system. Predictable validator selection and execution order have been exploited often enough that their risks are well understood. APRO introduces randomness in a way that can be verified on-chain, reducing predictability without asking participants to trust hidden mechanisms. This doesn’t eliminate coordinated attacks entirely, but it raises their cost and complexity. In decentralized systems, those marginal increases often determine whether an exploit is attempted at all. Security, in practice, is less about absolute protection and more about shaping incentives. APRO’s use of verifiable randomness reflects that reality, favoring incremental, auditable safeguards over dramatic claims of invulnerability.
APRO’s support for diverse asset classes further reinforces its practical orientation. Crypto markets are fast, noisy, and unforgiving. Equity data demands precision and regulatory sensitivity. Real estate information is fragmented, slow-moving, and often subjective. Gaming assets prioritize responsiveness and user experience over absolute accuracy. Treating all of these inputs as interchangeable has caused real damage in past oracle networks. APRO allows verification thresholds, update frequency, and delivery models to adapt based on context. This introduces complexity, but it’s complexity that mirrors reality rather than fighting it. The same thinking applies to its compatibility with more than forty blockchain networks. Instead of shallow integrations that look impressive in announcements, APRO appears to focus on deep infrastructure alignment, where differences in cost models, latency, and execution environments are accounted for rather than abstracted away.
Cost and performance optimization follow naturally from these structural choices. Off-chain aggregation reduces redundant computation. Pull-based requests limit unnecessary updates. Deep integration minimizes translation overhead between chains. None of this makes data free, but it makes costs predictable. In my experience, unpredictability is what breaks systems under pressure. Teams can plan around known expenses. They struggle when costs spike unexpectedly because of architectural blind spots. APRO seems designed to smooth those edges, favoring stable behavior over aggressive optimization that only works in ideal conditions. That trade-off may not look impressive in benchmarks, but it often determines whether infrastructure survives real-world usage.
What remains uncertain, and should remain openly so, is how well this discipline holds as the system grows. Oracle networks sit at an uncomfortable intersection of incentives, governance, and technical complexity. Growth introduces pressure to simplify, to hide nuance, or to prioritize throughput over scrutiny. APRO doesn’t claim immunity to those forces. What it offers instead is a structure where trade-offs are explicit rather than buried. Early experimentation suggests predictable behavior, clear anomaly signaling, and manageable operational overhead. Whether that continues over years will depend less on architecture than on whether restraint remains part of the system’s culture.
In the end, APRO doesn’t feel like an attempt to redefine oracles. It feels like an attempt to stop underestimating them. By combining off-chain flexibility with on-chain accountability, supporting multiple delivery models, layering verification thoughtfully, and using AI and randomness carefully rather than aggressively, APRO reflects a perspective shaped by observation rather than optimism. Its long-term relevance won’t be determined by how ambitious it sounds today, but by how it behaves when conditions are ordinary, messy, and imperfect. In an industry that often learns the cost of unreliable data too late, a system built around managing uncertainty rather than denying it may quietly prove its value over time.
@APRO Oracle #APRO $AT

