2025年世界著名博彩公司官网欧洲杯旅游团（www.suhlu.com）

GPT的横空出世将全球的眼神诱骗至谣言语模子皇冠下注，五行八作王人尝试着利用这个“黑科技”提高职责效率，加速行业发展。Future3 Campus联袂Footprint Analytics共同深入磋商AI与Web3结合的无尽可能，结伙发布了《AI与Web3数据行业统一近况、竞争阵势与改日机遇探析》研报。

该研报分为高下两篇，本文为上篇，由Footprint Analytics磋商员Lesley、Shelly共同编撰。下篇由Future3 Campus磋商员Sherry、Humphrey共同编撰。

提要：

LLM 技巧的发展让东说念主们愈加护理 AI 与 Web3 的结合，新的应用范式正在冉冉张开。本文中，咱们将重心磋商如何利用 AI 普及 Web3 数据的使用体验和坐褥效率。由于行业尚处早期阶段和区块链技巧的本性，Web3 数据行业濒临着诸多挑战，包括数据开始、更新频率、匿名属性等，使得利用 AI 责罚这些问题成为新护理点。LLM 相干于传统东说念主工智能的可扩展性、适合性、效率普及、任务分解、可访谒性和易用性等上风，为提高区块链数据的体验和坐褥效率提供了想象空间。LLM 需要大宗高质料数据进行磨真金不怕火，而区块链领域垂直常识丰富且数据公开，不错为 LLM 提供学习素材。LLM 也不错匡助坐褥和普及区块链数据的价值，举例数据清洗、标注、生成结构化数据等。LLM 不是万妙药，需要针对具体业务需求进行应用。既要利用 LLM 的高效率，同期也要戒备收尾的准确性。

1. AI 与 Web3 的发展与结合

1.1. AI 的发展历史

东说念主工智能（AI）的历史不错回顾到上个世纪 50 年代。自 1956 年起，东说念主们开动护理东说念主工智能这一领域，渐渐发展出了早期的大家系统，匡助专科领域责罚问题。尔后，机器学习的兴起，拓展了 AI 的应用领域，AI 开动更平时地应用在五行八作。到如今，深度学习和生成式东说念主工智能爆发，带给了东说念主们无尽可能性，其中的每一步王人充满了握住的挑战与革命，以追求更高的智能水柔顺更平时的应用领域。

图 1：AI 发展历程

2022 年 11 月 30 日，ChatGPT 面世，初度展示了 AI 与东说念主类低门槛、高效率交互的可能性。ChatGPT 激发了对东说念主工智能的更平时探讨，从头界说了与 AI 互动的方式，使其变得愈加高效、直不雅和东说念主性化，也鼓励了东说念主们对更多生成式东说念主工智能的护理，Anthropic（Amazon）、DeepMind（Google）、Llama 等模子也随后进入东说念主们的视线。与此同期，五行八作的从业者也开动积极探索 AI 会如何鼓励他们场地领域的发展，或者寻求通过与 AI 技巧的结合在行业中脱颖而出，进一步加速了 AI 在各个领域的浸透。

1.2. AI 与 Web3 的和会

Web3 的愿景从修订金融体系开动，旨在罢了更多的用户权力，并有望引颈当代经济和文化的革新。区块链技巧为罢了这一主张提供了坚实的技巧基础，它不仅从头遐想了价值传输和激励机制，还为资源分派和权力踱步提供了补助。

图 2：Web3 发展历程

早在 2020 年，区块链领域的投资公司 Fourth Revolution Capital（4RC）就曾指出，区块链技巧将和 AI 结合，通过对金融、医疗、电子商务、文娱等全球行业的去中心化，以罢了对现存行业的颠覆。

面前，AI 与 Web3 的结合，主淌若两大主张：

● 利用 AI 去普及坐褥力以及用户体验。

● 结合区块链透明、安全、去中心化存储、可回顾、可考据的技巧特色，以及 Web3 去中心化的坐褥关系，责罚传统技巧无法责罚的痛点或者激励社区参与，提高坐褥效率。

阛阓上 AI 与 Web3 的结合有以下的一些探索主张：

图 3：AI 与 Web3 结合全景图

● 数据：区块链技巧不错应用在模子数据存储上，提供加密数据集，保护数据秘籍和纪录模子使用数据的开始、使用情况，以及校验数据的信得过性。通过访谒和分析存储在区块链上的数据，AI 不错索求有价值的信息，并用于模子磨真金不怕火和优化。同期，AI 也不错手脚数据坐褥器用，去提高 Web3 数据的坐褥效率。

● 算法：Web3 中的算法不错为 AI 提供更安全、的确和自主限定的筹备环境，为 AI 体统提供加密保险，在模子参数上，内嵌安全驻防栏，谢绝系统被滥用或者坏心操作。AI 不错与 Web3 中的算法进行交互，举例利用智能合约奉行任务、考据数据和奉行决策。同期，AI 的算法也不错为 Web3 提供更智能化和高效的决策和服务。

