تحقیقات دستی دیفای در سال ۲۰۲۶ در حال مرگ است: معماری هوش مصنوعی که جایگزین آن می‌شود

این واقعیت است که جامعه تحقیقاتی دیفای دوست ندارد اعتراف کند: بیشتر "تحقیقات" تئاتر خسته‌کننده است. کسی پنج تب مرورگر باز می‌کند: DeFiLlama، Dune، یک صفحه مستندات پروتکل، یک رشته توییتر، شاید یک گزارش Messari دو ساعت چشم‌هایش را ریز می‌کند، یک مطلب 1200 کلمه‌ای می‌نویسد و آن را آلفا می‌نامد. اینطور نیست. این تطبیق الگوی خسته‌کننده است که لباس تحلیل پوشیده است.

پروتکل‌ها اهمیتی نمی‌دهند. بازارها به‌خصوص اهمیتی نمی‌دهند. و به‌طور فزاینده‌ای، ماشین‌هایی که همین تطبیق الگو را در میلی‌ثانیه انجام می‌دهند نیز اهمیتی نمی‌دهند.

آنچه واقعاً در حال رخ دادن است، به‌صورت بی‌سر و صدا، در لایه زیرساخت، یک برچیدن ساختاری از گردش کار تحقیقاتی قدیمی است. جمع‌آوری داده‌ها، استخراج سیگنال، سنتز روایت، موقعیت‌یابی مقایسه‌ای: همه اینها در حال خودکارسازی هستند. جایگزین نشده‌اند — خودکار شده‌اند. و اگر معماری آنچه ساخته می‌شود را درک کنید، دیگر قربانی این تغییر نیستید و به ذی‌نفع آن تبدیل می‌شوید.

این همان معماری است.

استک قدیمی هرگز واقعاً یک استک نبود

تحقیق کلاسیک دیفای یک فرآیند پراکنده، دردناک و عمیقاً دستی بود. شما فهرست‌های نظارتی را در نیم‌دوجین داشبورد نگهداری می‌کردید. 200 حساب توییتر را دنبال می‌کردید، به این امید که سیگنال به بالای نویز شناور شود. مقالات Medium و پست‌های انجمن حاکمیتی را نشانک‌گذاری می‌کردید که هرگز به آنها بازنگشتید. پایگاه‌های داده Notion ساختید که تا ماه دوم رها کردید.

این یک شکست شخصی نیست. این یک شکست ساختاری است. ورودی‌های اطلاعاتی در کریپتو حجیم، ناهمگن و به‌صورت متخاصمانه پرسر و صدا هستند. هیچ انسانی که به‌تنهایی کار می‌کند یا حتی یک تیم کوچک — نمی‌تواند پوشش واقعی را به‌طور همزمان در لایه‌های 1، L2ها، اولیه‌های دیفای، زیرساخت پل، توکنومیکس، حاکمیت، جریان‌های درون زنجیره‌ای و کلان حفظ کند. این بازی همیشه به نفع کسی بود که ابزارهای بهتری داشت.

صندوق‌های پوشش ریسک این را می‌دانستند. آنها مهندسان را در کنار تحلیلگران استخدام کردند. بقیه بازار به‌آرامی به همان نتیجه رسیدند: لایه تحقیقاتی نیاز به بازمعماری از پایه داشت.

معماری جدید اتوماسیون: اینگونه زیرساخت تحقیقاتی جدید به نظر می‌رسد

استک تحقیقاتی خودکار دیفای یک ابزار واحد نیست. این یک معماری نظرمند است — یک سیستم لایه‌ای که در آن هر جزء با خروجی‌های ساختاریافته و قابل پرس‌وجو به جزء بعدی تغذیه می‌کند. آن را به روشی که یک معمار سیستم معاملاتی فکر می‌کند در نظر بگیرید: هر لایه یک کار دارد، و داده‌های تمیز را به لایه بالاتر منتقل می‌کند.

