Gevinster:
- Forståelse af, at det sikreste bidrag fra kunstig intelligens er at skrive forespørgsler om dataudtræk, at gratis fortolkning er risikabelt, og at hvert tal skal bekræftes i blokudforskeren.
- Evne til at anvende disciplinen at trække data fra kilden, velvidende at anmodning om live kædedata direkte fra kunstig intelligens producerer falske hashes/adresser
- Forstå, at kædedata beviser synlighed, men ikke hensigt, og de etiske grænser for de-anonymisering og målretning
En af de største styrker ved blockchain er dens gennemsigtighed: hver transaktion, hver overførsel, hver kontraktinteraktion registreres offentligt og permanent. On-chain analyse – undersøgelse af on-chain transaktions-, adresse- og pengestrømsdata – er handlingen at læse denne offentlige registrering og give mening ud af den: sporing af en tegnebog, sporing af pengestrøm, måling af brugen af en protokol. I denne enhed lærer vi, hvordan man bruger kunstig intelligens som en dataanalyseassistent og – kritisk – hvordan man validerer hvert tal.
Struktur af on-chain data
Kædedata er lagdelt:
- Blok: En tidsstemplet enhed, hvor transaktioner er grupperet.
- Transaktion (tx): Call of value eller kontrakt fra en adresse til en anden; Det er identificeret med en unik hash.
- Adresse/pung: Den identitet, hvor midler opbevares og handles.
- Hændelse (hændelse/log): Strukturelle optegnelser udsendt af kontrakter, der beskriver, hvad der skete.
- Tokenoverførsel: Skifter hænder på tokens såsom ERC-20/ERC-721.
For at se disse data bruges block explorer (et websted, der viser kædedata, såsom Etherscan) eller forespørgselsplatforme (såsom Dune, The Graph). AI'en "kender" ikke selv disse data; Den fortolker de data, du giver, eller skriver forespørgslen for at hente dataene.
Forsigtig: At bede AI'en om at "hente den tegnebogs transaktioner" er nytteløst og farligt - AI'en er ikke forbundet til live-kæden og kan generere falske hashes/adresser. Korrekt brug: du udtrækker dataene og giver dem til AI'en, AI'en fortolker dem; Eller AI'en skriver dig forespørgslen, der vil udtrække dataene, og du kører den.
To nøgleroller for AI i on-chain analyse
1. Forespørgselsskrivning. I platforme som Dune Analytics trækkes data med SQL-lignende forespørgsler. AI er stærk til at skrive disse forespørgsler: "skriv forespørgslen, der returnerer det daglige transaktionsantal for den følgende kontrakt for de sidste 30 dage." Forespørgslen er deterministisk; du kører den og ser resultatet - risikoen for hallucinationer er lav, fordi datakilden producerer resultatet, ikke AI'en.
2. Resultatfortolkning. Du giver de data, du har fanget, til AI og spørger: "Hvad viser denne pengestrøm? Er der et mønster?" spørger du. Risikoen for hallucinationer er høj her; Hver kommentar skal linke til kilden.
Risikoprofilen for disse to roller er forskellig: forespørgselsskrivning er relativt sikker (resultatet kommer fra kilden), fri fortolkning er relativt risikabelt (AI'en kan gøre det op).
Svag prompt / Stærk prompt
Svag prompt:
Analyser transaktioner af følgende tegnebog: 0x1234...
AI er ikke afhængig af live data; Denne prompt skubber ham til at finde på tingene.
Kraftig prompt (for forespørgsel):
Din rolle: on-chain dataanalytiker. Skriv en SQL-forespørgsel til Dune: Returner antallet af DAILY unikke afsenderadresser og det samlede overførselsvolumen for [følgende ERC-20-token] kontrakt i løbet af de sidste 30 dage. Beskriv de tabel- og feltnavne, du brugte. Hvis forespørgslen ikke virker, så skriv dine antagelser ned, så jeg kan rette det. TILPASNING AF DATA; bare generer forespørgslen.
Kraftig prompt (for kommentarer):
Nedenfor er det FAKTISKE Dune-resultat (jeg skød det). Fortolk mønstre udelukkende baseret på tallene FAKTISK i dette diagram: volumen stigning/reduktion, usædvanligt spring, koncentration. Vis hver kommentar med tilhørende række/nummer. Tilføj ikke tal, der ikke er i tabellen. Påstå ikke kausalitet; Skriv mulige forklaringer som "hypotese".
Fire kopierbare skabeloner
1) Generering af forespørgsler:
Skriv en forespørgsel til Dune/SQL: [tidsperiode] på [kontrakt/adresse] for [metrisk]. Forklar de tabeller, du brugte, og JOIN-logikken. Jeg vil køre og verificere resultatet; datafremstilling.
2) Oversigt over pengestrømssporing:
Jeg vil give dig et sæt FAKTISKE overførselsposter (adresse, beløb, tid). Gør disse til en sporbar flowfortælling: hvor blev midlerne af, er der koncentration? Brug kun de optegnelser, jeg giver; tilslut hvert trin til den tilsvarende linje. Adresse falsk.
