近日，加密數據查詢網站 Dune 宣布更新其 LLM（大型語言模型，Large language model）路線圖，首期上線 GPT-4 支持的查詢解釋（Query Explanations）功能，後期將會逐漸增加更多功能，比如自然語言查詢（Natural Language Querying）、 SQL 語句轉義（Query Translations）和優化搜索等。

不同於其他數據分析網站付費查詢商業化路線，Dune 在上線後始終對普通用戶免費開放，因此在上輪的牛市週期沉澱了足夠多的用戶量，而 LLM 的加入，則有望使其沉澱的數據查詢語句、看板轉化為實際的殺手鐧，並且引導普通用戶加入創作者行列。

Dune 的數據查詢鴻溝

得益於區塊鏈數據的公開性和透明度，任何人都可直接訪問區塊鏈數據，但是原始數據（Raw Data）往往難以辨認，非專業程序員很難看懂其含義，但是其上的數據蘊藏著巨大的經濟價值，因此各類數據分析工具便應運而生，為各類分析師、研究員和普通散戶提供間接訪問和深度分析的工具。

Dune 在其中最為引人注目，因為其提供了真正自由且強大的分析工具，任何人都可通過 SQL 語句進行對數據的查詢、分享和展示，甚至部分項目直接選擇 Dune 作為官方信息展示平台。

但是 Dune 的 SQL 查詢功能，表面看是 UGC 模式，平等的賦予每一個用戶權限去執行查詢任務，但實際上 Dune 採納的 SQL 模式存在兩個問題，其一是門檻過高，SQL 是（結構化查詢語言，Structured Query Language）的簡寫，比如查詢 Uniswap 上以 DAI 作為交易對的數量，僅僅需要 5 行代碼即可完成。但是一旦執行查詢的邏輯變得複雜，其代碼量可能會大幅增加，非專業程序員很難自行寫出，這導致大量用戶只能成為看客。

例如，官方進行簡化後的「nft.trades」查詢流程，包含了近 20 萬行的 SQL 語句轉換、 10 萬行的測試代碼，並且由 55 個社群成員參與其中，單個用戶無法處理如此大規模的任務。

其二是 Dune 的 V1 和 V2 版本的之間支持的 SQL 標準並不統一，V1 和 V2 分別使用的 Po stgreSQL 和 Spark SQL，後續計劃由 Dune SQL 完成統一。

在本次升級 LLM 功能之前，Dune 已經在準備統一查詢引擎，計劃在今年 7 月份之後全部遷移至 Dune SQL，以保證產品邏輯的統一性。更新後的 Dune SQL 是基於開源查詢引擎 Trino 的實現，Dune 對其進行優化，以適配 Dune 自身的需求，與流行的 Spark SQL 並無本質上的差異，更多是在具體函數和語法上的改進。比如 Dune SQL 提供了更多的運算符，方便快速對日期和時間進行計算，以及對管理權限進行限制，所有涉及對原始數據本身的刪除、更新等操作均無法執行，以保證數據的安全性。

但是 SQL 查詢門檻過高的問題，依舊無法通過更改 SQL 範式得到解決，這意味著大多數用戶和程序員都要去適應新的語法格式，比如說針對具體的查詢語句，新用戶和程序員都要去適應。而對自動化工具的需求，不僅對於普通用戶具備現實意義，對不熟悉新語法的程序員也大有裨益。

實際上，在遷移 Dune SQL 路線圖中，Dune 已經在嘗試實驗自動化工具，可以將不同的語法格式統一轉化為 Dune SQL 語句，而在 GPT-4 使用 LLM 顯示人機交互方面的威力後，Dune 也順勢推出自己的 LLM 計劃。

LLM：解鎖普通用戶的參與感

Dune 的典型流程是解構鏈上數據，專業用戶通過 SQL 執行查詢，隨後將看板（Dashboard）分享給有需要的用戶。在這個流程中，最關鍵的是執行查詢，而大多數用戶因為缺乏代碼知識而無法使用查詢功能。