پنج لایه عبارتند از: دریافت، نرمال‌سازی، استخراج سیگنال، سنتز و تحویل. آنها با هم — و فراتر از آن — آنچه را که یک تیم سه نفره تحلیلگر می‌توانستند به‌صورت دستی تولید کنند، تکرار می‌کنند، به‌صورت مداوم اجرا می‌شوند، با کسری از تأخیر.

لایه 1 — دریافت

همه چیز از اینجا شروع می‌شود، و اینجاست که بیشتر تلاش‌های اتوماسیون آماتور شکست می‌خورند. آنها از APIهای راحت CoinGecko، نقاط پایانی REST DeFiLlama — دریافت می‌کنند و در دسترس بودن را با کامل بودن اشتباه می‌گیرند. لایه دریافت واقعی گسترده‌تر و خصمانه‌تر است.

دریافت درون زنجیره‌ای به معنای اجرا یا اشتراک در گره‌های آرشیو، اجرای پرس‌وجوهای زیرگراف سفارشی، و مصرف لاگ‌های رویداد در دانه‌بندی بلوک است. دریافت اجتماعی به معنای بیش از API توییتر است — به معنای انتشارات Farcaster، پست‌های انجمن حاکمیتی (Snapshot، Tally، Commonwealth)، صادرات سرور Discord، و لاگ‌های کانال تلگرام است. دریافت اسناد به معنای تجزیه PDFهای حسابرسی، وایت‌پیپرها، اعلامیه‌های سرمایه‌گذاری VC، و پرونده‌های نظارتی است.

نتیجه یک مجموعه داده تمیز نیست. این یک هرج و مرج ساختاریافته است — و لایه 2 کاملاً برای مهار آن وجود دارد.

لایه 2 — نرمال‌سازی

لایه کم‌ارزش‌گذاری‌شده. داده‌های خام از دوازده منبع مختلف از دوازده طرح مختلف، دوازده تعریف متفاوت از "نام پروتکل"، دوازده فرمت مختلف زمان استفاده می‌کنند. رقم TVL از Messari و رقم TVL از DeFiLlama برای همان پروتکل در همان روز اغلب 8-15٪ واگرا خواهد بود. هیچکدام اشتباه نیستند؛ آنها چیزهای متفاوتی را اندازه‌گیری می‌کنند. لایه نرمال‌سازی هر رکورد ورودی را به یک طرح متعارف نگاشت می‌کند، نام نهادها را حل می‌کند (آیا "Uniswap V3" همان نهاد "UNI v3" است یا نه؟)، برچسب‌های زمانی را با زمان بلوک UTC هماهنگ می‌کند، و تکراری‌ها را در سراسر منابع حذف می‌کند.

این لایه را رد کنید و استخراج سیگنال شما زباله خواهد بود. این کار بی‌جاذبه است، اما جایی است که معماری یکپارچگی خود را به‌دست می‌آورد.

لایه 3 — استخراج سیگنال

این لایه‌ای است که تحلیلگران قبلاً به‌صورت دستی، با چشمان خود، بیش از دو ساعت هر صبح انجام می‌دادند. اکنون بر اساس یک برنامه هر 15 دقیقه برای سیگنال‌های با فرکانس بالا، هر ساعت برای سیگنال‌های ساختاری، روزانه برای الگوهای سطح روند اجرا می‌شود.

استخراج سیگنال لایه‌ای است که بیشترین قابلیت سازگاری با تشخیص ناهنجاری ML کلاسیک، طبقه‌بندی سری‌های زمانی، طبقه‌بندی‌کننده‌های NLP برای احساسات حاکمیتی را دارد. اما یک هشدار: بیشتر متخصصان اینجا بیش از حد مهندسی می‌کنند. یک آشکارساز ناهنجاری z-score به‌خوبی تنظیم‌شده روی TVL در تولید قابل‌اعتمادتر از یک LSTM است که روی شش ماه داده پرسر و صدا آموزش دیده است. ظرافت در این لایه به معنای سادگی است، نه پیچیدگی.