3) Metrisk fortolkning:
Kommenter den reelle metric-tabel nedenfor: antal brugere, volumen, gennemsnit pr. transaktion. Angiv væsentlige ændringer og mulige årsager (hypotese). Tilføjelse af data, der ikke er i tabellen; fastslå endelig kausalitet.
4) Anomalimærkning:
Baseline: denne adresse håndterer normalt ~[N] transaktioner, ~[X] volumen pr. dag. Jeg vil give dig de rigtige optegnelser. Markér kun hændelser, der afviger fra basislinjen baseret på, hvad der FAKTISK skete i posten; vis hver med en streg. Afslut kommentar med "skal gennemgås".
Tre minisager (i antal)
Case 1 — Forespørgsel 1 reducerede dagen til 20 minutter. En analytiker forsøgte manuelt at udtrække en protokols 90-dages brugervækst. Han fik AI til at skrive en Dune-forespørgsel; Fik en fungerende forespørgsel og graf på 20 minutter. Tallene var pålidelige, fordi de kom fra kilden. Lektion: Forespørgselsskrivning er AI's mest sikre og effektive bidrag.
Sag 2 — Falsk hash fanget. En analytiker fortalte direkte til AI at "opsummere de seneste transaktioner med den hval-pung." AI gav en flydende liste; Men når det blev tjekket på Etherscan, var de fleste af transaktions-hasherne fabrikationer, der slet ikke eksisterede. Lektion: At bede AI om live-data producerer hallucinationer; data hentes fra kilden.
Tilfælde 3 — Koncentrationsmønster bekræftet. En analytiker gav de rigtige overførselsdata, han fangede, til AI og fik dem fortolket. YZ bemærkede et mønster, hvor midlerne var koncentreret på nogle få adresser. Analytikeren bekræftede denne adresse ved adresse på block explorer - mønsteret var reelt og indikerede en distributionsrisiko. Lektion: fortolkning med rigtige data er værdifuld; Men bekræftelsen er igen fra kilden.
Privatliv og etik
Mens on-chain data er "åbne", har analysen etiske grænser:
- Afanonymisering: At matche adresser til rigtige personer (især med lækkede data) er en alvorlig krænkelse af privatlivets fred; kun gøres i en lovlig og autoriseret sammenhæng.
- Chikane/målretning: Det er uetisk at spore en tegnebog og målrette dens ejer.
- Investeringsrådgivning: Konklusioner som "Den hval køber, det burde du også" er både vildledende og forårsager ansvar.
- Mangel på kontekst: Kædedata indikerer ikke hensigt; En overførsel kan være en forbrydelse eller en almindelig forbrydelse. Overfortolkning er farlig.
Tip: Mål hver påstand i kæden, da "dataene viser X", ikke "personen gør Y". Kæden gør transaktionen synlig, men beviser ikke hensigt.
Almindelige fejl
- Anmodning om live data direkte fra AI. Genererer falsk hash/adresse.
- Ikke at linke kommentaren til kilden. Hvert tal skal bekræftes i blokudforskeren.
- Forkert sammenhæng med årsagssammenhæng. Kædemønsteret beviser ikke hensigt.
- Matchende adresser med ubekræftede personer. Risiko for brud på fortroligheden og fejl.
- At omdanne konklusioner i kæden til investeringsrådgivning. Det er vildledende og skaber ansvar.
- Deling af forespørgslen uden at dokumentere den i stedet for én stor kontrakt. Gentagelighed forsvinder.
Sammenfattende
- On-chain analyse er processen med at læse og udtrække mening fra åben kæde data.
- AI's sikreste bidrag er forespørgselsskrivning; Resultatet kommer fra kilden, risikoen for hallucinationer er lav.
- Fri tolkning er risikabelt; hvert tal skal bekræftes i blokudforskeren.
- Kædedata beviser synlighed, men ikke hensigt; Overdreven fortolkning undgås.
- De-anonymisering og målretning udføres kun i autoriseret kontekst med etiske grænser.
Ansøgningsopgave
Vælg en protokol eller token. Skriv en forespørgsel til AI med "forespørgselsgenerering"-prompten, der returnerer det daglige transaktionsantal for det pågældende token for de sidste 30 dage (Dune er gratis tilgængelig). Kør forespørgslen. Lad derefter AI fortolke resultatet med prompten "metrisk fortolkning". Bekræft hver påstand i AI's kommentar i tabellen med faktiske resultater, og bemærk, om der er en påstand, der ikke har nogen modpart i tabellen.
tjekliste
- [ ] Jeg bad ikke om live data fra AI; Jeg tog det fra kilden.
- [ ] Jeg kørte forespørgslen og verificerede resultatet.
- [ ] Jeg linkede hver kommentar til den faktiske datarække.
- [ ] Jeg præsenterede ikke korrelation som årsagssammenhæng.
- [ ] Jeg lavede ikke adresse-person-matching uden autorisation.
- [ ] Jeg har ikke omsat min interesse til investeringsrådgivning.
- [ ] Jeg dokumenterede forespørgslen på en reproducerbar måde.