在加密研究里，最容易想到的 AI 用法是让模型回答“会不会涨”。这也是最危险的起点。价格、余额、持仓和成交属于需要确定来源与时间戳的事实，语言模型擅长生成连贯文本，却不能天然保证这些字段真实、完整和最新。
我在 Obsidian 里把这条工作流写成“AI 整理，程序核验，人来决定”。它能省下重复筛选的时间，也让每条结论留在可复核的证据上。
AI 适合处理高噪音信息
推文、项目公告、社区讨论和链上事件的表达形式不同。LLM 可以帮助完成：
- 抽取人物、项目、代币地址、时间与事件；
- 把多条讨论聚合为叙事主题；
- 识别互相矛盾的说法与待核验问题；
- 生成反证清单，而不是只总结支持理由；
- 把自然语言转换为稳定的 JSON 结构。
输出结构至少应包含来源链接、抓取时间、实体标识、事实摘要、推断、风险和置信度。没有来源的结论只能进入“待验证”，不能写进确定性字段。
代码负责事实，规则负责风控
价格、流动性、持仓集中度、交易状态和合约权限应由 RPC、索引器或官方 API 提供。确定性代码负责校验类型、时间、新鲜度和跨源冲突；规则引擎负责 Pass、Watch、Hold 或 Skip。
这套分工很重要。模型可以说“社区正在讨论某个叙事”，但不能自行填入“流动性安全”或“Smart Money 已确认买入”。如果 AI 服务不可用，链上事实和风险门仍应独立工作，而不是让整个研究台失去判断能力。
人工复核是责任交接点
AI 整理后的对象需要经过三类复核：
- 身份复核：代币地址、链和官方账号是否对应；
- 事实复核：关键数字能否在第二来源重现；
- 反向复核：有没有足以推翻当前叙事的证据。
研究记录还应保存“不交易理由”。长期看，放弃原因比成功故事更有价值，因为它能帮助发现数据缺口、误报模式和情绪触发点。
执行层必须是显式授权的状态机
如果未来接入 Paper Trading 或受控执行，最小流程也应包括：生成意图、读取风险限制、模拟报价、人工确认、提交、链上确认、余额对账和异常冻结。模型不持有私钥，不绕过限额，也不能在上一步结果未知时自动重试。
“工具能下单”与“模型被允许下单”是两件完全不同的事。权限、审计和停止条件必须先于自动化。
AI 在交易研究中的价值，是把人的注意力从重复整理转移到核验与判断。它是研究杠杆，不是责任主体，更不是收益承诺。
来源说明：本文由个人 Obsidian 中标记为 2026-05-09 的加密研究工作流公开化改写。原笔记中的本机基础设施信息和缺乏日志支持的效率数字已删除。
研究边界：本文用于产品与机制研究，不构成投资建议；涉及的策略表现仅代表历史回放、Shadow 或 Paper Trading 结果。