@Falcon Finance I didn’t come to Falcon Finance with curiosity so much as caution. That’s become my default posture after years of watching well-intentioned crypto systems unravel under their own assumptions. Synthetic dollars, in particular, carry baggage. I’ve seen them framed as neutral plumbing and watched them behave like accelerants instead. I’ve seen collateral models that looked pristine in documentation collapse once markets stopped cooperating. So when Falcon Finance crossed my radar, I didn’t look for novelty. I looked for what it seemed willing to give up, because in this industry, what a system refuses to optimize often tells you more than what it promotes.
That instinct comes from patterns that are now familiar. Earlier DeFi designs treated liquidity as something that should always be extractable, regardless of context. Collateral was valued primarily for how quickly it could be turned into something else. Liquidations were framed as safeguards, but in practice they were pressure valves that opened all at once. During volatility, these systems demanded speed from users precisely when hesitation was rational. The result was not just financial loss, but erosion of trust. Once participants realized that stability depended on perfect conditions, belief drained out faster than capital.
Falcon Finance appears to respond to that history by narrowing its ambition. At its core, it allows users to deposit liquid digital assets and tokenized real-world assets as collateral to mint USDf, an overcollateralized synthetic dollar. The idea isn’t to escape volatility, but to avoid converting volatility into irreversible outcomes. Instead of forcing users to sell assets to meet liquidity needs, the protocol offers a way to borrow against them while maintaining exposure. That distinction may sound incremental, but it fundamentally changes how stress propagates through the system.
Overcollateralization is central to this approach, and it’s where Falcon Finance is likely to face the most criticism. In markets obsessed with efficiency, excess collateral is treated as dead weight. But excess is also what absorbs error. Prices don’t move smoothly. Oracles lag. Participants hesitate, panic, or simply step away. Overcollateralization creates room for those imperfections without immediately triggering liquidation. It accepts that uncertainty is not a temporary condition, but a permanent one. In doing so, it trades growth potential for tolerance, a decision that feels increasingly rare.
The protocol’s openness to tokenized real-world assets reinforces that philosophy. These assets introduce friction that many crypto-native systems work hard to avoid. They settle slowly, reprice infrequently, and depend on off-chain processes that don’t bend to block times. Yet those same qualities can act as stabilizers rather than weaknesses. Real-world assets tend to move according to different economic pressures than crypto markets, reducing synchronized stress. Falcon Finance doesn’t frame this as diversification theater. It treats it as a way to avoid concentrating risk in a single behavioral loop.
What’s equally revealing is how little the system seems to demand from its users. There’s no sense that USDf must be constantly deployed or optimized to justify its existence. Liquidity is framed as optional, not compulsory. This matters more than it appears. Systems that reward constant interaction encourage synchronized behavior, especially during stress. Everyone watches the same signals, reacts to the same thresholds, and exits together. A system that allows users to do nothing creates temporal dispersion. Decisions spread out. Panic loses its feedback loop. Stability emerges not from enforcement, but from patience.
None of this makes Falcon Finance immune to failure. Synthetic dollars remain confidence instruments, and confidence is notoriously nonlinear. Tokenized real-world assets will eventually be tested by legal ambiguity, governance disputes, or delayed settlements. Overcollateralization will come under pressure when competitors promise higher efficiency with fewer constraints. These are not hypothetical risks; they are structural tensions. The question is whether Falcon Finance treats those tensions as signals to adapt carefully, or as obstacles to be optimized away.
For now, Falcon Finance feels less like a bet on innovation and more like an attempt to relearn restraint. It treats liquidity as a means, not an end, and collateral as something to protect rather than consume. That posture won’t attract everyone, and it may never dominate narratives during exuberant phases of the market. But infrastructure isn’t built for exuberance. It’s built for periods when conditions are un$even and decisions are costly. Whether Falcon Finance can hold that line over time remains unanswered. What it has done, quietly, is suggest that maturity in DeFi may look less like acceleration and more like learning when not to move.
@Falcon Finance #FalconFinance $FF

@KITE AI There’s a tendency in crypto to mistake motion for progress. Faster blocks, higher throughput, more automation these signals are easy to market and harder to question. Kite sits uncomfortably outside that pattern. It doesn’t argue that autonomy should move faster; it argues that autonomy needs structure before speed becomes meaningful. That distinction matters. Autonomous agents don’t hesitate, don’t second-guess, and don’t pause for social consensus. Infrastructure built for humans often assumes all three. Kite begins from the opposite assumption: that mistakes are inevitable once humans leave the loop, and systems should be designed accordingly.
Most blockchains still treat automation as an extension of user intent. Bots trade, scripts execute, contracts run but accountability ultimately traces back to a single keypair. That model works until autonomy becomes persistent rather than episodic. Long-running agents, especially those coordinating with other agents, don’t fit neatly into human-centric security assumptions. Giving them full wallet access feels reckless; limiting them too tightly makes them useless. Kite’s relevance emerges in that tension. It doesn’t romanticize agents as intelligent actors it treats them as powerful processes that need boundaries.
What’s interesting is how Kite frames control without sliding into centralization. The layered model of authority doesn’t introduce trust in intermediaries; it introduces specificity in permission. Sessions expire. Agents are scoped. Users retain the ability to revoke without shutting down the entire system. This mirrors mature security thinking more than crypto-native ideology, and that’s likely intentional. As agent-driven activity scales, security failures won’t look like dramatic hacks they’ll look like quiet, repeated misallocations that compound over time. Kite seems designed to reduce the blast radius of those failures.
There’s also an implicit critique of “fully permissionless automation” embedded in Kite’s design. In theory, unlimited composability is powerful. In practice, it assumes participants understand every downstream interaction their code enables. Autonomous agents break that assumption. They compose faster than humans can audit. Kite doesn’t try to slow composability down, but it does try to compartmentalize it. Permissions become local rather than global, temporary rather than permanent. That may frustrate maximalists, but it aligns better with operational reality.
From an ecosystem perspective, Kite feels less like a consumer chain and more like an infrastructural layer waiting for a specific moment. That moment isn’t mass adoption; it’s saturation. When enough agents are active that failures become systemic rather than isolated, demand for controlled delegation rises naturally. We’ve seen this pattern before in other domains cloud permissions, API keys, enterprise security. Crypto is late to this lesson, largely because it optimized for openness before longevity.
The token design reinforces this patient posture. Instead of rushing governance and fee extraction, Kite appears to be letting usage inform economics. This is unfashionable in a market conditioned to price tokens on day-one utility. But agent-driven economies don’t behave like user-driven ones. Incentives that work for humans can distort autonomous behavior in unexpected ways. Delaying those decisions may be less about caution and more about acknowledging incomplete information.
Kite doesn’t promise a future where agents replace humans, nor does it argue that autonomy is inherently good. Its stance is more pragmatic: autonomy is already happening, and pretending otherwise increases risk. Whether #KITE becomes a core layer or a specialized solution will depend on how quickly agent activity grows and how painful early failures become. But its core insight that authority must be divisible, revocable, and observable feels difficult to argue against. In that sense, Kite isn’t betting on a narrative. It’s betting on entropy, and on the idea that systems which plan for it tend to survive longer.
@KITE AI #KİTE $KITE