而在引入查詢解釋功能後，上述流程發生一些微調，在專業用戶寫的 SQL 查詢界面，會出現解釋頁面，以自然語言的格式直觀地告訴查看用戶代碼的具體作用，相當於給 SQL 查詢添加一個解釋說明的補丁，並不會改變當前的工作流程，這也是團隊在吸取合併 SQL 語句時的教訓，即降低對用戶既有習慣的干擾，而是盡可能在現有流程優化體驗。

在 LLM 加入後，一定程度上抹去了專業用戶和普通用戶的能力差異。借助 GPT-4 對代碼的理解能力，可以讓普通用戶直觀的理解查詢語句的作用，而無需掌握 SQL 知識。在此功能引入前，用戶只能被動的在看板頁面閱讀圖表，而在引入查詢解釋功能後，普通用戶也可以理解 SQL 代碼是發揮作用的具體含義。

比如說 Alice 想要查詢 LayerZero 交易的相關信息，那麼她可以直接找到 Bob 已經製作好的 Dune 看板，可以發現 49.4% 的用戶都集中在 1 次，那麼 Alice 有理由推斷說明這是為了潛在的經濟刺激而進行的虛假交易，但是無法一錘定音，因此 Alice 決定去翻閱代碼檢查結論是否可靠。

但是 Alice 發現雖然結果只有 5 行數據，但是查詢代碼足足有 150 行，Alice 的 SQL 水平不足以確認每個語句的正確性，而此時查詢解釋功能則會「翻譯」代碼的具體說明，如圖所示，查詢分成了 3 個部分：收集數據涵蓋了 Arbitrum 、 Avalanche 、 BNB 、 Ethereum 、 Optimism 、 Polygon 和 Fantom 等多條鏈，並且第二部分是計算每個用戶（`sender`）的交易數量。第三部是針對數量設置閾值對用戶進行分類：1 Tx’, ‘2 ~ 5 Tx’, ‘5 ~ 10 Tx’, ’10 ~ 20 Tx’, 和’>= 20 Tx’ 。

那麼此時 Alice 可以在不理解 Bob 寫的代碼含義基礎上去進行分析和判斷。本質上，查詢解釋的功能相當於給代碼和人類之間進行了一次轉義和翻譯，那麼反過來，也可以將人類語言翻譯成 SQL 語句，在 LLM 加持下，得益於 Dune 攢下的海量查詢語句數據，這並不難實現。

自然語言查詢（Natural Language Querying）就是 Dune 後續 LLM 改進的重要方向。自然語言查詢可以讓用戶以傳達指令的方式去執行圖表生成任務，這比使用 SQL 語句、拖曳生成等模式更為符合普通人的思維方式，免去對實現細節的關注。

並且，自然語言查詢並不是對專業用戶，如分析師群體的替代功能，而是一種補強，現存的 Dune 有將近 70 萬個圖表，相當一部分的分析任務是重疊和衝突的，而使用自然語言查詢，也有助於系統去理解圖表之間的關聯，從而進一步提升整個分析工作的效率。

在 LLM 加入後，現存圖表、 SpellBook 和文檔數據也將被重新整合，效仿 OpenAI 的聊天機器人，Dune 也會開發對話機器人，幫助用戶以更簡易的方式去理解和利用現存的知識體系，而不需要受到不相關信息的干擾。

比如，Alice 可以將上述查詢 LayerZero 用戶交易量分佈的情況逆置，先用英語發出查詢指令，並且交代好每一步的工作流程，隨後 Dune 會幫助 Alice 寫好 150 行代碼，隨後生成圖表。

結語：人人都能當數據分析師

Dune 的目標並不是建立一個單純的鏈上數據分析平台，而是希望打造一個可以使信息自由流動的數據管道，允許用戶抓取、轉換、管理、查詢、可視化以及利用數據去採取行動。

數據流動的前提是必須進行模塊化，可任意組合和配置，最終建造社群共享的數據集，而不是集中在復雜的 SQL 語句或者付費 API 之內，最終達到人人都可和數據進行交互的平權圖景。

概要而言，Dune 的 LLM 計劃是「翻譯」和助手，目標是讓普通用戶讀懂數據所代表的一切，不僅是最終結果的展示，而是深入到生成過程之中，最終人人都可進行鏈上數據分析。