Guadagni:
- Comprendere che il contributo più sicuro dell’intelligenza artificiale è la scrittura di query di estrazione dati, che la libera interpretazione è rischiosa e che ogni numero deve essere confermato nel block explorer.
- Capacità di applicare la disciplina dell'estrazione dei dati dalla fonte, sapendo che la richiesta di dati della catena live direttamente dall'intelligenza artificiale produce hash/indirizzi falsi
- Comprendi che i dati a catena dimostrano la visibilità ma non l'intento e i limiti etici della de-anonimizzazione e del targeting
Uno dei maggiori punti di forza della blockchain è la sua trasparenza: ogni transazione, ogni trasferimento, ogni interazione contrattuale è registrata pubblicamente e in modo permanente. L'analisi on-chain, ovvero l'esame dei dati relativi alle transazioni, all'indirizzo e al flusso di denaro, è l'atto di leggere questo registro pubblico e dargli un senso: tracciare un portafoglio, tracciare un flusso di denaro, misurare l'utilizzo di un protocollo. In questa unità impareremo come utilizzare l'intelligenza artificiale come assistente per l'analisi dei dati e, in modo fondamentale, come convalidare ciascun numero.
Struttura dei dati on-chain
I dati della catena sono stratificati:
- Blocco: unità con timestamp in cui sono raggruppate le transazioni.
- Transazione (tx): chiamata di valore o contratto da un indirizzo a un altro; È identificato con un hash univoco.
- Indirizzo/portafoglio: l'identità in cui i fondi vengono conservati e negoziati.
- Evento (evento/log): record strutturali emessi dai contratti che descrivono cosa è successo.
- Trasferimento di token: cambio di mano di token come ERC-20/ERC-721.
Per visualizzare questi dati vengono utilizzati Block Explorer (un sito che visualizza dati a catena, come Etherscan) o piattaforme di query (come Dune, The Graph). L’intelligenza artificiale stessa non “conosce” questi dati; Interpreta i dati forniti o scrive la query per recuperare i dati.
Attenzione: dire all'IA di "recuperare le transazioni di quel portafoglio" è inutile e pericoloso: l'IA non è connessa alla catena live e potrebbe generare hash/indirizzi falsi. Utilizzo corretto: estrai i dati e li dai all'AI, l'AI li interpreta; Oppure l'intelligenza artificiale ti scrive la query che estrarrà i dati e tu la esegui.
Due ruoli chiave dell’intelligenza artificiale nell’analisi on-chain
1. Scrittura delle interrogazioni. In piattaforme come Dune Analytics, i dati vengono estratti con query di tipo SQL. L'intelligenza artificiale è potente nello scrivere queste query: "scrivi la query che restituisce il conteggio giornaliero delle transazioni del seguente contratto negli ultimi 30 giorni". La query è deterministica; lo esegui e vedi il risultato: il rischio di allucinazioni è basso perché la fonte dei dati produce il risultato, non l'intelligenza artificiale.
2. Interpretazione dei risultati. Fornisci i dati acquisiti all'intelligenza artificiale e chiedi: "Cosa mostra questo flusso di denaro? Esiste uno schema?" chiedi. Qui il rischio di allucinazioni è alto; Ogni commento deve collegarsi alla fonte.
Il profilo di rischio di questi due ruoli è diverso: la scrittura della query è relativamente sicura (il risultato proviene dalla fonte), la libera interpretazione è relativamente rischiosa (l’intelligenza artificiale può inventarla).
Prompt debole / Prompt forte
Suggerimento debole:
Analizza le transazioni del seguente portafoglio: 0x1234...
L’intelligenza artificiale non dipende dai dati in tempo reale; Questo suggerimento lo spinge a inventare le cose.
Prompt potente (per query):
Il tuo ruolo: analista di dati on-chain. Scrivi una query SQL per Dune: restituisci il conteggio degli indirizzi del mittente univoco GIORNALIERO e il volume totale dei trasferimenti del contratto [seguente token ERC-20] negli ultimi 30 giorni. Descrivi i nomi della tabella e dei campi che hai utilizzato. Se la query non funziona, scrivi le tue ipotesi in modo che io possa risolverlo. MONTAGGIO DEI DATI; basta generare la query.
Prompt potente (per commenti):
Di seguito è riportato il risultato REALE di Dune (l'ho girato). Interpreta i modelli basandoti esclusivamente sui numeri REALMENTE presenti in questa tabella: aumento/diminuzione del volume, salto insolito, concentrazione. Mostra ogni commento con la riga/numero corrispondente. Non aggiungere numeri che non sono presenti nella tabella. Non rivendicare la causalità; Scrivi le possibili spiegazioni come "ipotesi".
Quattro modelli copiabili
1) Generazione di query:
Scrivere una query per Dune/SQL: [periodo di tempo] su [contratto/indirizzo] per [metrica]. Spiega le tabelle che hai utilizzato e la logica JOIN. Correrò e verificherò il risultato; fabbricazione dei dati.
2) Schema del monitoraggio del flusso di denaro:
Ti fornirò una serie di record di trasferimento EFFETTIVI (indirizzo, importo, ora). Trasformateli in una narrazione di flusso tracciabile: dove sono finiti i fondi, c’è concentrazione? Utilizzare solo i record da me forniti; collega ogni passaggio alla riga corrispondente. Indirizzo falso.