● 算力：Web3 的踱步式筹备资源不错为 AI 提供高性能的筹备才略。AI 不错利用 Web3 中的踱步式筹备资源进行模子的磨真金不怕火、数据分析和展望。通过将筹备任务分发到相聚上的多个节点，AI 不错加速筹备速率，并处理更大规模的数据。

菠菜管理软件下载平台

在本文中，咱们将重心探索如何利用 AI 的技巧，去普及 Web3 数据的坐褥效率以及使用体验。

2. Web3 数据近况

2.1. Web2 & Web3 数据行业对比

手脚 AI 最中枢的构成部分“数据”，在 Web3 跟咱们熟悉的 Web2 很着好多的区别。各异主淌若在于 Web2 以及 Web3 自己的应用架构导致其产生的数据特征有所不同。

本周，道指涨5.07%，标普500指数涨5.85%，纳指涨6.61%。

皇冠客服飞机：@seo3687

2.1.1. Web2 & Web3 应用架构对比

图 4：Web2 & Web3 应用架构

在 Web2 架构中，往往是由单一实体（往往是一家公司）来限定网页或者 APP，公司关于他们构建的内容有着全王人的限定权，他们不错决定谁不错访谒其服务器上的内容和逻辑，以及用户领有怎么的权力，还不错决定这些内容在网上存在的时长。不少案例标明，互联网公司有权改变其平台上的轨则，以致中止为用户提供服务，而用户对此无法保留所创造的价值。

而 Web3 架构则借助了通用状态层（Universal State Layer）的看法，将一部分或者全部的内容和逻辑摒弃在全球区块链上。这些内容和逻辑是公开纪录在区块链上的，可供悉数东说念主访谒，用户不错平直限定链上内容和逻辑。而在 Web2 中，用户需要帐户或 API 密钥才智与区块链上的内容进行交互。用户不错平直限定其对应的链上内容和逻辑。不同于 Web2，Web3 用户无需授权帐户或 API 密钥就能与区块链上的内容进行交互（特定照应操作除外）。

2.1.2. Web2 与 Web3 数据特征对比

图 5：Web2 与 Web3 数据特征对比

中场博彩

Web2 数据往往证明为阻滞和高度受限的，具有复杂的权限限定，高度闇练、多种数据格式、严格效力行业标准，以及复杂的业务逻辑抽象。这些数据规模巨大，但互操作性相对较低，往往存储在中央服务器上，且不着重秘籍保护，大多数口角匿名的。

比较之下，Web3 数据愈加洞开，访谒权限更平时，尽管闇练度较低，以非结构化数据为主，标准化较为冷落，业务逻辑抽象相对简化。Web3 的数据规模相对 Web2 较小，但它具有较高的互操作性（比如 EVM 兼容），并可踱步或汇注存储数据，同期强调用户秘籍，用户往往经受匿名方式进行链上交互。

iba百家乐网址2.2. Web3 数据行业近况与远景，以及遭受的挑战

在 Web2 时期，数据如石油的“储量”般少见，访谒和获取大规模数据一直是极大的挑战。在 Web3 中，数据的洞开性和分享性一下子让民众以为“石油到处王人是”，使得 AI 模子大致更缓慢地获取更多的磨真金不怕火数据，这关于提高模子性能和智能水平至关远大。但对 Web3 这个“新石油” 的数据处理依然有好多问题待责罚，主要有以下几个：

● 数据开始：链上数据“标准”混乱踱步，数据处理铺张大宗东说念主工老本

处理链上数据时，需要反复奉行耗时而职业密集的索引过程，需要诱导者和数据分析师铺张大宗时候和资源来适合不同链、不同款式之间的数据各异。链上数据行业枯竭统一的坐褥和处理标准，除了纪录到区块链账本上的，events，logs，and traces 等王人基本上是款式我方界说和坐褥（或生成）的，这导致非专科来回者很难鉴别并找到最准确和的确的数据，增多了他们在链上来回和投资决策中的贫瘠。比如，去中心化来回所 Uniswap 和 Pancakeswap 就有可能在数据处理方法和数据口径上存在各异，过程中的查验和统一口径等工序进一步加大了数据处理的复杂性。

● 数据更新：链上数据体量大且更新频率高，难以实时地处理成结构化数据

区块链是时刻变动的，数据更新以秒以致毫秒级别计。数据的往往产生和更新使其难以保管高质料的数据处理和实时的更新。因此，自动化的处理经过是十分远大的，这亦然关于数据处理的老本和效率的一大挑战。Web3 数据行业仍处于低级阶段。跟着新合约的指不胜屈和迭代更新，数据枯竭标准、格式万般，进一步增多了数据处理的复杂性。