لایه 4 — سنتز

اینجاست که مدل‌های زبانی بزرگ از بودن جدید متوقف می‌شوند و شروع به تبدیل شدن به زیرساخت می‌کنند. لایه سنتز خروجی‌های سیگنال ساختاریافته از L3 را می‌گیرد و کاری را انجام می‌دهد که قبلاً نیاز به یک تحلیلگر ارشد با سه سال زمینه خاص پروتکل داشت: نقاط را به هم متصل می‌کند.

خروج نهنگ از یک استخر وام‌دهی، یک پیشنهاد حاکمیتی که نرخ‌های استقراض را افزایش می‌دهد، و راه‌اندازی محصول جدید رقیب — به‌صورت جداگانه، اینها واقعیت‌ها هستند. با هم، ممکن است یک تز باشند. وظیفه لایه سنتز این است که آن ارتباط را نمایان کند، آن را به زبان طبیعی بیان کند، و آن را با عدم قطعیت مناسب واجد شرایط کند. LLM تصمیم معاملاتی نمی‌گیرد؛ کار شناختی مونتاژ را انجام می‌دهد.

بالغ‌ترین پیاده‌سازی‌ها از تولید تقویت‌شده با بازیابی (RAG) استفاده می‌کنند — LLM به یک پایگاه داده برداری از رفتار تاریخی پروتکل، نتایج حاکمیتی گذشته، و الگوهای چرخه بازار دسترسی دارد. وقتی یک خوشه سیگنال جدید سنتز می‌کند، می‌تواند به آنچه سه بار آخر که الگوی مشابهی ظاهر شد، اتفاق افتاد، ارجاع دهد. این حافظه نهادی، خودکار است.

لایه 5 — تحویل

لایه خروجی تنها لایه‌ای است که یک انسان روزانه لمس می‌کند — و باید طراحی شود تا کمترین توجه ممکن را طلب کند. بهترین پیاده‌سازی‌ها خلاصه‌های سفارشی را به هر جایی که محقق از قبل زندگی می‌کند فشار می‌دهند: یک پیام تلگرام ساختاریافته در ساعت 07:00، یک پایگاه داده Notion که به‌طور خودکار با ورودی‌های پروتکل جدید پر می‌شود، یک ربات Discord که فقط زمانی هشدار می‌دهد که اطمینان از آستانه فراتر رود.

ضد الگو ساخت یک داشبورد است. داشبوردها نیاز دارند که انسان به جایی برود. زیرساخت تحویل خوب محقق را در گردش کار موجود خود ملاقات می‌کند و بینش را تحویل می‌دهد، نه داده را. این بینش‌ها بهتر است توسط بوردهای Tableau یا قطعه بینش تحلیلگر Notion به‌خوبی نوشته شده ارائه شوند.

واقعیت ماکیاولی تحقیقات خودکار

اینجا بخشی است که بیشتر نوشته‌های زیرساخت از آن می‌گذرند چون آنها را ناراحت می‌کند: تحقیقات خودکار قدرت نامتقارن ایجاد می‌کند، و دقیقاً این نکته است.

در باک، صربستان، یک شهر کوچک تاریخی با مردمی ساده که زندگی شاد خود را می‌گذرانند — یک قلعه وجود دارد که برای قرن‌ها بین امپراتوری‌ها تغییر دست داده است. قلعه باک به این دلیل زنده نماند که افراد داخل آن بیشتر از دشمنانشان دعا کردند. به این دلیل زنده ماند که آنها زمین، لجستیک و زمان‌بندی را بهتر از هر کسی که سعی داشت آن را بگیرد، درک کردند. زیرساخت اطلاعات معادل مدرن موقعیت‌یابی قلعه است. شما یک استک تحقیقاتی نمی‌سازید تا انسان بهتری باشید. آن را می‌سازید چون جایگزین این است که توسط کسی که از قبل یکی دارد، از موقعیت خارج شوید.

