Analiza blockchain w 2026 roku przestała być wyłączną domeną data scientistów. Wraz z pojawieniem się zaawansowanych modeli LLM (Large Language Models), zdolnych do interpretacji kodu i pracy na ogromnych zbiorach danych strukturalnych, traderzy zyskali potężne narzędzie. Jednak różnica między „halucynacją” modelu a wartościowym sygnałem alfa tkwi w jednej konkretnej umiejętności – Prompt Engineeringu.
W tym artykule przeanalizujemy, jak zmienić sieć neuronową w pełnoprawnego analityka danych, który nie tylko „zgaduje”, ale matematycznie precyzyjnie interpretuje zdarzenia w sieci.
1. Zmiana paradygmatu: Od „pytania” do „instruowania”
Podstawowym błędem traderów jest zadawanie pytań o charakterze ogólnym (np. „Co dzieje się z Ethereum?”). W analizie on-chain jest to bezużyteczne. Modele nie mają bezpośredniego dostępu do surowych węzłów (nodes) w czasie rzeczywistym; działają poprzez interpretację danych, które im „podajesz” za pomocą narzędzi API lub wgranych plików.
Złota zasada: Twój prompt musi zawierać Rolę, Kontekst, Zadanie i Ograniczenia.
Zły przykład:
„Sprawdź transakcje pod tym adresem [0x...] i powiedz, czy to wieloryb, czy nie?”
Profesjonalny przykład:
„Jesteś ekspertem w dziedzinie analizy śledczej (forensic) blockchaina sieci EVM. Twoim zadaniem jest przeanalizowanie wyciągu CSV z transakcjami portfela [0x...]. Pogrupuj przelewy według protokołów (Lending, DEX, Bridges). Oblicz średni czas przetrzymywania aktywów przed sprzedażą. Jeśli wolumen transakcji przekracza 1000 ETH w ciągu ostatnich 30 dni, sklasyfikuj go jako 'Institutional Whale'. Przygotuj raport w formie tabeli.”
2. Wykorzystanie łańcucha myśli (Chain-of-Thought)
Dane on-chain są często zagmatwane (np. złożone swapy przez agregatory typu 1inch). Aby model nie pomylił się w obliczeniach, zastosuj metodę Chain-of-Thought. Zmuś go do rozumowania krok po kroku.
Przykład struktury zapytania:
- Krok 1: Wyodrębnij wszystkie transakcje przychodzące w tokenie $XYZ.
- Krok 2: Odfiltruj przelewy z giełd scentralizowanych (CEX).
- Krok 3: Oblicz średnią cenę zakupu na podstawie danych o cenie w momencie transakcji (jeśli dane są dostępne).
- Krok 4: Porównaj obecny balans z sumą wszystkich zakupów.
3. Case study: Analiza Uniswap v4 Hooks i płynności
Wraz z wejściem Uniswap v4 analiza płynności stała się trudniejsza ze względu na niestandardowe hooki. Przeciętny użytkownik nie zrozumie kodu hooka, ale LLM może go zdekompilować i wyjaśnić logikę działania.
Prompt do analizy smart kontraktu hooka:
„Przeanalizuj ten kod Solidity hooka dla Uniswap v4. Określ, czy zawiera on logikę ograniczającą wycofanie płynności (LPs) lub wprowadzającą dynamiczne prowizje, które mogą negatywnie wpłynąć na tradera. Wyjaśnij czynniki ryzyka prostym językiem i wskaż konkretne linie kodu, które budzą podejrzenia.”
4. Tabela: Operatory i zmienne dla skutecznych zapytań
Użycie specyficznych operatorów w promptach pozwala modelowi „skupić się” na celu.
| Operator/Technika | Dlaczego warto używać | Przykład |
|---|---|---|
| Few-Shot Prompting | Podanie modelowi 2-3 przykładów poprawnego rozliczenia transakcji. | „Oto przykład analizy: [Przykład]. Teraz przeanalizuj to: [Dane].” |
| Delimiters | Wyraźne oddzielenie danych od instrukcji. | Używaj ### lub """ do wydzielenia bloków kodu lub JSON. |
| Constraint Injection | Wyeliminowanie zbędnego szumu. | „Ignoruj transakcje o wolumenie mniejszym niż 0.1 ETH.” |
| Output Formatting | Otrzymanie danych gotowych do importu. | „Wygeneruj wynik wyłącznie w formacie JSON do integracji ze skryptem Python.” |
5. Praca z kodem: Automatyzacja przez Pythona
Najlepszym sposobem wykorzystania LLM przez tradera jest proszenie o napisanie skryptu do zbierania danych przez biblioteki web3.py lub API (Dune, Glassnode, Etherscan).
Zapytanie o stworzenie parsera:
„Napisz skrypt w Pythonie, który wykorzystuje bibliotekę requests do pobrania ostatnich 100 transakcji tokena [Contract_Address] przez Etherscan API. Skrypt powinien filtrować transakcje, w których nadawcą jest kontrakt (swap) i zapisywać tylko te, w których wolumen przekracza 50 000 USD. Dodaj obsługę błędów dla limitów API.”
Mało znany hack: „Reverse-Prompting”
Jeśli widzisz wysokiej jakości raport z analizy on-chain na Twitterze lub Substacku, skopiuj jego treść do LLM i poproś:
„Przeanalizuj ten raport. Napisz idealny prompt, który w przyszłości pozwoliłby ci wygenerować dokładnie taką samą, głęboką analizę na podstawie surowych danych.”
Pozwoli ci to stworzyć własną bibliotekę „złotych promptów”.
6. Zaawansowana technika: SQL w Dune Analytics
Wielu traderów korzysta z Dune, ale nie zna SQL. Możesz użyć LLM jako mostu.