● 数据分析：链上数据的匿名属性，导致数据身份难以分离

链上数据往往不包含充足的信息来明晰识别每个地址的身份，这使得数据在与链下的经济、社会或法律动向难以联动。但是链上数据的动向与试验宇宙良好相干，了解链上行为与试验宇宙中特定个体或实体的关联性关于特定的场景比如数据分析来说十分远大。

跟着谣言语模子（LLM）技巧激发的坐褥力变更扣问，能否利用 AI 来责罚这些挑战也成为 Web3 领域的一个焦点护理之一。

3. AI 与 Web3 数据碰撞产生的化学响应

3.1. 传统 AI 与 LLM 的特征对比

在模子磨真金不怕火方面，传统 AI 模子往往规模较小，参数数目在数万到数百万之间，但为了确保输出收尾的准确性，需要大宗的东说念主工标注数据。LLM 之是以如斯强盛，部分原因在于其使用了海量的语料拟合百亿、千亿级以上的参数，极地面普及了它对当然话语的领悟才略，但这也意味着需要更多的数据来进行磨真金不怕火，磨真金不怕火老本很是腾贵。

在才略范围和运行方式上，传统 AI 更稳妥特定领域的任务，大致提供相对精确和专科的谜底。比较之下，LLM 更稳妥通用性任务，但容易产生幻觉问题，这意味着在一些情况下，它的修起可能不够精确或专科，以致完全失实。因此，如果需要和客不雅，的确任，和不错回顾的收尾，可能需要进行屡次查验、屡次磨真金不怕火或引入额外的纠错机制和框架。

图 6：传统 AI 与大模子话语模子（LLM）的特征对比

3.1.1. 传统 AI 在 Web3 数据领域的实践

新2会员信用网

传统 AI 如故在区块链数据行业展现了其远大性，为这一领域带来了更多革命和效率。举例，0xScope 团队经受 AI 技巧，构建了基于图筹备的群集分析算法，通过不同轨则的权重分派来匡助准确识别用户之间的相干地址。这种深度学习算法的应用提高了地址群集的准确性，为数据分析提供了更精确的器用。Nansen 则将 AI 用于 NFT 价钱展望，通过数据分析和当然话语处理技巧，提供谋划 NFT 阛阓趋势的视力。另一方面，Trusta Labs使用了基于金钱图谱挖掘和用户步履序列分析的机器学习方法，以增强其女巫检测责罚决策的可靠性和踏实性，有助于叹惋区块链相聚生态的安全。另一方面，Trusta Labs 经受了图挖掘和用户步履分析的方法，以增强其女巫检测责罚决策的可靠性和踏实性，有助于叹惋区块链相聚的安全。Goplus 在其运营中利用传统东说念主工智能来提高去中心化应用表率（dApps）的安全性和效率。他们相聚和分析来自 dApp 的安全信息，提供快速风险警报，匡助镌汰这些平台的风险敞口。这包括通过评估开源状态和潜在坏心步履等要素来检测 dApp 主公约中的风险，以及相聚详确的审计信息，包括审计公司字据、审计时候和审计论述蚁合。Footprint Analytics 则使用 AI 生成坐褥结构化数据的代码，分析 NFT 来回 Wash trading 来回以及机器东说念主账户筛选排查。

但是，传统 AI 领有的信息有限，专注于使用预定的算法和轨则奉行预设任务，而 LLM 则通过大规模的当然话语数据学习，不错领悟和生成当然话语，这使其更稳妥处理复杂且巨量的文本数据。

最近，跟着 LLM 取得了权臣进展，东说念主们对 AI 与 Web3 数据的结合，也进行了一些新的想考与探索。

3.1.2. LLM 的上风

LLM 相干于传统东说念主工智能具有以下上风：

● 可扩展性：LLM 补助大规模数据处理

LLM 在可扩展性方面证明出色，大致高效处理大宗数据和用户互动。这使其相配稳妥处理需要大规模信息处理的任务，如文分内析或者大规模数据清洗。其高度的数据处理才略为区块链数据行业提供了强盛的分析和应用后劲。

● 适合性：LLM 可学习适合多领域需求

LLM 具备非凡的适合性，不错为特定任务进行微调或镶嵌行业或独特数据库，使其大致飞速学习和适合不同领域的眇小离别。这一本性使 LLM 成为了责罚多领域、多用途问题的空想采用，为区块链应用的万般性提供了更平时的补助。

● 提高效率：LLM 自动化任务提高效率

LLM 的高效率为区块链数据行业带来了权臣的便利。它大致自动化底本需要大宗东说念主工时候和资源的任务，从而提高坐褥力并镌汰老本。LLM 不错在几秒内生成大宗文本、分析海量数据集，或奉行多种交流性任务，从而减少了恭候和处理时候，使区块链数据处理愈加高效。

