«پایان توهمات عددی»؛ استراتژی جدید Legate برای داده‌های کریپتو

یک قیمت اشتباه اما با اطمینان، در معاملات دارایی‌های دیجیتال بسیار خطرناک‌تر از نبودِ پاسخ است. اگر امروز یک تحلیلگر بازار هستید و از دستیارهای هوش مصنوعی برای استخراج قیمت‌ها استفاده می‌کنید، احتمالاً با توهمات عددی ناشی از داده‌های قدیمی آموزش مدل دست‌وپنجه نرم کرده‌اید. در واقع، اکثر دستیارهای «AI Crypto» با ارائه قیمتی با اطمینان کامل یا ارزش بازار (Market Cap) خاصی که از داده‌های آموزشی چندین ماه پیش استخراج شده، شکست می‌خورند.

برای حل این مشکل، توسعه‌دهنده‌ای ابزار Legate را عرضه کرد؛ یک ابزار پژوهشی که طراحی شده تا شکاف‌های عددی را به‌جای محرکی برای ابداع پاسخ، به‌عنوان نقاط داده (Data Points) شناسایی کند. هدف اصلی Legate این است که تضمین کند هر عدد مستقیماً به یک منبع زنده و به‌روز بازگردد. اگر داده‌ای یافت نشود، سیستم به‌جای اختراع آن، صادقانه پذیرش می‌کند که اطلاعات در دسترس نیست.

طبق گزارش وب‌سایت dev.to، اکثر دستیارهای کریپتویی به دلیل تکیه بر داده‌های داخلی یا استفاده از یک پرامپت واحد و بیش از حد شلوغ که واقعیت‌های کمی را با احساسات اجتماعی خلط می‌کند، شکست می‌خورند. Legate با جداسازی کامل مدل استدلالی (Reasoning Model) از فرآیند بازیابی داده‌ها، این مشکل را حل کرده است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، جداسازی لایه‌ی منطق از لایه‌ی داده، کلید رسیدن به پاسخ‌های قابل‌اعتماد است. در این سیستم، هیچ عاملی به‌طور مستقیم API را فراخوانی نمی‌کند؛ بلکه یک لایه‌ی پنهان (Hidden Layer) وظیفه‌ی دریافت داده‌ها را بر عهده دارد.

خط لوله‌ی ۵ عاملی

Legate برای جلوگیری از شکست‌های رایج در «پرامپت‌های واحد و بزرگ» — جایی که یک مدل سعی می‌کند قیمت، امنیت و احساسات بازار را به‌طور هم‌زمان و در یک مرحله مدیریت کند — وظایف را بین ۵ نقش متوالی تقسیم کرده است:

• فرمانده (Commander): موضوع را به سه پرس‌وجوی (Query) مشخص تجزیه کرده و موجودیت را در دسته‌های توکن، زنجیره، پروتکل یا روایت (Narrative) طبقه‌بندی می‌کند. همچنین نشانه‌های حیاتی مانند آدرس قراردادها، نمادها (Tickers) یا نام‌های کاربری را استخراج می‌کند. فرمانده به‌عنوان یک دروازبان عمل می‌کند؛ اگر کاربر درخواست نامرتبطی (مثلاً نوشتن شعر یا تلاش برای نشت دادن پرامپت‌های سیستم) داشته باشد، فرمانده در همان ابتدا درخواست را رد می‌کند تا هزینه پردازشی یک درخواست خارج از موضوع، به‌جای پنج فراخوانی LLM، تنها یک فراخوانی باشد.
• پیشاهنگ (Scout): این عامل به‌طور تخصصی روی رصد اخبار و پیگیری روایت‌های جاری بازار تمرکز دارد.
• تحلیل‌گر (Analyst): این بخش کاملاً کمی (Quantitative) عمل می‌کند. تمرکز آن بر قیمت، نقدینگی، TVL، عرضه و تمرکز دارندگان (Holder Concentration) است. در این مرحله هیچ جست‌وجوی وب اجازه‌ی دسترسی ندارد و مدل فقط از داده‌های ساختاریافته استفاده می‌کند.
• نگهبان (Sentinel): وظیفه این عامل رصد نبض اجتماعی در توییتر، ردیت و انجمن‌های حاکمیتی (Governance Forums) است.
• سنتزکننده (Synthesizer): یافته‌های سه بخش قبلی را با هم ترکیب کرده و یک گزارش نهایی (Briefing) تهیه می‌کند که بخش‌های آن بر اساس نوع موضوع به‌طور تطبیقی تنظیم می‌شوند.

اصلاح زیرساخت حقیقت

نوآوری اصلی در «ترکیب‌کننده پرونده» (Dossier Composer) است که به حدود ۱۴ ماژول منبع متصل می‌شود. این منابع شامل CoinGecko، DexScreener، DefiLlama، Helius و Etherscan هستند. این ارتباطات با استفاده از Promise.allSettled مدیریت می‌شوند و برای هر منبع زمان‌بندی (Timeout) خاص و یک نوع بازگشتی مشخص به نام WithFreshness<T> | null تعریف شده است. این رویکرد تأکید می‌کند که در دنیای امروز، دقت در ارجاع و شفافیت منابع بیش از هر چیز اهمیت دارد؛ مشابه آنچه در تغییر استراتژی مستندات برای افزایش نرخ ارجاعات در Perplexity مشاهده شد و نشان داد که حذف محتوای SEO-محور به‌نفع شفافیت، اعتماد کاربر را جلب می‌کند.