صندوق‌های پوشش ریسکی که نظارت خودکار درون زنجیره‌ای را اجرا می‌کنند، سوءاستفاده Euler Finance را قبل از اینکه تیم خود پروتکل آن را به‌صورت عمومی تأیید کند دیدند. نه به این دلیل که آنها باهوش‌تر بودند — چون سیستم‌های آنها آدرس‌های درون زنجیره‌ای درست را در زمان واقعی تماشا می‌کردند و آنها را با یک کلاس آسیب‌پذیری شناخته‌شده در کدبیس مراجعه‌ متقابل می‌کردند. این همان چیزی است که استک خودکار امکان‌پذیر می‌کند: مزیت سیستماتیک بر هر کسی که هنوز به‌صورت دستی می‌خواند.

نتیجه‌گیری ناراحت‌کننده این است: اگر در سال 2025 تحقیقات دیفای را به‌صورت دستی انجام می‌دهید، با سایر محققان دستی رقابت نمی‌کنید. شما با استک‌های خودکار صندوق‌ها، فروشگاه‌های کمی، و محققان مستقل به‌طور فزاینده با منابع خوب رقابت می‌کنید که این زیرساخت را 18 ماه پیش ساختند و از آن زمان به‌آرامی ناهار شما را خورده‌اند.

این برای محقق فردی چه معنایی دارد

خبر خوب — و خبر خوبی وجود دارد — این است که اجزای این استک دیگر عجیب نیستند. ابزار دریافت منبع باز است. APIهای LLM در دسترس هستند. کار نرمال‌سازی دردناک است اما برای یک مهندس واحد در طی سه یا چهار آخر هفته قابل انجام است. یک فرد نسبتاً توانمند اکنون می‌تواند چیزی را که در سال 2021 برای یک صندوق کریپتو 400000 دلار هزینه داشت، بسازد.

بینشی که در اینجا مهم است از جایی غیرمنتظره می‌آید. در طول یک سفر میدانی به باک — آن شهر کوچک صربستان — دانش‌آموزان دبیرستانی محلی در حال سرپرستی نمایشگاه‌هایی درباره میراث شهر و ساختن برنامه‌هایی برای یک برنامه موبایل، یک وب‌سایت، یک تور مجازی بودند. مردم ساده در یک مکان ساده، با استفاده از ابزارهای موجود برای دستیابی به دیدی که قبلاً هرگز نداشتند. ابزارها آنچه برای آنها ممکن بود را تغییر دادند. همین منطق در اینجا اعمال می‌شود.

مزیت محقق فردی بر استک نهادی سرعت نیست. این قضاوت است. سیستم خودکار فوق‌العاده در نمایان کردن آنچه ناهنجار است خوب است. در تمایز بین آنچه ناهنجار و جالب است در برابر آنچه ناهنجار و بی‌ربط است خوب نیست. این تمایز هنوز نیاز به یک انسان با اعتقاد واقعی حوزه دارد — کسی که می‌داند چرا ساختار حاکمیتی یک پروتکل خاص یک سیگنال خاص را به روشی معنادار می‌کند که یک مدل عمومی نمی‌تواند.

استک را بسازید. آن را با اعتقاد خود تغذیه کنید. بگذارید کار را انجام دهد. انرژی شناختی خود را برای آنچه ماشین‌ها هنوز نمی‌توانند انجام دهند ذخیره کنید: اهمیت دادن به چیزهای درست.

معماری مقصد نیست

یک نکته نهایی، و ارزش بیان صریح را دارد: استک توصیف‌شده در اینجا در 18 ماه منسوخ خواهد شد. نه به این دلیل که اصول اشتباه هستند — اصول دریافت لایه‌ای، نرمال‌سازی، استخراج سیگنال، سنتز و تحویل صحیح هستند و صحیح باقی خواهند ماند. اما ابزارهای خاص، APIهای خاص، LLMهای خاص که لایه 4 را قدرت می‌دهند با نسخه‌های بهتر با سرعتی که هیچ موازی تاریخی در زیرساخت تحقیقاتی ندارد جایگزین خواهند شد.

