Ganhos:
- Entendendo que a contribuição mais segura da inteligência artificial é a escrita de consultas de extração de dados, que a livre interpretação é arriscada e que todo número deve ser confirmado no explorador de blocos.
- Capacidade de aplicar a disciplina de extrair dados da fonte, sabendo que solicitar dados da cadeia ao vivo diretamente da inteligência artificial produz hashes/endereços falsos
- Entenda que os dados da cadeia comprovam visibilidade, mas não intenção, e os limites éticos da desanonimização e da segmentação
Um dos maiores pontos fortes do blockchain é a sua transparência: cada transação, cada transferência, cada interação contratual é registrada pública e permanentemente. A análise em cadeia – examinar dados de transações, endereços e fluxo de dinheiro em cadeia – é o ato de ler esse registro público e entendê-lo: rastrear uma carteira, rastrear um fluxo de dinheiro, medir o uso de um protocolo. Nesta unidade, aprenderemos como usar a IA como assistente de análise de dados e – principalmente – como validar cada número.
Estrutura de dados on-chain
Os dados da cadeia são dispostos em camadas:
- Bloco: Uma unidade com carimbo de data e hora na qual as transações são agrupadas.
- Transação (tx): Chamada de valor ou contrato de um endereço para outro; Ele é identificado com um hash exclusivo.
- Endereço/carteira: A identidade onde os fundos são mantidos e transacionados.
- Evento (evento/log): Registros estruturais emitidos pelos contratos descrevendo o ocorrido.
- Transferência de token: troca de tokens como ERC-20/ERC-721.
Para visualizar esses dados, são usados exploradores de blocos (um site que exibe dados em cadeia, como Etherscan) ou plataformas de consulta (como Dune, The Graph). A IA não “conhece” esses dados por si só; Ele interpreta os dados que você fornece ou grava a consulta para recuperar os dados.
Cuidado: Dizer à IA para “buscar as transações daquela carteira” é inútil e perigoso – a IA não está conectada à cadeia ativa e pode gerar hashes/endereços falsos. Uso correto: você extrai os dados e entrega para a IA, a IA interpreta; Ou a IA escreve para você a consulta que extrairá os dados e você a executa.
Duas funções principais da IA na análise on-chain
1. Redação de consultas. Em plataformas como Dune Analytics, os dados são extraídos com consultas semelhantes a SQL. A IA é poderosa para escrever essas consultas: “escreva a consulta que retorna a contagem diária de transações do seguinte contrato nos últimos 30 dias”. A consulta é determinística; você o executa e vê o resultado – o risco de alucinação é baixo porque a fonte de dados produz o resultado, não a IA.
2. Interpretação dos resultados. Você fornece os dados capturados à IA e pergunta: "O que esse fluxo de dinheiro mostra? Existe um padrão?" você pergunta. O risco de alucinações é elevado aqui; Cada comentário deve estar vinculado à fonte.
O perfil de risco dessas duas funções é diferente: a escrita da consulta é relativamente segura (o resultado vem da fonte), a interpretação livre é relativamente arriscada (a IA pode compensar).
Alerta fraco / Alerta forte
Alerta fraco:
Analise transações da seguinte carteira: 0x1234...
A IA não depende de dados em tempo real; Esse prompt o leva a inventar coisas.
Prompt poderoso (para consulta):
Sua função: analista de dados on-chain. Escreva uma consulta SQL para Dune: retorne a contagem DIÁRIA de endereços de remetente exclusivos e o volume total de transferência do contrato [seguindo token ERC-20] nos últimos 30 dias. Descreva os nomes de tabelas e campos que você usou. Se a consulta não funcionar, anote suas suposições para que eu possa corrigi-la. AJUSTE DOS DADOS; basta gerar a consulta.
Prompt poderoso (para comentários):
Abaixo está o resultado REAL do Dune (eu filmei). Interprete os padrões com base apenas nos números REALMENTE neste gráfico: aumento/diminuição de volume, salto incomum, concentração. Mostre cada comentário com linha/número correspondente. Não adicione números que não estejam na tabela. Não reivindique causalidade; Escreva possíveis explicações como "hipóteses".
Quatro modelos copiáveis
1) Geração de consulta:
Escreva uma consulta para Dune/SQL: [período] em [contrato/endereço] para [métrica]. Explique as tabelas que você usou e a lógica JOIN. Vou correr e verificar o resultado; fabricação de dados.
2) Esboço de rastreamento do fluxo de dinheiro:
Darei a você um conjunto de registros de transferência REAIS (endereço, valor, horário). Transforme-os numa narrativa de fluxo rastreável: para onde foram os fundos, há concentração? Use apenas os registros que forneço; conecte cada etapa à linha correspondente. Endereço falso.
