"Los resultados de la detección han salido, no hay ni un atisbo de adición manual, todo es AI" Antes, aproximadamente el 95% del trabajo de esta consulta de Dune fue realizado por AI. Este artículo presenta principalmente DuneAI y cómo utilizar AI de manera eficiente para la ingeniería de prompts (¿interacción entre AIs?) Primera parte: Introducción simple al uso de Dune AI La AI integrada de @Dune puede ayudar a los usuarios a generar rápidamente consultas SQL utilizando lenguaje natural. Después de crear una consulta, se puede ver el campo de entrada de prompts en la parte inferior del bloque de código. Puntos clave de uso: 1. Expresar claramente en inglés el contenido que se desea consultar, proporcionando contexto, incluyendo base de datos, rango de tiempo, dirección de contrato específica, símbolo de token y otra información clave. - Ejemplo: "Listar todas las transacciones que involucren WETH (0xC02aaA39b223FE8D0A0e5C4F27eAD9083C756Cc2) en Uniswap v3 en las últimas 24 horas" 2. Ajustar las necesidades de consulta según los resultados iniciales. - Dune AI tiene casos de prueba integrados para asegurar que las consultas generadas funcionen correctamente. - Usar la función "fix" en la parte superior del código de consulta permite modificar y ajustar la consulta existente. Para más detalles, consulte la documentación oficial: Segunda parte: Ingeniería de prompts con múltiples agentes En el trabajo real, depender únicamente de una herramienta de AI a menudo dificulta obtener los mejores resultados. Aquí se presenta un proceso de ingeniería de prompts colaborativo con múltiples agentes que puede mejorar significativamente la calidad y eficiencia de las consultas, y extenderse a otros escenarios de negocio. Flujo de trabajo básico: 1. Descripción de la tarea: Primero, expresar claramente la necesidad del negocio. 2. Procesamiento AI1: Usar AI general (como ChatGPT o DeepSeek) para convertir la necesidad en prompts profesionales. 3. Ejecución AI2: Introducir los prompts optimizados en AI profesional (como Dune AI) para su ejecución. 4. Evaluación de resultados: Verificar si los resultados preliminares satisfacen la necesidad. 5. Optimización iterativa: Ajustar los prompts según sea necesario y repetir el proceso anterior. Se puede elegir AI2 que se ajuste a las necesidades del negocio, como usar Dune AI para generar consultas, Copilot Claude 3 para completar tareas de programación, Grok 3 para recuperar y organizar información de Twitter, etc. Por ejemplo, mi prompt de primera fase fue: "Necesito analizar el comportamiento de transacciones de un token específico en la cadena de Solana, identificando en un rango de tiempo específico: 1. Direcciones con más de N compras. 2. Direcciones con un monto de compra mayor a X dólares. 3. Direcciones con un flujo neto (total de compras - total de ventas) mayor a Y dólares. 4. Direcciones con no más de Z ventas. Finalmente, necesito devolver información detallada sobre estas direcciones, incluyendo: - Dirección de la billetera - Monto de flujo neto - Número de compras - Número de ventas - Tiempo de la primera transacción - Tiempo de la última transacción - Dirección del token Por favor, ayúdame a convertir esta necesidad en un formato de prompt profesional que Dune AI pueda entender, incluyendo todos los patrones y definiciones de parámetros necesarios; usar inglés; documentación de base de datos relacionada: (aquí proporcioné la descripción) " Después, ajusté el prompt de segunda fase y lo entregué a Dune AI para generar la consulta; el prompt de segunda fase que utilicé lo dejé en la sección de comentarios. Espero que este artículo te sea útil. (Sí, este artículo también utilizó esta técnica, las imágenes fueron generadas por AI usando la sintaxis de mermaid y luego dibujadas por AI.)

第二阶段 Prompt Scheme: `dex_solana.trades` Scheme Attributes: block_time: timestamp, UTC timestamp of trade amount_usd: double, unsigned USD value of the token traded token_bought_mint_address: string, if token_mint_address here then the trade is identified as buy token_sold_mint_address: string, if token_mint_address here then the trade is identified as sell trader_id: string, wallet address token_ Required Inputs: token_mint_address: string, solana token mint address to filter; start_datetime: date, start time; end_datetime: date, end time. Both in utc time; min_num_buys: number, minimal total number of buys within the time range; min_amount_per_buy: number, minimal amount for each buy, in USD; min_net_inflow: number, minimal amount summing inflow(total buy - total sell), in USD; max_num_sells: number, maximal total number of sells within the time range; Required Output : wallet_address: strings, wallet addresses matching above fields . net_inflow:number, signed total inflow num_buys: number, number of buys within time range num_sells:number, number of sells within time range first_trade_datetime:date, datetime first trade within the time range last_trade_datetime:date, last trade within the time range token_mint_address: string Write the SQL for me given the above requirements. Wrap the input parameters using double curly brackets {{}} in the SQL lines as place holders.