@KITE AI Ich hätte nicht erwartet, dass Kite sich eingeschränkt anfühlt. Die meisten Projekte, die in der Sprache der KI verpackt sind, neigen dazu, schnell zu übertreiben, und stapeln Ambitionen auf Ambitionen, bis es schwer zu sagen ist, welches Problem sie tatsächlich lösen. Als ich zum ersten Mal über Kite las, nahm ich an, dass es diesem vertrauten Verlauf folgen würde: ein Layer-1 mit einem breiten Mandat, geschmückt mit Agentennarrativen, um aktuell zu bleiben. Was sich abhebt, nachdem ich länger darüber nachgedacht habe, ist, wie absichtlich es diesen Weg vermied. Kite versuchte nicht, die Zukunft zu erklären. Es versuchte, ein gegenwärtiges Unbehagen zu beschreiben, das viele Systeme leise um autonome Agenten herum arbeiten, die bereits wirtschaftlich agieren, aber unsere Infrastruktur tut immer noch so, als ob sie das nicht täte.

@KITE AI Ich bin auf Kite gestoßen, wie ich in den letzten Jahren auf die meisten neuen Layer-1-Projekte gestoßen bin: mit einer Mischung aus Neugier und vorsichtiger Distanz. Die Präsentation klang zunächst vertraut, eine weitere EVM-kompatible Kette, ein weiterer Versuch, Relevanz aus einer überfüllten Landschaft zu schaffen. Nach genügend Erfahrungen mit ehrgeizigen Roadmaps und abstrakten Versprechen entwickelt man einen Reflex, eher zu überfliegen als sich zu engagieren. Was mich bei Kite aufgehalten hat, war nicht ein Anspruch auf Geschwindigkeit oder Skalierung, sondern die unangenehme Spezifität seines Fokus. Es versuchte nicht, ein besseres Zuhause für die Benutzer zu sein. Es fragte leise, was passiert, wenn die primären wirtschaftlichen Teilnehmer gar nicht mehr menschlich sind.

@APRO Oracle Es gibt einen Moment, der kommt, nachdem man lange genug in dieser Branche war, in dem man aufhört zu fragen, ob ein System korrekt ist, und anfängt zu fragen, ob es ehrlich ist in Bezug auf das, was es nicht weiß. Ich habe zum ersten Mal während einer routinemäßigen Prüfung der Datenabhängigkeiten über mehrere bereitgestellte Anwendungen auf APRO geachtet. Nichts war fehlgeschlagen. Nichts war unter Angriff. Dennoch drifteten die Ergebnisse gerade genug, um unangenehm zu sein. Im Laufe der Zeit habe ich gelernt, dass hier die meisten Infrastrukturprobleme beginnen, nicht mit Explosionen, sondern mit kleinen Abweichungen zwischen Realität und Darstellung. Orakel sitzen genau an dieser Nahtstelle. Sie liefern nicht nur Zahlen; sie übersetzen die Außenwelt in etwas, worauf deterministische Systeme reagieren können. APRO stellte sich nicht als Durchbruch dar. Was mich anzog, war das Gefühl, dass es von Menschen gebaut wurde, die bereits gesehen hatten, wie Dinge schiefgehen, und mehr daran interessiert waren, Schäden zu kontrollieren, als Sicherheit zu beanspruchen.