برای تضمین صداقت اعداد، دو قانون سخت‌گیرانه اجرا می‌شود:
اول اینکه منابع هرگز خطا (Throw) نمی‌اندازند؛ یعنی اگر محدودیت نرخ درخواست (Rate Limits)، خطاهای 4xx یا قطع اتصال رخ دهد، مقدار null بازگردانده شده و سیستم به‌سادگی از آن عبور می‌کند تا یک API کند، کل فرآیند را متوقف نکند.
دوم، هر مقدار همراه با متادیتای تازگی شامل { source, sampledAt, endpoint, cached } ارسال می‌شود. این داده‌ها تا انتهای گزارش باقی می‌مانند و سنتزکننده در نهایت یک جدول «تازگی داده‌ها» (Data Freshness Table) را اضافه می‌کند تا کاربر دقیقاً بداند هر قیمت در چه زمانی و از کدام نقطه استخراج شده است.

بسیار حیاتی است که وقتی منبعی در دسترس نیست، سیستم عبارت «Sources unavailable: x, y» را مستقیماً در متن مارک‌داونی که مدل می‌خواند درج کند. این رویت اجباریِ فقدان داده، مانع از آن می‌شود که مدل حفره‌های اطلاعاتی را با داستان‌های تخیلی بپوشاند. همچنین برای جلوگیری از تزریق پرامپت (Prompt Injection) — جایی که توییترها یا تکه‌های خبری شخص ثالث سعی می‌کنند کنترل مدل را به دست بگیرند — از حصارهای <UNTRUSTED_DATA> استفاده شده است که در آن‌ها توکن‌های حصار داخلی برای خنثی کردن اثرات مخرب بازطراحی شده‌اند.

درس‌هایی از باگ‌ها

سه شکست فنی مشخص، معماری فعلی را شکل دادند:
۱. آدرس‌دهی قطعی: زمانی یک توکن سولانا به‌اشتباه به‌گونه‌ای تحلیل شد که گویی در شبکه Base قرار دارد، زیرا مدل لزومی نمی‌دید و زنجیره را حدس زد. اکنون زنجیره بر اساس فرمت آدرس (مثلاً base58 برای سولانا و 0x... برای EVM) استخراج می‌شود و این مقدار بر حدس مدل اولویت دارد.
۲. زمینه زمانی: مدل‌های استدلالی گاهی سقف‌های قیمتی (ATH) مربوط به چهار ماه پیش را به‌عنوان «داده‌های آینده» یا فساد API شناسایی می‌کردند. راهکار این بود که تاریخ جاری در هر پرس‌وجو (Probe) تزریق شود تا مدل درک درستی از زمان داشته باشد.
۳. بند حفاظتی: چون پرونده‌ها شامل متونی از شخص ثالث هستند، یک بند حفاظتی (Guardrail Clause) به پرامپت هر Probe اضافه شد تا اطمینان حاصل شود که یک تکه متن مسموم نمی‌تواند خروجی نهایی را دستکاری کند.

برای کاربر، این یعنی با وارد کردن یک آدرس قرارداد سولانا، گزارشی دقیق شامل قیمت، نقدینگی و ایمنی آن‌چین (مانند بررسی اینکه آیا صلاحیت Mint/Freeze رد شده است یا خیر و میزان تمرکز دارندگان برتر) دریافت می‌کند. همچنین پرچمی برای شناسایی توکن‌های دارای منشأ pump.fun در نظر گرفته شده است. حتی اگر تجمیع‌کننده‌ها (Aggregators) هنوز یک توکن تازه ضرب‌شده را ایندکس نکرده باشند، داده‌ها مستقیماً از روی زنجیره استخراج و حل می‌شوند. این ابزار در حال حاضر در نسخه بتا در legatelabs.xyz فعال است و از طریق ربات‌های تلگرام قابل ادغام است.

این تغییر رویکرد نشان می‌دهد که چالش اصلی عامل‌های قابل‌اعتماد، هوش مدل نیست، بلکه لوله‌کشی قطعی (Deterministic Plumbing) اطراف آن است. با سلب قدرت مدل برای «رأی دادن» به حقایقی که از ورودی‌ها به دست آمده‌اند، Legate یک ردپای حسابرسی (Audit Trail) قابل تأیید برای هر عدد تولید شده ایجاد می‌کند.

گام بعدی شما

• اگر توسعه‌دهنده هستید، الگوی جداسازی لایه‌ی بازیابی داده از لایه‌ی استدلال را در پروژه‌های خود پیاده کنید.
• برای تست دقت داده‌ها، از متادیتای تازگی (Freshness Metadata) در خروجی‌های مدل استفاده کنید.
• ابزار Legate را در نسخه بتا امتحان کنید تا تفاوت پاسخ‌های قطعی با پاسخ‌های تخیلی را ببینید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.