Prompt:
„Muszę znaleźć top 10 portfeli pod względem wolumenu obrotu na parze PEPE/WETH na Uniswap v3 z ostatnich 7 dni. Napisz zapytanie SQL dla Dune Analytics, korzystając z tabeli dex.trades. Pamiętaj o wykluczeniu botów arbitrażowych (transakcje w tym samym bloku z identycznym input/output).”
7. Analiza „Smart Money” (Smart Money Tracking)
Jedną z najbardziej zyskownych strategii jest śledzenie portfeli, które wykazują stałą rentowność lub aktywność sugerującą posiadanie informacji poufnych. Modele LLM mogą pomóc w automatyzacji procesu deanonimizacji i oceny takich adresów.
Prompt do profilowania portfela:
„Przeanalizuj listę ostatnich transakcji dla adresu [0x...].
1. Określ główne źródło zasilenia portfela (CEX, most/bridge lub inny prywatny adres).
2. Zidentyfikuj wzorzec: czy ten adres kupuje tokeny na wczesnym etapie (przed listingiem na dużych giełdach)?
3. Oceń 'Win Rate' (stosunek transakcji zyskownych do stratnych), jeśli dostarczono dane o cenach wejścia i wyjścia.
4. Wyciągnij wniosek: czy ten adres to 'Smart Money', fundusz VC, czy typowy gracz detaliczny (retail)?”
8. Wykrywanie manipulacji: Wash Trading i Sandwich Attacks
Dane on-chain są często „zaszumione” przez sztucznie generowany wolumen. Możesz użyć LLM do napisania logiki, która rozpoznaje takie schematy.
Przykład zapytania do wykrywania Wash Tradingu:
„Pomóż mi stworzyć algorytm w Pythonie do analizy logów zdarzeń (Event Logs) smart kontraktu danego tokena. Algorytm powinien szukać transakcji cyklicznych (Adres A -> Adres B -> Adres C -> Adres A) w ramach jednej godziny. To wyraźny sygnał sztucznego nabijania wolumenu. Przedstaw strukturę danych, która będzie efektywnie przechowywać te powiązania w celu wizualizacji grafu.”
9. Prompt engineering dla analizy nastrojów (Sentiment Analysis) na podstawie danych on-chain
Czasami „dane” to nie tylko liczby, ale także tekstowe opisy transakcji (Input Data) lub komunikaty w ramach DAO.
Prompt do analizy aktywności wielorybów:
„Zinterpretuj komunikat o transakcji: 'Whale moved 50,000 ETH from cold wallet to Binance'.
Kontekst: Rynek znajduje się obecnie w fazie konsolidacji przy silnym oporze.
Zadanie: Oceń prawdopodobieństwo wystąpienia presji sprzedażowej w skali od 1 do 10. Podaj analogie historyczne, gdy podobne ruchy prowadziły do korekty ceny w ciągu 24 godzin. Odpowiedz krótko, w stylu notatki analitycznej Bloomberg.”
10. Tabela podsumowująca: Narzędzia i ich integracja z LLM
Aby prompty działały skutecznie, musisz wiedzieć, skąd brać „surowiec”.
| Narzędzie | Typ danych | Jak używać z LLM |
|---|---|---|
| Etherscan/BscScan | Surowe transakcje (Raw) | Kopiowanie danych CSV lub generowanie zapytań API. |
| Dune Analytics | Agregowane dane SQL | Prośba o pisanie lub optymalizację zapytań SQL. |
| Arkham Intelligence | Etykietowane podmioty | Wykorzystanie wizualnych powiązań do opisu struktury sieci w prompcie. |
| DexScreener API | Cena i płynność w czasie rzeczywistym | Prośba o napisanie skryptu-alertu na gwałtowne zmiany płynności. |
11. Zaawansowane techniki: Emulacja maszyny wirtualnej (EVM) w prompcie
Zaawansowane modele (takie jak Gemini 1.5 Pro czy GPT-4) potrafią „w pamięci” symulować wykonywanie kodu.
Prompt do debugowania złożonej transakcji:
„Przekazuję Ci kod hex (Input Data) transakcji, która zakończyła się błędem 'Execution Reverted'. Wyobraź sobie, że jesteś EVM. Zdekoduj ten hex krok po kroku, określ, która funkcja smart kontraktu została wywołana i na którym etapie (sprawdzanie warunków, transfer aktywów, brak gazu) nastąpił błąd. Wyjaśnij przyczynę prostym językiem.”
12. Praktyczne wskazówki dotyczące bezpieczeństwa
Przy pracy z LLM i danymi on-chain kluczowe jest zachowanie higieny cyfrowej:
- Nigdy nie wpisuj swoich kluczy prywatnych ani fraz seed w czacie z AI. Nawet jeśli prosisz o „napisanie skryptu do podpisywania transakcji”.
- Weryfikuj kod. LLM może przypadkowo (lub w wyniku halucynacji) zasugerować bibliotekę z lukami bezpieczeństwa. Zawsze proś model o skomentowanie każdej linii wygenerowanego kodu.
- Okno kontekstowe. Jeśli wgrywasz ogromną ilość danych, model może „zapomnieć” początek instrukcji. Stosuj powtórzenie kluczowych wytycznych na końcu promptu.
Finałowa rada dla profesjonalisty:
Stwórz własny „Prompt Systemowy” (System Instruction). To zestaw stałych reguł, które będą stosowane do wszystkich Twoich zapytań. Na przykład: „Zawsze sprawdzaj adresy pod kątem przynależności do botów MEV, zawsze obliczaj poślizg cenowy (slippage) i nigdy nie używaj subiektywnych ocen bez oparcia w liczbach”.
