引入AI，新推出的LLM计划会成为Dune的杀手锏吗？

近日，加密数据查询网站 Dune 宣布更新其 LLM（ 大型语言模型，Large language model）路线图，首期上线 GPT-4 支持的查询解释（Query Explanations）功能，后期将会逐渐增加更多功能，比如自然语言查询（Natural Language Querying）、SQL 语句转义（Query Translations）和优化搜索等。

不同于其他数据分析网站付费查询商业化路线，Dune 在上线后始终对普通用户免费开放，因此在上轮的牛市周期沉淀了足够多的用户量，而 LLM 的加入，则有望使其沉淀的数据查询语句、看板转化为实际的杀手锏，并且引导普通用户加入创作者行列。

Dune 的数据查询鸿沟

得益于区块链数据的公开性和透明度，任何人都可直接访问区块链数据，但是原始数据（Raw Data）往往难以辨认，非专业程序员很难看懂其含义，但是其上的数据蕴藏着巨大的经济价值，因此各类数据分析工具便应运而生，为各类分析师、研究员和普通散户提供间接访问和深度分析的工具。

Dune 在其中最为引人注目，因为其提供了真正自由且强大的分析工具，任何人都可通过 SQL 语句进行对数据的查询、分享和展示，甚至部分项目直接选择 Dune 作为官方信息展示平台。

但是 Dune 的 SQL 查询功能，表面看是 UGC 模式，平等的赋予每一个用户权限去执行查询任务，但实际上 Dune 采纳的 SQL 模式存在两个问题，其一是门槛过高，SQL 是（结构化查询语言，Structured Query Language）的简写，比如查询 Uniswap 上以 DAI 作为交易对的数量，仅仅需要 5 行代码即可完成。但是一旦执行查询的逻辑变得复杂，其代码量可能会大幅增加，非专业程序员很难自行写出，这导致大量用户只能成为看客。

例如，官方进行简化后的"nft.trades "查询流程，包含了近 20 万行的 SQL 语句转换、 10 万行的测试代码，并且由 55 个社区成员参与其中，单个用户无法处理如此大规模的任务。

其二是 Dune 的V1和V2版本的之间支持的 SQL 标准并不统一，V1和V2分别使用的 Po stgreSQL 和 Spark SQL，后续计划由 Dune SQL 完成统一。

在本次升级 LLM 功能之前，Dune 已经在准备统一查询引擎，计划在今年 7 月份之后全部迁移至 Dune SQL，以保证产品逻辑的统一性。更新后的 Dune SQL 是基于开源查询引擎 Trino 的实现，Dune 对其进行优化，以适配 Dune 自身的需求，与流行的 Spark SQL 并无本质上的差异，更多是在具体函数和语法上的改进。比如 Dune SQL 提供了更多的运算符，方便快速对日期和时间进行计算，以及对管理权限进行限制，所有涉及对原始数据本身的删除、更新等操作均无法执行，以保证数据的 安全 性。

但是 SQL 查询门槛过高的问题，依旧无法通过更改 SQL 范式得到解决，这意味着大多数用户和程序员都要去适应新的语法格式，比如说针对具体的查询语句，新用户和程序员都要去适应。而对自动化工具的需求，不仅对于普通用户具备现实意义，对不熟悉新语法的程序员也大有裨益。

实际上，在迁移 Dune SQL 路线图中，Dune 已经在尝试实验自动化工具，可以将不同的语法格式统一转化为 Dune SQL 语句，而在 GPT-4 使用 LLM 显示人机交互方面的威力后，Dune 也顺势推出自己的 LLM 计划。

LLM：解锁普通用户的参与感

Dune 的典型流程是解构链上数据，专业用户通过 SQL 执行查询，随后将看板（Dashboard）分享给有需要的用户。在这个流程中，最关键的是执行查询，而大多数用户因为缺乏代码知识而无法使用查询功能。