3) Interpretação métrica:
Comente abaixo a tabela de métricas reais: número de usuários, volume, média por transação. Indique mudanças significativas e possíveis causas (hipótese). Adicionando dados que não estão na tabela; estabelecimento de causalidade definitiva.
4) Marcação de anomalia:
Linha de base: esse endereço normalmente lida com ~[N] transações, ~[X] volume por dia. Eu lhe darei os registros reais. Marcar apenas eventos que se desviem da linha de base com base no que REALMENTE aconteceu no registro; mostre cada um com uma linha. Finalize o comentário com "revisão necessária".
Três mini cases (em números)
Caso 1 — A consulta 1 reduziu o dia para 20 minutos. Um analista estava tentando extrair manualmente o crescimento de usuários de um protocolo em 90 dias. Ele fez a IA escrever uma consulta Dune; Obtive uma consulta e um gráfico funcionais em 20 minutos. Os números eram confiáveis porque vinham da fonte. Lição: a escrita de consultas é a contribuição mais segura e eficiente da IA.
Caso 2 — Hash falso capturado. Um analista disse diretamente à IA para “resumir as transações recentes daquela carteira de baleia”. AI deu uma lista fluente; Mas quando verificados no Etherscan, a maioria dos hashes de transação eram invenções que não existiam. Lição: pedir dados ao vivo à IA produz alucinações; os dados são extraídos da fonte.
Caso 3 — Padrão de concentração confirmado. Um analista forneceu à IA os dados reais de transferência que capturou e os interpretou. YZ notou um padrão em que os fundos estavam concentrados em alguns endereços. O analista confirmou esse endereço por endereço no explorador de blocos — o padrão era real e indicava risco de distribuição. Lição: a interpretação com dados reais é valiosa; Mas a confirmação vem novamente da fonte.
Privacidade e ética
Embora os dados da rede sejam “abertos”, sua análise tem limites éticos:
- Desanonimização: A correspondência de endereços com pessoas reais (especialmente com dados vazados) é uma violação grave de privacidade; feito apenas em um contexto legal e autorizado.
- Assédio/segmentação: É antiético rastrear uma carteira e atingir seu proprietário.
- Conselhos de investimento: Inferências como “Essa baleia está comprando, você também deveria” são enganosas e causam responsabilidade.
- Falta de contexto: os dados da cadeia não indicam intenção; Uma transferência pode ser um crime ou um crime comum. A interpretação excessiva é perigosa.
Dica: avalie cada afirmação na rede como “os dados mostram X”, e não “a pessoa faz Y”. A cadeia torna a transação visível, mas não prova a intenção.
Erros comuns
- Solicitando dados ao vivo diretamente da IA. Gera hash/endereço falso.
- Não vinculando o comentário à fonte. Cada número deve ser confirmado no explorador de blocos.
- Confundindo correlação com causalidade. O padrão em cadeia não prova intenção.
- Endereços correspondentes com indivíduos não confirmados. Risco de violação de confidencialidade e erro.
- Transformando inferências on-chain em consultoria de investimento. É enganoso e cria responsabilidade.
- Compartilhar a consulta sem documentá-la, em vez de um grande contrato. A repetibilidade desaparece.
Em resumo
- A análise on-chain é o processo de leitura e extração de significado dos dados da cadeia aberta.
- A contribuição mais segura da IA é a escrita de consultas; O resultado vem da fonte, o risco de alucinações é baixo.
- A interpretação livre é arriscada; cada número deve ser confirmado no explorador de blocos.
- Os dados da cadeia comprovam visibilidade, mas não intenção; A interpretação excessiva é evitada.
- A desanonimização e a segmentação são feitas apenas em contexto autorizado com limites éticos.
Tarefa de aplicativo
Escolha um protocolo ou token. Escreva uma consulta para a IA com o prompt “geração de consulta” que retorna a contagem diária de transações desse token nos últimos 30 dias (Dune está disponível gratuitamente). Execute a consulta. Em seguida, faça com que a IA interprete o resultado com o prompt de “interpretação métrica”. Confirme cada afirmação no comentário da AI na tabela de resultados reais e observe se há uma afirmação que não tenha contrapartida na tabela.
lista de verificação
- [] Não pedi dados ao vivo da IA; Eu tirei da fonte.
- [] Executei a consulta e verifiquei o resultado.
- [] Vinculei cada comentário à linha de dados real.
- [ ] Não apresentei correlação como causalidade.
- [ ] Não fiz a correspondência endereço-pessoa sem autorização.
- [] Não traduzi meu interesse em consultoria de investimento.
- [] Documentei a consulta de forma reproduzível.