3) Interpretazione metrica:
Commenta la tabella delle metriche reali di seguito: numero di utenti, volume, media per transazione. Indicare i cambiamenti significativi e le possibili cause (ipotesi). Aggiunta di dati che non sono presenti nella tabella; stabilendo una causalità definitiva.
4) Segnalazione delle anomalie:
Baseline: questo indirizzo normalmente gestisce ~[N] transazioni, ~[X] volume al giorno. Ti darò i veri record. Contrassegnare solo gli eventi che si discostano dalla linea di base in base a ciò che REALMENTE è accaduto nel record; mostra ciascuno con una linea. Termina il commento con "è necessaria una revisione".
Tre mini custodie (in numeri)
Caso 1: la query 1 ha ridotto la giornata a 20 minuti. Un analista stava tentando di estrarre manualmente la crescita degli utenti di 90 giorni di un protocollo. Ha fatto scrivere all'IA una query su Dune; Ho ottenuto una query e un grafico funzionanti in 20 minuti. I numeri erano affidabili perché provenivano dalla fonte. Lezione: la scrittura di query è il contributo più sicuro ed efficiente dell'intelligenza artificiale.
Caso 2: catturato hashish falso. Un analista ha detto direttamente all'IA di "riassumere le recenti transazioni di quel portafoglio balena". L'intelligenza artificiale ha fornito un elenco fluido; Ma quando controllati su Etherscan, la maggior parte degli hash delle transazioni erano invenzioni che non esistevano affatto. Lezione: chiedere all’IA dati in tempo reale produce allucinazioni; i dati vengono estratti dalla fonte.
Caso 3 — Modello di concentrazione confermato. Un analista ha fornito i dati di trasferimento reali catturati all'IA e li ha fatti interpretare. YZ ha notato uno schema in cui i fondi erano concentrati in pochi indirizzi. L'analista ha confermato questo indirizzo per indirizzo sul Block Explorer: il modello era reale e indicava un rischio di distribuzione. Lezione: l'interpretazione con dati reali è preziosa; Ma la conferma arriva ancora una volta dalla fonte.
Privacy ed etica
Sebbene i dati on-chain siano “aperti”, la loro analisi presenta limiti etici:
- De-anonimizzazione: abbinare indirizzi a persone reali (soprattutto con dati trapelati) è una grave violazione della privacy; fatto solo in un contesto legale e autorizzato.
- Molestie/bersagli: non è etico tenere traccia di un portafoglio e prendere di mira il suo proprietario.
- Consigli sugli investimenti: deduzioni come "Quella balena sta comprando, dovresti farlo anche tu" sono fuorvianti e causano responsabilità.
- Mancanza di contesto: i dati della catena non indicano l'intento; Un trasferimento può essere un reato o un reato ordinario. L’interpretazione eccessiva è pericolosa.
Suggerimento: misura ogni affermazione on-chain come "i dati mostrano X", non "la persona fa Y". La catena rende visibile la transazione ma non dimostra l'intento.
Errori comuni
- Richiesta di dati in tempo reale direttamente dall'IA. Genera hash/indirizzo falso.
- Non collegare il commento alla fonte. Ogni numero deve essere confermato nel Block Explorer.
- Confondere la correlazione con la causalità. Lo schema a catena non dimostra l'intento.
- Indirizzi corrispondenti con persone non confermate. Rischio di violazione della riservatezza ed errore.
- Trasformare l'inferenza on-chain in consulenza sugli investimenti. È fuorviante e crea responsabilità.
- Condividere la richiesta senza documentarla invece di un grande contratto. La ripetibilità scompare.
In sintesi
- L'analisi on-chain è il processo di lettura ed estrazione di significato dai dati a catena aperta.
- Il contributo più sicuro dell'intelligenza artificiale è la scrittura di query; Il risultato proviene dalla fonte, il rischio di allucinazioni è basso.
- La libera interpretazione è rischiosa; ogni numero deve essere confermato nel Block Explorer.
- I dati a catena dimostrano la visibilità ma non l’intenzione; Si evitano interpretazioni eccessive.
- La de-anonimizzazione e il targeting vengono effettuati solo in contesti autorizzati con limiti etici.
Compito dell'applicazione
Scegli un protocollo o un token. Scrivi una query all'IA con il prompt di "generazione di query" che restituisce il conteggio giornaliero delle transazioni di quel token negli ultimi 30 giorni (Dune è disponibile gratuitamente). Esegui la query. Quindi chiedi all'IA di interpretare il risultato con il prompt di "interpretazione metrica". Conferma ogni affermazione nel commento di AI nella tabella dei risultati effettivi e nota se esiste un'affermazione che non ha controparte nella tabella.
lista di controllo
- [] Non ho chiesto dati in tempo reale all'IA; L'ho preso dalla fonte.
- [] Ho eseguito la query e verificato il risultato.
- [] Ho collegato ogni commento alla riga di dati effettiva.
- [ ] Non ho presentato la correlazione come causalità.
- [ ] Non ho effettuato l'abbinamento indirizzo-persona senza autorizzazione.
- [ ] Non ho tradotto il mio interesse in consigli di investimento.
- [ ] Ho documentato la query in modo riproducibile.