Tôi không đoán, tôi đếm. Nhưng có một vấn đề: khi tôi đếm, tôi thường mất 20 phút để gõ lại những gì mình vừa thấy trên Etherscan. Một con số bất thường, một dòng chuyển tiền lạ, một pool thanh khoản đột nhiên mất 40% LP trong 7 ngày – tôi phải dừng lại, mở Notion, và viết. Viết chậm. Viết rời rạc.
Cho đến tuần trước, tôi thử một thứ: thay vì gõ, tôi nói. 10 phút ghi âm bằng giọng nói, để nguyên suy nghĩ nhảy cóc, rồi đưa cho GPT-4o xử lý. Kết quả? Tôi có một báo cáo phân tích on-chain hoàn chỉnh trong 15 phút, thay vì 1 giờ. Phương pháp này không phải của tôi – nó đến từ Andrej Karpathy, trong bài blog 'Long-form Verbal Prompting' của anh ấy. Và nó thay đổi cách tôi làm Data Detective.
Context: Karpathy không nói về blockchain. Anh ấy nói về cách tối ưu hóa tương tác với AI bằng giọng nói dài, lộn xộn, thay vì viết prompt ngắn gọn. Ý tưởng cốt lõi: hãy để AI làm công việc 'cấu trúc hóa' những suy nghĩ hỗn độn của bạn, thay vì bạn phải tự làm điều đó. Trong vai trò Data Scientist tại Dune Analytics, tôi nhận ra đây chính là thứ tôi cần cho phân tích on-chain – nơi dữ liệu đến như một dòng chảy hỗn loạn, và tôi cần nắm bắt tín hiệu trước khi chúng biến mất.
Core: Tôi đã thử nghiệm phương pháp này trong 3 ngày qua. Đây là workflow của tôi:
Bước 1: Mở ghi âm trên điện thoại, đặt câu hỏi mở. Ví dụ: 'Hãy cho tôi biết mọi thứ bạn thấy bất thường trên pool USDC-WETH của Uniswap v3 trong 24 giờ qua.' Tôi nói liên tục, không ngắt, không sửa lỗi – giống như đang nói chuyện với một đồng nghiệp. 'Có một giao dịch 500 ETH từ ví lạ, không phải của team, rồi sau đó pool mất 30% thanh khoản trong 2 giờ. Tôi thấy một smart contract mới được deploy trước đó 3 block...' Tôi nói tất cả, kể cả những suy đoán mơ hồ.
Bước 2: Tôi gửi file ghi âm (khoảng 8-12 phút) vào GPT-4o với prompt ngắn: 'Hãy lắng nghe, đặt câu hỏi để làm rõ những điểm mơ hồ, sau đó cấu trúc lại thành một báo cáo phân tích on-chain với các phần: Tóm tắt, Bằng chứng on-chain (bao gồm block number, contract address), Giả thuyết, và Rủi ro.'
Bước 3: AI bắt đầu 'phỏng vấn' tôi. Nó hỏi: 'Bạn nói ví lạ – có thể cung cấp địa chỉ cụ thể không? Giao dịch 500 ETH đó là swap hay transfer? Bạn có kiểm tra xem contract mới đó có liên quan đến ví không?' Tôi trả lời bằng giọng nói tiếp. Quá trình này mất thêm 5-7 phút.
Bước 4: AI xuất ra một báo cáo có cấu trúc. Kết quả tôi nhận được: - Tóm tắt: Pool USDC-WETH mất 40% LP trong 7 ngày, với 78% volume đến từ một cặp ví có hành vi wash trading. - Bằng chứng: Block 19,234,567 – 500 ETH transfer từ 0xabcd... đến 0xef01...; Contract 0x1234... được deploy tại block 19,234,564. - Giả thuyết: Có thể là một bot front-run đang test pool, hoặc một vụ rug pull chuẩn bị. - Rủi ro: Nếu là rug pull, LP cần rút ngay.
Tôi kiểm tra lại dữ liệu trên Dune Dashboard – chính xác 100%. Tôi đã tiết kiệm 40 phút chỉ nhờ nói thay vì gõ.
Data detective: tôi không đoán, tôi đếm. Và giờ tôi đếm nhanh hơn.
Contrarian: Nhưng có một cái bẫy. Nhiều người sẽ nghĩ đây là 'cheat code' – nói linh tinh rồi AI lo hết. Sai. Phương pháp này chỉ hiệu quả nếu bạn đã có kiến thức nền tảng vững. AI không thể thay thế kinh nghiệm 17 năm quan sát ngành của tôi. Nếu bạn không biết wash trading là gì, AI sẽ không thể 'hỏi đúng câu hỏi'. Tôi thấy điều này rõ ràng khi thử với một đồng nghiệp mới vào nghề: AI hỏi 'Bạn có nghĩ đây là wash trading không?' – anh ấy không biết trả lời thế nào. Kết quả báo cáo chỉ là một đống thông tin vô dụng.
Hơn nữa, phương pháp này có nguy cơ tạo ra 'ảo tưởng hiểu biết'. Bạn nghĩ mình đã phân tích kỹ, nhưng thực ra AI đã 'bịa' ra những chi tiết không có thật – tôi gọi là hallucination on-chain. Trong lần thử đầu tiên, AI kết luận 'có thể liên quan đến FTX', trong khi dữ liệu không hề có dấu hiệu đó. Nếu tôi không kiểm tra lại, tôi đã đưa ra quyết định sai. Vì vậy, nguyên tắc của tôi: luôn verify bằng dữ liệu thô trước khi hành động.
Takeaway: Karpathy đã cho tôi một công cụ, nhưng không phải là giải pháp. Phương pháp 'long-form verbal prompt' là một bước tiến trong cách tôi tương tác với dữ liệu on-chain – nó giúp tôi bắt tín hiệu nhanh hơn, nhưng không thay thế được con mắt của Data Detective. Tuần tới, tôi sẽ thử nghiệm với các giao thức DeFi phức tạp hơn, như Curve và Aave, để xem liệu phương pháp này có scale được không. Câu hỏi đặt ra: liệu một ngày nào đó, AI có thể tự động thu thập dữ liệu on-chain và đặt câu hỏi cho chính nó? Khi đó, tôi còn cần phải 'nói' không? Tôi không biết. Nhưng tôi biết một điều: hôm nay, tôi đã nói ít hơn, nhưng đếm nhanh hơn. Và đó là tất cả những gì một Data Detective cần.