● 任务分解：不错生成某些职责的具体缱绻，把大的职责分红小表率

LLM Agent 具备独特的才略，即不错生成某些职责的具体缱绻，将复杂任务分解为可照应的小表率。这一本性关于处理大规模的区块链数据和奉行复杂的数据分析任务相配成心。通过将大型职责分解成小任务，LLM 不错更好地照应数据处理经过，并输出高质料的分析。

这一才略关于奉行复杂任务的 AI 系统至关远大，举例机器东说念主自动化、款式照应和当然话语领悟与生成，使其大致将高等任务主张改动为详确的行动路子，提高任务奉行的效率和准确性。

● 可访谒性和易用性：LLM 以当然话语提供用户友好互动

LLM 的可访谒性使更多用户大致缓慢与数据和系统进行互动，让这些互动愈加用户友好。通过当然话语，LLM 使数据和系统更容易访谒和交互，无需用户学习复杂的技巧术语或特定敕令，举例，SQL，R，Python 等来作念数据获取和分析。这一本性拓宽了区块链应用的受众范围，让更多的东说念主大致访谒和使用 Web3 应用和服务，不论他们是否醒目技巧，从而促进了区块链数据行业的发展和普及。

3.2. LLM 与 Web3 数据的统一

图 7：区块链数据与 LLM 的统一

大型话语模子的培训需要依赖大规模数据，通过学习数据中的模式来建立模子。区块链数据中蕴含的交互和步履模式是 LLM 学习的燃料。数据量和质料也平直影响 LLM 模子的学习后果。

数据不单是是 LLM 的消耗品，LLM 还有助于坐褥数据，以致不错提供反馈。举例，LLM 不错协助数据分析师在数据预处理方面作念出孝敬，如数据清洗和标注，或者生成结构化数据，根除数据中的噪声，突显有用信息。

3.3. 增强 LLM 的常用技巧责罚决策

ChatGPT 的出现，不仅向咱们展示了 LLM 责罚复杂问题的通用才略，同期也激发了全球范围的，对在通用才略上去叠加外部才略的探索。这里包括，通用才略的增强（包括高下文长度、复杂推理、数学、代码、多模态等）以及外部才略的彭胀（处理非结构化数据、使用更复杂的器用、与物理宇宙的交互等）。如何将 crypto 领域的专有常识以及个东说念主的个性化独特数据嫁接到大模子的通用才略上，是大模子在 crypto 垂直领域买卖化落地的中枢技巧问题。

面前，大多数应用王人汇注在检索增强生成（RAG）上，比如教唆工程和镶嵌技巧，如故存在的代理器用也大多王人聚焦于提高 RAG 职责的效率和准确性。阛阓上主要的基于 LLM 技巧的应用栈的参考架构有以下几种：

● Prompt Engineering

图 8：Prompt Engineering

欧洲杯旅游团

刻下，大多数从业者在构建应用时经受基础责罚决策，即 Prompt Engineering。这一方法通过遐想特定的 Prompt 来改变模子的输入，以倨傲特定应用的需求，是最方便快捷的作念法。但是，基础的 Prompt Engineering 存在一些死心，如数据库更新不足时、内容冗杂、以及对输入高下文长度（In-Context Length）的补助和多轮问答的死心。

因此，行业内也在磋商更先进的改进决策，包括镶嵌（Embedding）和微调（Fine-tuning）。

● 镶嵌（Embedding）

镶嵌（Embedding）是一种平时应用于东说念主工智能领域的数据默示方法，能高效拿获对象的语义信息。通过将对象属性映射成向量表情，镶嵌技巧大致通过分析向量之间的互相干系，快速找到最有可能正确的谜底。镶嵌不错在 LLM 的基础上构建，以利用该模子在平时语料上学到的丰富话语常识。通过镶嵌技巧将特定任务或领域的信息引入到预磨真金不怕火的大模子中，使得模子更专科化，更适合特定任务，同期保留了基础模子的通用性。

皇冠hg86a

用庸碌的话来讲，镶嵌就近似于你给一个经过综合磨真金不怕火的大学生一册器用书，让他拿着领有特定任务相干常识的器用书去完成任务，他不错随时查阅器用书，然后不错责罚特定的问题。

● 微调（Fine-tuning）

图 9：Fine Tuning

微调（Fine-tuning）与镶嵌不同，通过更新如故预磨真金不怕火的话语模子的参数，使其适合特定任务。这种方法允许模子在特定任务上证明出更好的性能，同期保持通用性。微调的中枢想想是调养模子参数，捕捉与主张任务相干的特定模式和关系。但微调的模子通用才略上限仍然受限于基座模子自己。