而在引入查询解释功能后，上述流程发生一些微调，在专业用户写的 SQL 查询界面，会出现解释页面，以自然语言的格式直观地告诉查看用户代码的具体作用，相当于给 SQL 查询添加一个解释说明的补丁，并不会改变当前的工作流程，这也是团队在吸取合并 SQL 语句时的教训，即降低对用户既有习惯的干扰，而是尽可能在现有流程优化体验。

在 LLM 加入后，一定程度上抹去了专业用户和普通用户的能力差异。借助 GPT-4 对代码的理解能力，可以让普通用户直观的理解查询语句的作用，而无需掌握 SQL 知识。在此功能引入前，用户只能被动的在看板页面阅读图表，而在引入查询解释功能后，普通用户也可以理解 SQL 代码是发挥作用的具体含义。

比如说 Alice 想要查询 LayerZero 交易的相关信息，那么她可以直接找到 Bob 已经制作好的 Dune 看板，可以发现 49.4% 的用户都集中在 1 次，那么 Alice 有理由推断说明这是为了潜在的经济刺激而进行的虚假交易，但是无法一锤定音，因此 Alice 决定去翻阅代码检查结论是否可靠。

但是 Alice 发现虽然结果只有 5 行数据，但是查询代码足足有 150 行，Alice 的 SQL 水平不足以确认每个语句的正确性，而此时查询解释功能则会“翻译”代码的具体说明，如图所示，查询分成了 3 个部分：收集数据涵盖了 Arbitrum 、 Avalanche 、 BNB 、Ethereum、 Optimism 、 Polygon 和 Fantom 等多条链，并且第二部分是计算每个用户（`sender`）的交易数量。第三部是针对数量设置阈值对用户进行分类： 1 Tx', '2 ~ 5 Tx', '5 ~ 10 Tx', '10 ~ 20 Tx', 和'>= 20 Tx' 。

那么此时 Alice 可以在不理解 Bob 写的代码含义基础上去进行分析和判断。本质上，查询解释的功能相当于给代码和人类之间进行了一次转义和翻译，那么反过来，也可以将人类语言翻译成 SQL 语句，在 LLM 加持下，得益于 Dune 攒下的海量查询语句数据，这并不难实现。

自然语言查询（Natural Language Querying）就是 Dune 后续 LLM 改进的重要方向。自然语言查询可以让用户以传达指令的方式去执行图表生成任务，这比使用 SQL 语句、拖曳生成等模式更为符合普通人的思维方式，免去对实现细节的关注。

并且，自然语言查询并不是对专业用户，如分析师群体的替代功能，而是一种补强，现存的 Dune 有将近 70 万个图表，相当一部分的分析任务是重叠和冲突的，而使用自然语言查询，也有助于系统去理解图表之间的关联，从而进一步提升整个分析工作的效率。

在 LLM 加入后，现存图表、SpellBook 和文档数据也将被重新整合，效仿 OpenAI 的聊天机器人，Dune 也会开发对话机器人，帮助用户以更简易的方式去理解和利用现存的知识体系，而不需要受到不相关信息的干扰。

比如，Alice 可以将上述查询 LayerZero 用户交易量分布的情况逆置，先用英语发出查询指令，并且交代好每一步的工作流程，随后 Dune 会帮助 Alice 写好 150 行代码，随后生成图表。

结语：人人都 能当 数据分析师

Dune 的目标并不是建立一个单纯的链上数据分析平台，而是希望打造一个可以使信息自由流动的数据管道，允许用户抓取、转换、管理、查询、可视化以及利用数据去采取行动。

数据流动的前提是必须进行模块化，可任意组合和配置，最终建造社区共享的数据集，而不是集中在复杂的 SQL 语句或者付费 API 之内，最终达到人人都可和数据进行交互的平权图景。

概要而言，Dune 的 LLM 计划是“翻译”和助手，目标是让普通用户读懂数据所代表的一切，不仅是最终结果的展示，而是深入到生成过程之中，最终人人都可进行链上数据分析。