On-Chain-Datenanalyse: Block-, Transaktions- und Wallet-Daten verstehen

Gewinne:

• Wir verstehen, dass der sicherste Beitrag der künstlichen Intelligenz das Schreiben von Datenextraktionsabfragen ist, dass eine freie Interpretation riskant ist und dass jede Zahl im Block-Explorer bestätigt werden muss.
• Fähigkeit, die Disziplin des Datenabrufs aus der Quelle anzuwenden, in dem Wissen, dass die direkte Anforderung von Live-Chain-Daten durch künstliche Intelligenz zu gefälschten Hashes/Adressen führt
• Verstehen Sie, dass Kettendaten die Sichtbarkeit, aber nicht die Absicht beweisen, und die ethischen Grenzen der De-Anonymisierung und des Targetings

Eine der größten Stärken der Blockchain ist ihre Transparenz: Jede Transaktion, jeder Transfer, jede Vertragsinteraktion wird öffentlich und dauerhaft aufgezeichnet. On-Chain-Analyse – die Untersuchung von On-Chain-Transaktions-, Adress- und Geldflussdaten – ist der Vorgang, diese öffentlichen Aufzeichnungen zu lesen und daraus einen Sinn zu ziehen: eine Wallet zu verfolgen, einen Geldfluss zu verfolgen, die Nutzung eines Protokolls zu messen. In dieser Einheit lernen wir, wie man KI als Datenanalyseassistenten nutzt und – vor allem – wie man jede Zahl validiert.

Struktur der On-Chain-Daten

Kettendaten sind geschichtet:

• Block: Eine zeitgestempelte Einheit, in der Transaktionen gruppiert sind.
• Transaktion (tx): Wertabruf oder Vertrag von einer Adresse an eine andere; Es wird mit einem eindeutigen Hash identifiziert.
• Adresse/Wallet: Die Identität, unter der Gelder aufbewahrt und abgewickelt werden.
• Ereignis (Ereignis/Protokoll): Strukturelle Datensätze, die von Verträgen ausgegeben werden und beschreiben, was passiert ist.
• Token-Transfer: Besitzerwechsel von Token wie ERC-20/ERC-721.

Um diese Daten anzuzeigen, werden Block-Explorer (eine Website, die Kettendaten anzeigt, wie z. B. Etherscan) oder Abfrageplattformen (wie Dune, The Graph) verwendet. Die KI „kennt“ diese Daten selbst nicht; Es interpretiert die von Ihnen bereitgestellten Daten oder schreibt die Abfrage, um die Daten abzurufen.

Achtung: Der KI zu sagen, sie solle „die Transaktionen dieser Wallet abrufen“, ist nutzlos und gefährlich – die KI ist nicht mit der Live-Kette verbunden und kann gefälschte Hashes/Adressen generieren. Richtige Verwendung: Sie extrahieren die Daten und geben sie an die KI weiter, die KI interpretiert sie; Oder die KI schreibt Ihnen die Abfrage, die die Daten extrahiert, und Sie führen sie aus.

Zwei Schlüsselrollen der KI bei der On-Chain-Analyse

1. Schreiben von Abfragen. Auf Plattformen wie Dune Analytics werden Daten mit SQL-ähnlichen Abfragen abgerufen. KI ist beim Schreiben dieser Abfragen leistungsstark: „Schreiben Sie die Abfrage, die die tägliche Transaktionsanzahl des folgenden Vertrags für die letzten 30 Tage zurückgibt.“ Die Abfrage ist deterministisch; Sie führen es aus und sehen das Ergebnis – das Risiko einer Halluzination ist gering, da die Datenquelle das Ergebnis liefert, nicht die KI.

2. Ergebnisinterpretation. Sie geben die von Ihnen erfassten Daten an die KI weiter und fragen: „Was zeigt dieser Geldfluss? Gibt es ein Muster?“ du fragst. Hier ist die Gefahr von Halluzinationen hoch; Jeder Kommentar muss auf die Quelle verweisen.

Das Risikoprofil dieser beiden Rollen ist unterschiedlich: Das Schreiben von Abfragen ist relativ sicher (das Ergebnis kommt aus der Quelle), die freie Interpretation ist relativ riskant (die KI kann es erfinden).

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Analysieren Sie die Transaktionen des folgenden Wallets: 0x1234...

KI ist nicht auf Live-Daten angewiesen; Diese Aufforderung treibt ihn dazu, sich etwas auszudenken.