用庸碌的话来讲，微调就近似于给经过综合磨真金不怕火的大学生上专科常识课程，让他掌捏除了综合才略之外的专科课常识，能自行责罚专科板块的问题。

● 从头磨真金不怕火 LLM

刻下的 LLM 固然强盛，但不一定大致倨傲悉数需求。从头磨真金不怕火 LLM 是一种高度定制化的责罚决策，通过引入新数据集和调养模子权重，使其更适合特定任务、需求或领域。但是，这种方法需要大宗筹备资源和数据，况且照应和叹惋从头磨真金不怕火后的模子亦然挑战之一。

www.suhlu.com

● Agent 模子皇冠下注

图 10：Agent 模子

Agent 模子是一种构建智能代理的方法，它以 LLM 手脚中枢限定器。这个系统还包括几个关节构成部分，以提供更全面的智能。

● Planning，缱绻：将大任务分红小任务，这么更容易完成

● Memory，反想：通过反想昔时的步履，改进改日的缱绻

● Tools，器用使用：代理不错调用外部器用获取更多信息，如调用搜索引擎、筹备器等

东说念主工智能代理模子具备强盛的话语领悟和生成才略，大致责罚通用问题，进行任务分解以及自我反想。这使得它在万般应用中王人有平时的后劲。但是，代理模子也存在一些局限性，举例受到高下文长度的死心、永恒缱绻和任务拆分容易出错、输出内容的可靠性不踏实等问题。这些局限性需要永恒握住的磋商和革命，以进一步拓展代理模子在不同领域的应用。

以上的万般技巧并不是互相摈弃的，它们不错在磨真金不怕火和增强兼并个模子的过程中一说念使用。诱导者不错充分证明现存谣言语模子的后劲，尝试不同的方法，以倨傲日益复杂的应用需求。这种综合使用不仅有助于提高模子的性能，还有助于鼓励 Web3 技巧的快速革命和最初。

但是，咱们认为，固然现存的 LLM 如故在 Web3 的快速发展中证明了远大作用，但在充分尝试这些现存模子（如 OpenAI、Llama 2 以过甚他开源 LLM）之前，咱们不错从浅入深，从 prompt engineering 和镶嵌等 RAG 策略脱手，严慎研讨微协调从头磨真金不怕火基础模子。

3.4. LLM 如何加速区块链数据坐褥的各个经过

3.4.1. 区块链数据的一般处理经过

面前，区块链领域的设立者渐渐意志到数据居品的价值。这一价值袒护了居品运营监控、展望模子、保举系统以及数据驱动的应用表率等多个领域。尽管这一解析渐渐增强，但手脚数据获取到数据应用中不可或缺的关节表率，数据处理不异被忽视。

图 11：区块链数据处理经过

● 将区块链原始非结构化数据，如 events 或 logs 等，调养为结构化的数据

区块链上的每一笔来回或事件王人会生成 events 或 logs，这些数据往往口角结构化的。这一表率是获取数据的第一进口，但数据仍然需要被进一步处理以索求有用信息，得到结构化的原始数据。这包括整理数据、处理很是情况和改动为通用格式。

世界著名博彩公司官网

● 将结构化的原始数据，调养为具有业务意旨的抽象表

在得到结构化原始数据后，需要进一步进行业务抽象，将数据映射到业求实体和方针上，比如来回量、用户量等业务方针，将原始数据改动为对业务和决策特意旨的数据。

● 从抽象表中，筹备索求业务方针

有了抽象的业务数据后，不错在业务抽象的数据上进行进一步筹备，就不错得出万般远大的繁衍方针。举例来回总数的月增长率、用户留存率等中枢方针。这些方针不错借助 SQL、Python 等器用罢了，愈加有可能匡助监控业务健康、了解用户步履和趋势，从而补助决策和计谋缱绻。

皇冠体育版源码

3.4.2. 区块链数据生成经过加入 LLM 后的优化

LLM 在区块链数据处理中不错责罚多个问题，包括但不限于以下内容：

处理非结构化数据：

● 从来回日记和事件中索求结构化信息： LLM 不错分析区块链的来回日记和事件，索求其中的关节信息，如来回金额、来回方地址、时候戳等，将非结构化数据改动为的带有业务意旨的数据，使其更易于分析和领悟。

● 清洗数据，识别很是数据： LLM 不错自动识别和清洗不一致或很是的数据，匡助确保数据的准确性和一致性，从而提高数据质料。

进行业务抽象：

● 将原始链上数据映射到业求实体： LLM 不错将原始区块链数据映射到业求实体，举例将区块链地址映射到本色用户或金钱，从而使业务处理愈加直不雅和有用。

● 处理非结构化链上内容，打标签： LLM 不错分析非结构化数据，如 Twitter 情态分析收尾，将其标识为正面、负面或中性情态，从而匡助用户更好地领悟酬酢媒体上的情态倾向。

