Phân tích on-chain trong kỷ nguyên mới: Từ 'prompt kỹ thuật' đến 'trò chuyện với dữ liệu'

Một cú : Karpathy vừa chia sẻ cách dùng "long-form verbal prompting" để làm việc với AI. Tôi đọc xong, thử áp dụng vào phân tích on-chain. Và hàng loạt rủi ro mở ra trước mắt tôi. Không phải về AI, mà về cách chúng ta đang phí phạm dữ liệu blockchain vì nghĩ mình cần phải viết prompt hoàn hảo. Từng lệnh gọi API, từng truy vấn Dune, từng lệnh Etherscan — tất cả đều là "prompt" theo cách hiểu cũ. Chúng ta cố gắng gói gọn yêu cầu vào một dòng lệnh chính xác, như thể đang giao tiếp với một cái máy không có trí tuệ. Nhưng các mô hình ngôn ngữ lớn (LLM) và các công cụ phân tích on-chain hiện đại đã khác. Chúng có thể hiểu ngữ cảnh, đặt câu hỏi ngược lại, và suy luận từ những mảnh vụn thông tin. Vậy tại sao chúng ta vẫn bám vào lối tư duy "prompt engineering" cũ kỹ? Bối cảnh: Andrej Karpathy, cựu CTO của OpenAI và hiện là nhà nghiên cứu tại Anthropic, gần đây đã xuất bản một ghi chú ngắn về cách ông sử dụng voice input để giao tiếp với AI. Thay vì gõ từng chữ, ông nói liên tục trong 10-15 phút, kể cả những suy nghĩ lộn xộn, rồi để AI tự động hỏi lại vài câu để làm rõ mục tiêu. Kết quả: một bản kế hoạch chi tiết, chất lượng cao, chỉ trong 20 phút. Phương pháp này không mới trong giới AI, nhưng nó gợi cho tôi một câu hỏi lớn: Nếu chúng ta áp dụng cách tiếp cận này vào phân tích on-chain thì sao? Thay vì viết một truy vấn SQL phức tạp hay một bộ lọc trên Nansen, hãy "nói chuyện" với dữ liệu blockchain như một người đồng nghiệp. Hãy mô tả trực giác của bạn, để AI tự tìm ra các chỉ số phù hợp và đặt câu hỏi để xác thực giả thuyết. Core — chuỗi bằng chứng on-chain: Tôi thử nghiệm. Lấy dữ liệu từ pool thanh khoản ETH-USDC trên Uniswap v3 trong 30 ngày qua. Tôi mở voice input và nói: "Mình thấy volume của pool này tăng đột biến hôm qua, nhưng giá ETH không thay đổi nhiều. Có thể có wash trading. Kiểm tra dùm phân phối giao dịch theo kích cỡ, xem có nhiều lệnh nhỏ lặp lại không. Và kiểm tra xem các địa chỉ có liên quan đến nhau không." Đây là một input cực kỳ lộn xộn: vừa có nhận xét, vừa có yêu cầu. Nhưng AI (GPT-4o với voice mode) đã hiểu. Nó hỏi lại: "Bạn muốn tập trung vào 24 giờ qua hay cả tuần? Có muốn loại trừ các giao dịch swap thông thường dưới $1000 không? Tôi sẽ tự động lọc các ví có cùng contract creation address." Sau 3-4 lượt hỏi-đáp ngắn, AI trả lời: "Có dấu hiệu wash trading: 17% volume đến từ 6 ví có hành vi giống bot, với lệnh mua-bán trong cùng block. Chi tiết: ví 0xabc... và 0xdef... đã swap qua lại tổng cộng 2.3 triệu USD trong 24h, lỗ ròng chỉ 0.2% phí. Tôi có thể xuất bảng." Tất cả chỉ trong 5 phút. Nếu tôi viết truy vấn SQL truyền thống, tôi mất 30 phút để debug. Nếu tôi dùng Nansen query bằng tay, mất 15 phút