Trong 72 giờ qua, một giao thức DeFi hàng đầu trên Ethereum đã mất 35% thanh khoản LP từ các pool chính. Không có hack, không có exploit. Đội ngũ vẫn đang build. Nhưng dữ liệu on-chain cho thấy một dòng chảy bất thường: 12 địa chỉ ví liên tục rút thanh khoản, mỗi lần 50-100 ETH, tạo ra một mô hình "rỉ máu" không thể giải thích bằng tin tức cơ bản. Tôi đã dành 4 giờ để phân tích, kéo biểu đồ, viết Python script. Kết quả? Tôi chỉ tìm thấy một mớ hỗn độn. Và rồi tôi nhớ đến Karpathy.
Context: Khi 5 năm kinh nghiệm không đủ Năm 2017, tôi 19 tuổi, là sinh viên Khoa học Máy tính tại Frankfurt. Tôi đã viết script quét ICO trên Ethereum. Phát hiện 12 dự án có phân phối token tập trung. Viết báo cáo Medium và thu hút 3.200 lượt đọc. Dữ liệu thô, biểu đồ, bảng số – đó là vũ khí của tôi. Nhưng đến năm 2025, khi institutional capital bắt đầu chảy vào qua các quỹ ETF và prime brokerage, dữ liệu trở nên phức tạp hơn. Các giao dịch được che giấu qua bridge, mixer, và smart contract phức tạp. Tôi có thể quét, lọc, phân tích – nhưng đôi khi lượng dữ liệu quá lớn khiến tôi mất phương hướng. Đó là lúc tôi tìm đến phương pháp của Andrej Karpathy: "long-form verbal prompting" – hay nói cách khác, biến AI thành một đối tác suy nghĩ, không phải công cụ thực thi.
Core: Chuỗi bằng chứng on-chain qua 7 phút nói chuyện Tôi mở ứng dụng ghi âm trên điện thoại, bắt đầu nói như thể đang kể chuyện cho một đồng nghiệp. Toàn bộ quá trình mất 7 phút – tôi không viết prompt, không dàn ý. Tôi chỉ ném ra mọi thứ: "Có 12 địa chỉ ví, rút thanh khoản từ pool USDC-WETH trên Uniswap v3. Không có pattern về thời gian – đôi khi rút vào 3 giờ sáng, đôi khi vào giờ làm việc. Các giao dịch đều qua một router trung gian, nhưng không phải là router chính thức của Uniswap. Tôi nghi ngờ đây là wash trading, nhưng số lượng quá nhỏ so với tổng volume. Hoặc có thể là một quỹ đang tái cân bằng danh mục. Dữ liệu cho thấy sau mỗi lần rút, thanh khoản lại được bổ sung từ một địa chỉ khác – như thể họ đang xoay vòng. Tại sao? Tôi không hiểu."
Sau đó, AI hỏi tôi một loạt câu: "Bạn có thể kiểm tra xem các địa chỉ rút có được funding từ cùng một nguồn không? Ví dụ, cùng một CEX hot wallet? Bạn có thấy bất kỳ giao dịch nào tới hợp đồng farming? Nếu không, có thể họ đang rút thanh khoản để tái triển khai ở giao thức khác. Hãy kiểm tra lịch sử giao dịch của những ví đó 30 ngày trước khi bắt đầu rút."
Tôi làm theo. Hóa ra, tất cả 12 địa chỉ đều nhận ETH từ một địa chỉ trung gian, mà địa chỉ đó đã được tài trợ bởi một sàn giao dịch lớn của châu Á. Họ đang rút thanh khoản khỏi pool chính để chuyển sang một pool mới trên Arbitrum, với cùng cặp token nhưng APR cao hơn 15%. Đây không phải wash trading. Đây là một chiến lược yield farming cơ bản của các quỹ nhỏ, nhưng được thực hiện với sự phối hợp để tránh trượt giá. "Lịch sử không lặp lại, nhưng vần điệu" – pattern rút thanh khoản này giống hệt những gì tôi thấy trong DeFi Summer 2020, khi các whale âm thầm di chuyển vốn giữa các pool để tối ưu lợi nhuận. Sự khác biệt duy nhất là công cụ: năm 2020 tôi mất 3 ngày để phát hiện, hôm nay mất 7 phút nói chuyện với AI.
Contrarian: Tương quan không phải nhân quả Nhưng đừng vội kết luận phương pháp này là "chén thánh". Tôi đã thử áp dụng cho một case khác – phân tích dòng tiền bất thường của một giao thức lending trên Base. Tôi nói chuyện với AI trong 10 phút, kể lể mọi chi tiết. AI cho tôi 5 giả thuyết. Tôi kiểm tra từng cái. Cả 5 đều sai. "Dữ liệu dễ bị kể chuyện" – một hiệu ứng tâm lý mà tôi gọi là "narrative contamination". Khi bạn kể câu chuyện của mình cho AI, AI sẽ cố gắng tìm ra pattern phù hợp với câu chuyện đó, thay vì nhìn vào dữ liệu một cách thuần túy. Đây là điểm mù: AI không phải là thám tử vô tư, nó là người bạn đồng hành dễ bị ảnh hưởng. Tương quan giữa câu chuyện của bạn và dữ liệu không có nghĩa là nhân quả. Trong trường hợp Base, hóa ra dòng tiền bất thường là do một bot MEV chạy sai config, không liên quan gì đến rủi ro giao thức.
Từ kinh nghiệm audit của tôi, phương pháp này chỉ hiệu quả khi bạn đã có một baseline phân tích vững chắc. Nó không thay thế cho việc viết script, parse giao dịch, hay xây dựng dashboard. Nó chỉ giúp bạn đặt câu hỏi đúng nhanh hơn. Và nó đòi hỏi mô hình AI có khả năng "chủ động hỏi" – không phải mô hình nào cũng làm tốt. Tôi nhận ra rằng Claude (của Anthropic) làm việc này tốt hơn GPT-4o, bởi vì Claude có xu hướng đào sâu hơn vào các chi tiết nhỏ. Karpathy, với tư cách là nhân viên cũ của OpenAI và hiện tại của Anthropic, đã vô tình quảng bá cho sản phẩm của mình. Đây là một dạng bias cần lưu ý.
Takeaway: Tín hiệu cho tuần tới Tuần tới, hãy để ý các pool thanh khoản trên Arbitrum và Base. Nếu bạn thấy một lượng thanh khoản đột ngột chảy vào một pool mới từ các địa chỉ có lịch sử giao dịch phức tạp, đó có thể là dấu hiệu của một quỹ đang tái phân bổ danh mục. Đừng bán khi thấy thanh khoản giảm – hãy hỏi AI một câu, nhưng hãy nhớ: "Lịch sử không lặp lại, nhưng vần điệu" – và vần điệu lần này là sự im lặng trước cơn bão.