当然话语解读数据：

● 筹备中枢方针：基于业务抽象，LLM 不错筹备中枢业务方针，如用户来回量、金钱价值、阛阓份额等，以匡助用户更好地了解其业务的关节性能。

● 查询数据： LLM 不错通过 AIGC，领悟用户意图，生成 SQL 查询，使用户大致以当然话语提议查询申请，而不必编写复杂的 SQL 查询语句。这增多了数据库查询的可访谒性。

● 方针采用、排序和相干性分析： LLM 不错匡助用户采用、排序和分析不同的多个方针，以更好地领悟它们之间的关系和相干性，从而补助更深入的数据分析和决策制定。

一位名声在外的足球明星因为在皇冠体育上下了赌注而引起轩然大波，不少人开始对他产生了质疑。

● 产生业务抽象的当然话语神情： LLM 不错根据事实数据，生成当然话语提要或解说，以匡助用户更好地领悟业务抽象和数据方针，提高可解说性，并使决策更具合感性。

3.5. 面前用例

根据 LLM 自身的技巧以及居品体验上风，它不错被应用到不同的链上数据场景，技巧上从易到难不错将这些场景分红四类：

● 数据调养：进行数据增强、重构等操作，如文本提要、分类、信息抽取。这类应用诱导较快，但更稳妥通用场景，不太稳妥大宗数据的简便批量化处理。

● 当然话语接口：将 LLM 攀附常识库或器用，罢了问答或基本器用使用的自动化。这不错用于构建专科聊天机器东说念主，但其本色价值受其所攀附的常识库质料等其他要素影响。

● 职责流自动化：使用 LLM 罢了业务经过的标准化和自动化。这不错应用于较复杂的区块链数据处理经过，如解构智能合约运行过程、风险识别等。

● 协助机器东说念主与助手辅助系统：辅助系统是在当然话语接口的基础上，集成更多数据源和功能的增强系统，大幅提高用户职责效率。

图 12：LLM 应用场景

3.6. LLM 的局限性

3.6.1. 行业近况：闇练应用、正在攻克的问题以及尚未责罚的挑战

在 Web3 数据领域，尽管如故取得了一些远大的进展，但仍然濒临一些挑战。

相对闇练的应用：

● 使用 LLM 进行信息处理：LLM 等 AI 技巧已顺利用于生成文本提要、回首、解说等职责，匡助用户从长篇著作、专科论述中索求关节信息，提高了数据的可读性和可领悟性。

● 使用 AI 责罚开提问题： LLM 如故应用于责罚诱导过程中的问题，举例替代StackOverflow 或搜索引擎，为诱导者提供问题解答和编程补助。

有待责罚与正在探索的问题：

● 利用 LLM 生成代码：行业正在奋勉将 LLM 技巧应用于当然话语到 SQL 查询话语的调养，以提高数据库查询的自动化和可领悟性。但是，过程中会有好多贫瘠，比如在某些情境下，生成的代码条目极高的准确性，语法必须百分之百正确，以确保表率大致无 bug 运行，并赢得正确的收尾。难点还包括确保问题修起的顺利率、正确率，以及对业务的深入领悟。

● 数据标注问题：数据标注关于机器学习和深度学习模子的磨真金不怕火至关远大，但在 Web3 数据领域，卓越是处理匿名的区块链数据时，标注数据的复杂性较高。

● 准确性和幻觉（Hallucination）问题：AI 模子中幻觉的出现可能受多要素影响，包括有偏见或不足的磨真金不怕火数据、过度拟合、有限的高下文领悟、枯竭领域常识、顽抗性报复和模子架构。磋商东说念主员和诱导者需要握住改进模子的磨真金不怕火和校准方法，以提高生成文本的的确度和准确性。

● 利用数据进行业务分析和著作输出：将数据用于业务分析和生成著作仍然是一个具有挑战性的问题。问题的复杂性、需要尽心遐想的教唆（prompt）、以及高质料的数据、数据量、减少幻觉问题的方法王人是待责罚的问题。

● 根据业务领域自动索引智能公约数据以进行数据抽象：自动为不同行务领域的智能公约数据建立索引以进行数据抽象仍然是一个未责罚的问题。这需要综合研讨不同行务领域的特色，以及数据的万般性和复杂性。

● 处理时序数据，表格文档数据等更复杂的模态：DALL·E 2 等多模态模子相配擅长在笔墨生成图像、语音等常见模态。而在区块链以及金融领域需要卓越地对待一些时序数据，而非简便地把文本向量化就能责罚。联和时序数据与文本，跨模态结伙磨真金不怕火等，是罢了数据智能分析以及应用的远大磋商主张。

