Meme 交易产品最容易做成一个“涨幅榜加几个标签”的页面。它能制造强烈的机会感，却没有回答三个更关键的问题：
- 这个币为什么进入候选？
- 这些数据到底有多可信？
- 哪些结论是链上事实，哪些只是叙事推断？
我在设计 Meme Radar 时，把产品定位成只读研究台，而不是交易执行器。这个边界看似保守，实际迫使产品先把“发现质量”做扎实：不保存私钥、不签名、不广播，也不把模型输出包装成交易建议。
我把一条候选拆成五层
我采用的流程是：
候选发现
→ 地址归一化与同链去重
→ 市场和链上字段合并
→ 风险排除与确定性评分
→ 叙事证据附加候选层可以来自多个公开市场、RPC 或区块浏览器。数据进入系统后，首先按“链 + 合约地址”归一化，而不是按名称或 Symbol 合并。Meme 重名、仿盘和迁移很常见，名字相同并不代表交易的是同一资产。
统一后的指标包括流动性、市值、成交量、独立交易者、聪明钱包参与、短时动量、Token 年龄、持仓集中度和合约控制权等。我给数据层定了一条硬规则：未知必须是 null，不能用 0 代替。
“没有聪明钱买入”和“数据源没有覆盖聪明钱”是完全不同的产品含义。如果都显示为 0，用户会把数据缺口误判为确定事实。
分数回答“结构如何”，置信度回答“我有多确定”
评分模型由市场质量、资金参与、动量和早期质量构成，再叠加风险扣分。每一项都输出输入值、归一化值、权重与贡献，前端只负责展示，不在浏览器里重新计算权威分数。
但我没有把“数据完整度”揉进总分。原因是一个 80 分、置信度 35 的候选，与一个 65 分、置信度 90 的候选，不应该被解释成前者更优。前者更可能只是少数亮眼字段叠加大量未知。
因此系统同时给出：
- 结构分：基于当前可用指标计算；
- 置信度：由字段完整度、关键字段多源一致性和数据新鲜度构成；
- 风险状态：正常、扣分或排除；
- 数据警告：字段冲突、来源降级、快照过期等。
这四个维度比单一总分更接近真实决策过程。总分负责排序，置信度负责控制措辞和筛选门槛，风险状态决定是否允许进入排名。
风险不是都应该“扣几分”
我把风险分成两级。
Level 1 是可解释的软风险，例如持仓集中、短时波动过大、Mint/Freeze 权限仍然存在、合约未验证或关键指标缺失。它们会扣分，但候选仍可以展示。
Level 2 是硬排除，例如已确认蜜罐、不可交易、没有可执行路由、地址身份冲突或可靠来源标记为恶意。此时系统返回“排除原因”，而不是给一个看似普通的 0 分。
这是产品语义上的重要区别：0 分仍像一个可比较的资产；“不可排名”则明确告诉用户，这个对象没有资格进入同一决策集合。
AI 最适合补充叙事，不适合填补事实
AI 在 Meme 场景里很有价值，因为社区事件、人物梗、上所传闻和风险舆情变化很快。但它最危险的用法，是拿自然语言去补齐价格、持仓、钱包行为等确定性字段。
我的做法是把 AI 放在独立叙事层：
- 查询时优先使用链和合约地址，而不是 Symbol；
- 输出必须包含身份匹配、摘要、叙事标签、事件、风险标记和来源链接；
- 没有可访问来源，叙事置信度就是 0；
- AI 不得写回价格、流动性、持有人或聪明钱指标；
- AI 失败时，候选发现和确定性评分仍然可用。
在这套分工里，AI 负责整理“市场正在讲什么”；“链上发生了什么”仍由数据源回答。
少给一个误导，比多塞一项数据更有用
一个可信的 Meme 产品既要提高发现速度，也要设计好“不知道”“有冲突”“已过期”和“不可交易”的状态。高噪音环境里，用户记住的往往是产品有没有帮他识别错误确定性。
如果让我继续迭代，我会重点观察四类指标：
- 候选进入关注列表的转化率，而非页面点击率；
- 高分低置信候选的后续验证结果；
- 风险排除原因的分布与误杀率；
- 数据源冲突被用户复核后的纠正率。
热榜可以带来第一眼，解释性和边界感才会建立长期信任。
本文来自个人只读研究项目的产品与工程复盘，不构成投资建议，也不代表任何实盘收益。
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。