@Falcon Finance Meine erste Reaktion auf Falcon Finance war weder Aufregung noch Ablehnung, sondern eine Art vorsichtige Pause. Diese Reaktion ist für mich im Kryptobereich selten geworden. Die meisten Projekte stellen sich lautstark vor, verlangen, geglaubt zu werden, bevor sie es verdient haben. Falcon Finance hat das nicht getan. Es trat still auf und schlug einen weiteren synthetischen Dollar in einem Ökosystem vor, das bereits mit gescheiterten oder fragilen Versuchen überladen ist. Die Erfahrung hat mich gelehrt, solche Vorschläge mit Misstrauen zu behandeln. Nicht weil die Idee von On-Chain-Dollarn fehlgeleitet ist, sondern weil die Geschichte zeigt, wie oft gute Absichten unter dem Druck des realen Marktes zusammenbrechen.

@APRO Oracle Ich bin nicht zu APRO gekommen, um nach einer Lösung zu suchen. Es fand mich, während ich versuchte, etwas zu erklären, das nicht ganz stimmte. Ein System verhielt sich korrekt nach seinen eigenen Regeln, dennoch fühlten sich die Ergebnisse zunehmend von der Realität entfremdet. Nichts war im offensichtlichen Sinne kaputt. Keine Alarme, keine gestoppten Verträge, keine dramatischen Verluste. Nur eine langsame Erosion des Vertrauens. Jeder, der Zeit mit Produktionssystemen verbracht hat, erkennt diese Phase. Es ist der Punkt, an dem das Vertrauen zu schwinden beginnt, bevor sich der Fehler ankündigt. In den meisten Fällen führt die Spur flussaufwärts, vorbei an den Smart Contracts und vorbei an der Logik, zu dem Punkt, an dem externe Informationen aufgenommen und normalisiert werden. Dort gestalten Orakel leise alles, was folgt. Meine anfängliche Reaktion auf APRO war zurückhaltend, geprägt von Jahren des Zuschauens, wie Oracle-Projekte diese Verantwortung unterschätzen. Was diese Skepsis allmählich milderte, war nicht ein Anspruch oder ein Maßstab, sondern ein Design, das schien, als würde es Mehrdeutigkeit erwarten, anstatt sie zu leugnen.

@KITE AI Ich hatte nicht erwartet, dass Kite in meinem Kopf verweilt. Die meisten neuen Layer-1s verschwimmen nach einer Weile miteinander, mehr durch Branding als durch Philosophie unterschieden. Als ich das Konzept von Kite zum ersten Mal las, war mein Instinkt, es als einen weiteren Versuch zu behandeln, KI auf die Blockchain-Infrastruktur zu graften, eine Kombination, die in der Branche fast reflexartig geworden ist. Was diesen Skeptizismus abschwächte, war nicht eine gewagte Behauptung oder eine Leistungskennzahl, sondern das Fehlen von Großspurigkeit. Kite versuchte nicht, die Finanzen neu zu definieren. Es versuchte, mit einem spezifischen Ärgernis umzugehen, das die meisten Systeme stillschweigend ignorieren: Software-Agenten bewegen bereits Werte, aber die Schienen, die sie benutzen, wurden nie für sie entworfen.

@Falcon Finance Als ich zum ersten Mal auf Falcon Finance stieß, war meine Reaktion weniger von Neugier geprägt, sondern mehr von Müdigkeit. Nach genug Jahren, in denen ich beobachtet habe, wie Krypto die gleichen Ideen unter neuen Namen neu aufbaut, inspiriert ein Protokoll, das einen weiteren synthetischen Dollar vorschlägt, nicht von vornherein Begeisterung. Es wirft Fragen auf. Die meisten davon sind unangenehm. Ich habe gesehen, wie selbstbewusst gestaltete Währungssysteme auseinanderfallen, sobald die Volatilität die Annahmen darunter offenbart. Ich habe gesehen, wie „robuste“ Sicherheitenmodelle scheitern, nicht weil sie gehackt wurden, sondern weil sie überstürzt waren. Daher war meine anfängliche Reaktion auf Falcon Finance, langsamer zu werden und nach dem zu suchen, was normalerweise verborgen bleibt: die Anreize, die es setzt, die Risiken, die es akzeptiert, und die, die es stillschweigend weitergibt.