3.6.2. 为何只靠 LLM 不行无缺责罚区块链数据行业的问题

手脚话语模子，LLM 更适用于处理对畅达度条目较高的场景，而在追求准确性方面，可能需要对模子进行更进一步的调养。在将 LLM 应用于区块链数据行业时，以下框架可提供一些参考。

图 13：区块链数据行业下 LLM 输出的畅达性、准确性和用例风险

在评估 LLM 在不同应用中的适用性时，护理畅达度和准确性是至关远大的。畅达度指的是模子的输出是否当然、领悟，准确性则默示模子的谜底是否准确。这两个维度在不同应用场景中有不同的条目。

关于畅达度条目较高的任务，如当然话语生成、创意写稿等，LLM 往往大致胜任，因为其在当然话语处理方面的强盛性能使其大致生成畅达的文本。

区块链数据濒临着数据解析、数据处理、数据应用等多方面的问题。LLM 领有非凡的话语领悟和推理才略，使其成为与区块链数据互动、整理和抽象的空想器用。但是，LLM 并不行责罚悉数区块链数据领域的问题。

在数据处理方面，LLM 更稳妥快速迭代和探索性处理链上数据，握住尝试新的处理方法。但是，LLM 在坐褥环境中的详确查平等任务方面仍存在一些死心。典型的问题是 token 长度不够，无法支吾长高下文的内容。耗时的 prompt，修起不踏实影响卑鄙任务进而导致顺利率不踏实的问题，以及奉行多半量任务的效率不高。

其次，LLM 处理内容的过程中很可能出现幻觉问题。据计算，ChatGPT 的幻觉概率约为 15% 至 20%，而由于其处理过程的不透明性，好多失实难以察觉。因此，框架的建立和大家常识的结合变得至关远大。此外，LLM 结合链上数据如故有好多挑战：

● 链上数据实体类型多、数目巨大，以何种表情投喂给 LLM，有用地诓骗在具体的买卖化场景，近似其他垂直行业，需要更多磋商和探索。

● 链上数据包括结构化和非结构化数据，面前行业大多数数据责罚决策，王人是基于对业务数据的领悟。解析链上数据的过程中，用 ETL 去过滤，清洗，补充和规复业务逻辑，进一步把非结构化数据整理为结构化数据，不错为后期多种业务场景提供更高效的分析。比如，结构化的 DEX trades，NFT marketplace transactions，wallet address portfolio 等，就具有前边提到的高质料，高价值，准确和信得过等特色，不错给通用 LLM 提供高效的补充。

4. 被扭曲的 LLM

4.1. LLM 不错平直处理非结构化数据，因此结构化数据将不再被需要？

LLM 往往基于海量文本数据预磨真金不怕火而来，自然稳妥处理各样非结构化的文本数据。但是，各个行业如故领有大宗结构化数据，尤其 Web3 领域中解析后的数据。如何有用的利用这些数据，增强 LLM，是一个行业的热点磋商课题。

关于 LLM，结构化数据仍然具有以下的上风：

● 海量：大宗的数据储存在万般应用背后的数据库和其他标准格式内部，卓越是独特数据。每个公司和行业王人还有大宗 LLM 莫得用于预磨真金不怕火的墙内数据。

● 已有：这些数据不需要从头坐褥，参加老本极低，唯独的问题是何如用起来。

● 高质料和高价值：领域内永恒积攒的，蕴含大家的专科常识，往往王人千里淀到了结构化数据内部，用于产学研。结构化数据的质料是数据可用性的关节，其中包括数据的完整性、一致性、准确性、唯独性和事实性。

● 高效率：结构化数据以表格、数据库或其他范例格式存储，模式是事先界说的，况且在通盘数据汇注保持一致。这意味着数据的格式、类型和关系王人是可展望和可控的，使得数据的分析和查询愈加简便和可靠。而且，行业如故有闇练的 ETL 及万般数据处理和照应器用，使用起来也愈加高效和方便。LLM 不错通过 API，把这些数据使用起来。

● 准确性和事实性：LLM 的文本数据，基于 token 概率，面前还不行踏实的输出确切的谜底，产生的幻觉问题一直是 LLM 要责罚的中枢根柢问题。关于好多行业和场景，会酿成安全和可靠性问题，比如，医疗，金融等。结构化数据，恰是不错辅助和矫正LLM 这些问题的一个主张。

● 体现关系图谱，和特定业务逻辑：不同类型的结构化数据，不错以特定的组织表情（关系型数据库，图数据库等），输入到 LLM，责罚不同类型的领域问题。结构化数据使用标准化的查询话语（如 SQL），使得对数据进行复杂的查询和分析变得愈加高效和准确。常识图谱 (Knowledge Graph) 不错更好地抒发实体之间的关系，也更容易进行关联查询。