آنچه منسوخ نخواهد شد محققی است که درک می‌کند چرا معماری به این روش طراحی شده است. کسی که می‌داند نرمال‌سازی اختیاری نیست، که استخراج سیگنال نیاز به فروتنی درباره پیچیدگی مدل دارد، که سنتز فقط به خوبی زمینه‌ای است که در اطراف آن ساخته‌اید، و آن طراحی تحویل تعیین می‌کند که آیا کل سیستم واقعاً استفاده می‌شود.

استک تحقیقاتی دیفای در حال خودکارسازی است. این یک تهدید برای محقق جدی نیست — این مهم‌ترین باز کردن بهره‌وری است که فضا تا به حال دیده است. سؤال این نیست که آیا به این ابزارها دسترسی خواهید داشت. از قبل دارید. سؤال این است که آیا معماری را قبل از اینکه شخص دیگری آن را در اطراف شما بسازد، خواهید ساخت.

به عبارت ماکیاولی: بهتر است کسی باشید که قلعه را طراحی می‌کند تا کسی که به دروازه‌ها می‌رسد و تعجب می‌کند چرا نمی‌تواند وارد شود.

نکات کلیدی خلاصه

آنچه استک تحقیقاتی خودکار دیفای واقعاً انجام می‌دهد

1. تحقیق دستی دیفای از نظر ساختاری شکسته است — هیچ تحلیلگر تکی نمی‌تواند بیش از 200 پروتکل را با عمق معنادار با استفاده از تب‌ها، توییتر و Notion پوشش دهد.
2. استک خودکار پنج لایه دارد: دریافت (L1) ← نرمال‌سازی (L2) ← استخراج سیگنال (L3) ← سنتز LLM (L4) ← تحویل (L5).
3. نرمال‌سازی لایه ساز یا شکن است — آن را رد کنید و استخراج سیگنال شما زباله تولید می‌کند صرف نظر از اینکه مدل‌های شما چقدر پیچیده هستند.
4. LLMها در L4 زیرساخت هستند، نه جدید — سنتز قدرت‌گرفته از RAG روی یک پایگاه داده برداری از رفتار تاریخی پروتکل حافظه نهادی واقعی ایجاد می‌کند.
5. مزیت محقق فردی قضاوت است، نه سرعت — ماشین‌ها ناهنجاری‌ها را نمایان می‌کنند؛ انسان‌ها تصمیم می‌گیرند کدام ناهنجاری‌ها مهم هستند.
6. اجزا امروز در دسترس هستند — ابزار دریافت منبع باز، APIهای عمومی LLM، و چند آخر هفته کار نرمال‌سازی همه چیزهایی است که برای شروع نیاز دارید.

نویسنده: Samuel Olaide Oba یک محقق دیفای و نویسنده فنی است که لبه برنده زیرساخت Web3، هوش درون زنجیره‌ای، و ابزار توسعه‌دهنده را پوشش می‌دهد. یک سازنده بی‌امان و کوله‌گرد دیجیتال سبک، من در Medium و GitHub منتشر می‌کنم جایی که کار من به پر کردن شکاف بین معماری پروتکل پیچیده و نوشتن واضح و قابل اقدام کمک می‌کند. وقتی او در اسناد نیست، جایی بین مناطق زمانی است.

تحقیق دستی دیفای در سال 2026 در حال مرگ است: اینجا معماری هوش مصنوعی است که آن را جایگزین می‌کند در ابتدا در Coinmonks در Medium منتشر شد، جایی که مردم با برجسته کردن و پاسخ دادن به این داستان به گفتگو ادامه می‌دهند.