Leistungsstarke Eingabeaufforderung (zur Abfrage):

Ihre Rolle: On-Chain-Datenanalyst. Schreiben Sie eine SQL-Abfrage für Dune: Geben Sie die tägliche Anzahl eindeutiger Absenderadressen und das gesamte Übertragungsvolumen des Vertrags [nach ERC-20-Token] in den letzten 30 Tagen zurück. Beschreiben Sie die von Ihnen verwendeten Tabellen- und Feldnamen. Wenn die Abfrage nicht funktioniert, notieren Sie Ihre Annahmen, damit ich das Problem beheben kann. ANPASSEN DER DATEN; Generieren Sie einfach die Abfrage.

Leistungsstarke Aufforderung (für Kommentare):

Unten ist das TATSÄCHLICHE Dune-Ergebnis (ich habe es aufgenommen). Interpretieren Sie Muster ausschließlich auf der Grundlage der TATSÄCHLICH in dieser Tabelle aufgeführten Zahlen: Lautstärkezunahme/-abnahme, ungewöhnlicher Sprung, Konzentration. Zeigen Sie jeden Kommentar mit der entsprechenden Zeile/Nummer an. Fügen Sie keine Zahlen hinzu, die nicht in der Tabelle enthalten sind. Behaupten Sie keine Kausalität; Schreiben Sie mögliche Erklärungen als „Hypothese“.

Vier kopierbare Vorlagen

1) Abfragegenerierung:

Schreiben Sie eine Abfrage für Dune/SQL: [Zeitraum] für [Vertrag/Adresse] für [Metrik]. Erklären Sie die von Ihnen verwendeten Tabellen und die JOIN-Logik. Ich werde das Ergebnis ausführen und überprüfen; Datenherstellung.

2) Überblick über die Geldflussverfolgung:

Ich werde Ihnen eine Reihe von TATSÄCHLICHEN Überweisungsunterlagen (Adresse, Betrag, Zeit) geben. Verwandeln Sie diese in eine nachverfolgbare Flusserzählung: Wohin sind die Gelder geflossen, gibt es eine Konzentration? Verwenden Sie ausschließlich die von mir bereitgestellten Unterlagen. Verbinden Sie jeden Schritt mit der entsprechenden Zeile. Adressfälschung.

3) Metrische Interpretation:

Kommentieren Sie die Tabelle mit den tatsächlichen Kennzahlen unten: Anzahl der Benutzer, Volumen, Durchschnitt pro Transaktion. Nennen Sie wesentliche Veränderungen und mögliche Ursachen (Hypothese). Hinzufügen von Daten, die nicht in der Tabelle enthalten sind; Feststellung einer endgültigen Kausalität.

4) Anomaliemarkierung:

Grundlinie: Diese Adresse verarbeitet normalerweise ~[N] Transaktionen, ~[X] Volumen pro Tag. Ich werde Ihnen die echten Aufzeichnungen geben. Markieren Sie nur Ereignisse, die von der Grundlinie abweichen, basierend auf dem, was TATSÄCHLICH in der Aufzeichnung passiert ist. jeweils mit einer Zeile anzeigen. Beenden Sie den Kommentar mit „Überprüfung erforderlich“.

Drei Minikoffer (in Zahlen)

Fall 1 – Abfrage 1 reduzierte den Tag auf 20 Minuten. Ein Analyst versuchte, das 90-Tage-Benutzerwachstum eines Protokolls manuell zu extrahieren. Er ließ die KI eine Dune-Abfrage schreiben; Ich habe innerhalb von 20 Minuten eine funktionierende Abfrage und ein Diagramm erhalten. Die Zahlen waren zuverlässig, weil sie aus der Quelle stammten. Lektion: Das Schreiben von Abfragen ist der sicherste und effizienteste Beitrag der KI.

Fall 2 – Falsches Haschisch erwischt. Ein Analyst forderte die KI direkt auf, „die jüngsten Transaktionen dieser Wal-Wallet zusammenzufassen“. AI gab eine fließende Liste; Bei der Überprüfung auf Etherscan stellte sich jedoch heraus, dass die meisten Transaktions-Hashes Fälschungen waren, die überhaupt nicht existierten. Lektion: Wenn man die KI nach Live-Daten fragt, entstehen Halluzinationen; Daten werden von der Quelle abgerufen.