● 使用老本低：无用 LLM 每次从头从底层从头磨真金不怕火通盘底座模子，不错结合 Agents 和LLM API 等 LLM 赋能方式，更快更低老本的接入 LLM。

面前阛阓上还有一些脑洞掀开的不雅点，认为 LLM 在处理文本信息和非结构化信息方面的才略极强，只需将原始数据，包括非结构化数据，简便导入到 LLM，就能达到目的。这个想法近似于条目通用 LLM 解数学题，在莫得专门构建数学才略模子的情况下，大多数 LLM 可能会在处理简便的小学加减题时出错。反而，建立近似数学才略模子，和图像生成模子的 Crypto LLM 垂直模子，才是责罚 LLM 在 Crypto 领域更落地的实践。

4.2. LLM 不错从头闻、推迥殊笔墨信息推测内容，东说念主们不再需要链上数据分析来得出论断？

LLM 固然不错从头闻、酬酢媒体等文本中赢得信息，但平直从链上数据中赢得的瞻念察仍然是不可或缺的，主要原因有:

● 链上数据是原始的第一手资讯，而新闻和酬酢媒体中的信息可能存在单方面性或误导性。平直分析链上数据不错减少信息偏差。尽管利用 LLM 进行文分内析存在领悟偏差的风险，但平直分析链上数据不错减少误读。

● 链上数据包含全面的历史交互和来回纪录，分析不错发现永恒趋势和模式。链上数据还不错展现通盘生态系统的全貌，如资金流向、各方关系等。这些宏不雅的瞻念察有助于更深入地领悟景况。而新闻和酬酢媒体信息往往更脱落且短期。

● 链上数据是洞开的。任何东说念主王人不错考据分析收尾，幸免信息的不合称。而新闻和酬酢媒体偶然王人果真显露。文本信息和链上数据不错互相考据。综合两者不错酿成更立体和准确的判断。

链上数据分析仍是不可或缺的。LLM 从文本中获取信息具有辅助作用，但不行取代平直分析链上数据。充分利用两者上风才智取得最好后果。

4.3. 利用 LangChain、LlamaIndex 或其他 AI 器用，在 LLM 的基础上构建区块链数据责罚决策相配容易？

LangChain 和 LlamaIndex 等器用为构建自界说的简便 LLM 应用提供了便利，使快速搭建成为可能。但是，将这些器用顺利应用于本色坐褥环境中触及到更多的挑战。构建一个高效运行、保持高质料的 LLM 应用是一项复杂的任务，需要深入领悟区块链技巧和 AI 器用的职责旨趣，并有用地将它们整合在一说念。这关于区块链数据行业来说，是一项远大但具有挑战性的职责。

在这个过程中，必须意志到区块链数据的本性，它条目极高的精确性和可交流校验性。一朝数据通过 LLM 进行处理和分析，用户对其准确性和的确度有很高的祈望。这与 LLM 的暧昧容错性之间存在着潜在的矛盾。因此，在构建区块链数据责罚决策时，必须仔细量度这两方面的需求，以倨傲用户的祈望。

刻下阛阓上，固然如故有了一些基础器用，但这个领域仍在快速演进和握住迭代。类比于 Web2 宇宙的发展历程，从最初的 PHP 编程话语到更闇练、可扩展的决策如 Java、Ruby、Python，以及 JavaScript 和 Node.js 等，再到 Go 和 Rust 等新兴技巧，王人阅历了握住的演变。AI 器用也在握住变化，新兴的 GPT 框架如 AutoGPT，Microsft AutoGen，及最近OpenAI 我方推出的 ChatGPT 4.0 Turbo 的 GPTs 和 Agents 等只是展示了改日可能性的一部分。这标明，区块链数据行业和 AI 技巧王人还有许多发展空间，需要握住奋勉和革命。

刻下在应用 LLM 时，有两个罗网需要卓越戒备：

● 祈望值过高：好多东说念主认为 LLM 不错责罚一切问题，但本色上 LLM 有彰着的局限性。它需要大宗的筹备资源，磨真金不怕火老本腾贵，而且磨真金不怕火过程可能不踏实。对 LLM 的才略要有试验的祈望，昭彰它在某些场景下证明出色，如当然话语处理和文本生成，但在其他领域可能无法胜任。

● 忽视业务需求：另一个罗网是强行应用 LLM 技巧，而不充分研讨业务需求。在应用 LLM 之前，务必明确具体的业务需求。需要评估 LLM 是否是最好技巧采用，并作念好风险评估和限定。强调 LLM 的有用应用需要根据本色情况正式研讨，幸免误用。

尽管 LLM 在许多领域王人具备巨大后劲皇冠下注，但诱导者和磋商者在应用 LLM 时需要保持严慎，选用洞开的探索作风，以找到更稳妥的应用场景并最猛进度地证明其上风。