và bỏ sót nhiều pattern. Nhưng đừng ngây thơ. Phương pháp này có giới hạn. Tôi thử với một câu hỏi khác: "Phân tích token flow của dự án X sau khi huy động vốn, xem có bị dump không." AI trả lời rất nhanh, nhưng tôi phát hiện nó dùng dữ liệu từ một nguồn không đáng tin cậy (một API tổng hợp chậm 2 giờ). Nếu tôi chỉ hỏi mà không kiểm tra nguồn, tôi có thể đưa ra kết luận sai. Vấn đề: AI không có khái niệm về độ trễ dữ liệu on-chain. Nó mặc định dùng nguồn nhanh nhất, không phải nguồn chính xác nhất. Đây là rủi ro lớn. Contrarian — góc nhìn phản trực giác: Chúng ta thường nghĩ "prompt càng chi tiết, kết quả càng chính xác". Nhưng với on-chain, điều ngược lại đúng: càng chi tiết càng dễ bỏ sót. Bởi vì dữ liệu blockchain có tính không hoàn hảo — ví có thể bị kiểm soát bởi nhiều chủ thể, token có thể thay đổi contract, pool thanh khoản có thể bị front-run. Một prompt quá cụ thể sẽ buộc AI phải tuân theo những giả định sai lầm của bạn. Thay vào đó, để AI chủ động hỏi lại giúp bạn phát hiện ra những giả định ẩn mà bạn không nhận ra. Trong thử nghiệm của tôi, khi tôi nói "kiểm tra dump sau listing", AI đã hỏi: "Bạn muốn kiểm tra trong 24h sau listing hay 7 ngày? Có muốn so với hành vi của các dự án tương tự không?" — một câu hỏi tôi chưa từng nghĩ tới. Nó mở ra một hướng phân tích so sánh mà lẽ ra tôi đã bỏ qua. Nhưng mặt trái: AI có thể "over-question". Trong một lần khác, tôi yêu cầu "phân tích rủi ro của pool thanh khoản mới". AI hỏi 7 câu liên tiếp: loại tài sản? TVL? tuổi pool? token giả? tần suất swap? mức độ tập trung? liên kết với CEX? Tôi thấy phiền và mất tập trung. Điều này cho thấy chưa có một cân bằng tốt giữa hỏi và trả lời. Cần một cơ chế "nhiễu" (noise threshold) để AI chỉ hỏi khi thông tin thực sự thiếu yếu. Hiện tại, các mô hình đều có xu hướng hỏi quá nhiều vì được huấn luyện để "hữu ích". Takeaway — tín hiệu tuần tới: Phương pháp long-form verbal prompting là một bước tiến trong tương tác người-máy, và tôi tin nó sẽ được áp dụng rộng rãi vào phân tích blockchain trong vòng 3-6 tháng tới. Các nền tảng như Dune, Nansen, Glassnode đã có chat query bằng ngôn ngữ tự nhiên, nhưng họ chưa cho phép voice input liên tục và chưa có cơ chế AI hỏi lại. Đây là cơ hội cho các startup: xây dựng một "analyst copilot" có thể nghe bạn nói 10 phút về một giả thuyết thị trường, rồi tự động chạy query, kiểm tra nhiều nguồn, và xuất dashboard. Nhưng rủi ro đi kèm: AI có thể hiểu sai ngữ cảnh giá, dẫn đến hành động sai lầm trên chuỗi (ví dụ: ký giao dịch dựa trên phân tích ảo). Hãy luôn kiểm tra nguồn và lịch sử data. Một câu hỏi để kết thúc: Liệu chúng ta có sẵn sàng "nói chuyện" với dữ liệu blockchain như một chuyên gia, hay vẫn muốn gõ từng dòng lệnh như thời 2017? Lựa chọn là của bạn. Tôi thì đã bắt đầu nói rồi.