@KITE AI Ich kam nicht mit Begeisterung zu Kite. Es fühlte sich eher wie eine Verpflichtung an. Nach genügend Zyklen in dieser Branche lernt man, dass die meisten neuen Layer-1s Variationen eines Themas sind, das man bereits versteht. Unterschiedliche Kompromisse, unterschiedliche Marken, dieselben zugrunde liegenden Annahmen. Menschen initiieren Handlungen. Menschen tragen die Verantwortung. Software ist ein Werkzeug, kein Akteur. Kite begann erst interessant zu werden, als es leise weigerte, dieses Konzept zu akzeptieren. Nicht laut, nicht provokant, sondern konsequent genug, dass es schwer wurde, es zu ignorieren.

@APRO Oracle Ich habe gelernt, in Momenten vorsichtig zu sein, in denen ein System anscheinend perfekt funktioniert. Nach meiner Erfahrung ist das oft der Zeitpunkt, an dem Annahmen stillschweigend nicht in Frage gestellt werden. APRO trat in mein Blickfeld während eines dieser Momente, während ich die Herkunft kleiner Inkonsistenzen über mehrere Live-Anwendungen hinweg nachverfolgte. Nichts brach direkt zusammen. Es gab keine Ausnutzungen, keine dramatischen Ausfälle. Aber die Ergebnisse drifteten gerade genug, um Fragen aufzuwerfen. Jeder, der Zeit mit Produktionssystemen verbracht hat, weiß, dass diese Art von Drift selten zufällig ist. Sie deutet normalerweise darauf hin, wie externe Informationen interpretiert und vertraut werden. Orakel sitzen genau an dieser Fehlerlinie, und die Geschichte hat gezeigt, wie oft sie als nachträglicher Gedanke behandelt werden. Meine anfängliche Reaktion auf APRO war vorsichtig, geprägt von Jahren, in denen ich gesehen habe, wie Dateninfrastrukturen überversprochen haben. Was diese Haltung änderte, war nicht eine Liste von Funktionen, sondern ein Verhaltensmuster, das darauf hindeutete, dass das System von Menschen entworfen wurde, die diese Fehler aus nächster Nähe gesehen hatten.

@Falcon Finance Mein erster Instinkt, als ich Falcon Finance sah, war nicht Aufregung, sondern Anerkennung. Nicht Anerkennung von Neuheit, sondern von Zurückhaltung. Nach genügend Zyklen in der Krypto-Welt beginnt man zu bemerken, wie selten neue Systeme versuchen, etwas zu verlangsamen. Die meisten sind um schnellere Liquidität, schnellere Hebelwirkung und schnellere Feedback-Schleifen zwischen Preis und Verhalten aufgebaut. Falcon Finance stach genau dadurch hervor, dass es nicht in Eile zu sein schien. Das machte mich sofort misstrauisch, aber auf eine konstruktive Weise. In einer Branche, die wiederholt Bewegung mit Fortschritt verwechselt hat, verdient alles, was sich bequem langsam bewegt, zumindest einen zweiten Blick.

@KITE AI Ich las zum ersten Mal spät an einem Abend über Kite, achtete halbherzig darauf und erwartete das übliche Muster. Eine weitere Layer-1. Ein weiterer Versuch, relevant zu sein, indem man sich mit KI ausrichtet. An diesem Punkt ist Skepsis keine Position, sondern Muskelgedächtnis. Die meisten Chains gehen immer noch davon aus, dass, wenn man gute Primitiven entwirft, die Nutzer den Rest herausfinden werden. Kite las sich nicht so. Es fühlte sich seltsam desinteressiert an den Nutzern gegenüber, zumindest im traditionellen Sinne. Das allein ließ mich innehalten. Nicht weil es revolutionär klang, sondern weil es ehrlich über etwas klang, was die Branche vermeidet: Software wird zum primären wirtschaftlichen Akteur, und so zu tun, als wäre es anders, wird zunehmend fragil.