Fall 3 – Konzentrationsmuster bestätigt. Ein Analyst gab die von ihm erfassten realen Übertragungsdaten an die KI weiter und ließ sie interpretieren. YZ stellte ein Muster fest, bei dem Gelder auf wenige Adressen konzentriert waren. Der Analyst bestätigte diese Adresse für Adresse im Block-Explorer – das Muster war real und deutete auf ein Verteilungsrisiko hin. Lektion: Interpretation mit realen Daten ist wertvoll; Aber die Bestätigung kommt wieder von der Quelle.

Datenschutz und Ethik

Während On-Chain-Daten „offen“ sind, weist ihre Analyse ethische Grenzen auf:

• De-Anonymisierung: Der Abgleich von Adressen mit echten Personen (insbesondere bei geleakten Daten) stellt eine schwere Verletzung der Privatsphäre dar; erfolgt nur in einem rechtmäßigen und autorisierten Kontext.
• Belästigung/Targeting: Es ist unethisch, eine Wallet zu verfolgen und ihren Besitzer ins Visier zu nehmen.
• Anlageberatung: Rückschlüsse wie „Dieser Wal kauft, das sollten Sie auch“ sind irreführend und führen zu Haftungsrisiken.
• Fehlender Kontext: Kettendaten weisen nicht auf eine Absicht hin; Eine Überweisung kann eine Straftat oder eine gewöhnliche sein. Überinterpretation ist gefährlich.

Tipp: Messen Sie jeden Anspruch in der Kette als „die Daten zeigen X“, nicht als „die Person macht Y“. Die Kette macht die Transaktion sichtbar, beweist aber nicht die Absicht.

Häufige Fehler

• Live-Daten direkt von der KI anfordern. Erzeugt gefälschten Hash/Adresse.
• Der Kommentar wird nicht mit der Quelle verknüpft. Jede Nummer muss im Block-Explorer bestätigt werden.
• Korrelation mit Kausalität verwechseln. Das Kettenmuster beweist keine Absicht.
• Abgleich von Adressen mit unbestätigten Personen. Risiko von Vertraulichkeitsverletzungen und Fehlern.
• On-Chain-Inferenz in Anlageberatung umwandeln. Es ist irreführend und schafft Haftung.
• Teilen der Anfrage, ohne sie zu dokumentieren, statt eines großen Vertrags. Die Wiederholbarkeit verschwindet.

Zusammenfassend

• Bei der On-Chain-Analyse handelt es sich um den Prozess des Lesens und Extrahierens von Bedeutungen aus Open-Chain-Daten.
• Der sicherste Beitrag der KI ist das Schreiben von Abfragen. Das Ergebnis kommt von der Quelle, das Risiko von Halluzinationen ist gering.
• Freie Interpretation ist riskant; Jede Nummer muss im Block-Explorer bestätigt werden.
• Kettendaten beweisen die Sichtbarkeit, aber nicht die Absicht; Übertriebene Interpretationen werden vermieden.
• De-Anonymisierung und Targeting erfolgen nur in autorisiertem Kontext mit ethischen Grenzen.

Anwendungsaufgabe

Wählen Sie ein Protokoll oder einen Token. Schreiben Sie mit der Eingabeaufforderung „Abfragegenerierung“ eine Abfrage an die KI, die die tägliche Transaktionsanzahl dieses Tokens für die letzten 30 Tage zurückgibt (Dune ist kostenlos verfügbar). Führen Sie die Abfrage aus. Lassen Sie dann die KI das Ergebnis mit der Eingabeaufforderung „Metrikinterpretation“ interpretieren. Bestätigen Sie jeden Anspruch im Kommentar von AI in der Tabelle mit den tatsächlichen Ergebnissen und notieren Sie, ob es einen Anspruch gibt, zu dem es in der Tabelle kein Gegenstück gibt.

Checkliste

• [ ] Ich habe nicht nach Live-Daten von der KI gefragt; Ich habe es aus der Quelle gezogen.
• [ ] Ich habe die Abfrage ausgeführt und das Ergebnis überprüft.
• [ ] Ich habe jeden Kommentar mit der tatsächlichen Datenzeile verknüpft.
• [ ] Ich habe Korrelation nicht als Kausalität dargestellt.
• [ ] Ich habe den Adress-Personen-Abgleich nicht ohne Genehmigung durchgeführt.
• [ ] Ich habe mein Interesse nicht in eine Anlageberatung umgesetzt.
• [ ] Ich habe die Abfrage reproduzierbar dokumentiert.